Мы решили попробовать в Kaiten новый подход: прежде чем идти с вопросом к коллеге, спроси сначала у нейросети. И это сработало хорошо — взаимодействие в команде стало эффективнее, а точечное использование ИИ превратилось в системную практику. Про наш опыт с нейросетями — ниже.

Три уровня применения: коротко о том, как мы используем ИИ

В наших командах сотрудники используют ИИ на 3 уровнях:

• Уровень 1 — персональная эффективность. Каждый пробовал инструменты для своих задач: кто-то писал тексты, кто-то искал информацию, кто-то обрабатывал данные. Это работает, но результат остается точечным.

• Уровень 2 — командная работа. В команде обмениваются кейсами применения ИИ и показывают друг другу успешные решения. За счет этого появляются общие подходы и инструменты, которые использует вся команда.

• Уровень 3 — бизнес-цели. Нейросети стали частью процессов. Например, упрощают поддержку пользователей, ускоряют создание документации и меняют подход к найму и онбордингу.

Главный вывод, который мы сделали: нельзя заставить команду сразу переключиться на новую парадигму работы. Люди созревают постепенно, поэтому задача — культивировать использование нейросетей через регулярные встречи и обмен успешными кейсами.

Теперь расскажем про использование ИИ на каждом уровне.

Персональная эффективность: как изменилась работа каждого

К этому уровню мы относим все задачи, которые напрямую касаются деятельности сотрудника на конкретной должности. Чтобы показать влияние ИИ, взяли несколько примеров из практики нашей команды:

Research: от недель к минутам. Раньше глубинные исследования были доступны только компаниям с аналитическими отделами. Например, один из наших менеджеров до Kaiten руководил проектом в компании, где в штате сидело 16 аналитиков. Они собирали информацию из открытых и закрытых источников, агрегировали ее в отчеты и делали выводы. На основе этих выводов строили стратегию.

Сейчас любой сотрудник может провести такое исследование самостоятельно. Для таких задач хорошо подходят Perplexity, Gemini, Claude и специализированные сервисы для deep research. Они собирают последние данные по теме, анализируют их и выдают резюме в нужном контексте.

А чтобы получить более широкий взгляд на тему, рекомендуем запускать параллельно несколько нейросетей с одним вопросом. Получается консилиум, который дает разные точки зрения на проблему. Это помогает избежать предвзятости одной модели и находить неожиданные решения.

Что мы исследуем регулярно:

• модели монетизации в SaaS;

• лучшие практики работы с оттоком клиентов;

• метрики для улучшения продуктовых модулей;

• примеры успешных и провальных стратегий конкурентов;

• прогнозы при изменении ценовой политики.

Обработка данных. За годы существования Kaiten у нас накопились тысячи отзывов о продукте и сотни баг-репортов за 2 года. Раньше их обработка заняла бы дни работы аналитика. Сейчас загружаем массив данных в нейросеть, после чего она кластеризует информацию и выдает четкий отчет.

Пример из практики: мы собрали все обращения ушедших клиентов и обработали их через нейросеть. На выходе получили кластеры проблем и поняли, где больше всего «болит» у пользователей. В итоге результат ответа сразу превратился в приоритеты для продуктовой команды.

Аналитические отчеты тоже изменились. Раньше, чтобы сделать красивую визуализацию данных, нужно было углубиться в разработку и потратить время сотрудников. Сейчас же мы загружаем сырую таблицу в нейросеть, обозначаем задачу и за пару минут получаем наглядные отчеты с графиками.

«Наш аналитик говорит, что Claude стал его лучшим другом. Он постоянно делает через него артефакты и расчеты. Продуктивность выросла раз в 10. То, на что раньше уходили дни, теперь занимает часы или минуты», — Алексей Халезов, руководитель сегмента B в Kaiten.

Создание контента. Нейросети ускоряют производство контента любого формата. Например, раньше создание презентации требовало выделить около недели на создание структуры, дизайн, согласование и правки. Сейчас на это может уходить до четырех часов:

1. Сами прописываем тезисы и примерно описываем структуру.

2. Затем прогоняем все это через GPT и Claude.

3. Забираем лучшие предложения от каждой нейросети и получаем готовый текст для слайдов.

4. При необходимости корректируем текст.

5. Загружаем тезисы в специализированные ИИ-сервисах вроде Gamma, которые сами оформляют презентацию в нужном тебе стиле.

6. Получаем готовую презентацию, на которую у нас ушло пара часов.

Это же касается и лендингов, на которые раньше могло уходить около 2 недель. Сейчас базовый вариант можно сделать за пару часов и это с учетом этапа продакшена.

При этом все еще есть задачи, которые нельзя сделать без дизайнера. Но если мы уже понимаем, каким должен быть макет, или знаем, что нам будет достаточно упрощенного варианта без сложного визуала, то получается ускорить процесс в десятки раз.

Продуктовые гипотезы: от интуиции к данным. Когда мы работаем над новыми фичами, используем deep research для поиска лучших практик. На практике это происходит так:

1. Вводим запрос на лучшие кейсы по интересующему нас вопросу. Например, ищем UX-паттерны, способы повлиять на метрики или механики для работы с лояльностью клиентов.

