Ержан пришёл на совещание с распечатками. Три стопки бумаги, графики, таблицы. Директор IT-департамента крупной казахстанской сети ресторанов, он уже полгода пытался убедить совет директоров в необходимости системного подхода к AI.
«Смотрите, – начал он. – За последний год мы запустили четыре AI-проекта. Бот для бронирования – работает, но поддержку ведёт один разработчик, который вот-вот уволится. Распознавание отзывов – сделали на хакатоне, забросили через месяц. Прогноз спроса – купили у вендора, никто не понимает, как он считает. Автоматизация закупок – застряла на этапе согласования ТЗ.»
Он сделал паузу.
«Мы тратим деньги, но не накапливаем экспертизу. Каждый проект – с нуля. Каждый раз ищем подрядчиков, заново объясняем специфику бизнеса, теряем время. А конкуренты уже обгоняют – у "Ресторанного холдинга" целый отдел AI, они запускают по два проекта в месяц.»
Знакомо? Я слышу похожее от компаний по всему Казахстану: банки, ритейл, производство, логистика. Все хотят AI, многие что-то пробуют, но единицы выстраивают систему. И те, кто выстраивает – получают преимущество, которое сложно скопировать.
Сегодня расскажу, как создать AI Center of Excellence – центр компетенций по искусственному интеллекту внутри вашей компании. Без космических бюджетов и штата из ста человек. Практично, пошагово, с учётом реалий нашего рынка.
«Компании с AI Center of Excellence запускают AI-проекты в 3 раза быстрее и тратят на 40% меньше на каждый последующий проект. Секрет – в переиспользовании компетенций, инфраструктуры и извлечённых уроков.»
Зачем вообще нужен центр компетенций по AI
Давайте честно: можно обойтись и без него. Нанимать подрядчиков на каждый проект, покупать готовые решения, надеяться, что кто-то из сотрудников разберётся сам. Многие так и делают.
Но есть проблема. AI – это не разовый проект, это новый способ работы. Как когда-то компьютеры изменили всё, так и AI меняет всё. И если у вас нет людей, которые понимают эту технологию изнутри – вы вечно будете зависеть от внешних экспертов.
Представьте: каждый раз, когда нужно написать письмо, вы вызываете секретаря из агентства. Он приезжает, изучает контекст, пишет письмо, уезжает. В следующий раз – всё сначала. Абсурдно, правда? Но именно так работают многие компании с AI.
Типичные проблемы компаний без AI-экспертизы
Каждый проект – с нуля
Нет переиспользования компонентов, базы знаний, инфраструктуры. Платите за одно и то же снова и снова.
Зависимость от подрядчика
Не понимаете, как работает решение. Не можете оценить качество. Не можете поддерживать без внешней помощи.
Потеря знаний при увольнении
Один человек знал, как работает бот. Уволился – проект умер. Знания не документированы, не переданы.
Долгий time-to-market
Пока найдёте подрядчика, объясните бизнес, согласуете ТЗ – конкуренты уже запустили аналогичное решение.
AI Center of Excellence решает эти проблемы. Это не обязательно огромный отдел – это может быть один человек, который постепенно выстраивает систему. Главное – системный подход вместо хаотичных попыток.
Вот что даёт CoE:
- Накопление экспертизы – знания остаются в компании, даже если люди уходят
- Переиспользование – базовые компоненты, интеграции, промпты используются в разных проектах
- Скорость – новые проекты запускаются быстрее, потому что основа уже есть
- Качество – есть стандарты, есть люди, которые за ними следят
- Экономия – каждый следующий проект дешевле предыдущего
О том, как масштабировать AI на несколько отделов, мы подробно рассказывали в статье От 1 бота к экосистеме: как масштабировать AI-автоматизацию на 10 отделов.
Три модели центра компетенций: какая подойдёт вам
Не существует одного правильного способа организовать AI CoE. Есть три основные модели, и выбор зависит от размера компании, культуры и целей.
Централизованная
Единая команда, которая ведёт все AI-проекты в компании. Бизнес-подразделения приходят с запросами, CoE реализует.
Плюсы:
- Единые стандарты
- Эффективное использование ресурсов
- Сильная экспертиза в одном месте
Минусы:
- Может стать узким горлышком
- Далеко от бизнес-контекста
Федеративная
AI-специалисты распределены по бизнес-подразделениям. Небольшой центр задаёт стандарты и координирует.
Плюсы:
- Близость к бизнесу
- Быстрая реакция на потребности
- Распределённая ответственность
Минусы:
- Сложнее поддерживать стандарты
- Дублирование усилий
Гибридная
Центральная команда для сложных проектов и платформы. В подразделениях – «послы» AI, которые решают простые задачи.
