Как управлять командой, которая работает с ИИ: гайд от Roistat

По данным Яндекса и «Яков и Партнеры» за 2025 год:

• 71% компаний применяют генеративный ИИ хотя бы в одной функции;

• 87% компаний ждут сокращения операционных затрат;

• 83% компаний ожидают роста выручки.

Генеративный ИИ перестал быть экспериментом или хайповой темой для обсуждения — он уже встроен в повседневные задачи большинства компаний. Поэтому сегодня менеджерам в IT, маркетинге, медиа и финтехе приходится учиться управлять командами, где часть людей фактически работает в паре с машиной. Но:

1. Как оценивать сотрудника, который делает за 40 минут то, на что раньше уходил день?

2. По каким критериям нанимать, если старые тесты на мастерство больше не работают?

3. Кто отвечает за ошибку, если ее источник — нейросеть?

Большинство руководителей сейчас действуют интуитивно и платят за это либо размытой ответственностью в команде, либо демотивацией сотрудников. Разберем, как этого избежать:

• Критерии оценки сотрудников в 2026 году

• 3 навыка работы с ИИ, которые влияют на продуктивность команды

• 3 правила для руководителя: как сделать так, чтобы команда не списывала ошибки на ИИ

Как изменились критерии оценки сотрудников в 2026 году

В 2026 году умение работать с ИИ перестало быть преимуществом отдельных специалистов — это ожидаемый базовый минимум для большинства профессий. Причем речь идет не только о разработчиках или продакт-менеджерах. С нейросетями работают рекрутеры, маркетологи, аналитики, редакторы.

Мы сами поняли, что нужно пересматривать логику найма, когда при закрытии вакансии в контент-команду в финальный список вошли два редактора с сильным тестовым:

• один показал живой, самобытный текст;

• второй — более гладкий и структурированный.

Но в разговоре со вторым стало понятно, что это почти необработанный GPT-результат: соискатель не мог объяснить логику подзаголовков и не видел, что несколько идей явно противоречат позиционированию бренда, хотя смотрятся вполне логично.

Почему старая модель оценки больше не работает

В профессиях прикладного креатива — дизайне, копирайтинге, SMM — мастерство долго измерялось навыком исполнения. Хороший дизайнер создавал конверсионные лендинги и чувствовал цвета, а сильный редактор писал тексты, которые не требовали правок. Эта модель была удобна для найма и оценки работы, но ИИ ее разрушил:

• генератор изображений вроде Midjourney за несколько секунд предлагает десятки вариантов иллюстрации — от обложки для статьи до визуала для рекламного баннера.

• текстовая модель вроде Claude способна собрать рабочий черновик: заголовки, структуру статьи, аргументы, даже примеры.

Как изменяется роль специалиста

Специалисты не стали ненужными, но их роль изменилась: от умения производить результат — до способности оценить его качество.

Умение работать с ИИ — это не просто навык задать промпт. Гораздо важнее — увидеть, где модель упростила задачу, исказила факт или выдала убедительно звучащую, но пустую формулировку.

Иными словами, фокус профессии меняется прямо на глазах:

• вчерашнее «умею нарисовать» постепенно превращается в «понимаю, что в этой картинке не так с композицией и зачем ее переделывать»;

• классическое «умею написать текст» — в «вижу, почему этот вариант не сработает: слабый лид, нет повода дочитать и слишком общий тон».

Сегодня в нашей контент-команде с ИИ работают все — дизайнеры, редакторы, SMM-специалисты, ивент-менеджеры:

• одни генерируют черновики и переписывают их под голос бренда;

• другие делают нейроозвучку для видео;

• третьи автоматизируют рутину: брифы, описания, письма подрядчикам.

В результате существенно выросла пропускная способность сотрудников — креативы, на которые раньше уходил день, теперь закрываются за два часа и высвобождают ресурсы дизайнера для других задач.

То есть критерии оценки сотрудников в 2026 году изменились так: точкой контроля стало не время работы, а качество того, что человек выпускает из рук.

3 навыка работы с ИИ, которые влияют на продуктивность команды

Как показывает наша практика, при ревью и найме имеет смысл отслеживать три основных навыка:

• промпт-грамотность;

• критическая оценка результата;

• доведение до стандарта.

Разберем на примере генерации текстов.

Этот список нельзя назвать универсальным. В зависимости от специфики команды и задач набор может быть другим: кто-то добавит умение работать с голосом бренда в промптах, кто-то — навык выбирать подходящий инструмент под конкретную задачу.

Промпт-грамотность

Суть навыка: способность корректно формулировать задачу для нейросети.

Задача сотрудника: задать контекст, аудиторию, формат и критерии результата.

Как проверить навык у сотрудника:

• попросите сотрудника объяснить, как он ставит задачу инструменту вроде Claude или другой модели.

• смотрите на реакцию:

  • ❌если человек не может описать логику постановки задачи и перебирает формулировки наугад вроде «напиши пост для Telegram» — он работает методом проб и ошибок.

  • ✅если человек спокойно называет, из каких блоков должен состоять качественный запрос, — навык есть.

Какие блоки должен назвать сотрудник (на примере задачи по написанию текста):

• контекст (роль ИИ и суть канала);

• задача;

• цель текста;

• целевая аудитория;

• тема текста;

• требования к содержанию и структуре;

• желаемый стиль и тон;

• ограничения и критерии качества (например, объем, наличие эмодзи, запрет на использование конструкций вроде «это не Х, а Y»);

• формат ответа.

Ниже — пять распространенных ошибок создания промптов. Используйте как шпаргалку при скоринге — чтобы понять, насколько кандидат ориентируется в промптинге.

