Улучшаемые навыки
ИИ-агенты
Мультиагентные системы
Промпт-инжиниринг
Оценка ROI ИИ-проектов
Стратегия внедрения ИИ
Управление рисками ИИ
Объяснимый ИИ (XAI)
Физический ИИ
Предиктивная аналитика
Цифровая трансформация производства
Управление изменениями
Чему вы научитесь
01
Проводить аудит ИИ-зрелости своей компании и находить точки роста с максимальной окупаемостью инвестиций (ROI).
02
Создавать и настраивать персональных ИИ-ассистентов для автоматизации рутинных задач управления.
03
Применять промпт-инжиниринг для получения готовых аналитических отчетов и сценариев.
04
Разрабатывать дорожную карту внедрения ИИ: от пилота до масштабирования на производстве.
05
Управлять рисками ИИ, обеспечивать объяснимость решений и безопасность данных.
06
Настраивать RAG-системы (ассистентов техслужбы) для сохранения и передачи экспертных знаний.
Программа курса
01
Стратегический фундамент: ИИ как драйвер изменений
1.1. Новая реальность: от экспериментов к эксплуатации
Почему 2026 год стал переломным: ИИ как базовая инфраструктура, а не витрина инноваций.
Что такое ИИ-агенты и мультиагентные системы, и почему они меняют правила игры.
Ключевые тренды: физический ИИ, объяснимый ИИ.
1.2. Экономика ИИ: как считать окупаемость инвестиций (ROI) и ставить KPI
Оценка ИИ-зрелости компании / подразделения.
Метрики успеха: от снижения операционных затрат до роста выручки за счет новых возможностей.
Анализ провалов: почему 90% пилотов не доходят до внедрения и как войти в 10% успешных.
Практика: аудит ИИ-зрелости и поиск точек роста.
Работа с чек-листом для оценки своего подразделения. Участники заполняют матрицу приоритетных задач, где ИИ даст максимальную окупаемость инвестиций (ROI).
02
Управление через ИИ-агентов: новая операционная модель
2.1. Введение в ИИ-агентов
Принципы работы «команды ИИ-агентов»: финансы, логистика, аналитика как отдельные «цифровые сотрудники».
Как ставить задачи агентам и контролировать их исполнение. Принцип «человек в контуре» (Human-in-the-loop).
2.2. Инструментарий руководителя: промпт-инжиниринг
Как общаться с ИИ, чтобы получать не просто текст, а готовые аналитические выкладки и сценарии.
Создание промптов для рутинных задач: анализ отчетов, подготовка совещаний.
Практика: создание персонального ИИ-ассистента.
Участники на практике настраивают простого агента для сбора и первичного анализа данных из открытых источников или предоставленных корпоративных документов. Результат: готовый инструмент для экономии 3-4 часов в неделю.
03
Управление рисками, этика и внедрение
3.1. Архитектура доверия: объяснимый ИИ и безопасность
Проблема «черного ящика»: как проверять решения, принятые ИИ.
Принципы объяснимого ИИ (XAI) для руководителей: почему модель приняла такое решение?
Кибербезопасность ИИ: защита от отравления данных и промпт-инъекций.
3.2. Дорожная карта внедрения: от пилота к масштабированию
Разработка стратегии: пилотный проект, сбор обратной связи, доработка, тиражирование.
Работа с возражениями персонала: как мотивировать команду использовать ИИ.
Практика: карта рисков и план коммуникации.
Участники в группах разрабатывают план внедрения ИИ-инструмента, уделяя особое внимание рискам и способам их минимизации, а также программе обучения сотрудников.
04
Физический ИИ и управление производственными активами
4.1. Промышленные ИИ-агенты: от предиктивной аналитики к действию
Агенты, управляющие оборудованием: автономная корректировка режимов работы и графиков ТОиР.
Конвергенция ИТ и ОТ: как объединить данные с датчиков (уровень цеха) с корпоративными ERP-системами для сквозной аналитики.
4.2 Борьба с «серебряным цунами»: сохранение экспертизы
Превращение опыта ветеранов в базы знаний для ИИ-ассистентов молодых специалистов.
Использование визуально-языковые модели (VLM) для ремонта: AR-очки + ИИ, подсказывающий порядок действий.
4.3 Робототехника нового поколения: физический ИИ (Physical AI)
Как нейросети обучают роботов (imitation learning) и чем это меняет автоматизацию на производстве.
Перспективы внедрения человекоподобных роботов в логистику и цеха.
Практика: создание ассистента технической службы.
Участники (на примере своих регламентов или предоставленных инструкций) настраивают RAG-систему (поиск по базе знаний) для быстрого поиска неисправностей и порядка ремонта сложного оборудования.
05
Итого на курс 16 ак. ч.: теория — 8 ак. ч. (50%), практика — 8 ак. ч. (50%)
Для кого
Руководитель проекта
Директор проекта
Предварительная подготовка
Понимание производственных или бизнес-процессов. Уверенный пользователь ПК. Опыт управления командами или проектами будет преимуществом. Глубокие знания программирования и Data Science не требуются.
