Prosci в AI Adoption Guide 2026 называет четыре главные причины сопротивления AI.

Потихоньку закрываю темы, которые не успеваю озвучить на конференциях.

Исходя из новостей о стремительной замене людей ИИ-агентами думаешь: там страх увольнений, безопасность и недоверие к качеству моделей.

В отчёте причины лежат ближе к обычному рабочему дню:

1. человек не понимает, зачем это лично ему;
2. боится неизвестности и неловкости;
3. не знает, как начать;
4. чувствует, что его исключили из решения.

В нашей практике картина почти совпала.

Дали доступ всем — пришли единицы. Провели вебинары — люди послушали и вернулись к обычной работе. Сделали реестр инструментов — он стал ещё одной ссылкой, которую никто сам не открывает.

После этого фокус сместился с доступа к первому рабочему опыту.

🧩 1. Личная польза появляется на живой задаче

Для инженера (это любой сотрудник айти-команды) «AI-стратегия» слишком далека от реальной задачи. А уж как она далека линейным сотрудникам - думаю не надо и описывать :) Лучше работает конкретика: 30 boilerplate-классов за 2 минуты (не спрашивайте, зачем это надо), тест-кейсы по реальному тикету, разбор старого модуля перед задачей.

Практика: Это как научить рыбачить, вместо того чтобы сразу кормить. Примеры и выгоду показываем типовые для нужной когорты людей (ведь у всех ролей разные запросы), связанный с конкретными и рутинными задачами.

⛑ 2. Первый опыт должен быть безопасным

Люди редко задают простые вопросы на большом вебинаре. Маленькая группа, эксперт рядом, можно останавливаться, ошибаться и спрашивать про установку, доступы, промпт, ошибку в терминале.

В посте выше есть формат воркшопа и хакатона, которые тут помогут. Но пререквизит к этому: обязательно упростите установку кодинг-агента + доступов + нужных инструментов и mcp. В идеале shell-скриптом. А для сотрудников на винде сразу закажите админские роли. А для сотрудников на VDI - проработайте решение с безопасниками.

🎢 3. Первый маршрут лучше собрать заранее

Одна команда установки. Готовый сценарий запуска. Пример на реальном тикете. Понятные ограничения. Чеклист проверки результата.

Человек должен быстро дойти до первого маленького успеха.

Практика: Даем примеры, которые можно решить (чтоб не разочаровать, если пример не решится). Прогоняем воркшоп на подопытных, чтобы отловить типичные проблемы на каждом шаге. Не грузим кучей теории

🧠 4. Практика приживается, когда команда собирает её сама

QA собирают свои сценарии. Аналитики описывают свои артефакты. Разработчики формируют скилы для кода и ревью. Техлид показывает пример на собственной работе. Продакт учится самостоятельно делать прототипы.

Так AI становится темой нормального инженерного разговора: какие задачи отдаём агенту, где держим стандарт, где финальное решение остаётся за человеком.

Сопротивление AI часто начинается с нормальных вопросов команды.

Практика: Мы в обучении и вовлечении даем самый минимум. Скелет, фреймворк для использования. Когда у людей есть желание улучшаться (а в agile мы его воспитываем ретроспективами и культурой непрерывного развития) - при необходимых инструментах они сами учатся оптимизироваться. Важно создать среду для поддержки подобных благих намерений.

💅 Короче говоря: Хорошее внедрение даёт человеку первый маленький результат — и право попробовать самому.

Больше про работу с командами и внедрение ИИ в инженерку в блоге Марата Киньябулатова predictable.team