Специалист по внедрению ИИ: кто нужен компании и как собрать команду
Кого нанимать под внедрение ИИ, кого достаточно обучить и кого нанимать не нужно. Девять ролей с ориентирами по рынку, вопросы на интервью и разбор профессии для тех, кто хочет в неё войти.
Специалист по внедрению ИИ отвечает не за модель, а за то, чтобы процесс после внедрения ИИ в работу считался в деньгах лучше, чем до него: дешевле, быстрее или точнее. Один человек закрывает две-три функции из девяти, поэтому вопрос «кого нанять» почти всегда оказывается вопросом «какие роли у нас не закрыты вообще». Дальше — карта ролей с ориентирами по рынку, вопросы на интервью, три разные программы обучения и отдельный разбор для тех, у кого разработка ИИ, работа и обучение в этой сфере — личная цель на ближайший год.
Внедрение ИИ в работу — задача кадровая, а не техническая
Внедрение ИИ в работу компании срывается не на выборе модели. Оно срывается там, где не назначен человек с правом менять процесс, и там, где данные лежат в четырёх системах в четырёх форматах. Модель сегодня — самая дешёвая и заменяемая часть конструкции; люди и данные — самая дорогая.
Вопрос «какую нейросеть внедрить» я слышу в разы чаще, чем «кто будет владельцем изменения и что мы с него спросим через квартал». Пока второго ответа нет, закупка технологии заканчивается демонстрацией на правлении, которую никто не переводит в регламент.
Самая частая кадровая ошибка — отдать внедрение ИИ ИТ-директору «в довесок к основной работе». ИТ-директор отвечает за стабильность контура, а раннее внедрение ИИ — это управляемая нестабильность: гипотезы, откаты, спорное качество ответов. Две эти задачи конфликтуют внутри одной головы, и почти всегда побеждает стабильность — то есть проект тихо останавливается.
Как выбрать первый процесс и посчитать его в P&L — в материале про внедрение ИИ в бизнес, последовательность работ — в дорожной карте внедрения. Здесь речь только про людей: кого нанимать, кого учить, кого не нанимать и кем становиться.
Карта ролей: девять функций команды по внедрению ИИ
В зрелом ИИ-направлении работают девять функций. В компании, которая делает первый контур, их закрывают два-три человека плюс подрядчик — и это нормально. Ненормально другое: считать, что достаточно нанять «специалиста по внедрению искусственного интеллекта (ИИ)» и задача закрыта.
| Роль | Зачем нужна | Когда появляется | Ориентир, ₽/мес до налогов |
|---|---|---|---|
| Владелец ИИ-направления | Отвечает за деньги от ИИ и имеет право менять процесс, а не просить об изменениях | До первого пилота, с первого дня | 350–800 тыс. или совмещение с ролью в правлении |
| ИИ-архитектор | Собирает контур целиком: модели, данные, интеграции, ограничения, стоимость запроса | Когда решений становится больше двух и они пересекаются | 350–700 тыс. |
| ML/LLM-инженер | Дообучает, оценивает качество, строит регресс-тесты и метрики ответов | Когда готовая модель не даёт нужной точности | 250–500 тыс. |
| Дата-инженер | Даёт чистые актуальные данные и отвечает за их доступность | Обычно раньше, чем ML-инженер | 250–450 тыс. |
| Инженер по внедрению ИИ (интегратор) | Встраивает решение в CRM, ERP, телефонию, склад, рабочее место сотрудника | На первом же переходе от демо к рабочему месту | 200–400 тыс. |
| Промпт- и контекст-инженер | Формализует знание компании: инструкции, база знаний, сценарии, тестовые наборы | Как только в контуре появляется языковая модель | 150–300 тыс., часто часть роли аналитика |
| ИИ-продакт | Отвечает за ценность для пользователя и порядок доработок | Когда пользователей больше одного отдела | 300–550 тыс. |
| Менеджер по внедрению ИИ (руководитель проектов) | Сроки, зависимости, приёмка, обучение пользователей, отчётность владельцу | На втором параллельном проекте | 200–400 тыс. |
| Оператор ИИ-процесса | Разбирает исключения, размечает ошибки, возвращает обратную связь в систему | Сразу после выхода в промышленную эксплуатацию | 80–160 тыс. |
| Инженер по безопасности ИИ | Доступы, персональные данные, утечки в промпты, соответствие требованиям | До первого контура, который видит чувствительные данные | 300–550 тыс., часто внутри службы ИБ |
Вилки выше — мой ориентир по офферам, которые я вижу, а не выгрузка из базы вакансий. Москва и Петербург идут по верхней границе, регионы обычно на 25–40% ниже, а разброс внутри роли зависит от отрасли сильнее, чем от опыта.
