Занятие 1. Роль Head of AI и модель управления AI-проектами

• Разграничение зон ответственности Head of AI, CIO, CTO и CDO в организационной структуре компании.
• Построение цикла управления AI-инициативой по подходу Lean вместо классического проектного подхода.
• Формирование регламента допустимой ошибки и критериев остановки эксперимента до вложения ресурсов в разработку.

Результат: Понимание зоны ответственности Head of AI, владение Lean-циклом MVP/PoC для управления AI-инициативами и наличие сформированного регламента допустимой ошибки для команды.

Занятие 2. Аудит процессов компании и приоритизация AI-инициатив

• Определение стратегических целей бизнеса (рост выручки, снижение издержек, удержание клиентов, скорость выхода на рынок) как самостоятельная точка отсчёта для отбора AI-инициатив.
• Декомпозиция бизнес-процессов компании на атомарные операции для выявления точек, пригодных для автоматизации.
• Приоритизация AI-задач с помощью матрицы Impact/Effort.
• Заполнение блоков «Проблема» и «Сегменты» в Lean Canvas на основе результатов аудита процессов и проблемных интервью.
• Проведение проблемных интервью с владельцами процессов для валидации реальных бизнес-потребностей.
• Формирование черновика технического задания для проекта.

Результат: Владение навыком приоритизации AI-задач на основе целей бизнеса, наличие провалидированной бизнес-задачи, заполненных блоков Lean Canvas и черновика технического задания.

Занятие 3. Технологический минимум: классы моделей и модели поставки решений

• Оценка качества, структуры и готовности корпоративных данных к интеграции с AI.
• Сравнение классов моделей (Narrow AI, генеративные модели, RAG-системы) по применимости к типовым бизнес-задачам.
• Разница в рисках между классическим ML и генеративными моделями: галлюцинации, использование защищённого контента.
• Выбор между готовым SaaS-сервисом и решением во внутреннем контуре на основе 4 критериев: контроль данных, скорость внедрения, совокупная стоимость владения и сложность поддержки.
• Практика оценки промптов для проверки качества работы команды и внешних подрядчиков.

Результат: Понимание классов моделей и рисков генеративного AI, навык определения оптимального формата развертывания AI-системы и оценки качества промптов при проверке работы команды и подрядчиков.

Занятие 4. Архитектура AI-решения, выбор технологии и расчет инфраструктуры

• Проектирование архитектурной карты AI-проекта: Входные данные → Модель → Интерфейс → Человек-куратор.
• Выбор конкретного типа решения — SaaS, open-source или кастомная разработка — под бизнес-задачу, выявленную на занятии 2.
• Ориентировочная оценка затрат: стоимость токенов при SaaS-модели, затраты на серверные мощности (GPU) и поддержку при локальном развёртывании.
• Дополнение технического задания архитектурой решения и выбранной технологией.

Результат: Навык формулирования архитектурной карты проекта, обоснованного выбора типа решения (SaaS / open-source / кастом) и оценки затрат на инфраструктуру.

Занятие 5. Управление рисками и комплаенс AI-инициатив

• Оценка и классификация AI-инициатив по уровню критичности с помощью матрицы рисков (на основе фреймворков ISO 42001 и NIST AI RMF).
• Сопоставление AI-проекта с требованиями Закона Республики Беларусь (№ 99-З «О защите персональных данных» и Закона № 16-З «О коммерческой тайне»); обзор статуса разработки профильного законодательства об ИИ в республике.
• Чек-лист проверки проекта на риски нарушения авторских прав и использования защищённого контента при работе с генеративными моделями.

Результат: Навык классификации проекта по уровню риска и оценки его соответствия требованиям законодательства РБ и защиты интеллектуальной собственности.

Занятие 6. Измерение экономического эффекта AI-проекта

• Проектирование системы KPI для AI-инициативы: сокращение трудозатрат, снижение количества ручных операций, изменение скорости процесса.
• Расчет планового ROI проекта.
• Выявление типовых ошибок измерения эффекта: расчёт только в денежном выражении, игнорирование скрытой стоимости технической поддержки.
• Финальное заполнение Lean Canvas своего проекта.

Результат: Сформированная система KPI, расчёт планового ROI и полностью собранный Lean Canvas своего AI-проекта.

Занятие 7. Управление внедрением и информационная безопасность

• Разработка плана внедрения AI-решения с учётом сопротивления сотрудников изменениям.
• Изучение понятия «амбассадор AI-инициатив» как инструмента масштабирования внедрения в компании.
• Финальная доработка ТЗ проекта с учётом требований информационной безопасности.

Результат: План внедрения решения с учётом сопротивления сотрудников изменениям и финально доработанное техническое задание проекта.

Занятие 8. Проверка и подготовка к защите проекта

• Перекрёстная проверка соответствия проектов бизнес-логике, наличия паспорта модели, корректности классификации рисков и целостности Lean Canvas.
• Регламент защиты проекта: тайминг, работа с вниманием аудитории, визуализация ключевых цифр.
• Формирование структуры презентации проекта: постановка задачи, архитектура решения, расчёт экономического эффекта, управление рисками.
• Отработка ответов на вопросы и возражения при защите AI-проекта.

Результат: Проект, прошедший проверку коллег, и готовая структура презентации для защиты.

Занятие 9. Финал: защита проектов

Слушатели представляют разработанные в течение курса AI-проекты — с обоснованием бизнес-задачи, архитектурой решения, расчётом экономического эффекта и планом управления рисками.