Разрыв во внедрении ИИ — это проблема людей

Чаще всего ИИ-проекты разочаровывают не из-за модели. А из-за того, что никто в организации не умеет превратить способную модель в работающий процесс. 2 октября Anthropic назвала цену этой проблемы: US$100 млн на подготовку 10 000 человек, чья работа — именно это.

Что произошло

Согласно анонсу Anthropic, новая Claude Frontier Academy должна подготовить 10 000 «Frontier Deployed Engineers» к концу 2027 года при финансировании в US$100 млн. Первая программа — резидентура, которая, по словам Anthropic, «следует медицинской модели формирования экспертизы». Организации выдвигают сильных инженеров, каждый приходит с конкретным проектом на Claude. Сначала они проходят многодневную очную программу с симуляцией корпоративного внедрения и оцениваемым практическим заданием, затем 12 недель ведут реальный кейс в своей организации при поддержке инженеров Anthropic, после чего сдают итоговую аттестацию.

Потоки проходят в Сан-Франциско, Нью-Йорке и Лондоне. Среди компаний первых потоков названы Accenture, Bain, Capgemini, Commonwealth Bank of Australia, Deloitte, McKinsey, Morgan Stanley и Novo Nordisk. По словам Anthropic, академия опирается на её партнёрскую сеть, где специалисты из 46 000 компаний получили более 175 000 сертификатов.

Представитель Accenture, цитируемый в анонсе, говорит, что резидентура оценивает «суждение, проверенное на симуляции корпоративного внедрения, а не технические навыки в отрыве от контекста».

Почему это важно

Посмотрите на список первых участников: консалтинговые компании, банки, фармацевтическая компания. Именно эти организации будут внедрять ИИ в других компаниях, в том числе в отделах маркетинга. Сама модель не нова: полевые инженеры и архитекторы решений есть в любой категории корпоративного ПО. Новы масштаб и акцент на суждении в реальных внедрениях.

В маркетинге тот же разрыв — и меньше людей, которые над ним работают. У многих команд теперь есть доступ к отличным моделям и инструментам. Гораздо меньше тех, у кого есть человек, чья работа — взять запутанный маркетинговый процесс, будь то мониторинг конкурентов, тестирование креативов или отчётность, и перестроить его вокруг ИИ со встроенными измерениями, ограничителями и внедрением.

Стоит отметить и города потоков. Ни одного в Азии. Для нашего региона это либо пробел, который нужно заполнять на месте, либо знак того, что первая волна сертифицированных специалистов по внедрению сосредоточится в других местах.

Что говорят мои исследования

На мой взгляд, самый трудный шаг в прикладном ИИ — между работающей моделью и работающим процессом. Наши исследования это отражают. В MindFuse (ACM Multimedia 2025) и в отраслевой демонстрации SOMIN на ACM Multimedia 2025 вклад состоит не только в моделях, но и в том, как они встраиваются в стратегическую работу маркетолога: прогнозирование эффективности плюс LLM, которая объясняет и рекомендует.

Я писал в Forbes о сокращении разрыва между маркетингом и ИИ-системами и о применении LLM в бизнесе за пределами чат-ботов. Общая мысль: ценность появляется, когда кто-то понимает обе стороны — что модель умеет делать надёжно и что на самом деле нужно бизнесу. В маркетинге такой человек — редкость.

Я также преподаю — в том числе в NUS и INSEAD, — и сравнение с медицинской резидентурой мне близко. Внедрению не научишься по слайдам. Ему учатся, отвечая за реальный кейс под руководством наставника и проходя оценку суждения.

Как маркетинговым командам создать эту роль уже сейчас

• Назначьте ответственного. Дайте одному человеку явную ответственность за превращение возможностей ИИ в маркетинговые процессы — и время на это.
• Учитесь на реальном кейсе. Выберите один действующий процесс, например еженедельный отчёт по конкурентам, и перестройте его от начала до конца, с исходным уровнем и целью.
• Объединяйте маркетинг и инженерию. Лучшие внедрения получаются, когда вместе работают маркетолог, понимающий решение, и технолог, понимающий систему.
• Оценивайте суждение, а не владение инструментами. Может ли человек объяснить, когда ИИ нельзя доверять и что происходит тогда?
• Делитесь тем, что работает. Описывайте каждое внедрение как короткий кейс: проблема, решение, результат, сценарии сбоев.

Сто миллионов долларов — большая сумма для обучения. И небольшая по сравнению с тем, что организации теряют на ИИ-проектах, которые так и не становятся частью повседневной работы. Маркетингу не стоит ждать, пока кто-то другой подготовит его специалистов по внедрению.

Частые вопросы