- Старт: запрос, который запустил движение
- Отправная точка: честная оценка зрелости
- Жёсткий фильтр: критерии отбора и первые жертвы
- Два пилота, которые учат системности
- Люди: компетенции, обучение и команда
- Рынок, архитектура и регулятор: три выбора одного пути
- Итоги и практические выводы для проектного офиса
На Project Management Forum 2026 Мария Грибкова, директор департамента управления проектами группы «Зетта Страхование», представила практический кейс запуска ИИ-трансформации силами проектного офиса. В условиях жёстких ограничений — строгого on-premise и эволюционного подхода — команде удалось превратить разрозненные идеи в портфель управляемых пилотов с измеримыми метриками. В этой статье мы разберём ключевые шаги и уроки, которые помогут вашему проектному офису стать драйвером, а не статистом в гонке за искусственным интеллектом.
Старт: запрос, который запустил движение
Всё началось с вопроса генерального директора:
«Что мы можем сделать по ИИ, но при этом не потратить много денег без доказанной эффективности?»
Сразу были обозначены два жёстких ограничения. Первое — строго on-premise: никаких передач данных во внешние контуры. Второе — эволюционная трансформация: никаких принудительных внедрений, только шаг за шагом, через пилоты и измеримый эффект. Проектный офис оказался в роли не просто координатора, а навигатора маршрута — предстояло придумать, как отбирать гипотезы, отличать ИИ от RPA-автоматизации и запустить всю машину системной работы с искусственным интеллектом в компании.
Отправная точка: честная оценка зрелости
Команда не стала гнаться за хайпом, а трезво оценила текущее положение. По внутренней шкале, где 1 — начальный уровень, а 6 — футуристический, когда ИИ рулит бизнесом, «Зетта Страхование» находилась примерно на уровнях 2–3. Целились в практический коридор: чтобы ИИ помогал в рутинных операциях и автоматизировал часть процессов. Несмотря на то что в компании был успешный пилот со скорозвоном (ИИ тренирует сотрудников прямых продаж), системной работы с ИИ ещё не выстроили.
Чтобы получить реальную картину, проектный офис запустил опрос в семи пилотных подразделениях: операционный блок, андеррайтеры, убытки, управление персоналом, HR, прямые продажи. Результат удивил: за две недели поступило 138 идей от бизнеса. Однако анализ показал, что половина из них под определение ИИ не подпадает — это скорее запросы на RPA, автоматизацию или изменение процессов. Лишь около 30 идей попали в лонг-лист потенциальных пилотов.
Для сбора гипотез использовали верхнеуровневый шаблон, детализированная Excel-форма которого доступна для скачивания. Важно понимать: бизнес приносит не технически чистые идеи, а боли и ожидания. Их нужно классифицировать, фильтровать и анализировать. В проектном офисе выделили перспективные типы запросов: распознавание и преобразование, умный поиск и обучение, маршрутизацию, усиление когнитивной функции. При этом сознательно исключили два направления: речевую аналитику (предыдущий пилот провалился из-за инфраструктурных ограничений телефонии) и коммуникации с клиентами (слишком рискованно: ценность компании — персонализированное общение человека с человеком).
Жёсткий фильтр: критерии отбора и первые жертвы
Чтобы не утонуть в потоке гипотез, команда ввела пять ключевых критериев отбора:
- Неклассическая автоматизация: идея должна принципиально отличаться от того, что можно сделать с помощью RPA или доработки процессов.
- Измеримый экономический эффект: наличие метрики, которую можно замерить до и после пилота.
- Инициативный лидер функции: владелец бизнес-направления должен быть готов к риску, изменениям и выделять время на проект.
- Готовность данных: данные должны быть оцифрованы, релевантны, по возможности структурированы и очищены от шума. Это одна из самых сложных ИИ-тем.
- Архитектурная переиспользуемость: возможность масштабировать решение или применить его компоненты в других направлениях.