2. Загружаем эти гипотезы в проект, где собрана вся информация о компании: ICP клиентов, стратегия, процессы. 

3. Просим нейросеть приоритизировать гипотезы по ICE-фреймворку. 

4. Получаем готовый результат.

Конечно, результат нужно валидировать, ведь нейросеть может выдать неактуальную информацию. Но она снимает огромную рутину: не нужно самому собирать документ, заполнять таблицу, анализировать каждый пункт. Это снижает когнитивную нагрузку на рутинные задачи и освобождает пространство для творческих решений.

Автотесты. Написание автотестов — рутинная задача, которую не любит ни один разработчик. С нейросетью скорость написания автотестов выросла в десять раз. Со стороны разработчика достаточно задать параметры теста и объяснить, какой результат ожидаешь на выходе. Достичь покрытия кода в 100% не получится, но 50-70% вполне реально. А это примерно в 2 раза меньше работы.

Подобные кейсы в практике компаний важны, так как эффект от нейросетей начинается не с масштабных проектов, а с того, как каждый человек применяет их в своих задачах.

Командная работа: как нейросети меняют взаимодействие между сотрудниками

Использование ИИ на этом уровне помогает упростить взаимодействие между сотрудниками и делает работу с нейросетями эффективнее. Какие практики мы ввели для этого:

Правило AI-First, или «сначала спроси у нейросети». Оно действует не только для решения задач, но и для общения между коллегами. Суть простая: прежде чем идти с вопросом к коллеге, пообщайся с нейросетью. Не важно, джуниор ты или сеньор. Попробуй сформулировать проблему и получи варианты решения.

Это не значит, что люди перестали общаться. Все взаимодействие сохранилось, но стало эффективнее. Когда сотрудник приходит с вопросом, он уже подготовлен, так как у него уже есть варианты решения и понимание проблемы. Благодаря этому можно не тратить время на обсуждение базовых вещей, а сразу переходить к более сложным нюансам.

Еще один плюс — при таком варианте сотрудники быстрее растут. За несколько месяцев при таком подходе они становятся мини-управленцами самих себя и процессов вокруг, что делает их более сильными специалистами.

Обмениваемся кейсами. Некоторые команды проводят дейлики, митинги и мастермайнды, где каждый показывает промежуточные результаты работы с нейросетями.

Почему это важно: подобные встречи помогают взращивать культуру использования ИИ. Нельзя резко заставить людей решать задачи способом, к которому они не привыкли. Вместо этого команда должна созреть — увидеть реальные примеры, пробовать создать свои и выработать свой подход.

Менее значительный, но тоже полезный эффект от нейросетей — сделать взаимодействие более комфортным и менее формальным. Для этого можно использовать разные элементы геймификации, которые легко создать в том же Claude. Например, одна продуктовая команда сделала там простое колесо фортуны, которое показывает, кто стартует дейлик.

Еще один вариант — проверять сообщения перед отправкой. Иногда нужно давать правки коллегам и указывать на неточности. И не всегда можно заметить, что ты неосознанно написал текст, который можно воспринять слишком резким. Поэтому перед отправкой можно отправить свой текст ИИ, чтобы он как раз проверил его на резкость и смягчил при необходимости.

Бизнес-процессы: когда нейросети меняют компанию

На этом уровне использование ИИ напрямую влияет на бизнес-процессы и цели компании. Здесь тоже покажем на нескольких примерах:

HR-документация. Команда Kaiten выросла за год. Появились новые роли, команды, а некоторые процессы усложнились. Вместе с этим — все больше работы, которую никто не любит: регламенты, инструкции, чек-листы. То, что нужно фиксировать, но не всегда в приоритете.

Нейросети снимают эту боль. Рутинное описание процессов, создание документов, обновление инструкций, формирование чек-листов — теперь все это занимает часы вместо недель.

«Команда разгрузилась и наконец-то смогла сосредоточиться на том, ради чего HR и существует — на живом общении с людьми, развитии культуры и улучшении процессов. Документы остаются важными, но теперь они не забирают у нас время», — Алеся Шахова, HRD в Kaiten.

Пример промпта, который работает и который используют в нашей HR-команде: 

Поиск новых сотрудников. Для нас стало важно, использует ли кандидат ИИ. Даже по нашему опыту понятно, что просто специалист уступает специалисту+ИИ. Поэтому если работа в нейросетях для специалиста — обыденное дело, то у него больше шансов попасть в нашу команду.

Отчасти поменялся и процесс собеседования для некоторых должностей, так как любой может открыть нейросеть и получить ответ, связанный с хард-скилами.

Мы заметили, что кандидаты пытаются подсматривать в ChatGPT прямо на созвоне. Судорожно печатают, быстро читают ответ. И на самом деле это не проблема, ведь все чаще результат работы сотрудника — то, что он сделал с помощью ИИ. Но теперь компетенция может крыться в вопросах, которые кандидат задает нейросети.

На нашей практике было такое, что мы предлагали кандидату показать нам, какие запросы он отправлял нейросети. По этим запросам было понятно, в верную ли сторону он движется. Если человек задает глубокие вопросы, показывает любопытство и умеет работать с инструментами, ему будет проще вырасти.