Кто занимается разработкой ИИ, а кто — внедрением
Разработка ИИ и внедрение ИИ — две разные профессии с разными метриками. Специалист по разработке ИИ отвечает за то, что система выдаёт корректный результат на тестовом наборе. Специалист по внедрению решений на базе ИИ отвечает за то, что этим результатом ежедневно пользуются живые сотрудники и процесс стал измеримо дешевле.
- Метрика разработчика. Точность, полнота, задержка ответа, стоимость запроса, стабильность под нагрузкой.
- Метрика внедренца. Доля процесса, прошедшая через систему; время цикла до и после; число исключений; сколько людей перешло на новый регламент.
- Общая точка. Приёмка. Если её критерии написал только разработчик, внедрение застрянет на «формально работает, но никто не пользуется».
Кому нужна собственная система, а кому хватит готового сервиса, я разбирал в статье про разработку ИИ. Для кадрового решения важно одно: покупая готовое, вы не нанимаете ML-инженера, но обязаны иметь интегратора и владельца процесса.
- Открывают одну вакансию и ждут человека, который закроет все девять функций.
- Оценивают кандидата по списку моделей и фреймворков в резюме.
- Не дают полномочий менять процесс — только «предлагать инициативы».
- Ставят KPI «запустить ИИ» — его нельзя ни принять, ни отклонить.
- Сначала называют владельца направления — из тех, кто уже управляет процессом и бюджетом.
- Оценивают по одному доведённому до эксплуатации внедрению, разобранному по шагам.
- Прописывают право останавливать процесс и менять регламент на участке.
- Ставят KPI в единицах процесса: время цикла, себестоимость обработки, доля авторешений.
Должностная инструкция руководителя проекта по внедрению ИИ
Должностная инструкция руководителя проекта по внедрению ИИ отличается от обычной проектной ровно четырьмя пунктами — остальное стандартно. Эти четыре пункта и надо дописать, а не изобретать документ с нуля.
- Отвечает за приёмку качества ответов системы по заранее зафиксированному тестовому набору, а не «по ощущениям пользователей».
- Ведёт реестр исключений: что система не умеет, кто это разбирает вручную и при каком объёме исключений проект останавливается.
- Отвечает за обучение пользователей и за то, что новый регламент подписан, а не разослан письмом.
- Согласует с ИБ и юристом контур данных до старта разработки, а не после первого инцидента.
- Ведёт расчёт эффекта в единицах процесса и передаёт его владельцу направления ежемесячно.
Где ИИ помогает самому проектному офису — статусы, риски, оценка сроков, документы — я отдельно разбирал в материале про ИИ в управлении проектами; это полезно человеку, который такую должность занимает.
Что спрашивать на интервью, чтобы отсеять имитацию
Большинство кандидатов на любую из ролей отсеивает один вопрос: «расскажите про внедрение, дошедшее до промышленной эксплуатации, и назовите, что в нём сломалось после запуска». Кандидат без опыта дойдёт до демонстрации и остановится; кандидат с опытом сразу назовёт исключения, откаты и переобучение пользователей.
- Владелец ИИ-направления. Какой процесс вы остановили или отменили, потому что ИИ там не окупался? Ответ «таких не было» — плохой знак.
- ИИ-архитектор. Как считаете стоимость одного запроса и что делаете, когда она растёт вдвое после выхода в прод?
- ML/LLM-инженер. Как устроен ваш тестовый набор и как вы понимаете, что новая версия стала хуже на редких случаях?
- Дата-инженер. Случай, когда данные оказались хуже обещанного: что вы сделали в первые две недели?
- Инженер по внедрению ИИ. В какую систему было тяжелее всего встроиться и почему — API, права доступа, форматы, люди?
- Промпт- и контекст-инженер. Как забирали знание у экспертов, которые не хотят его отдавать, и как проверяли актуальность базы через полгода?
- ИИ-продакт. Какую функцию вы выкинули после запуска и по какому сигналу приняли это решение?
- Менеджер по внедрению ИИ. Как выглядела ваша приёмка: кто подписывал, по каким критериям, что было при провале?
- Оператор ИИ-процесса. Сколько исключений в день вы разбирали и как ваши правки попадали обратно в систему?
