Стандартный ответ на вопрос, как поделена ответственность между AI‑командой и бизнесом — это формула «бизнес = заказчик, AI = исполнитель». Такое решение взято из управления стандартными командами разработки, но для AI‑команд эта схема ведёт к построению воздушных замков и долгой безрезультатной работе.
Меня зовут Арсений Проценко, я лидирую AI‑команду в продажах в Точка Банк. В этой статье разберёмся, почему схема «заказчик — исполнитель» плохо работает. Предложу другую схему, где AI‑команда больше вникает в проблемы бизнеса, а бизнес — в специфику AI, и приведу основные принципы и шаги, которых стоит держаться при переходе к новой схеме работы.
Почему «бизнес = заказчик, AI = исполнитель» работает плохо
Если вы спросите у знакомого разработчика, делает ли его команда что‑то полезное для бизнеса, в ответ вы вряд ли услышите описания бизнес‑целей: считается, что об этом должен думать заказчик. Когда через несколько лет вы посмотрите на команду, в которой работал собеседник, вы скорее всего увидите, что построенные ею проекты глобально ничего в компании не улучшили.
Такая ситуация в основном возникает по двум причинам:
-
В конфигурации «заказчик — исполнитель» никто по‑настоящему не отвечает за результат.
-
Бизнес, который не отвечает за AI напрямую, генерирует плохие идеи и решения.
Чтобы понять проблему глубже, вникнем в каждую причину.
Как получается, что за результат никто не отвечает
Чаще всего AI‑команду строят рядом с командой‑заказчиком. Бизнесу предлагают внедрить AI, а команде — растить метрики заказчика.
Вроде бы обе стороны заинтересованы в успехе. Но дальше происходят интересные вещи:
-
Для бизнеса цель по внедрению AI никогда не будет главной. Если ваш заказчик — продажи, то с них будут требовать прежде всего продажи, и неважно, откуда. Если ваш заказчик — IT, то главная забота ребят — бесперебойность и скорость разработки.
-
Если AI‑проект не дал результатов, то бизнес‑заказчик всегда может сказать, что ожидал от проекта большего, и поэтому инвестировал в него деньги.
-
В свою очередь AI‑команда через год бесплодной работы тоже может сказать, что ничего не понимает в бизнес‑задачах.
Если ещё больше обобщать, то такая организация совместной работы — это классический пример размывания ответственности.
Если бизнес понимает свои проблемы, почему его идеи AI‑проектов оказываются плохими?
Мало кто будет спорить с тем, что самый полный контекст о том, где нужны улучшения, есть только у бизнеса. Тогда почему AI‑проекты от заказчиков так редко взлетают? Потому что AI нужен далеко не везде, несмотря на агитацию AI‑native‑digital‑агентств.
Задача же бизнеса в том, чтобы искать в соседних командах тех, кто поможет им в самых горящих сейчас местах. Поэтому туда и внедряют AI в первую очередь. На выходе, AI появляется совсем не там, где его использование оправдано.
В теории, эту проблему должно решить накопление бизнесом опыта работы с AI: человек запускает проект, он проваливается, из ошибок извлекаются уроки. Но на практике, обучения не бывает без ответственности за результат. Как мы обсудили выше, если AI‑проекты не оправдают ожидания, это не будет критичной ошибкой бизнеса. А значит и стимула к росту нет.
Кроме того, в команде бизнеса часто больше участников, чем у AI, и этим условным десяти AI‑драйверам от бизнеса копить необходимый опыт дороже и дольше, чем одному человек из AI‑команды, работающему фокусно над своими проектами.
Итак, мы достаточно пожаловались. Делать‑то что? Будем разбираться в следующем разделе.
Как построить взаимодействие бизнеса и AI, чтобы всё работало нормально
После предыдущих разделов логично предположить, что итоговое решение — это такая совместная работа AI и бизнеса, где обе стороны вникают в особенности друг друга и берут ответственность за результат, а не только за свою часть.