KPI и система мотивации. Раньше KPI спускали сверху. Сотрудник получал показатели, которые не всегда понимал, что могло вызывать сопротивление. Сейчас формулировка KPI происходит со стороны обеих сторон: как руководителя, так и сотрудника. И чтобы обсуждение шло эффективнее, обе стороны используют ИИ для помощи.

Руководитель работает со своим чатом, сотрудник — со своим. Каждый думает, изучает варианты KPI, формулирует предложения, а на встречу обе стороны приходят уже более подготовленными и могут показать ход своих мыслей.

Если есть странности, можно вернуться к любой версии диалога, задать уточняющие вопросы. Логические ошибки видны сразу, интересные ходы тоже.

Это не значит, что нейросеть принимает решение за нас. Она дает перспективу, варианты, примеры. Мы выбираем то, что откликается и подходит под контекст компании. Что не нужно — легко убрать. Это проще, чем генерировать предложения с нуля.

Поддержка клиентов. Использование ИИ нашло отражение и в нашей системе для управления проектами. Например, внутри Kaiten появился чат-бот, который обучили на базе из более чем 500 наших материалов: статей в базе знаний, кейсов, ответов поддержки на частые вопросы.

Пользователю больше не нужно ждать ответа менеджера, так как бот отвечает за несколько секунд, а в поддержку общается только при уникальных запросах. Бот появился только недавно, пока работает в бета-режиме, но в ближайшем будущем запустим полноценную версию.

Параллельно этому развиваем наше направление Kaiten AI — набор инструментов на базе искусственного интеллекта, которые помогают контролировать нагрузку на сотрудников, формулировать задачи, оценивать эффективность команд и не только.

ИИ также становится помощником при работе с разными методологиями. Например, у себя в блоге писали, как мы удвоили конверсию с помощью карты гипотез. И здесь нам тоже помогал ИИ — с помощью искусственного интеллекта мы формулировали черновики гипотез и проверяли корректность формулировок.

Концепция промптов уже не так актуальна, как умение работать с проектами

Промпты все еще нужны для рутинных и повторяющихся задач, но куда важнее они были во времена GPT-3.5. Тогда многие пользователи искали идеальную конфигурацию промпта. Сейчас на место этой практики пришла работа с проектами. Что это значит: 

1. Создаем отдельный проект в Claude или GPT.

2. Загружаем туда overview компании, описание целевой аудитории, маркетинговую стратегию, бренд-платформу. 

3. Добавляем подробную инструкцию, как нейросеть должна себя вести. 

4. Дальше работаем в контексте этого проекта — ИИ всегда помнит правила и пропускает через них любой запрос.

Такой подход дает стабильный результат, из-за чего  необходимость в промптах отходит на второй план. Не нужно каждый раз объяснять контекст или дублировать информацию. Проект хранит все необходимое.

Пример: у нас есть проект для стратегического планирования. Внутри — подробные ICP всех клиентских сегментов, структура процессов поддержки, overview компании, маркетинговая стратегия, бренд-платформа. Плюс инструкция, как нейросеть должна себя вести. Когда обращаемся к этому проекту, он всегда отвечает в контексте этих данных.

То же самое касается и работы с текстами. Можно создать базу знаний, загрузить туда нужные материалы, задать стиль, инструкции и готово — получается текст в нужном контексте. Да, его нужно будет редактировать, но даже с учетом этого можно сэкономить несколько часов на каждом материале.

Несмотря на удобство проектов, есть промпты, которые помогают сделать работу в нейросети эффективнее. Один из них ↓

Промпт для повышения точности ответов. Подсмотрели его здесь. С ним ИИ сначала сам задает себе роль и только потом приступает к ответу. По опыту, даже не Pro версия ChatGPT начинает чаще отвечать на удовлетворительном уровне. Чтобы не вводить этот промпт каждый раз, сделайте следующее:

1. Перейдите в Настройки.

2. Перейдите в раздел Персонализация.

3. Вставьте промпт в поле Пользовательские инструкции.

4. Сохраните настройки.

Теперь ChatGPT будет корректнее отвечать в любом чате. А вот сам промпт:

Главные выводы, которые мы сделали

Нейросети изменили нашу работу на всех уровнях. Вот что мы поняли за это время:

• Продуктивность некоторых сотрудников растет кратно, и мы это видим на примере реальных цифр.

• Контекст важнее промптов — работа с проектами дает стабильный результат. Один раз настраиваешь агента с подробными инструкциями и данными — дальше работаешь в этом контексте без повторений.

• Культура важнее инструментов — нельзя заставить команду сразу думать по-новому. Люди созревают постепенно через обмен кейсами, регулярные встречи, примеры успешного использования.

• Люди не исчезают — нейросети не заменяют сотрудников полностью. Они забирают рутину и освобождают пространство для сложных задач. Люди же становятся операторами процессов, а не исполнителями.

Нейросети меняются быстро, и подходы к работе с ними тоже, поэтому мы продолжаем экспериментировать, пробовать новое и делиться опытом.