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.

Вот как выглядит сам холст — одна страница, девять полей, которые команда заполняет последовательно:

Полей на холсте девять, и заполняются они последовательно — в том же порядке, в котором это делают команды на моих программах. Ниже я разбираю каждое поле, а в разделе «Практикум ИИ-рычаг» показываю весь путь: как команда доходит до состояния, когда эти девять полей можно осмысленно заполнить.

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 проводит команду по девяти конкретным полям о каждом процессе — и по ответам 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: девять полей

На холсте девять полей, и заполняются они последовательно — порядок важен: каждое следующее поле имеет смысл только после предыдущего. Форма холста не случайна и сама подсказывает логику. В центре — круг «Роль ИИ»: к процессу подходят через роль, которую играет ИИ, и от неё расходится всё остальное. Слева — то, что у команды уже есть: сам процесс и его боль. Справа холст раскрывается веером — от узкого «Пилотного эксперимента» у горловины к полному решению и шагам реализации. Это путь от пилота к масштабированию.

1. Процесс / Целевая бизнес-функция

Конкретный процесс или бизнес-функция, к которой относится пилот. 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». В расплывчатой формулировке нельзя понять, где процесс начинается и заканчивается, — а значит, нельзя сказать, где именно ИИ даст рычаг. Здесь же держат в поле зрения участников процесса: ролей пользователей в одном процессе может быть несколько, и это нормально.

2. Проблема

Ключевая боль или узкое место процесса, мешающее эффективности. Формулировать надо конкретно: не «низкая эффективность», а «ответы готовятся быстро, но застревают на согласовании». Пока команда не назвала главную боль, обсуждать решение рано. А если «болит сразу всё» — это сигнал, что процесс надо сначала декомпозировать и вернуться к холсту по каждому подпроцессу отдельно.

3. Роль ИИ

Сердце холста — то, через что мы подходим к процессу. Команда выбирает, в какой роли ИИ входит в процесс. Ролей четыре (подробный разбор — в отдельной статье «Четыре роли ИИ в процессе»):

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 выбирает одну основную роль. Смешивание ролей в одном холсте размывает ответственность и ломает метрику: если нужны и ассистент, и автоматизатор — это два разных процесса и два разных холста.

4. Решение

Идея внедрения ИИ для выбранной роли — что именно он будет делать. Роль отвечает на вопрос «как ИИ участвует в процессе», решение — «что конкретно он делает». Одна и та же роль (например, редактор) разворачивается в разные решения в зависимости от процесса.

5. Ожидаемые выгоды

Какую пользу даст решение: скорость, качество, экономия, снижение рисков. Это гипотеза эффекта, которую затем проверяет пилот, — поэтому её формулируют в терминах, которые можно измерить.

6. Метрики успеха

Измеримые показатели, по которым оценивается результат пилота. Главную метрику лучше держать одну — можно добавить одну-две контрольные, но основная одна. Если метрик несколько и они конфликтуют, команда не знает, какой ответ дать руководству, и решение превращается в спор 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 ИИ, потому что содержание самой системы тоже стоит денег, 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 государственных контурах.

В кейсе AI-помощника Aimee в контакт-центре банка главной метрикой была скорость — AHT с 17:54 до 04:13. В программе для КРДВ — прозрачность и обучаемость. Разные проекты, разные метрики, одна структура выбора.

7. Необходимые данные и инструменты

Какие данные, доступы, системы и ИИ-инструменты нужны для реализации. Здесь всплывает главный практический вопрос: есть ли у процесса сохранённые артефакты — логи, статистика, архив ответов, — по которым модель можно обучить и проверить. Если «всё в головах у людей», то первый шаг — не ИИ, а элементарный порядок в данных, и это отдельный проект. Именно это поле чаще всего отбраковывает красивые на словах идеи: «хотели AI-помощника по обращениям граждан», но обращения не категоризированы, ответы не архивируются, статистика не ведётся.