- Кандидат перечисляет названия моделей и инструментов, но не может назвать ни одной метрики процесса.
- Весь опыт — хакатоны, курсы и пет-проекты, ни одного пользователя вне команды разработки.
- На вопрос «где ИИ не нужен» отвечает, что нужен везде.
- Не спрашивает про данные, доступы и владельца процесса на своём же собеседовании.
Отдельная категория — специалисты по кибербезопасности и разработке ИИ в одном лице. Они дороже и встречаются реже, но нужны там, где система видит персональные данные, финансы или коммерческую тайну. Вопросы для такого интервью удобно собрать из материала про риски внедрения ИИ.
Разберём вашу ситуацию за один разговор: назову, какие из девяти функций у вас уже закрыты людьми внутри, какую надо нанимать сейчас, а какую можно не нанимать вообще ближайший год.
Своя команда, подрядчик или специалист ИИ на проект
До первого работающего контура почти всегда дешевле подрядчик или специалист ИИ на проект, а не наём в штат. Собственная команда окупается, когда ИИ-решений становится больше трёх и они трогают ядро бизнеса — то, что вы никому не отдадите. Владельца направления при этом нанимать или назначать нужно в любом сценарии: подрядчик не может отвечать за ваш P&L.
| Критерий | Своя команда | Подрядчик | Специалист ИИ на проект |
|---|---|---|---|
| Скорость старта | 2–4 месяца на подбор и адаптацию | 2–4 недели | 1–2 недели |
| Стоимость первого контура | Высокая: платите за людей независимо от результата | Средняя, фиксируется договором | Низкая на входе, растёт при затяжке |
| Где остаётся знание | Внутри, если ведётся документация | У подрядчика, если не прописали передачу | Уходит вместе с человеком |
| Риск | Нанять не тех и год это выяснять | Получить демо вместо эксплуатации | Остаться без поддержки на третьем месяце |
| Когда это верный выбор | Более трёх решений, ИИ в ядре продукта | Первый и второй контур, типовые задачи | Узкая экспертиза: данные, интеграция, оценка качества |
Чаще всего я рекомендую промежуточную конструкцию: владелец направления и аналитик — свои, разработка и интеграция — подрядчик, оператор — из действующего персонала. Скорость подрядчика при этом сохраняется, а знание остаётся внутри. Как считать экономику такой схемы — в материале про стоимость внедрения ИИ и расчёт ROI.
Компания нанимает сильного ML-инженера до того, как появился владелец процесса и наведён порядок в данных. Инженер полгода занимается выгрузками и совещаниями, теряет мотивацию и уходит. Оплачено 6–9 месяцев дорогой зарплаты, результат — ноль. Порядок обратный: сначала владелец и данные, потом инженер.
Обучение внедрению ИИ: три программы, а не одна
Обучение внедрению ИИ работает только тогда, когда для каждой аудитории собрана своя программа. Общий курс «нейросети для всех» даёт всплеск интереса на две недели и ноль изменений в процессах: топ-менеджеру, руководителю функции и линейному сотруднику нужны три разных навыка. Внедрение ИИ в бизнес и обучение персонала — это один проект, а не два последовательных.
| Аудитория | Цель обучения | Формат и длительность | Признак, что обучение сработало |
|---|---|---|---|
| Собственник и топ-менеджмент | Научиться отличать процесс, где ИИ даст деньги, от процесса, где он даст демонстрацию; уметь спрашивать с подрядчика | 2–4 сессии по 2–3 часа, разбор своих процессов, без технической части | Через месяц руководитель сам отклоняет две инициативы из трёх с внятной аргументацией |
| Руководители функций и проектов | Ставить задачу, принимать результат, вести реестр исключений, считать эффект | 4–8 недель с домашними заданиями на реальном процессе своего подразделения | Появился хотя бы один процесс с описанными критериями приёмки и посчитанным эффектом |
| Линейный персонал и операторы | Работать в новом регламенте, распознавать ошибочные ответы, возвращать обратную связь | 2–6 часов плюс сопровождение первые две недели после запуска | Доля обращений в поддержку падает, доля размеченных ошибок растёт |
Внедрение ИИ в команду и обучение сотрудников я привязываю к процессу, уже выбранному под автоматизацию: навык без немедленного применения распадается примерно за месяц. Если процесс ещё не выбран, обучение стоит отложить — сначала работа по выбору, она описана в этапах внедрения.
