Мышление атлета для digital и AI-трансформации: почему это работает в бизнесе

За последние пару лет «ставки» в цифровой трансформации резко выросли: компании одновременно сталкиваются с классической цифровизацией, практическим внедрением AI, взрывным ростом генеративного AI и быстрым появлением агентного AI. Это сильно повышает ожидания бизнеса, но не гарантирует результатов. На этом фоне особенно ценны прикладные подходы, которые помогают не просто запустить инициативы, а довести их до устойчивого эффекта.

В недавней статье McKinsey&Company “The athlete’s mindset for digital and AI transformation” авторы предлагают смотреть на ИИ-трансформацию через метафору профессионального спорта не ради красоты сравнения, а потому что у топ-атлетов есть редкая компетенция: показывать высокий результат долго и стабильно, улучшаясь со временем. А достигается это не «разовым рывком», а дисциплиной тренировочного процесса — в частности, принципами интервальных тренировок, где интенсивные отрезки чередуются с паузами для восстановления, анализа и корректировок. Перенося это на бизнес, компания получает понятную логику: амбициозные цели + качественная подготовка + регулярное исполнение с балансом скорости и устойчивости.

Ниже предлагаем саммари статьи.

Подумайте о карьере выдающегося атлета. Он выступает на самом высоком уровне. В отличие от «спортсменов одного сезона», он со временем становится лучше. Он сосредоточен на цели — и способен поддерживать это улучшение.

Что делает это возможным? Тренировки, особенно интервальные, где интенсивные «спринты» чередуются со стратегическим отдыхом для достижения пиковой формы.

Некоторые компании сейчас опираются на принципы интервальных тренировок, пытаясь развернуть многолетний тренд неудачных трансформаций. Исследования, начиная с 1990-х, снова и снова показывают, что успешными оказываются лишь около 30% трансформаций — если под успехом понимать одновременное улучшение операционных показателей и способность удерживать улучшения со временем. В 2023 году наше исследование Rewired показало, что 90% организаций проходили через цифровую трансформацию, но эти усилия дали меньше трети запланированного эффекта.

Появление генеративного AI усилило давление. Потенциал огромен — и амбиции лидеров цифровых трансформаций взлетели. Но успех по-прежнему дается тяжело. Опрос State of AI показал: хотя почти девять из десяти компаний используют генеративный AI хотя бы в одной функции, только 7% говорят, что полностью масштабировали AI на уровне всей компании. Более 60% респондентов сообщают, что все еще ждут, когда AI даст существенный эффект на EBIT организации, а большинство остальных оценивают эффект как менее 5%.

И здесь-то и появляется «мышление атлета». Для некоторых бизнес-лидеров взгляд на компанию через эту призму помог добиться прорывов, которые раньше казались невозможными. Они следуют трем ключевым принципам:

1. Определить четкие цели и метрики так же, как атлет задает для себя целевые спортивные показатели. Прозрачные измеримые цели, привязанные к основным целям трансформации, удерживают фокус всех на одном результате. Это особенно важно в AI-трансформациях, где сложность и новизна технологии повышают неопределенность.
2. Готовиться и планировать с правильными экспертами, как атлет следует тренировочному плану. Лидеры тщательно планируют путь трансформации: не только вехи и ресурсы, но и потенциальные препятствия. Ясность относительно ожидаемых сложностей дает дополнительную гибкость — чтобы компенсировать потерю темпа из-за неизбежных проблем.
3. Реализовывать, сохраняя баланс и последовательность. Баланс между быстрыми продвижениями и стратегическими паузами для рефлексии и корректировок помогает обеспечивать устойчивый прогресс. Это особенно важно в AI-проектах: технология быстро эволюционирует (в том числе из-за роста агентного AI), поэтому непрерывное обучение и адаптация становятся критичными для успеха.

Чтобы показать, как это работает, рассмотрим опыт энергетической компании, где новый руководитель ИТ столкнулся с острой необходимостью ускорить вывод изменений на рынок и повысить качество по SLA. Приняв «мышление атлета» и принципы интервальных тренировок, компания смогла приоритизировать 300 проектов, изменить то, как работают более 100 человек, и поднять уровень принятия технологий с 20% до 70%. Это ускорило инновации и вдвое сократило сроки разработки новых версий продуктов — чтобы соответствовать растущим ожиданиям клиентов.

Как топовому атлету нужна ясная цель тренировочного пути — сложная, вдохновляющая, мотивирующая на серьезные изменения, — так и организации нужна четкая цель цифровой трансформации, чтобы выйти из бесконечных списков AI-кейсов (у энергетической компании их было более 100), которые почти не дают результата.

Чтобы быть убедительной, цель должна переводиться в конкретные цели, решающие реальные проблемы, и подкрепляться дорожной картой прагматичных шагов по созданию новой ценности — и для пользователей, и для бизнеса. Наконец, трансформации нужны согласованные метрики, чтобы вся организация понимала, есть ли прогресс.