Плюсы:
- Баланс контроля и гибкости
- Масштабируемость
- Подходит для роста
Минусы:
- Сложнее в управлении
- Требует зрелых процессов
Для большинства казахстанских компаний среднего размера я рекомендую начинать с централизованной модели. Это проще в управлении, легче набрать критическую массу экспертизы. По мере роста можно переходить к гибридной модели – когда в подразделениях появляются свои «чемпионы» AI.
Ержан, с которого я начал эту статью, выбрал централизованную модель. Сейчас у него команда из четырёх человек, и они ведут все AI-проекты сети. Это работает, потому что компания не слишком большая – 40 ресторанов. Для холдинга на 200 точек, возможно, понадобится гибридный подход.
Ключевые роли в AI-команде: кого нанимать первым
Вот вопрос, который задают все: «С кого начать?» Бюджет ограничен, нужно выбрать одного-двух человек, которые заложат фундамент.
Давайте разберём основные роли и порядок найма.
1
Месяц 1-2
AI Product Owner / AI Lead
Первый и главный найм. Человек, который понимает и технологию, и бизнес. Он будет формировать видение, приоритизировать проекты, общаться с бизнесом и управлять командой.
Ключевые навыки:
- Понимание AI/ML на практическом уровне
- Опыт запуска продуктов
- Коммуникация с бизнесом
Зарплата (Казахстан):
800 000 – 1 500 000 тенге
2
Месяц 2-4
AI/ML Engineer или Prompt Engineer
Технический специалист, который будет реализовывать проекты. Если фокус на LLM и ботах – скорее Prompt Engineer. Если на аналитике и предсказаниях – ML Engineer.
Ключевые навыки:
- Python, работа с API LLM
- RAG-архитектуры, prompt engineering
- Интеграции с бизнес-системами
Зарплата (Казахстан):
600 000 – 1 200 000 тенге
3
Месяц 4-6
Business Analyst (с AI-фокусом)
Связующее звено между бизнесом и технической командой. Выявляет потребности, собирает требования, описывает процессы для автоматизации.
Ключевые навыки:
- Анализ и описание процессов
- Понимание возможностей AI
- Работа с данными
Зарплата (Казахстан):
450 000 – 800 000 тенге
4
Месяц 6+
Дополнительные роли по мере роста
Когда команда из трёх человек справляется с потоком, можно расширяться.
Data Engineer
Подготовка данных, ETL-процессы, data quality
QA/Тестировщик
Тестирование AI-решений, мониторинг качества
DevOps/MLOps
Инфраструктура, деплой, мониторинг
Обратите внимание: я не начинаю с ML-инженера или data scientist. Почему? Потому что в 2025 году большинство бизнес-задач решаются через LLM и готовые модели. Вам не нужно обучать нейросети с нуля – нужно уметь их применять. А для этого важнее понимание бизнеса и умение интегрировать решения, чем глубокая экспертиза в машинном обучении.
Конечно, если ваша задача – предиктивная аналитика или компьютерное зрение на производстве, приоритеты будут другими. Но для типичной компании, которая хочет автоматизировать общение с клиентами и внутренние процессы – начинайте с людей, которые понимают бизнес и умеют работать с LLM.
О том, как внедрять AI-решения поэтапно, мы писали в статье Годовой roadmap AI-автоматизации.
Процессы, которые нужно выстроить с первого дня
Команда – это полдела. Вторая половина – процессы. Без них даже отличные специалисты будут тратить время на хаос вместо создания ценности.
Вот минимальный набор процессов, который нужен с самого начала:
Ключевые процессы AI Center of Excellence
Intake
Как бизнес-подразделения подают заявки на AI-проекты. Форма, критерии, SLA на ответ.
Приоритизация
Как решать, какие проекты делать первыми. Критерии: ROI, сложность, стратегическая важность.
Delivery
Как проекты реализуются: этапы, контрольные точки, критерии готовности.
Поддержка
Как поддерживаются запущенные решения. Мониторинг, инциденты, обновления.
Разберём каждый процесс подробнее.
Intake: приём заявок
Без формализованного процесса вы получите хаос. Директор по маркетингу позвонит напрямую вашему инженеру с «срочной идеей». HR напишет в мессенджер. Финансы отправят письмо, которое потеряется.
Сделайте простую форму заявки. Она должна содержать:
- Описание проблемы (не решения, а именно проблемы)
- Текущий процесс: как это делается сейчас
- Ожидаемый результат: что изменится после внедрения
- Примерный объём: сколько раз в день/месяц происходит
- Контактное лицо от бизнеса
Установите SLA на первичный ответ – например, 3 рабочих дня. Не обязательно сразу брать проект в работу, но заявитель должен получить обратную связь.