Команда, в которой я работаю 4,5 года, попробовала много подходов и пришла к оптимальной схеме взаимодействия с бизнесом: в нашем случае это сейлз, маркетинг и другие команды. Расскажу о ней подробнее.
Две категории AI‑проектов
Мы пришли к тому, что команда и её проекты должны быть разделены на две части — внутренние и внешние:
-
Во внутренних стримах AI‑команда имеет полную свободу в принятии решений, сама погружается в бизнес, ищет лучшие места для оптимизации и отвечает за результат.
-
Во внешних стримах бизнесу передаются бразды правления и полная ответственность за проект. То есть, вместе со свободой выбора приходит и ответственность за результат.
О внутренних стримах, за которые отвечает AI‑команда
Как я говорил выше, настоящая ответственность невозможна без соответствующей свободы. В нашей команде мы сами решали, какие проекты сделаем за год, а бизнес согласился делиться всеми данными и контекстом.
Если вы начинающий специалист, такая свобода тяжело даётся. Каждому приходится становится немного продактом и брать на себя риски. Но именно это и нужно.
Во‑первых, ответственность, совмещённая со свободой, не будет фиктивной. Она запускает в головах команды много сомнений и вопросов: «а это точно нужно делать?», «может, это просто красивая мишура от которой будет нулевой эффект?».

Это трудный путь, перестройка на новую парадигму бывает болезненной, и потребует значительное время
Кроме того, у инженеров не остается бэклога от бизнеса на год вперед, который команда спокойно делает. У меня были встречи с членами команды, где люди ощущали себя бесполезными, потому что у них нет идей или уверенности, что эти идеи стоит реализовывать. Разительный контраст с сервисными командами, где работа всегда кипит, не правда ли?
Тем не менее, те, кто остаются и адаптируются — команда спецназа, которой можно гордиться. Они гораздо лучше готовы к сложным вопросам и задают их себе сами каждый день, а на выходе принимают глубокие и взвешенные решения.
Второй плюс — решения принимаются быстрее при погружении и в бизнес, и в техничку
Для наглядности рассмотрим обратный пример. Представьте, что у вас две сепарированные роли — заказчик (З) и инженер (И). Допустим, 10% проблем бизнеса, которые стоит решать, можно решить с AI, и 10% проектов, которые приходят в голову инженеру, имеют смысл для бизнеса.
Как эти два человека будут решать, что делать? И сколько времени это займет? Если мы идем дальше в этом игрушечном примере и допускаем, что обе стороны не погружаются в области знаний друг друга, то общение может выглядеть следующим образом:
-
З: мне надо воткнуть AI, чтобы решить проблему А.
-
И: это не получится и будет работать плохо.
-
З: тогда пусть AI решает проблему Б.
-
И: тоже не вариант. Может воткнем AI, чтобы решать проблему В?
-
З: Проблему В даже решать не стоит.
-
…
Если вы посмотрите на реальный мир, то увидите что‑то похожее — кучу долгих встреч и мало дельных решений.
Дело в том, что во время общения теряется значительная часть информации: детали срезаются, чтобы выразить мысль. Поэтому если для успеха должны сложиться два фактора, и о каждом судит отдельный участник, решение из‑за серии переговоров будет приниматься долго, а из‑за потери информации — плохо.
Напротив, если достаточно качественное решение может принять один участник, то скорость и качество кратно растут: нейроны обмениваются импульсами быстрее, чем люди — приглашениями на встречи и словами. Кроме того, в принятие решения не примешивается способность красиво говорить, психология и авторитет, в отличие от того, как это бывает на встречах инженеров с бизнесом.
Как и в прошлом разделе, могу гордиться тем, что этот плюс — не гипотетический. В моей команде есть несколько ML‑инженеров, бэкендеров и других ролей, которые самостоятельно принимают хорошие продуктовые решения за счёт того, что инвестировали много времени в понимание продаж.