Критическая оценка результата

Суть навыка: умение системно находить ошибки в результате нейросети и объяснять их.

Задача сотрудника: не принимать результат как готовый, а проверять его по нескольким слоям — факты, логика, композиция, соответствие задаче и бренду. Хороший знак, если редактор получает GPT-черновик статьи и замечает, что в одном абзаце цифра не совпадает с первоисточником, а в другом аргумент повторяется дважды в разных формулировках.

Еще пример: если дизайнер смотрит на сгенерированный баннер и видит, что шрифт технически читаемый, но по весу не вписывается в фирменный стиль. Или если SMM-специалист открывает текст поста из ChatGPT и понимает, что тон слишком официальный для аудитории Telegram-канала.

Как проверить навык у сотрудника:

1. Ваша задача — подготовить ИИ-черновик с заранее заложенными ошибками (например, текст с выдуманным источником данных и слабым лидом).

2. Задача специалиста — не исправить текст, а объяснить, что именно не так и почему в исходном виде оставлять нельзя.

При объяснении вслух кандидат сможет продемонстрировать насмотренность и профессиональное мышление: видит ли он проблему, понимает ли ее природу. Если человек не может объяснить, в чем проблема, он не управляет результатом — в работе с ИИ это означает потерю контроля над качеством.

На практике специалисты чаще всего допускают одни и те же ошибки при проверке результатов работы ИИ. Разберем на примере работы с ИИ-текстами.

Доведение до стандарта

Суть навыка: превращать ИИ-черновик в результат, который соответствует стандарту команды. Если на предыдущем этапе специалист находит ошибки и слабые места, то здесь — устраняет их и доводит материал до нужного уровня.

Задача сотрудника: не только исправить ошибки, но и усилить результат — убрать ИИ-паттерны, добавить фактуру, уточнить формулировки, выстроить логику и довести материал до состояния, в котором его можно публиковать без оговорок.

Как проверить навык у сотрудника: дайте разобранный ранее ИИ-черновик и попросите довести его до уровня публикации. Важно смотреть на два момента:

• что именно специалист меняет — правит только явные ошибки или перерабатывает структуру и смысл;

• как специалист объясняет правки — может ли обосновать, почему текущий вариант слабый + рассказать, за счет чего его можно улучшить.

Если кандидат ограничивается косметическими правками, он работает на уровне «исправить». Если меняет структуру, усиливает аргументацию и убирает ИИ-паттерны — это уровень «довести до нужной планки».

Все три навыка объединяет одно: за результат отвечает человек.

И именно здесь возникает главный соблазн при внедрении ИИ — начать размывать эту ответственность.

3 правила для руководителя: как сделать так, чтобы команда не списывала ошибки на ИИ

«Это нейросеть написала», «ИИ сгенерировал не то», — такие объяснения быстро начинают восприниматься как норма. Однако принцип должен быть жестко зафиксирован: ИИ — это инструмент, как Figma или Google Docs. За результат всегда отвечает человек:

• дизайнер сдал баннер с артефактом от ИИ — это ошибка дизайнера;

• редактор опубликовал текст с фактической неточностью из Claude — это промах человека, который не провел базовый фактчек.

Никаких исключений: стандарты качества не зависят от того, написан материал вручную или отредактирован из GPT-черновика.

Если в команде размыта ответственность за качество работы с нейросетями — это уже управленческая проблема. Значит, стандарты либо не зафиксированы, либо не проговорены достаточно четко. Предлагаем исправлять это в три шага.

Шаг 1. Проговорить императив публично. На ближайшей командной встрече закрепить в регламенте: аргумент в стиле «это баг от ИИ» не принимается. Объяснением является: «я не проверил». Причем один раз сказать недостаточно — возвращаться к этому при каждом разборе полетов, где всплывает ИИ-контент.

Шаг 2. Ввести обязательный чек-лист перед сдачей материала.

1. Для текстов: проверены ли факты и цифры по первоисточникам, убраны ли типовые ИИ-клише, соответствует ли тон бренду.

2. Для визуала: нет ли генеративных артефактов — лишних элементов, нечитаемого текста, деформированных деталей. Такой регламент снимает разночтения: сотрудник понимает, что именно он обязан проверить перед сдачей.

Шаг 3. Обсудить показательный кейс. Полезно разобрать реальный пример, где ИИ выдал ошибочный результат, а человек его пропустил. Лучше всего сделать это пошагово: где именно модель дала сбой, на каком этапе его можно было заметить и почему этого не произошло. Такой пример обычно работает эффективнее любых инструкций.

Важно понять: команды уже работают с ИИ, но чаще всего — вразнобой. Один генерирует контент и не проверяет сделанное, другой скрывает использование нейросети, третий тратит часы на задачу, которую коллега закрывает за минуты. Чтобы закрыть управленческий пробел, нужно:

1. Переосмыслить критерии профессионализма с учетом новых инструментов. То есть оценивать не только умение работать руками, но и способность ставить задачу, критически оценивать результат и доводить его до стандарта.

2. Зафиксировать неделимую ответственность человека за результат.

3. Составить понятную базу знаний с перечнем требований к результату, который создается с помощью нейросетей.

Удачи!

Возможно, вам будет интересно:

• ИИ вместо юриста: как передать анализ юридических документов нейросетям — результаты теста

• Правильно ли вы распределяете задачи между нейросетями или всю работу тянет ChatGPT — тест

• Как собрать команду с помощью нейросетей — HR Lead Zerocoder о культуре найма и роли ИИ