В рамках «AI-перезапуска» компания сформировала цели трансформации, выявив самые важные болевые точки, которые затрагивали и ИТ-функцию, и бизнес на всех уровнях — от топ-менеджмента до фронт-линии. Критичными оказались три проблемы:

• медленная, фрагментированная коммуникация между технологическими и бизнес-командами
• устойчивые «силосы» внутри ИТ-функции, мешающие сотрудничеству и инновациям
• устаревшая ИТ-экосистема с высоким уровнем технического долга, замедляющая цикл разработки и time-to-market

Чтобы начать решать эти задачи, лидеры запустили методичный, итеративный процесс тестирования четырех возможных организационных моделей.

Архетипы операционной модели ИТ

Ориентированная на домен (Domain led)
Кросс-функциональные команды (включая роли в аналитике и разработчиков), закрепленные за 1 бизнес-доменом.
Пример: европейский банк, организованный вокруг основных внутренних клиентов.

Ориентированная на продукт (Product led)
Кросс-функциональные команды (включая роли в аналитике и разработчиков), закрепленные за 1 продуктом.
Пример: технологическая компания, организованная по продуктам для разных клиентов (например, поиск, продуктивность, AI).

Ориентированная на компонент или сервис (Component or service led)
Функциональные команды, выстроенные по слоям возможностей (capability layers): люди и команды выровнены по технологиям, и каждый слой возможностей предоставляет конкретные компоненты для приложений.
Пример: африканский банк с компонентными командами, организованными по платформам (например, корпоративные банковские системы, омниканальные системы, потребительское кредитование).

Цифровая фабрика (Digital factory)
1 бизнес-направление со сквозными кросс-функциональными командами end-to-end, собственной культурой, agile-подходами к работе и новыми технологическими решениями.
Пример: гостиничная группа, организованная через цифровую фабрику, которая предоставляет автономные команды с четкими, но гибкими ролями.

Эти модели не были просто «выбором», который можно сделать один раз; они служили отправными точками для проектирования новой ИТ-организации. Команда ИТ-руководства (включая CIO и прямых подчиненных) последовательно рассматривала каждый архетип. Через совместную работу и обсуждения команда пыталась «примерить» существующую организацию к архетипам и понять, стоит ли переходить к тому или иному варианту и как он закрывает выявленные боли.

В итоге был выбран гибридный вариант: доменная структура, поддержанная цифровой фабрикой. Это позволяло ИТ ближе «отзеркаливать» бизнес — отдельные домены под ключевые направления и кросс-домен для общих сервисов. Фокус делался на скорости и отзывчивости, а не на внедрении множества новых технологий. Инновации предполагались постепенными, а цифровая фабрика работала как офис поставки (delivery office) для доменной модели: готовила дорожные карты, проводила исследования, обеспечивала качество данных и продвигала инновации.

Финальный шаг в постановке целей — договориться о показателях успеха, подтверждающих достижение цели трансформации. На раннем этапе лидеры сфокусировались на снижении time-to-market цифровых продуктов — это был самый «осязаемый» признак улучшения коммуникации и размывания силосов. Вторая метрика была про развитие возможностей: увеличить число сотрудников, обученных AI, чтобы вся организация могла эффективно использовать технологию. Третья метрика давала «реальное доказательство» изменения организации: рост принятия AI-решений по мере закрепления новых способов работы.

Без детальных и амбициозных тренировочных режимов олимпийские атлеты не достигли бы таких высот. Для компаний подготовка столь же критична. Согласно McKinsey Global Survey 2021 года, респонденты указывали, что в среднем почти четверть потери ценности происходит на этапе постановки целей, и еще четверть — на этапе планирования. Это подчеркивает важность тщательной подготовки: иначе полный потенциал трансформации окажется «урезан» еще до старта.

Это также означает вовлечение полноценной команды — как у элитных спортсменов, которые работают не только с тренерами и физиотерапевтами, но и с нутрициологами, специалистами по сну и даже data scientists. В энергетической компании лидеры выстроили «from-to» целевой операционной модели, вовлекая стейкхолдеров бизнеса и технологий на трех уровнях: руководители подразделений, менеджеры и операционные команды. Такой инклюзивный подход позволил интегрировать глубокую обратную связь, сохраняя стратегические принципы.

Далее, завершив дизайн целевой операционной модели, лидеры разработали комплексный план внедрения и управления изменениями. Система оценки приоритетов, разработанная с учетом контекста компании и значимости поставленных задач, помогла руководителям оценивать проекты на основе сложности их требований и потенциального эффекта, которого они могут достичь. 

Чтобы перейти от планирования к исполнению, компания собрала ключевых представителей бизнеса и ИТ для согласования взаимозависимостей и потребностей в ресурсах — как «День обязательств» (Commitment Day), на котором утверждалась финальная дорожная карта. В ходе интенсивных переговоров лидеры сняли с приоритета более четверти проектов первой волны, чтобы сфокусировать усилия и ресурсы на наиболее критичных инициативах.

