AI Leverage Canvas: как найти максимальный рычаг ИИ в компании

Представьте типичную встречу про «внедрение ИИ» в крупной российской компании. За столом — CDO, CIO, руководитель риск-функции, представитель HR, кто-то из бизнес-подразделения. На экране — презентация на 40 слайдов с матрицей «сложность × эффект», где накидано 25–30 потенциальных AI-инициатив. Обсуждение идёт час, два, три. К концу встречи на доске — почти всё то же самое, что и в начале, только теперь у каждой инициативы появился «ответственный». Через месяц окажется, что ни одна из них не сдвинулась.

Эта картина повторяется так часто, что я перестал удивляться. И в какой-то момент понял: проблема не в том, что идей мало. Проблема в том, что у команды нет общего языка выбора. Каждый участник оценивает инициативы по своим критериям, в своей голове, без общей структуры. Поэтому вместо решения появляется компромисс «возьмём первые три».

Чтобы починить это, я собрал инструмент, который называю AI Leverage Canvas — в русскоязычных программах я использую формулировку «ИИ-рычаг», но для технической литературы оставляю оригинальное название. Это одностраничный холст, на котором команда за 90 минут определяет, где именно в её компании ИИ даст максимальный эффект при минимальном вложении. В этой статье — полное описание методики, её место в моей практике и реальные примеры применения.

Проблема, которую решает Canvas

Прежде чем показать структуру, важно понять, какую именно задачу Canvas пытается решить — и какие альтернативы не работают.

Первая альтернатива — матрица «сложность × эффект». Это самый популярный инструмент приоритизации: нарисовали два угла, расставили инициативы. На первый взгляд — просто. В реальности — одна из самых опасных штук в корпоративном AI. Потому что «сложность» и «эффект» каждый оценивает по-разному, а точных оценок нет ни у кого. В результате команда ставит инициативы в правый верхний квадрант не на основе анализа, а на основе уверенности того, кто громче. У инженера «сложность» — это объём кода. У риск-менеджера — это регуляторный путь. У HR — это сопротивление команды. Эти три оценки — про разное.

Вторая альтернатива — ROI-калькулятор. Компании любят таблицы, где в ячейках появляются числа: «эта инициатива сэкономит 12 миллионов». Проблема в том, что 90% этих чисел в AI-инициативах — это догадки. ROI на AI-проекте до запуска пилота — это exercise in imagination. После запуска — уже измерение, до запуска — желаемое.

Третья альтернатива — «давайте просто начнём и посмотрим». Самый честный подход, но он работает только если у команды есть регулярные ретроспективы и дисциплина «убить то, что не взлетело». В 80% российских корпораций такой дисциплины нет. В результате через полгода у компании 15 полузастрявших пилотов и никакого понимания, какие из них продолжать.

AI Leverage Canvas заходит с другой стороны. Он не пытается посчитать ROI до запуска и не использует субъективные шкалы «сложность × эффект». Вместо этого он задаёт команде шесть конкретных вопросов о каждом процессе — и по ответам на них становится понятно, где рычаг действительно есть, а где нет. Это не оракул, это структурированный разговор. Но структурированный разговор — это уже на порядок лучше, чем неструктурированный спор.

Структура Canvas

AI Leverage Canvas состоит из шести секций, которые заполняются последовательно. Я подчёркиваю — последовательно, а не параллельно. Порядок вопросов важен: каждый следующий вопрос имеет смысл только после ответа на предыдущий. Если команда перепрыгивает шаги, Canvas превращается в формальный артефакт и ничего не даёт.

Секция 1 — Процесс и его цифровой след

Первый вопрос звучит так: «О каком конкретно процессе мы говорим, и насколько он сейчас оцифрован?»

Здесь важна конкретика. Не «работа с клиентами», а «обработка входящего обращения от корпоративного клиента в сервис-деске банка». Не «отчётность», а «подготовка ежемесячного отчёта по OpRisk для комитета». Разница принципиальная: в первых формулировках нельзя определить, где начинается и где заканчивается процесс, — и значит, нельзя сказать, сколько в нём интеллектуального труда.

Второй подпункт — цифровой след. Есть ли у процесса сохранённые артефакты, по которым можно обучить или дообучить модель? Есть ли лог действий? Есть ли статистика выполнения? Если ответ «нет, всё в головах у людей» — это важнее любой оценки эффекта. Потому что без цифрового следа Уровни 2–4 по Шкале автономности процессов невозможны в принципе. Придётся сначала создавать след, и это отдельный проект.

