Содержание
Представьте ситуацию. Пациент приходит к врачу и говорит: «У меня, кажется, заболевание X, выпишите мне вот эти таблетки, это должно помочь». Врач выслушивает и сразу оформляет назначение.
В медицине странно назначать лечение до диагноза. Сначала врач задает вопросы, назначает обследования, проверяет возможные причины и только после этого выбирает лечение.
В корпоративном обучении такая логика встречается постоянно. Заказчик приходит уже с запросом на тренинг или курс и часто сразу называет тему, которую, по его мнению, нужно разобрать с сотрудниками. А с появлением генеративного ИИ путь до готовой программы стал еще короче. Достаточно передать запрос ChatGPT, Claude, GigaChat или другой нейросети, и через несколько минут появятся цели, модули, упражнения, чек-листы и система оценки.
Мы можем перейти к разработке программы, так и не проверив главное. Есть ли у сотрудников дефицит знаний или навыков, который вообще нужно закрывать обучением.
Почему исходного запроса заказчика недостаточно
Разберем типичную формулировку:
«Нам нужен тренинг по работе с возражениями. После возражения по цене менеджеры часто сразу предлагают скидку или заканчивают разговор. Похоже, они не умеют выяснять причину возражения и аргументировать ценность предложения. Хотим, чтобы они чаще продолжали диалог и доводили клиента до следующего шага».
На первый взгляд информации много. Уже названы проблема, причина, решение и ожидаемый результат.
Но статус у этих сведений разный:
Пока мы не проверили гипотезу, строить на ней программу рискованно.
Если дать нейросети такой запрос и попросить разработать программу, через несколько минут мы получим вполне убедительный результат. Там появятся темы, длительность, упражнения, критерии оценки и другие детали. Но часть из них нейросеть просто придумает, потому что в исходном запросе этих данных не было.
Я подключаю ИИ еще до того, как начинаю проектировать программу. Он помогает разбирать запрос, сопоставлять материалы, находить пробелы и противоречия. А вывод о том, почему возникла проблема и нужно ли здесь обучение, я делаю только после проверки данных.
Мой рабочий маршрут состоит из пяти шагов.
Шаг 1. Разберите запрос до встречи с заказчиком
Получив заявку на обучение, я сначала смотрю, какие данные у нас уже есть, а какие выводы пока держатся только на предположениях.
Обычно я начинаю с нескольких простых вопросов. Что бизнес хочет изменить? Что заказчик видит сейчас? Почему он считает причиной именно это? На чём основан этот вывод? Почему выбрано обучение? Что ещё может влиять на ситуацию?
На этом этапе нейросеть хорошо работает как аналитический помощник. Ей можно передать обезличенный запрос и попросить разложить его на наблюдения, гипотезы, ожидаемые изменения и уже выбранные решения.
Например:
Полученный ответ я использую для подготовки следующего контакта с заказчиком. Это может быть встреча, интервью, письменный бриф или форма заявки. Нейросеть может предложить вопросы для любого из этих форматов. Финальный набор я проверяю вручную, убираю дубли, слишком общие формулировки и вопросы, ответы на которые не повлияют на дальнейший анализ и выбор решения.
После этого уже видно, на что можно опираться, где пока только предположения и каких данных еще не хватает для следующего решения.
Шаг 2. Зафиксируйте требования к работе сотрудников
После первого шага обычно уже понятно, какого изменения ждёт бизнес. Но для анализа этого недостаточно.
Дальше нужно зафиксировать, как должна выполняться работа. Что сотрудник должен делать, какие решения принимать, какой результат получать и на какие правила, данные или инструменты опираться. Если эти требования уже описаны во внутренних документах, берем их за основу и проверяем, хватает ли детализации. Если нет, уточняем вместе с заказчиком или владельцем процесса.
Такое описание и будет нашей точкой Б, точкой куда мы должны прийти в конечном результате.
Фразы вроде «менеджер должен лучше работать с клиентом» для анализа недостаточно. Нужно понять, что именно сотрудник должен делать в этой ситуации. Например, какую информацию собрать, что зафиксировать после разговора, какое решение принять и по каким признакам перейти к следующему этапу.