Отдельный случай — внедрение AI в команды разработки: там нужны не лекции, а правила работы с ассистентом, ревью сгенерированного кода и метрики качества. Это тема материала про ИИ для разработки ПО; здесь ограничусь предупреждением: без правил ревью скорость растёт, а число дефектов растёт быстрее.
Курсы по внедрению ИИ и курсы по разработке ИИ: как отличить рабочие
Курс по внедрению ИИ даёт результат, если на выходе у слушателя есть доведённый до приёмки процесс, а не сертификат. Курсы по разработке ИИ и любой курс AI-разработки оцениваются иначе — по коду и по метрикам качества модели, которые слушатель умеет объяснить. Разница в критерии проверки, и её стоит выяснить до оплаты. Курсы по внедрению ИИ в бизнес чаще всего продаются одним пакетом сразу для всех уровней — это и есть главная причина их бесполезности.
- Программа требует принести свой процесс или свои данные, а не разбирать слайды.
- Есть работа с приёмкой: критерии качества, тестовый набор, разбор исключений.
- Преподаватель называет проекты, которые не взлетели, и объясняет причину.
- В программе есть блок про данные и доступы — минимум 20–25% времени.
- Итоговую работу проверяет человек с обратной связью, а не автотест на 20 вопросов.
- Внедрение ИИ в бизнес-процессы — курсы по этой теме дают шаблоны регламента и приёмки, которые можно унести к себе.
- Обещание «профессия за 3 недели» и трудоустройство как часть оффера.
- Программа состоит из обзора инструментов: сегодня один сервис, завтра другой. Через полгода половина устареет.
- Ни одного задания на своих данных — только учебные наборы.
- Нет ни слова про ограничения, риски и случаи, когда ИИ не нужен.
- ИИ в управлении проектами: курсы, где не показывают ни одного реального артефакта проекта — устава, реестра рисков, отчёта.
Специалист по внедрению ИИ, обучение которого идёт под конкретную должность, проверяет школу одним вопросом: попросите описание итоговой работы выпускника. Если итоговая работа — презентация идеи, курс учит рассказывать. Если итоговая работа — процесс с описанными критериями приёмки и посчитанным эффектом, курс учит внедрять.
Сертификат подтверждает, что человек прослушал курс. Работодателю нужно другое подтверждение — что человек довёл хотя бы один процесс до состояния, в котором им пользуются без него.Владимир Герасимов
Вместо общего курса разберём один ваш процесс: где именно ИИ даёт эффект, какие критерии приёмки записать и чему конкретно учить команду под этот запуск.
Профессия «внедрение ИИ»: рабочий день, вакансии, порог входа
Профессия «специалист по внедрению ИИ» на 70% состоит из работы с людьми, процессами и данными и примерно на 30% — из техники. Это ближе к бизнес-аналитику и руководителю проектов, чем к дата-сайентисту. Порог входа ниже, чем в разработку моделей, но требует опыта работы внутри реального процесса.
- Утро: разбор исключенийСмотрит, где система вчера ошиблась или отказалась отвечать, и решает, что из этого правится инструкцией, что — данными, а что остаётся людям.
- Работа с носителями знанияЗабирает у экспертов неписаные правила и превращает их в инструкции и тестовые примеры.
- Данные и доступыВыясняет, почему поле пустое у трети записей, и правит источник, а не выгрузку.
- Интеграция и тестыСтавит задачу разработчику, проверяет результат на тестовом наборе, фиксирует регресс.
- Обучение пользователейПроводит короткие сессии на рабочих местах и собирает возражения, а не рассылает инструкцию.
- Отчёт в единицах процессаРаз в неделю показывает владельцу: сколько прошло через систему, сколько исключений, что со временем цикла.
Что пишут в вакансиях
Вакансии по внедрению ИИ в России распадаются на три типа, и по названию их различить нельзя — нужно читать блок обязанностей. Заголовок «специалист по внедрению ИИ» в вакансии может означать продавца, аналитика и инженера.
- Пресейл под видом внедрения. В обязанностях — демонстрации, презентации, работа с возражениями. По сути это продажи; зарплата с бонусом от сделки.
- Аналитик процессов. Обязанности: описание процессов, сбор требований, приёмка, обучение пользователей. Самая массовая позиция, куда переходят из бизнес-анализа.
- Инженер по внедрению ИИ. Интеграции, API, скрипты, работа с базой знаний. Требуется Python на уровне уверенного скриптинга и понимание того, как устроены запросы к моделям.