Как помочь AI-команде лучше понять, как устроен бизнес-домен
Всё сказанное выше звучит круто, но думаю вам понятно, что перестроить команду на новый лад будет трудно, и прежде всего самим ребятам. Поскольку я проводил через это всех членов команды, могу сказать, что основные навыки, которые приходится развивать, это:
-
Проведение касдевов и интервью.
-
Финансовый и бизнес‑анализ.
-
Переговоры и построение работающих отношений с другими командами.
Каждый из пунктов — это большие темы, которые не покроешь парой абзацев, но пройдемся по источникам, которые можно дать команде для отправной точки.
Касдевы и интервью
Да, ML‑инженеры и разработчики должны общаться с продажами/маркетингом/юристами и глубоко вникать в их проблемы.
Простой тест текущей степени контакта: с кем на корпоративе ребята из вашей команды общаются больше — с бизнесом или с коллегами из команды и друзьями‑разработчиками?
Мне в этом смысле повезло с культурой Точка Банка на старте карьеры. Когда я ещё был студентом и работал первые две недели, я пришел в офис продаж. Меня сразу со всеми познакомили, выдали список из 10 пунктов, которые в CRM сейчас устроены плохо, у меня была часовая встреча с лидером всех продаж банка, где он рассказывал, как всё устроено.
Источники, которые помогают структурировать это общение с бизнесом как правило идут от продактов. Лично мне в бытность ML‑инженером помогла книжка «Спроси маму» (слушается часа за 4) и курсы для продактов. Теперь все новые члены нашей команды так или иначе осваивают эту область знаний.
Финансовый и бизнес-анализ
Однажды к нам в команду отправили разработчика из другой команды на 3 месяца. Помню, как он был шокирован, когда часовую еженедельную встречу мы посвятили тому, чтобы смотреть финансовую отчетность банка. Была живая дискуссия, много баек и шуток, и это разительно отличается от той сепарации разработчиков и финансов компании, которые обычно существуют.
Если вы пришли, чтобы оптимизировать затраты и качество ответов в поддержке клиентов, убедитесь, что досконально знаете топ-10 дашбордов этой части компании, понимаете их финансовую отчётность и процессы.
Вот, что помогает нам:
-
Регулярно смотреть финансовую отчетность нашей части компании и наиболее крупных субкоманд.
-
Приходить на встречи, где бизнес обсуждает свои насущные проблемы.
-
Иметь доступ во все системы и изучать их.
-
В случае работы с новым направлением прочитать всю документацию, всех опросить и быть уверенными, что мы досконально понимаем, как всё устроено.
Переговоры и построение отношений
Быть умным круто, но если не можешь отстоять свою точку зрения, то всё пойдёт прахом. Тем хуже от того, что инженеры обычно куда более стеснительные и сфокусированные на чёткости и деталях по сравнению с лидерами больших команд. В нашем случае это продажи — квинтэссенция хороших софтов и способности убеждать.
Опять же, тема обширная, поэтому лишь приведу примеры того, что может помочь:
-
Практика. Убедитесь, что ваши инженеры сами ставят встречи бизнесу, проводят их и пытаются добиться нужных им решений.
-
Книжки по коммуникациям, например, «Договориться можно обо всём». Теоретическая база опять же полезна нам умникам, которые по работе естественным образом не обязаны делать 200 наборов потенциальным клиентам в день и в чем‑то их убеждать.
-
Построение отношений. Вещи складываются сильно проще, если ребята из бизнеса — ваши друзья или, по крайней мере, не враги. Спросите себя: вы часто хихикаете с ними при встрече лично или в зуме? Попробуйте ходить на все встречи с камерой, прочитайте что‑нибудь из (о боже) Карнеги, сходите с ними попить пива — это правда помогает.
