Чему малый бизнес может научиться у AI-стратегии MUFG

MUFG, одна из крупнейших финансовых групп Японии, объявила в 2026 году о развёртывании ChatGPT Enterprise для примерно 35 000 сотрудников Mitsubishi UFJ Bank в рамках цели стать AI-нативной организацией. Компания сотрудничает с OpenAI с октября 2024 года, чтобы модернизировать финансовые операции с помощью генеративного AI.

Полный кейс MUFG опубликован на openai.com/index/mufg.

Масштабные AI-проекты такого рода заслуживают внимания — не для копирования масштаба, а чтобы перенять операционную дисциплину. MUFG выстраивает набор привычек, структур и культурных сдвигов, которые делают AI частью повседневной работы. Эти привычки одинаково хорошо работают в командах из пяти человек и в командах из 35 000 — если убрать институциональную обвязку.

Что значит быть AI-нативной организацией на практике

Это выражение используют вольно, но пример MUFG делает его конкретным. Тадаси Ямамото, Group CDTO компании, формулирует так: «Я убеждён, что AI коренным образом изменит природу финансов. Чтобы быстро внедрить AI в организацию, важно создать среду и культуру, в которой каждый сотрудник сможет использовать AI естественно».

Здесь три составляющих: среда (инструменты, доступ и средства контроля безопасности на месте), культура (люди понимают AI и готовы его использовать) и естественность использования (это не особая активность, а часть рабочего процесса). По словам Кохэи Симано, управляющего директора отдела AI и решений MUFG: «Препятствием была не сама технология. Препятствие находилось внутри организации. Люди не знали, как ею пользоваться и что им разрешено с ней делать».

Это решаемая проблема для команды любого размера.

Что MUFG делала и что могут повторить небольшие команды

Несколько элементов подхода MUFG напрямую применимы в малых организациях:

Обязательное обучение до получения доступа. Каждый сотрудник, получивший аккаунт ChatGPT Enterprise, должен был пройти e-learning перед началом работы. Охват обучения составил 100%. Для небольших команд эквивалент — 30-минутный вводный разговор, в котором объясняется назначение инструмента, политика в отношении данных и какие виды вывода требуют проверки человеком перед использованием.

Назначение AI-чемпионов на уровне отделов. Вместо того чтобы полагаться на центральную команду для продвижения AI, MUFG разместила AI-чемпионов в каждом отделе. Это люди, которые поощряют коллег экспериментировать с AI и помогают расширять его использование изнутри команды. В команде из 10 человек один человек, берущий на себя ответственность за распространение полезных практик, создаёт ту же динамику.

Создание кастомных GPT для конкретных задач. Сотрудники создали более 1800 кастомных GPT за четыре месяца, адаптированных к задачам конкретных отделов. MUFG называет их «AI-банкирами». Они помогают сотрудникам сосредоточиться на работе, требующей человеческого суждения и взаимодействия с клиентами. Для небольших команд это означает создание конкретных многоразовых промптов или шаблонов для повторяющихся задач: еженедельные отчёты о статусе, письма клиентам, краткие сводки исследований, контрольные списки для проверки данных.

Консервативная оценка первых результатов. Организация сообщила о снижении нагрузки на 20–30% при выполнении конкретных исследовательских задач — таких как отслеживание AI-трендов и подготовка обновлений для руководства. Это ранние показатели по выбранным направлениям, а не общие утверждения о производительности. Это честный способ сообщать о влиянии AI: выбрать конкретную задачу, измерить время до и после, и сообщать точно, не делая широких заявлений о продуктивности.

Практический аудит рабочих процессов для небольших команд

Прежде чем систематически внедрять AI-инструменты, составьте карту мест, где они реально могут помочь. Для каждой повторяющейся задачи в вашем рабочем процессе спросите:

• Частота: Как часто встречается эта задача?
• Чувствительность: Задача связана с персональными данными, регулируемой информацией, конфиденциальными материалами клиентов или финансово-правовыми решениями?
• Цена ошибки: Каковы последствия, если вывод AI окажется неверным и не будет проверен?
• Простота проверки: Насколько легко человеку верифицировать вывод AI?
• Временные затраты: Сколько времени сейчас занимает эта задача?

Начинайте с высокочастотных, малочувствительных задач, которые легко проверить. Хорошие кандидаты: краткие записи встреч, первые черновики, генерация контрольных списков, сводки исследований, Q&A по базе знаний на основе согласованных внутренних документов, сборка отчётов о статусе.

Не начинайте с юридических, медицинских, финансовых, кадровых, комплаенс-задач или решений, касающихся клиентов — если только у вас нет надлежащих контрольных механизмов проверки и соответствующей экспертизы.

Уровень governance, который масштабируется на любую команду

Развёртывание AI в MUFG формировалось строгими требованиями к безопасности и управлению — это банк. Ваши требования могут отличаться, но базовая структура применима:

• Доступ: Кто может использовать какие AI-инструменты и в каких целях?
• Обработка данных: Какую информацию можно и нельзя передавать во внешние AI-системы?
• Одобренные инструменты: Какие инструменты санкционированы для использования командой?
• Правила проверки: Какие виды вывода AI требуют проверки человеком перед использованием?
• Журнал аудита: Ведётся ли какая-либо запись о том, как AI использовался при важных решениях или в документах?
• Раскрытие информации клиентам: В каких случаях использование AI в клиентской работе требует раскрытия?

Для индивидуального работника или небольшой команды это может уместиться на одной странице. Цель — не бюрократия, а предотвращение небрежного внедрения, которое создаёт проблемы в будущем.

Как измерить, работает ли это

Пример MUFG подсказывает: измеряйте на уровне задачи, а не на уровне всей организации. Перед пилотированием конкретного AI-рабочего процесса установите базовый уровень: сколько времени сейчас занимает эта задача, как часто требуется доработка и как выглядит «хороший результат»? Через две-четыре недели сравните.

Успешный AI-рабочий процесс сокращает время цикла или улучшает стабильность результата без создания скрытой нагрузки на проверку. Если вывод AI требует больше времени на исправление, чем задача сэкономила, рабочий процесс ещё не работает — либо промпт нужно доработать, либо сценарий использования плохо подходит, либо процесс проверки требует корректировки.

Главный урок подхода MUFG: цель — не стать AI-нативной организацией ради ярлыка. Цель — выработать привычку задавать вопрос «где в этом рабочем процессе может помочь AI?» и затем достаточно аккуратно проверять это, чтобы знать, действительно ли он помогает.