Приоритизация: что делать первым
Заявок будет больше, чем ресурсов – это нормально. Нужна система приоритизации. Я рекомендую простую матрицу:
| Критерий | Вес | Как оценивать |
|---|---|---|
| Бизнес-влияние (ROI) | 35% | Экономия, дополнительная выручка, снижение рисков – в тенге |
| Реализуемость | 25% | Есть ли данные, технологии, навыки для реализации |
| Стратегическое соответствие | 20% | Насколько проект соответствует стратегии компании |
| Срочность | 10% | Есть ли внешний дедлайн, регуляторные требования |
| Переиспользование | 10% | Создаёт ли проект компоненты для будущих проектов |
Раз в две недели или раз в месяц проводите сессию приоритизации с ключевыми стейкхолдерами. Это важно – решения о приоритетах должны быть прозрачными и совместными.
О том, как считать ROI для AI-проектов, читайте в статье ROI чатбота, голосового помощника и RPA: как считать.
Хотите создать AI-команду, но не знаете, с чего начать?
Мы помогаем компаниям выстроить AI Center of Excellence: от стратегии до найма первых специалистов. Бесплатная консультация – 30 минут.
Как измерить успех AI Center of Excellence
Любая инициатива требует метрик. Без них вы не докажете ценность CoE руководству и не поймёте, где улучшаться.
Вот набор метрик, которые я рекомендую отслеживать:
Операционные метрики
-
1 Time to Value
От заявки до работающего решения. Цель: сокращать с каждым проектом.
-
2 Количество проектов в работе
Пропускная способность команды. Следить за балансом.
-
3 % переиспользования
Сколько компонентов из предыдущих проектов используются повторно.
-
4 Uptime решений
Доступность запущенных AI-решений. Цель: 99%+.
Бизнес-метрики
-
1 Суммарный ROI проектов
Экономия + дополнительная выручка от всех AI-инициатив.
-
2 Стоимость на проект
Средние затраты на один проект. Должна снижаться.
-
3 NPS от заказчиков
Удовлетворённость бизнес-подразделений работой CoE.
-
4 AI Adoption Rate
% подразделений, использующих AI-решения.
Не пытайтесь отслеживать всё сразу. На старте достаточно 3-4 метрик. Главное – измерять их регулярно и обсуждать с руководством.
Ержан начал с двух метрик: Time to Value (от идеи до запуска) и суммарный ROI. За первый год его команда запустила 8 проектов с общей экономией 45 миллионов тенге. Это убедило совет директоров удвоить бюджет CoE на следующий год.
Сколько стоит создать AI CoE: реалистичный бюджет
Это вопрос, который задают все CFO. Давайте посчитаем честно.
Бюджет AI CoE: первый год
Команда (минимальная)
| AI Lead / Product Owner | 14 400 000 тг/год |
| AI/ML Engineer | 10 800 000 тг/год |
| Business Analyst (0.5 ставки первые 6 мес) | 3 600 000 тг/год |
| Итого ФОТ (с налогами ~30%): | 37 400 000 тг/год |
Инфраструктура и инструменты
| API LLM (OpenAI, Anthropic) | 2 400 000 тг/год |
| Облачная инфраструктура | 1 800 000 тг/год |
| Инструменты разработки и мониторинга | 600 000 тг/год |
| Итого инфраструктура: | 4 800 000 тг/год |
Обучение и развитие
| Курсы и сертификации | 800 000 тг/год |
| Конференции и митапы | 400 000 тг/год |
| Итого обучение: | 1 200 000 тг/год |
ИТОГО бюджет первого года:
Команда 2.5 человека + инфраструктура + развитие
43 400 000 тг
~$87 000 / год
43 миллиона тенге в год – это много? Давайте сравним с альтернативами:
- Один AI-проект у подрядчика: 5-15 млн тенге. Сделали 4 проекта – уже 20-60 млн, и экспертиза ушла вместе с подрядчиком.
- Найм разрозненных специалистов без системы: те же деньги, но с дублированием усилий и отсутствием стандартов.
- Ничего не делать: потеря конкурентных преимуществ, отставание от рынка, которое дорого наверстать.
При правильной организации CoE окупается за 12-18 месяцев. Команда Ержана окупилась за 10 месяцев – благодаря тому, что сфокусировались на проектах с высоким ROI.
Практический план: первые 90 дней
Хватит теории. Если вы решили создавать AI CoE – вот конкретный план на первые три месяца.