Подытожим про построение AI‑команды, которая отвечает за бизнес
Итак, мы обсудили, как сделать так, чтобы AI‑команда больше отвечала за бизнес, и как помочь ей перестроиться на новый лад. Итого:
-
Команда должна сама решать, что делать. Иначе ответственность за профит не будет полноценной.
-
Погружение инженеров в бизнес позволяет им самим принимать решения. Выше показали, почему это сильно круче, чем серия муторных встреч.
-
Чтобы помочь с изменением стиля работы, мы привели первые шаги, чтобы инженерам начать растить нужные скиллы.
Теперь перейдём ко второй части уравнения.
О внешних стримах, за которые отвечает бизнес
Очевидно, что отдать все решения и свободы в руки инженеров AI‑команды — не панацея. Они всё равно не будут погружены в текущие проблемы также глубоко, как бизнес. Поэтому нужно и обратное движение, где сила пропорциональная ответственности передаётся бизнесу.
Методом проб и ошибок наша команда мы поняли, что работающий AI‑проект обладает тремя качествами:
-
Понятный профит и подробные вход/выход, которые продумывает сам заказчик.
-
Помощь только в тех компетенциях, где никто кроме AI не справится.
-
Быстрые и дешевые ручные тесты и критерий закрытия.
Ниже рассмотрим, зачем нужен каждый пункт и как его внедрить.
Профит и подробные вход/выход до начала инвестиций
Кто работал напрямую с не‑продуктовыми заказчиками, понимает, что они чаще всего приносят в команду неоформленные гипотезы. Как правило, это решения, которые видели в презентации конкурента или подумали, что нам это тоже нужно.
Это нормально: у смежных команд часто нет бэкграунда в разработке и в работе с гипотезами. Поэтому правильные вопросы в текстовом виде помогают навести на нужные мысли. Расскажу о вещах, которые стоит учесть во время подготовки брифа, чтобы не отпугнуть заказчиков:
-
Человеческий контакт и чувство плеча.
-
Минимизация сложности брифа.
О человеческом контакте и поддержке
Думаю все помнят, как хотели разобраться в проблеме в банке или сервисе, писали в поддержку и спотыкались о плашку «идите читать FAQ» или тупящих ботов. Ваш внешний AI‑стрим — тоже сервис, и поддержка в нём должна быть на уровне.
Большинство ребят из бизнеса не представляет, какие задачи может решать AI. А если им ещё и показать бриф до того, как вы познакомились, желание что‑либо приносить отпадёт у 90% потенциальных заказчиков.
Помогает получасовая встреча‑ знакомство инженера и заказчика. На них мы не говорим практически ничего из того, что не лежит в нашем FAQ или брифе. Но такие встречи заказчику важное чувство плеча. У нас после таких «растапливающих» созвонов доля ребят, которые приносят заполненный бриф, растёт в несколько раз.
Отдельно про помощь в заполнении брифа. С одной стороны, важно не заполнять бриф за заказчика. Но иногда человеку правда трудно оценить, сколько денег мы заработаем на внедрении AI. Поэтому мы опять же проводим получасовые консультации по подготовленной фактуре и пулу вопросов.
Минимизация сложности брифа
Кто привык заполнять ML design canvas поперхнулись. Задавать с порога 10 вопросов и требовать на них подробные ответы — это плохо!
Да, для инженеров продумать всё заранее, а потом классно сделать — отличное решение. Но ребятам из продаж или маркетинга часто трудно держать такую системность и продумывать кучу нюансов до того, как они увидели прототип.
Вам нужно максимально снизить порог входа в работу с гипотезой, оставив только вопросы, от которых зависит масштабирование или закрытие чаще всего. В нашем случае это два вопроса:
-
Какой профит и как мы примерно будем его проверять в эксперименте?
-
Как примерно должна работать решение и какие выдавать результаты?
Всё остальное завышает порог входа на ровном месте.
