# Як масштабувати навчання AI: від 300 до 15 000 працівників через внутрішніх чемпіонів

> Як Atos підвищив грамотність у галузі AI від 300 до 15 000 працівників за допомогою внутрішніх чемпіонів та навчання «плече-на-pleче» — модель для SMB.

- Автор: Ярослав Максимович (Founder & CEO, AI Advisory Board)
- Опубліковано: 2026-09-27
- Оновлено: 2026-09-28
- Джерело: https://aiadvisoryboard.me/uk/blog/atos-300-licenses-scaled-to-15000-trained-the-bridge

## TL;DR
- Почніть з 300 мотивованих користувачів, а не з корпоративних ліцензій.
- Підготуйте AI-чемпіонів (у відношенні 1:15), які навчать колег у робочому потоці.
- Масштабуйте до 15 000+ через навчання «плече-на-pleче», а не центральні тренінги.

> **Definition:** AI-чемпіон — це співробітник, який першим освоює інструменти AI, а потім навчає 10–20 колег через неформальні сесії, вплетені у робочий процес.

> **Definition:** Навчання «плече-на-pleче» — це метод, коли чемпіон сидить разом з колегою під час реальної роботи, вирішуючи завдання з використанням AI, а не в аудиторії.

### Як Atos уникнув «падіння в пілот»?
Вони не починали з обов’язкових заходів для всіх. Замість цього виявили 300 ранніх адоптерів по відділах, які добровісно захотіли вивчити інструменти AI. Це не були фахівці IT — це були аналітики, менеджерів проєктів та лідерів операцій, які шукали способи скоротити час на рутинну роботу.

Кожен чемпіон отримував базове навчання, а потім отримував завдання навчати 15–20 колег, використовуючи реальні завдання з їхньої черги. Без слайдів. Без LMS. Тільки спільний екран у Teams під час обробки рахунків, написання звітів або сортування підтримки.

> **Tool tip (Course for Business):** Підхід «Augment, don't replace» означає, що чемпіони не навчають AI як заміну людського суду — вони показують, як AI може виконати перший чернеть, збирання даних або підсумок, залишаючи результат за людиною. Дивіться, як це працює у живих тренінгах команд.

### Чому модель «плече-на-pleче» прив’єклася?
Навчання відбувалося в контексті. Фінансовий чемпіон не навчав «як користуватися AI» — він показував, як використовувати AI для звірки випички постачальника *сьогодні*. Продажовий чемпіон не демонстрував теорію промптів — він використовував AI, щоб написати три листа з пропозицією *до обіду*.

Це створювало миттєву релевантність. Працівники бачили економію часу на завданнях, яких вони ненавидили. Чемпіони не сприймалися як тренери — це були колеги, які просто стали краще у своїй роботі.

### Менеджерський скан (приклад зведення за 2 хвилини)
- Чемпіони повідомляють: «Я допомог Марії скоротити час на тижневий звіт з 3 годин до 45 хвилин».
- Команди, які використовують AI-чемпіонів, показують у 2–3 рази швидше прийняття, ніж при верхньовідомових впровадженнях.
- Поширення відбувається органічно: один чемпіон → 15 колег → 5 з них стають новими чемпіонами.
- Не збільшується кількість годин формального навчання — навчання відбувається в потоці роботи.
- Менеджери бачать менше запитів типу «Я не розумію» і більше «Покажи, як ти це зробив?».
- Прірв між планом (використання AI) та фактом (фактичне використання) зменшується, коли колега навчає колегу.

### Мікро-кейс (що змінюється через 7–14 днів)
Середньовага логистична компанія розпочала з 25 AI-чемпіонів у складі, плануванні та обслуговуванні клієнтів. Через два тижні ті чемпиони неформально навчили 320 колег. У планувальному відділі спостерігалося зниження ручної звертки електронних таблиць на 40%. Оператори служби підтримки почали використовувати AI для написання першого варіанту відповідей на типовые запити — не для заміни суду, а щоб уникнути «blank page». Операційний директор не вимагав використання — він просто просив чемпіонів поділитися одним прикладом економії часу на щотижневій огляді операцій. Через місяць 800 працівників використовували AI в якомусь вигляді — не через наказ, а через те, що бачили, як це працює у когось подібного до них.

> **Примітка до цього кейсу:** Цей приклад ілюстративний — базується на типових патернах, які ми спостерігаємо у компаніях з 30–500 працівників, а не на одному конкретному клієнті. Конкретні числа — це округлені наближення типових діапазонів, а не гарантії.

## FAQ
**Як знайти правильних AI-чемпіонів?**
Шукайте волонтерів, які вже експериментують з інструментами AI — не найстарших, не найголосніших, а тих, хто спробував ChatGPT або Copilot, щоб скоротити время на особистому завданні.

**Чи повинні чемпіони бути технічними?**
Ні. Найкращі чемпіони — часто ті, хто трохи страждає від інструменту, бо саме це допомагає їм пояснювати простими словами, оскільки вони самі мусили розібратися.

**Що робити, якщо ніхто не хоче волонтерити?**
Почніть зі свого власного завдання. Якщо власник або керівник відділу покаже, як AI зберег йому час на реальному робочому потоці, інші звернуть увагу і спросять: «Як ти це зробив?»

**Чи повільніше це, ніж наймати тренера?**
На початковий етап — так. Але це швидше за ускладнення прийняття та значно дешевше у довгостроковій перспективі — немає зовнішніх витрат, а знання залишаються після відходу консультанта.

**Чи може ця модель працювати для AI-агентів, а не лише для Copilot або ChatGPT?**
Звичайно. Модель масштабована на будь-який інструмент — ключовий момент — це навчання через дію, у реальній роботі, з колегою, яка просто на крок впереди.

Якщо ви хочете, щоб ваша команда закінчила з працюючими автоматизаціями, які вони самі створили — забронюйте 30-хвилинний дзвінок, і ми розробимо ваші перші три завдання.

---

Цитуючи, посилайтесь на https://aiadvisoryboard.me/uk/blog/atos-300-licenses-scaled-to-15000-trained-the-bridge. Більше статей: https://aiadvisoryboard.me/uk/blog