Дни 1-30: Фундамент
- Получите мандат от руководства (формальное решение о создании CoE)
- Определите модель CoE (централизованная / федеративная / гибридная)
- Начните поиск AI Lead / Product Owner
- Соберите backlog: какие AI-идеи уже есть в компании
- Выберите 2-3 quick wins для первых побед
Дни 31-60: Первые проекты
- Наймите AI Lead (или назначьте внутреннего)
- Запустите первый проект (выберите с высокой видимостью и низким риском)
- Установите базовые процессы: intake, приоритизация
- Начните поиск технического специалиста
- Документируйте извлечённые уроки
Дни 61-90: Масштабирование
- Завершите первый проект и измерьте результаты
- Презентуйте результаты руководству
- Запустите второй и третий проекты
- Наймите технического специалиста
- Подготовьте roadmap на следующий квартал
Первые 90 дней критичны. За это время вы должны показать первые результаты – иначе инициатива потеряет momentum. Выбирайте для первых проектов что-то с быстрой отдачей: бот для FAQ, автоматизация отчётов, классификация обращений.
О том, как выбрать правильные процессы для автоматизации, читайте в статье Какие процессы автоматизировать первыми: методика выбора.
Пять ошибок, которые убивают AI-инициативы
Я видел достаточно провалов, чтобы выделить паттерны. Вот что не стоит делать:
Ошибка 1: Начать с технологии, а не с бизнес-проблемы
«Давайте внедрим GPT» – неправильный подход. «У нас менеджеры тратят 3 часа в день на типовые вопросы – как это автоматизировать?» – правильный.
Как избежать: Каждый проект начинайте с описания бизнес-проблемы и ожидаемого результата. Если не можете сформулировать – проект не готов.
Ошибка 2: Нанять технаря без бизнес-понимания на роль лидера
Блестящий ML-инженер – не всегда хороший AI Lead. Вам нужен человек, который может говорить с бизнесом на их языке и переводить это в технические требования.
Как избежать: При найме AI Lead обязательно проверяйте коммуникативные навыки и опыт работы с бизнес-заказчиками.
Ошибка 3: Замахнуться на слишком большой первый проект
«Давайте сразу сделаем AI-помощника, который будет вести все продажи» – рецепт провала. Первый проект должен быть простым и с быстрым результатом.
Как избежать: Первые 2-3 проекта – не больше 4-6 недель от старта до результата. Успех на простом создаёт доверие для сложного.
Ошибка 4: Изолировать CoE от бизнеса
CoE – не башня из слоновой кости. Если команда сидит в углу и делает «что-то с AI», не общаясь с бизнесом – провал гарантирован.
Как избежать: Регулярные встречи с бизнес-заказчиками, демо каждые 2 недели, прозрачный backlog проектов.
Ошибка 5: Не документировать и не переиспользовать
Каждый проект – с нуля. Код не переиспользуется, промпты не хранятся централизованно, уроки не извлекаются. Это убивает экономику CoE.
Как избежать: С первого проекта ведите базу знаний: работающие промпты, паттерны интеграций, типичные ошибки и решения.
О других типичных ошибках при внедрении AI читайте в статье Почему пилоты проваливаются: 7 причин – не технология.
Что даёт своя команда
Ержан теперь не нервничает, когда главный разработчик бота уходит в отпуск. Есть документация, есть процессы, есть люди, которые могут подхватить. Прогноз спроса переделали – закупщики наконец понимают, откуда берутся цифры. За полтора года – 12 проектов, и новые запускаются вдвое быстрее.
Но главное, что он отмечает – независимость. Когда вышел GPT-4, его команда сама оценила, нужно ли переходить. Когда подрядчик предложил «уникальное решение за 20 миллионов», они посчитали и отказались – могут сделать дешевле сами.
Это не про то, чтобы всё делать внутри. Это про то, чтобы понимать, что происходит, и принимать решения на основе знаний, а не веры в слова консультантов.
Готовы создать AI-экспертизу в своей компании?
Мы помогаем компаниям в Казахстане и СНГ выстроить AI Center of Excellence. Стратегия, процессы, помощь в найме и первые проекты. Начнём с бесплатной консультации.
Читайте также
От 1 бота к экосистеме: масштабирование AI на 10 отделов
Архитектура и governance для масштабирования AI-автоматизации
Годовой roadmap AI-автоматизации
Как спланировать AI-инициативы на год вперёд
AI Governance: политики и ответственность за решения бота
Как управлять рисками и качеством AI-решений
RACI и governance для ботов
Распределение ответственности в AI-проектах
Центр компетенций RPA: масштабирование без зоопарка
Опыт создания CoE для RPA – многое применимо к AI
Обучение команды AI-инструментам
Как подготовить сотрудников к работе с AI