В моих программах — особенно в интенсиве для госсектора, который я проводил для АО «КРДВ», — именно эта первая секция отбраковывает примерно половину первоначальных идей. «Хотели сделать AI-помощника по обращениям граждан», но выясняется, что обращения не категоризированы, ответы не архивируются, статистика не ведётся. Значит, первый шаг — не AI, а элементарный порядок в данных. И это нормально.

Секция 2 — Боль

Вопрос: «Что именно в этом процессе болит?»

Здесь я предлагаю очень конкретный список из пяти болей, и команда выбирает одну-две главные. Пять болей такие: поиск (сложно найти нужное), понимание (нашли, но не поняли), проверка (сделали, но не уверены, что правильно), принятие решения (понимаем, но не можем договориться), исполнение (решили, но делается медленно или с ошибками).

Каждая боль соответствует своему типу AI-решения. Поиск — это RAG и документный интеллект. Понимание — это помощник, который объясняет и делает выжимки. Проверка — это автоматизированная валидация. Принятие решения — это decision support system с объяснимостью. Исполнение — это инструментальный агент, который выполняет рутинные действия.

Пока команда не определилась, какая боль главная, нельзя осмысленно обсуждать, какой уровень Шкалы автономности брать. Если болит сразу всё — это значит, что процесс надо сначала декомпозировать, а потом возвращаться к Canvas по каждому подпроцессу отдельно.

Секция 3 — Роль ИИ в команде

Третий вопрос: «В какой роли мы хотим видеть ИИ в этом процессе?» И здесь я предлагаю четыре заранее заготовленных варианта, которые вытекают из моей практики.

Ассистент — ИИ помогает сотруднику в его работе, но сотрудник остаётся главным. Это Уровень 1 по Шкале автономности. Пример — ИИ-помощник оператора контакт-центра, который предлагает готовые ответы, но оператор решает, использовать их или нет.

Автоматизатор — ИИ делает конкретный шаг процесса за человека, человек подтверждает или отменяет результат. Это Уровень 2–3. Пример — автоматическое заполнение карточки OpRisk-инцидента на основе текста описания.

Редактор — ИИ проверяет и корректирует то, что сделал человек или другая система. Пример — проверка коммерческого предложения на соответствие шаблону и внутренним политикам перед отправкой клиенту.

Тренажёр — ИИ обучает сотрудника на реальных или сгенерированных кейсах. Это самая недооценённая роль. Пример — система, которая симулирует обращение клиента-«трудного случая» и даёт обратную связь оператору по качеству реакции.

Команда должна выбрать одну основную роль для каждого процесса. Смешивание ролей в одном Canvas — типичная ошибка, которая размывает ответственность и ломает метрики. Если вы хотите и ассистента, и автоматизатора в одном процессе — это два разных пункта Canvas, а не один.

Секция 4 — Человек в контуре

Четвёртый вопрос: «Где именно в процессе находится человек?» Варианта три: до ответа ИИ, после ответа ИИ, или в каждой критической точке.

«До ответа» — человек формулирует задачу, ИИ делает, результат уходит дальше по процессу без проверки. Это рискованная модель, она применима только к низкорисковым задачам.

«После ответа» — ИИ делает, человек проверяет, и только после проверки результат уходит дальше. Это самая распространённая модель в корпоративной практике. Она безопасна, но ограничивает автоматизацию: узкое место — скорость проверки человеком.

«В каждой критической точке» — гибрид. Человек принимает решения в ключевых узлах процесса, между узлами ИИ работает самостоятельно. Это самая сложная модель в реализации, но самая сильная по эффекту. Она требует тщательной проработки контрольных точек и соответствующей архитектуры логов.

Ответ на этот вопрос определяет сразу две вещи: регуляторный профиль (что требуется от комплаенс-функции) и метрику эффекта (что именно мы будем мерить). Если человек после — метрика это «время проверки». Если человек в критических точках — метрика это «качество решений в узлах». Это разные цифры.

Секция 5 — Метрика пользы

Пятый вопрос: «По какому признаку мы узнаем, что стало лучше?»