Разработка ИИ — вакансии на этом рынке живут по другим требованиям: математика, фреймворки, опыт обучения и оценки моделей. Если разработка ИИ и работа именно в моделях — ваша цель, вам нужен другой трек подготовки, чем внедренцу; разница описана в материале про разработку ИИ. Есть и служебная позиция начального уровня: специальность оператора по внедрению ИИ — разбор исключений и разметка ошибок. Порог входа туда минимальный, и это рабочий вход в профессию изнутри компании.
Самый быстрый путь в профессию внедрения ИИ — не курс, а внутренний переход. Человек знает процесс, имеет доверие коллег, добавляет технические навыки и становится внедренцем за 6–12 месяцев. У внешнего кандидата первые полгода уходят только на понимание того, как в компании принимаются решения.
Как войти в профессию: вузы, книги и первый проект
Диплом профильного вуза нужен для разработки моделей и почти не нужен для внедрения. Вузы с разработкой ИИ дают базу по математике, статистике и машинному обучению — это правильный вход, если цель именно исследовательская или инженерная работа с моделями. Для внедрения сильнее работает связка «отраслевой опыт плюс дополнительная подготовка».
- Если вы студент технического направления. Берите профильную магистратуру или трек по машинному обучению и обязательно идите на стажировку в компанию, где ИИ уже в эксплуатации, а не в стартап на стадии демо.
- Если вы из бизнеса. Не переучивайтесь в разработчика. Ваше преимущество — знание процесса; добавьте SQL, базовый Python, понимание того, как оценивается качество ответов, и опыт приёмки.
- Если вы школьник или первокурсник. Соберите учебный проект целиком: работа, презентация, разбор ограничений ИИ и честный вывод о том, что не получилось. Проект с описанными ограничениями выглядит взрослее, чем идеальная демонстрация. Как это делается, разобрано в материале про ИИ для учебных проектов.
Про книги отвечу честно: специалист по внедрению ИИ — книга под эту должность на русском ещё не написана, и искать её не стоит. Полезны четыре категории. Первая — книги по управлению продуктом и дискавери: учат отсекать ненужное. Вторая — процессы и операционная эффективность. Третья — прикладная разработка с ИИ: книги по работе с языковыми моделями, оценке качества ответов и построению контекста. Четвёртая — книги по внедрению ИИ в программы с готовыми чек-листами и шаблонами приёмки.
Книги и курсы здесь устаревают быстрее, чем выходят. Не устаревают разборы неудачных внедрений: чужой провал даёт больше, чем десять описаний успеха — в успехе не видно, какие решения были обязательными, а какие случайными.
Внедрение ИИ в работу школы и других образовательных организаций
Внедрение ИИ в работу школы, колледжа или учебного центра начинается не с уроков, а с административных процессов: расписание, отчётность, ответы родителям, подготовка методических материалов. Там эффект измерим и не затрагивает педагогику. Учебная часть — вторая очередь, и там нужны правила, а не инструменты.
- Административный контур. Ответы на типовые обращения, черновики документов, сводки по посещаемости — здесь экономия времени завуча и секретаря самая заметная.
- Методический контур. Черновики заданий, варианты, адаптация под уровень — только с проверкой человеком: фактическая ошибка в учебном материале дороже любой экономии времени.
- Правила для учеников. Не запрет, а регламент: где ИИ разрешён, где нужна пометка, как оценивается проектная работа и презентация проекта, сделанные с ИИ.
- Обучение педагогов. Та же трёхуровневая логика: администрация, методисты, преподаватели — три разные программы.
Для образовательной организации действуют те же правила, что и для компании: владелец направления, критерии приёмки, ответственный за данные учеников. Последнее критично — это персональные данные несовершеннолетних, и начинать здесь стоит с правового контура.
План на 90 дней: как собрать команду под первое внедрение
Команда под первое внедрение собирается за 90 дней без единого найма в штат, если действовать в правильном порядке. Порядок такой: сначала владелец, потом процесс, потом данные, и только потом руки. Обратный порядок — самая дорогая ошибка в этой теме.
- Недели 1–2. Назначить владельца ИИ-направления из действующих руководителей и дать ему право менять регламент на выбранном участке.
- Недели 2–4. Выбрать один процесс с измеримой экономикой и записать критерии приёмки до начала любых работ.
- Недели 3–6. Проверить данные: где лежат, кто владеет, какая доля записей пригодна. Назначить ответственного — можно из действующих сотрудников.