Выделение только уникальных для AI-команды компетенций
Обычно в AI‑команде в большой компании есть не только бэкендеры и ML/DS/AI‑инженеры, но и проджекты, системныеи бизнес‑аналитики, продакты(!). Мы пришли к тому, что выделять таких ребят во внешний AI‑стрим плохо. И вот почему:
-
Бизнес привык к тому, что есть сервисная команда, к которой он приходит и рассказывает о своих болях.
-
В конфигурации «заказчик — исполнитель» AI‑команда выделяет человека, который приземляет хотелку бизнеса во что‑то внятное. Например, системного аналитика, который грумит идею и отдаёт готовые таски разработчикам.
-
Это снимает с бизнеса ответственность за внятность своих идей. В худшем случае, о реализации придётся думать не заказчику, а аналитику.
Поэтому требование к бизнесу самому думать, как решение должно работать, заставляет быстро приходить к конкретным и реализуемым проектам. Это работает, потому что часть скиллов аналитиков и проджектов вовсе не уникальны и не принадлежат только им: любой здравомыслящий человек, у которого есть время и желание, может описать свою идею.
Опять же, в процессе приземления идеи человек понимает, что не всё в ней понятно, и упрощает её. Это приводит к снижению доли проектов вида «сделай то, не знаю, что».
Быстрые ручные тесты и критерии закрытия
Итерации во внешних AI‑стримах должны быть в 3–6 раз быстрее, чем во внутренних. Почему так:
-
На старте бизнес не умеет работать с AI и предлагает не лучшие идеи.
-
Чтобы предлагать идеи лучше, нужно учиться.
-
Если каждая итерация обучения будет занимать 4–6 месяцев, с учетом ротации конкретных людей от бизнеса, никто никогда ничему не научится.
Поэтому нормальная скорость проверки внешнего AI‑стрима — 3–6 недель, в худшем случае — 2 месяца. Такая скорость позволила нам за довольно короткий срок получить ряд ребят от бизнеса, которые понимают ограничения AI и предлагают идеи.
Это стало возможно, потому что:
-
Ребятам дали сделать ошибиться 1–2 раза: Потратить пару недель на тест нерабочей гипотезы — это неплохо. Но если бы тест занимал 6 месяцев, провал воспринимался бы сильно тяжелее и AI‑командой, и бизнесом, и чисто психологически конкретным человеком, который вкладывал своё время в драйвинг.
-
Ответственность ведёт к обучению: Ребята ставили своё время, силы и репутацию на кон, что запускало процесс осмысления, где они выдумывают или идут не туда.
Как мы обсудили, чтобы бежать быстро и пробовать много нового, нужно быстро не только масштабировать, но и закрывать стримы. Чтобы это не приводило к обидам и недопониманиям, главное — четко фиксировать критерий закрытия стрима при его рождении.
У нас был негативный пример про гипотезу, в которой мы по глупости не определили критерий «провала». В итоге спустя 3 месяца анализа, перепридумок и перезапусков мы были уверены, что штука не работает и не имеет смысла, но бизнес хотел продолжать пробовать. Из‑за этого мы стали дольше добираться до новых, куда более интересных, тестов. Поэтому с тех пор заранее проговорённые критерии помогают нам закрывать направления и выносить ценный опыт.
Итого по внешним AI-гипотезам
Как мы убедились выше, отдать практически все решения об AI‑проекте бизнесу напрямую — неплохая идея, если балансировать свободу и ответственность, сохранять человечность, делать итерации быстрыми и подталкивать бизнес к тому, чтобы думать самому.
В конечном счёте, бизнес поймёт, что AI‑команда — это прагматичные и в меру приветливые ребята, которые всегда поддержат, если ты можешь обосновать фактами силу своей гипотезы и вкладываться в реализацию.
Буду рад вашим вопросам, несогласиям и мнениям в комментариях и личных сообщениях!
Автор: goldsnitch