Здесь я настаиваю на одном правиле: метрика должна быть одной. Не три, не пять — одна главная. Можно добавить 1–2 контрольные, но главная — одна. Причина простая: если метрик несколько, при конфликте между ними команда не знает, какой финальный ответ дать руководству. И решение превращается в разговор про интерпретацию.

Четыре типа главных метрик, которые я вижу в практике:

  • Скорость — время цикла процесса, AHT, время реакции на обращение. Это самая честная метрика, потому что её трудно подделать.
  • Стоимость — прямая экономия в рублях или часах. Сложнее для AI, потому что стоимость содержания AI-системы тоже есть, и чистый эффект приходится вычислять.
  • Точность — процент правильных ответов, уровень ошибок, ложноположительные срабатывания. Применимо, когда есть объективная правда.
  • Прозрачность — наличие трассируемости, объяснимости, аудиторского следа. Особенно важно в банковских и гос-контурах.

В кейсе AI-помощника Aimee в контакт-центре банка главной метрикой была скорость — AHT с 17:54 до 04:13. В кейсе программы для КРДВ главной метрикой была прозрачность и обучаемость — 4 дорожные карты, каждая со своим набором KPI. Разные проекты, разные метрики, одна и та же структура выбора.

Секция 6 — Первый шаг

Шестой, последний вопрос: «Какой конкретный первый шаг мы делаем в течение ближайших 2 недель?»

Это — самая важная секция Canvas, и она единственная, в которой не должно быть абстракций. Не «начать собирать требования», а «провести интервью с 5 операторами контакт-центра и записать 20 типовых обращений». Не «подумать о пилоте», а «собрать тестовый корпус из 100 обращений и сравнить ответы трёх моделей на 20 из них».

Первый шаг должен быть выполним за 2 недели одной командой без бюджета. Если он не выполним — это значит, что инициатива не готова к реализации, и надо сначала решить блокер. Если он требует согласований, бюджета, подрядчиков — это тоже блокер, и тоже надо решить.

Логика простая: если команда не может назвать конкретное действие на 2 недели, она не понимает задачу. А без понимания задачи ни один ИИ не поможет.

💡 Хотите провести AI Leverage Canvas для вашей команды? Canvas — часть моих корпоративных программ и стратегических фасилитаций. Ближайший формат — однодневный AI Leverage Sprint для C-level банка. Если хочется сначала попробовать на одном процессе, начните с 90-минутной Диагностики автономности за 150 000 ₽. Обсудить формат →

Как Canvas выглядит в реальной работе

Самый плотный пример применения Canvas за последний год — финальный модуль программы для АО «КРДВ», которую я проводил с сентября по ноябрь 2025 года. Программа состояла из четырёх модулей, но именно в финальном модуле «Моя дорожная карта ИИ» четыре команды по 10 человек заполняли Canvas — каждая под свой реальный кейс из работы своих подразделений.

Формат был таким. Команды получали кейсы за 2 недели до финальной сессии, чтобы успеть подготовиться. На сессии — 90 минут на заполнение Canvas, 30 минут на защиту перед экспертом и другими командами, 15 минут на обратную связь. В итоге к концу сессии каждая команда имела свой Canvas, защищённый публично, с конкретным первым шагом на ближайшие 2 недели.

Одна из команд работала с процессом обработки обращений граждан по линии «вопрос-ответ». Их главной болью оказался не поиск и не понимание, а проверка: ответы подготавливались быстро, но потом застревали на согласовании, потому что никто не был уверен, что они правильные. После заполнения Canvas стало ясно, что роль ИИ для них — редактор, а не автоматизатор. Модель не должна писать ответы сама — она должна проверять уже подготовленный сотрудником ответ на соответствие внутренним политикам и прошлым кейсам. Это совершенно другой продукт, чем они изначально задумывали.

Другая команда обнаружила в Секции 6, что их первый шаг «запустить пилот с ChatGPT на 100 обращениях» на самом деле требует согласования с безопасностью, потому что обращения содержат персональные данные. Это означало, что реальный первый шаг — не пилот, а подготовка закрытого контура, и заняло бы не 2 недели, а 2 месяца. Этот вывод сохранил команде полгода попыток делать невозможное.

В конце программы команда КРДВ получила от меня заполненные Canvas в электронном виде как часть итогового пакета. А я — официальное благодарственное письмо от Министерства РФ по развитию Дальнего Востока, где отдельно отмечено, что «практические упражнения по созданию индивидуальной стратегии внедрения ИИ помогли каждому участнику разработать чёткий план действий». Это ровно про работу с Canvas.