Яркий пример отсева — гипотеза о персонализированной воронке продаж. Идея выглядела крайне заманчиво: на основе анализа записей разговоров и истории продаж подбирать для каждого менеджера пул клиентов, с которыми ему легче выстроить контакт и продать. Однако после консультаций с поставщиками от неё отказались. Во-первых, ИИ пока не умеет работать с эмоциональной составляющей, только с чистыми данными. Во-вторых, высокие затраты при недоказанной эффективности для первого пилота делали эту идею слишком рискованной. Решили взять более прозрачные и предсказуемые варианты.
Два пилота, которые учат системности
В шорт-лист попали несколько пилотов. Рассмотрим два из них подробнее.
Пилот 1: проверка клинических рекомендаций
Текущий процесс: врач выписывает назначение клиенту, другой врач на медицинском пульте сверяет его с клиническими рекомендациями Минздрава и принимает решение о возможности страхового покрытия. В To-Be сценарии ИИ распознаёт документ, заполняет поля, сверяется с базой рекомендаций и вносит рекомендацию — можно ли согласовать услугу. Финальное решение остаётся за человеком: классический human-in-the-loop. Метрики пилота: количество операций в день, скорость проверки, качество данных. Ожидаемый эффект — существенное освобождение врачей от рутинной сверки, что позволяет им сосредоточиться на действительно сложных случаях.
Пилот 2: помощник по документообороту
ИИ-агент помогает ориентироваться в большой нормативной базе, быстро получать ответы на вопросы сотрудников и готовить нормативные документы по шаблонам. Здесь не ждали колоссальной оптимизации трудозатрат, но видели две другие ценности: популяризацию ИИ внутри компании (пользователями чат-бота станут все сотрудники) и архитектурное переиспользование — в будущем наработки можно применить, например, для создания «методолога проектного офиса». Именно эту архитектуру команда планирует масштабировать.
Люди: компетенции, обучение и команда
Одной из ключевых развилок стала компетентностная. В «Зетта Страхование» выделили шесть уровней владения ИИ — от начинающего до инженера-архитектора. Внутренняя самодиагностика среди бизнес-заказчиков показала: 95% оценивают себя на уровне 1–2. Для эффективного проекта этого недостаточно, нужен как минимум третий уровень. Поэтому запланировали короткую (2–3 дня) обучающую программу, которую можно совместить с хакатоном или бизнес-игрой по отбору гипотез.
Параллельно точечно нашли «кулибиных» — сотрудников с уровнями 4 и 6 — и собрали стартовую техническую команду на частичной занятости. Итоговая структура пилота выглядит так:
- Бизнес-владелец;
- Руководитель проекта, который также выполняет роль хранителя и накопителя знаний — чтобы после пилотов осталась база артефактов, методик и уроков для масштабирования;
- IT-команда: архитектор, backend- и frontend-разработчики, дата-инженер (подготовка данных, модели, промптинг).
Где же правильно разместить ИИ-компетенции в организационной структуре? Анализ рынка выявил несколько вариантов: IT-департамент, бизнес-анализ, RPA/автоматизация, аналитика данных. Пока в компании все новые изменения приходят в проектный офис, этим занимается он. Но вопрос остаётся открытым. Вторая развилка — нужен ли централизованный центр ИИ-компетенций или функцию лучше распределить? Мария Грибкова склоняется к централизации в IT и созданию центра компетенций, однако окончательное решение ещё не принято.
Рынок, архитектура и регулятор: три выбора одного пути
После определения гипотез и команды проектный офис столкнулся с тремя слоями сложностей: вендорский ландшафт, архитектурный выбор и внезапные требования.
Рынок: шум, хайп и ценовой разброс
Отдел закупок впервые в истории компании получил 100 запросов на RFI. После общения со всеми поставщиками (колоссальная нагрузка при ограниченных ресурсах) лишь 50% направили коммерческие предложения, и только 10–12% прошли отбор по критериям: цена, опыт, реализованные кейсы, соответствие функциональным ожиданиям. Ценовой разброс оказался огромным — от 4 до 25 млн рублей только за разработку и агентов, без учёта инфраструктуры. Сроки внедрения у всех варьировались в диапазоне 5–7 месяцев. Главный вывод: рынок не даёт однозначного ответа, а скорее создаёт много шума, в котором приходится дополнительно разбираться.