Дисциплина — фундамент для атлетов на пути к пику формы; то же справедливо для организаций в сложной цифровой трансформации. Но дисциплина требует интервального подхода — баланса между интенсивной работой и достаточным восстановлением. В бизнес-терминах это может означать баланс между инновациями и операционной устойчивостью. В энергетической компании это означало: поставлять самые приоритетные инициативы трансформации, одновременно укрепляя долгосрочную стабильность через развитие AI-возможностей и «погашение» накопленного технического долга (издержек и неэффективности, которые накапливаются из-за многолетних «срезаний углов» в разработке и архитектуре).

Как удержать критические проекты в траектории
Соглашение Commitment Day выделило два крупных инновационных проекта, но оба столкнулись с проблемами. Один буксовал из-за слабого вовлечения внешних разработчиков и разрозненных (несовместимых) инструментов для бэклога, второй — из-за противоречивых ожиданий по срокам и качеству, просевших практик ежедневного управления и падения мотивации.

Руководители вмешались точечно и системно: провели наблюдения (участвовали во всех ежедневных встречах), сделали 1:1 интервью, договорились о принципиальных моментах и настроили мотивацию, провели короткие воркшопы по конкретным проблемам (инциденты/баги, коммуникации, документация). Три воркшопа по эффективности выровняли команду вокруг единых факторов успеха и соответствующих KPI — например, «коэффициента предсказуемости» (predictability rate), измеряющего стабильность выполнения производственных обязательств. Менее чем за три месяца метрика выросла с 67% до 93%, а шесть других KPI, которые команда приняла, показали сопоставимые улучшения.

Многолетние исследования McKinsey об организационном здоровье показывают: немногие организации считают, что обладают нужными возможностями. В качестве значимых препятствий чаще всего называют нехватку времени, поддержки лидерства и ресурсов на обучение. Чтобы решить все три проблемы, компания спроектировала кастомные обучающие траектории по AI под каждую роль: от базовой грамотности (понимание сильных и слабых сторон AI, навыки написания промптов) до продвинутых навыков для функциональных практиков — создания новых кейсов и лидерства во внедрении AI-проектов.

Уровень 1 — ограниченная компетентность
(ограниченное использование базовых AI-инструментов; достаточно знаний, чтобы применять AI ответственно)

• Руководители: понимать, что такое AI, что он может, и как связан с данными.
• Менеджеры: составлять эффективные промпты и критически оценивать ответы.
• Все сотрудники: понимать риски, ответственность и этические аспекты использования AI.

Уровень 2 — уверенный пользователь (general practitioner)
(умелое использование стандартизированных AI-инструментов в ежедневной работе)

• Руководители: использовать AI для аналитических задач; находить и поддерживать возможности AI для бизнеса (функциональные или общеорганизационные).
• Менеджеры: формировать и внедрять планы действий для возможностей AI, определенных экспертами; предвосхищать потребность в найме и навыках, связанных с AI.
• Все сотрудники: эффективно использовать корпоративные AI-инструменты в своей функции; понимать ландшафт AI (инструменты, возможности) и как применять AI в бизнесе.
• Бизнес-эксперты: понимать модели AI, их применение и развертывание; определять AI-кейсы и стратегии промптинга; поддерживать принятие AI-инструментов и качество данных.

Уровень 3 — функциональный практик (functional practitioner)
(продвинутое использование кастомных AI-инструментов в ежедневной работе)

• Эксперт-лидер: выступать спонсором бизнес-возможностей AI.
• Эксперт-менеджер: руководить внедрением AI-проекта.
• Практические навыки: создавать новые AI-кейсы; применять продвинутые практики промптинга; понимать продвинутые риски и этику, связанные с AI.

Энергетическая компания использовала простой двухшаговый подход к техническому долгу. Сначала кросс-функциональные команды провели аудит архитектуры на уровне предприятия, чтобы выявить легаси-системы и устаревшие процессы. Команды отразили зависимости и взаимодействия по всему цифровому ландшафту — и обнаружили запутанную сеть обязательств, которая больше не поддерживала траекторию роста компании.

Затем лидеры определили дорожную карту «погашения» техдолга, подкрепленную детальным дашбордом мониторинга прогресса. На основе аудита компания начала выводить из эксплуатации устаревшие системы, перераспределяя ресурсы на более критичные направления. Она упростила процессы, чтобы привести их к актуальным бизнес-целям, снизив сложность и зависимости в ИТ-ландшафте. Уже за первые четыре месяца меры по техдолгу снизили операционные неэффективности в компании на 10%, высвободив еще больше ресурсов для проектов роста.

Подобно топовым атлетам, организации, стремящиеся преуспеть в цифровой трансформации, должны сочетать структурированные цели, тщательное планирование и дисциплинированное исполнение с периодическими корректировками. Приняв «мышление атлета», энергетическая компания преодолела множество вызовов цифровой трансформации, обеспечив, что ее путь не только соответствовал, но и превзошел амбициозные ориентиры по результативности. Рассматривая цифровое движение как интервальную тренировку, компания эффективно управляла ресурсами, сохраняла импульс и использовала возможности для дальнейшего роста и устойчивости.