8. Пилотный эксперимент

Формат пилота: где тестируем, какой объём, кто участвует. Это первый, узкий этап — у горловины веера на холсте. Пилот должен быть выполним небольшой командой на ограниченном объёме: не «внедрить ИИ во всём департаменте», а «собрать тестовый корпус из 100 обращений и сравнить ответы трёх моделей на 20 из них». Конкретика здесь — не формальность, а проверка того, что команда вообще понимает задачу.

9. Шаги реализации

Ключевые шаги: подготовка, настройка, запуск, обучение, оценка. Здесь пилот разворачивается в полноценное внедрение — веер на холсте раскрывается от эксперимента к масштабированию. Если между пилотом и этими шагами обнаруживается блокер (согласование безопасности, отсутствие данных, бюджет), честнее вскрыть его здесь, а не на середине внедрения.

💡 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 →

Практикум «ИИ-рычаг»: четыре шага до заполненного холста

Заполненный Canvas — это не первое, что делает команда, а последнее. Девять полей нельзя осмысленно заполнить, пока не выбран правильный процесс. Поэтому в моих программах — например, в интенсиве для АО «КРДВ» — холст стоит в конце практикума «ИИ-рычаг» из четырёх шагов. Первые три шага выбирают, куда смотреть; четвёртый — фиксирует решение на холсте. Каждому из трёх подготовительных шагов посвящён отдельный разбор с собственным холстом:

1. Шаг 1. Отбор процессов через «4 линзы ИИ» — прогнать реальные процессы подразделений через четыре линзы (ценность, затраты, рутина, риски) и получить шорт-лист кандидатов. Отдельный холст QuadLens AI Canvas под лицензией CC BY-SA 4.0.
2. Шаг 2. Выбор одного приоритетного процесса — из шорт-листа выбрать ровно один процесс по четырём критериям: сложность, стоимость, скорость, повторяемость.
3. Шаг 3. Определение роли ИИ — примерить к выбранному процессу четыре роли (ассистент, автоматизатор, редактор, тренажёр) и зафиксировать одну основную, с которой начнётся пилот.

Ниже — четвёртый, финальный шаг: с выбранным процессом и определённой ролью команда заполняет сам AI Leverage Canvas — тот самый холст в начале статьи.

Шаг 4 — Заполнить девять полей холста

Только теперь, с выбранным процессом и определённой ролью, команда заполняет сам AI Leverage Canvas — тот самый холст в начале статьи. Девять полей — по порядку:

1. Процесс / Целевая бизнес-функция — конкретный процесс или бизнес-функция, к которой относится пилот.
2. Проблема — ключевая боль или узкое место процесса, мешающее эффективности.
3. Роль ИИ — как ИИ помогает в процессе: ассистент, автоматизатор, редактор или тренажёр.
4. Решение — идея внедрения для выбранной роли: что именно ИИ будет делать.
5. Ожидаемые выгоды — какую пользу даст решение: скорость, качество, экономия, снижение рисков.
6. Метрики успеха — измеримые показатели, по которым оценивается результат пилота.
7. Необходимые данные и инструменты — какие данные, доступы, системы и ИИ-инструменты нужны для реализации.
8. Пилотный эксперимент — формат пилота: где тестируем, какой объём, кто участвует.
9. Шаги реализации — ключевые шаги: подготовка, настройка, запуск, обучение, оценка.

Это тот же холст, что в начале статьи. Первые три шага практикума выбирают процесс и роль, а четвёртый раскладывает решение по девяти полям и доводит его до конкретного пилота и шагов реализации — в формате, который удобно заполнять и защищать командой.

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 оказалась не скорость подготовки, а проверка: ответы готовились 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 при заполнении полей «Пилотный эксперимент» и «Шаги реализации», 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 одном холсте. «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 — заполнять холст, не проверив данные. Команда расписывает роль и решение, но у процесса нет ни логов, ни архива, ни статистики — пилот не на чем обучать и не с чем сравнивать. Лекарство: поле «Необходимые данные и инструменты» заполнять честно и рано, а не в последнюю очередь.

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 все девять полей 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 →