Архитектурные развилки
Команда выделила три ключевых развилки. Первая: строить ИИ-платформу или начинать с точечных агентов? Большая стратегия без MVP рискует устареть, особенно когда непонятен финальный результат. Маленький пилот без стратегии рискует не масштабироваться. Вторая: покупать или делать самим? Своя разработка требует поиска компетенций и может быть дольше, но она управляема и развивает внутреннюю экспертизу. Покупка быстрее, но ведёт к полной зависимости от вендора. Третья: платформа или «зоопарк» решений? Платформа даёт стандарты и масштабируемость, «зоопарк» — тактическую гибкость. Пока решено принять все финальные решения после завершения первых пилотов, а пока идти путём точечных собственных разработок.
Информационная безопасность и регулятор
Когда к проекту подключилась служба информационной безопасности, она вернулась с 30 новыми требованиями, сгруппированными в восемь блоков. Их пришлось интегрировать в техническое задание и запросы поставщикам. А параллельно вышел проект федерального закона об основах регулирования ИИ (вступает в силу с 1 сентября 2027 года). Одно из ключевых требований: обучение моделей, разработка и обработка данных должны вестись строго на территории РФ. Это сразу отсекло пул зарубежных поставщиков. Вывод: пилот ИИ — не быстрый цифровой эксперимент, а полноценный проект, в котором с самого начала необходимо учитывать требования ИБ и законодательства, иначе он не сможет масштабироваться и канет в лету.
Итоги и практические выводы для проектного офиса
Главный урок, который вынесла команда: внедрение ИИ — это эволюция, а не революция. Не нужно пытаться прыгнуть в будущее одним рывком. Эффективный путь — серия управляемых пилотов с контролем измеримых метрик. Из 138 первоначальных идей до пилотов дошли единицы, и именно жёсткий отбор по критериям дал гарантию, что проекты смогут масштабироваться, а бюджет не будет потрачен на красивую демку.
Информационная безопасность и требования регулятора — не досадное препятствие, а часть маршрута. Их нужно закладывать в план с самого начала, особенно если компания работает в строгом on-premise-контуре.
Для проектного офиса искусственный интеллект — не магия, а ещё один класс проектов в портфеле. Ключ к успеху — честно ответить на пять вопросов:
- На каком уровне зрелости мы находимся? Это определит амбиции и горизонт планирования.
- Какие компетенции нам нужны и где их взять? Без минимального уровня подготовки бизнес-заказчиков и технических специалистов пилоты обречены.
- Какие идеи брать в пилот и по каким критериям? Популярность гипотезы не гарантирует её реализуемость и окупаемость.
- Как считать эффективность? Измеримый метрики — единственный способ доказать ценность и получить право на масштабирование.
- Какую архитектуру мы готовы поддерживать? Выбор между платформой и точечными решениями, собственной разработкой и закупкой должен быть осознанным и отложенным до получения первых результатов.
На момент выступления команды сформированы, у каждого пилота есть дорожные карты. Первые результаты ожидаются в сентябре. Возможно, именно они дадут окончательные ответы на архитектурные развилки и позволят перейти к системному масштабированию. Опыт «Зетта Страхование» подтверждает: проектный офис способен стать не просто исполнителем, а навигатором ИИ-трансформации, если берёт на себя смелость задавать правильные вопросы и вести за собой организацию через осознанные, пусть и небольшие, шаги.
Статья подготовлена по выступлению Марии Грибковой на на Project Management Forum 2026. Полная видеозапись и презентация доступны в архиве форума.
#искусственныйинтеллект #проектныйофис #отборгипотез #пилотныепроекты #трансформациябизнеса #onpremiseии #interforum #interforums #event #конференции #интерфорум
6 дней
На фоне стремительного развития технологий и смены поколенческих ценностей корпоративное обучение переживает тектонические сдвиги. Внедрение ИИ, работа…
14 дней
На Форуме «Экономическая безопасность бизнеса 2026» будут детально разобраны наиболее острые проблемы, с которыми сталкиваются специалисты в текущих…
.jpg){kind=spacer}