- Недели 5–8. Подключить исполнителя — подрядчика или специалиста ИИ на проект, зафиксировав в договоре передачу документации.
- Недели 8–12. Обучить операторов и руководителя участка, запустить в ограниченном контуре, вести реестр исключений с первого дня.
- После 90 дней. Решать про наём в штат — по фактической нагрузке, а не по ожиданиям.
Если владельца назначить некому — это не повод откладывать, а повод взять внешнего человека на эту роль на время первого контура, с планом передачи функции внутрь.
Помогу назначить владельца направления, выбрать процесс и собрать конфигурацию «свои плюс подрядчик» под вашу задачу — с планом на 90 дней и критериями приёмки, по которым можно спросить с исполнителя.
Частые вопросы
Разработкой ИИ занимаются ML/LLM-инженер, дата-инженер и архитектор, а за результат в деньгах отвечает владелец ИИ-направления — руководитель со стороны бизнеса, у которого есть право менять процесс. Если владелец не назначен, ответственность растворяется между ИТ и подрядчиком, и проект останавливается на демонстрации. Разработка и внедрение ИИ — две разные функции с разными метриками: точность модели и экономика процесса.
Нет. Специалист по внедрению искусственного интеллекта (ИИ) примерно на 70% работает с процессами, данными и людьми и лишь на 30% — с техникой. Ему нужны SQL, базовый Python на уровне скриптов и понимание того, как оценивается качество ответов модели, но писать production-код от него не требуют. Ближайшие соседние профессии — бизнес-аналитик и руководитель проектов.
Вакансии по внедрению ИИ публикуются на обычных job-площадках и в отраслевых Telegram-каналах, но по заголовку роль определить нельзя — нужно читать обязанности. Один и тот же заголовок скрывает три разные работы: пресейл с демонстрациями и бонусом от сделки, аналитика процессов с приёмкой и обучением пользователей, инженера по интеграциям. Вакансии разработки ИИ — отдельный рынок, там требуют математику, фреймворки и опыт оценки моделей.
Смысл имеет курс, где слушатель приносит свой процесс и свои данные, а итоговая работа — процесс с критериями приёмки и посчитанным эффектом. Курс без работы на собственных данных, без блока про данные и доступы и без разговора о случаях, когда ИИ не нужен, даёт сертификат и ничего больше. Обещание «профессия за три недели» с гарантией трудоустройства — надёжный признак курса-пустышки.
Для разработки моделей профильное образование помогает: вузы с разработкой ИИ дают математику, статистику и машинное обучение, которые самостоятельно добираются тяжело. Для внедрения диплом почти не влияет — там сильнее работает связка отраслевого опыта и дополнительной подготовки. Человек, который знает процесс изнутри компании, становится внедренцем за 6–12 месяцев, внешнему кандидату столько же уходит только на понимание контекста.
Одной книги под эту должность не существует, и искать её не стоит. Работают четыре категории: управление продуктом и дискавери, операционная эффективность и процессы, прикладная разработка с ИИ (работа с языковыми моделями, оценка качества ответов, построение контекста) и книги по внедрению ИИ в программы с готовыми чек-листами и шаблонами приёмки. Разборы неудачных внедрений устаревают медленнее, чем любые описания успеха.
Да, и до первого работающего контура это обычно дешевле найма. Специалист ИИ на проект стартует за одну-две недели и закрывает узкую экспертизу — данные, интеграцию, оценку качества. Главный риск — знание уходит вместе с человеком, поэтому передачу документации нужно фиксировать в договоре. Владельца ИИ-направления при этом всё равно назначают внутри компании: подрядчик не может отвечать за ваш P&L.
От обычной проектной она отличается четырьмя пунктами. Руководитель проекта по внедрению ИИ отвечает за приёмку качества ответов по заранее зафиксированному тестовому набору, ведёт реестр исключений с порогом остановки проекта, отвечает за обучение пользователей и подписанный новый регламент, а также согласует контур данных с ИБ и юристом до старта разработки. Остальные разделы инструкции — стандартные для проектной роли.
Начинать нужно с административных процессов: ответы на типовые обращения, черновики документов, сводки по посещаемости — там эффект измерим и педагогику не затрагивает. Методический контур идёт второй очередью и только с обязательной проверкой материалов человеком. Отдельно нужен регламент для учеников: где ИИ разрешён, где нужна пометка об использовании и как оценивается проектная работа с ИИ. Ответственный за персональные данные учеников назначается до первого запуска.