Частые ошибки при работе с Canvas

За несколько десятков сессий с разными командами я накопил стандартный список ошибок, которые появляются у первых-вторых пользователей методики.

Ошибка первая — формальное заполнение. Команда пишет «оптимизация процесса» вместо конкретной боли, «повышение эффективности» вместо конкретной метрики. Canvas превращается в документ, который никому не нужен. Лекарство: требовать конкретики вплоть до злого упрямства. «Напишите, ЧТО именно болит. Напишите, КАК вы узнаете, что стало лучше. Напишите, ЧТО вы сделаете за 2 недели». Без конкретики Canvas не даёт пользы.

Ошибка вторая — смешение ролей в одной секции. «И ассистент, и автоматизатор, и редактор — всё сразу». В результате разговор плывёт, метрика не выбирается, архитектура получается монструозной. Лекарство: одна роль — один Canvas. Если кажется, что ролей несколько, это значит, что процессов несколько, и каждому нужен свой Canvas.

Ошибка третья — пропуск секции «Человек в контуре». Команда думает про технологию и забывает про роль человека. Потом выясняется, что комплаенс требует «после ответа», а архитектура построена под «до ответа». Лекарство: задавать вопрос о человеке вторым, сразу после боли, а не в конце.

Ошибка четвёртая — нереалистичный первый шаг. «За 2 недели мы построим MVP». Нет, не построите. Лекарство: первый шаг — всегда про исследование, подготовку, разговор. «MVP» — это результат 2–3 месяцев, а не 2 недель.

Ошибка пятая — использовать Canvas как отчётный артефакт. Заполнили, защитили, положили в папку, забыли. Canvas — это инструмент разговора, а не результат. Его ценность — в том, что команда прошла шесть вопросов вместе и синхронизировалась. Если вы храните Canvas как отчёт — вы теряете 80% пользы.

Где Canvas применяется в моих программах

AI Leverage Canvas — сквозной инструмент в большинстве моих программ, но особенно важен в тех, где финальный артефакт — дорожная карта внедрения ИИ. Это:

  • Программа «Обучение ИИ для госслужащих» — финальный модуль «Моя дорожная карта ИИ» целиком построен вокруг Canvas. Четыре команды защищают свои Canvas, каждая получает обратную связь от эксперта и других команд.
  • AI Leverage Sprint для C-level банка — 2 дня интенсивной работы над AI-стратегией банка, в которой Canvas — главный инструмент приоритизации. На выходе — 3–5 инициатив с планом запуска.
  • Audit зрелости (1 день) — Canvas используется как структурированная рамка интервью с руководителями подразделений. За один день заполняется 5–7 Canvas для разных процессов, и по ним строится общая дорожная карта внедрения ИИ на 3/6/9/12 месяцев.
  • Корпоративные интенсивы для продуктовых команд — Canvas адаптируется под продуктовую специфику: вместо «процесса» рассматривается «фича продукта».

Методика работает в разных контекстах, потому что она не про банки, не про госсектор и не про продуктовые команды как таковых — она про один универсальный вопрос: «где рычаг максимален». Этот вопрос одинаково релевантен для CRO банка, для CDO корпорации и для руководителя IT-подразделения министерства.

Что делать дальше

Если вы читаете эту статью и думаете «хочу попробовать Canvas на моей команде», у вас несколько путей.

Первый путь — через Диагностику автономности. За 90 минут мы проходим Canvas по одному вашему процессу. Это быстро, конкретно, и на выходе у вас есть заполненный Canvas с первым шагом. Можно считать это «тест-драйвом» методики.

Второй путь — через AI Leverage Sprint. Это 2-дневный формат для руководства банка или корпорации, в котором мы заполняем Canvas для 3–5 процессов одновременно, формируем приоритизацию и строим общую дорожную карту. Это уже не тест, а реальная стратегическая работа.

Третий путь — в рамках большой программы обучения. Если у вас есть команда, которой нужно научиться работать с AI в целом, Canvas будет финальным артефактом программы, но до этого команда пройдёт базу — Шкалу автономности процессов, AI Café для групповой проработки, дорожную карту.

В любом из трёх случаев следующий шаг — один звонок, после которого мы вместе решим, какой формат вам подходит.

Обсудить AI Leverage Canvas для вашей команды →