Если в компании уже есть регламенты, инструкции или описание процесса, их можно передать ИИ и попросить собрать черновик точки Б. Перед загрузкой стоит проверить правила компании по работе с данными и убедиться, что в материалах нет персональной, коммерческой или другой конфиденциальной информации, которую нельзя передавать внешнему сервису. При необходимости данные нужно обезличить. Если документов нет или в них есть пробелы, можно добавить материалы интервью с заказчиком, руководителем или экспертом и отдельно отметить вопросы, которые еще нужно уточнить.
Хорошая постановка задачи для ИИ содержит ограничение:
Последнее условие особенно полезно. Если в компании нет единого правила работы, подробный ответ нейросети не превращает это правило в существующий стандарт. Такой пробел становится отдельной задачей бизнеса.
Шаг 3. Определите критерии сравнения
Когда точка Б описана, нужно понять, по каким признакам мы увидим отклонение.
У компании могут уже собираться показатели, которые связаны с нужным нам результатом. Например, конверсия между этапами, количество ошибок или срок выполнения операции. Но прежде чем брать их для анализа, я проверяю, можно ли по ним увидеть нужное изменение и насколько на результат влияют другие факторы кроме действий сотрудников.
Проверьте источник данных, способ расчета, исходное значение и другие факторы, которые влияют на показатель.
Если количественных данных нет, можно оценивать наблюдаемые действия.
Например, вместо общего критерия хорошо выявляет потребности можно проверить, выяснил ли сотрудник задачу клиента, критерии выбора, ограничения, сроки принятия решения и роль собеседника.
Нейросеть может помочь сформулировать черновик критериев по точке Б. Я прошу описывать их через наблюдаемые признаки, чтобы было понятно, что именно можно увидеть, услышать или проверить в рабочем материале.
После этого у меня уже есть основа для диагностики. Понятно, что именно будем проверять, по каким признакам и где возьмём данные.
Шаг 4. Проверьте, как сотрудники работают сейчас
После того как мы определили критерии, нужно понять, что происходит в работе сейчас. Для этого я собираю данные из тех источников, которые позволяют увидеть нужные действия. Это могут быть записи разговоров и переписка, рабочие документы, наблюдение. Если таких материалов нет или их недостаточно, подключаю интервью, анкеты или диагностические ситуации.
При этом важно учитывать, что каждый источник даёт свою часть картины. По анкете можно понять, знает ли сотрудник, как нужно действовать. В интервью можно выяснить, как он сам описывает свою работу. А чтобы проверить само действие, лучше опираться на запись разговора, переписку, наблюдение или дать сотруднику рабочую ситуацию и посмотреть, что он сделает.
Поэтому правильный ответ в анкете ещё не означает, что сотрудник так же действует в работе. Если знания и поведение расходятся, я пока фиксирую сам факт расхождения. Объяснять его недостатком навыка рано. Нужно отдельно проверить, что мешает применить знание в работе.
ИИ на этом шаге я использую там, где материалов становится много. Он может помочь привести их к единому виду, сопоставить ответы и наблюдения, найти повторяющиеся различия и противоречия. Выводы по этим данным я проверяю по исходным материалам.
Но формулировка задачи должна удерживать модель от преждевременных выводов:
Шаг 5. Проверьте причины и выберите решение
Когда я сопоставляю точку А с точкой Б, становится видно, где работа отличается от требуемой. Но сам разрыв ещё ничего не говорит о его причине.
Поэтому дальше я проверяю, что именно мешает сотруднику действовать так, как требуется. Иногда дело в знаниях или навыке. Иногда сотрудник умеет делать нужное действие, но в работе выбирает другой приоритет. Бывает, что проблема в правилах, полномочиях, инструментах, данных или в том, как руководитель контролирует выполнение.
Причем у одного и того же разрыва может быть несколько причин.
Например, менеджеры по-разному договариваются о следующем контакте с клиентом. Одним может не хватать практики, чтобы сформулировать конкретную договоренность. Но одновременно в рабочем файле может не быть обязательного поля, где нужно зафиксировать дату, канал и цель следующего контакта.
В таком случае одного обучения будет мало. Нужно и потренировать само действие, и изменить рабочий инструмент, и договориться, как руководитель будет проверять применение.
Бывает и наоборот. Анализ показывает, что сотрудники уже выполняют нужное действие достаточно стабильно. Тогда отдельный блок в программе можно не включать.
Если данных пока недостаточно, я не спешу выбирать решение и сначала ищу еще один источник для проверки.
На этом этапе становится понятно, что реально должно попасть в обучение, а что нужно решать другими способами.
Это влияет и на стоимость программы. Представим обязательное обучение для 100 сотрудников. Если после анализа я понимаю, что 30 минут материала можно убрать, при стоимости рабочего часа 1000 рублей компания не тратит 50 000 рублей только на время участников. И это без учёта разработки, работы тренера и сопровождения.
Как эта схема изменила реальную программу обучения
Покажу, как это сработало в одном из моих проектов.
Заказчик хотел систематизировать продажи. В отделе было восемь менеджеров, которые в основном работали с клиентами по телефону. CRM не было, единого стандарта тоже. Каждый менеджер вел клиентскую информацию по-своему.
Сначала у меня было только общее описание процесса из шести этапов и мнение руководителя о том, где сотрудники испытывают сложности. Для диагностики этого было мало.
Я стала разбирать процесс подробнее и в итоге получила двенадцать отдельных участков сделки. Например, отдельно выделила квалификацию клиента, подготовку предложения, следующий шаг и повторный контакт после отправки КП. На таком уровне уже можно было проверить, что именно делает менеджер на каждом участке.
По ходу анализа выяснилось, что часть проблем связана вовсе не с навыками. В компании не были закреплены требования к фиксации следующего шага, не было единого набора данных перед подготовкой КП и понятного порядка повторных контактов.
Еще одно ограничение обнаружилось при попытке зафиксировать текущий результат. Посчитать исходную конверсию я не могла, потому что движение клиентов системно не отслеживалось, а записи разговоров не велись.
Тогда я собрала данные другим способом. Сначала использовала анкету и индивидуальные интервью, а затем провела диагностические ситуации, одинаковые для всех менеджеров. Так получилось сравнить их действия по одним критериям.
Картина оказалась гораздо точнее первоначального запроса. Менеджеры умели устанавливать контакт, собирали базовую информацию, готовили предложения и возвращались к клиентам. Различия были в другом. Кто-то глубже выяснял задачу клиента, кто-то лучше работал с ценой, по-разному договаривались о следующем шаге и выстраивали повторный контакт.
После этого уже было понятно, какие действия нужно тренировать, а какие вопросы должна решить компания до или параллельно с обучением.
Как проверить ответы ИИ
Ответ ИИ я не принимаю сразу за готовый вывод. Сначала проверяю, на каких данных он построен.
Лучше заложить этот критерий сразу в промпт и попросить нейросеть рядом с каждым выводом указывать источник и фрагмент, на который она опирается. Если я этого не сделала, просто задаю дополнительный вопрос и прошу показать основания.
Допустим, ИИ решил, что менеджерам не хватает навыка. Я прошу показать, что именно в материалах на это указывает, а потом сама открываю исходники и проверяю эти фрагменты. Если прямого подтверждения нет или данные можно объяснить по-другому, такой вывод пока остается гипотезой.
С цифрами, нормативами и сроками проверка такая же. ИИ может добавить вполне правдоподобную конкретику, которой в исходных данных не было. Поэтому любое число, правило или срок я сверяю с источником.
Результат анализа запроса
К разработке программы я перехожу только тогда, когда могу ответить на несколько вопросов. Какой результат нужен бизнесу. Как должна выполняться работа. Что происходит сейчас и чем это подтверждается. Почему возник разрыв и какая часть причин связана с обучением.
После такого анализа ИИ получает уже не общий запрос заказчика на тренинг или курс, а конкретную задачу. Можно передать ему подтвержденные учебные задачи, требования к работе, ограничения и критерии, по которым позже будем проверять изменения.
Дальше начинается проектирование самой программы. Нужно связать выводы анализа с целями обучения, практикой, материалами, внедрением и оценкой. Эту работу я подробно разбираю в программе курса Методология будущего. AI-инструменты на всех этапах цикла обучения. Участники проходят весь цикл на своем проекте и на каждом этапе решают, какую часть работы можно поручить ИИ, какие данные ему нужны и что специалисту необходимо проверить самому.
В завершение хочу оставить один совет. Не спешите переходить к программе, даже если нейросеть готова собрать ее за несколько минут. Сначала разберитесь, что именно бизнес хочет изменить, как сотрудники работают сейчас и почему возникает разрыв. Тогда ИИ сможет сократить время на подготовку и обработку материалов, а решение о том, чему учить сотрудников и что нужно изменить самой компании, останется обоснованным.
