AI не меняет культуру. Он делает её громче

Я попробовал наложить спиральную динамику на AI-внедрение, а потом посмотрел через эту линзу на DEPTH Sprint — идею, которую прислал мне Александр. Фильм Петрусинского добавил ещё один слой: когда инструменты дешевеют, главным результатом обучения становится изменение качеств команды.

Один и тот же AI в одной компании становится дубинкой контроля, в другой — машиной оптимизации, в третьей — частью адаптивной системы.

Проблема редко в модели. Чаще — в том, какую логику работы компания пытается через неё усилить. Это моя рабочая рамка, а не доказанная шкала AI-зрелости.

Спираль — не про людей разных цветов

Спиральная динамика выросла из теории «уровней существования» психолога Клэра Грейвза. Он описывал открытый процесс: условия жизни меняются, старый способ справляться перестаёт работать, возникает более сложная система мышления. Позже Дон Бек и Крис Коуэн упаковали эти системы в цветовую модель.

Самое полезное здесь — не цвета. Полезна связка: условия снаружи ↔ способ принимать решения внутри. Компания не «становится жёлтой навсегда». В кризисе она может действовать из силы, в комплаенсе — из порядка, в продажах — из результата, в продуктовой команде — из совместного поиска.

Даже официальные материалы Spiral Dynamics предупреждают против упрощённой цветовой типологии. Модель трудно измерять; её опасно превращать в личностный тест или иерархию «хороших» и «плохих» людей.

AI усиливает то, как компания уже умеет думать

Красная логика даст самому сильному человеку ещё больше скорости: личные агенты, неформальные базы, решения «сейчас». Синяя превратит AI в утверждённый инструмент с политиками, шаблонами и аудитом. Оранжевая спросит, какую метрику он улучшает. Зелёная будет дольше обсуждать правила участия и доверие. Жёлтая соединит контекст, агентов, права, человека и обратную связь в одну архитектуру.

Ни один режим не плох сам по себе. Для обработки персональных данных синий порядок полезнее романтики самоорганизации. Для раннего R&D оранжевый эксперимент полезнее годового регламента. Ошибка — поставить инструмент из одного мира в организацию, которая живёт по другой логике, и ждать автоматического перехода.

NIST описывает AI как социотехническую систему: контекст использования, роли, человеческий контроль и обратная связь — часть самого решения. Это хорошо стыкуется с идеей Грейвза: инструмент нельзя отделить от условий, в которых им пользуются.

DEPTH Sprint попадает в реальный дефицит: AI строит быстрее, чем команда понимает

По питчу DEPTH Sprint за 1–2 дня проводит команду от предметного незнания к первому AI-прототипу. Механика: карта предмета → воспроизведение человеком → применение → AI-артефакт → красная команда → отсроченная проверка через 7–14 дней.

Мне здесь нравится одна жёсткая мысль: AI нельзя подключать в нулевой момент. Сначала человек должен объяснить предмет другому человеку. И только потом команда просит модель что-то собрать. Это защищает от красивого прототипа, который никто внутри не способен проверить.

В книге В. В. Петрусинского 1987 года действительно описаны уровни готовности, узнавания, воспроизведения, применения, творчества и закрепления. Но перенос этой методики в корпоративную AI-разработку — пока продуктовая гипотеза, а не подтверждённая причинная связь.

Производство дешевеет. Способность выбирать — нет

После фильма акцент у меня сместился. Петрусинский пытался ускорить не только передачу информации. Он проектировал переход человека в другое рабочее состояние: больше объём, меньше страха перед сложностью, быстрее ориентация, совместное мышление, затем критический выбор и воплощение.

Сегодня техническая часть этой истории стала ещё острее. AI быстро собирает тексты, исследования, код, прототипы и десятки вариантов решения. Стоимость отдельного действия падает. Но дешёвое действие не равно хорошему решению. Чем больше вариантов производит машина, тем дороже становятся качества, которые помогают команде понять предмет, удержать внимание, договориться, выбрать и взять ответственность.

Из фильма я бы взял насыщенную информационную среду, управляемую нагрузку, постоянную обратную связь и реальную производственную задачу. В творческом эксперименте участники сначала генерируют идеи без ранней критики, затем выбирают реализуемые и переводят их в конструкции. Отдельно звучат коллективное мышление, критика товарищей, воля и самостоятельное продолжение обучения.

При этом заявления про «загрузку подсознания», сверхзапоминание, беспредельную работоспособность и обход логических барьеров нельзя брать как доказанный механизм. В современной версии критическое мышление не выключается. Оно включается в правильный момент: после расширения поля вариантов и до прототипа.

Что меняется у команды: навигация в плотной информации, саморегуляция под нагрузкой, объяснение без AI, коллективная генерация, критическое суждение и самостоятельный повтор.

Что делает AI: собирает корпус, создаёт варианты, играет оппонента, ускоряет прототип. Не подменяет понимание и решение.

Проверять качества нужно поведением. Сколько времени понадобилось до первой карты? Может ли участник объяснить её без AI? Какие ошибки нашла красная команда? Может ли группа повторить процесс без фасилитатора через 7–14 дней? Если меняются только самооценка и число промтов, трансформации не произошло.

Сильный сервис. Пока ещё не движок

Что уже работает в идее:

• есть дорогая проблема: недели блуждания в новой предметной области;
• выход — не сертификат, а артефакт и следующий эксперимент;
• формат короткий: руководителю проще купить два дня, чем новую академию;
• отсроченная проверка отличает обучение от «понравилось на воркшопе».

Что нужно доказать:

• кто платит первым: product, operations, R&D или L&D;
• что считается пригодным артефактом;
• сколько времени реально экономит спринт;
• можно ли повторить результат без автора метода.

White-label движок пока рано строить. До трёх похожих платных кейсов нет стабильного ядра, которое можно превращать в платформу.

Главный риск — сама категория. «Интенсивное обучение для AI-команд» звучит мягче, чем проблема. Покупатель хочет не обучить команду. Он хочет принять решение и дойти до теста без месяца дорогих обсуждений.

Цены 150 / 300 / 600 тыс. ₽, пороги завершения, пригодности артефакта и повторной оплаты в презентации прямо названы тестовыми. Их нельзя использовать как доказанную экономику. Для первого цикла я бы выбрал один пакет, одну вертикаль и одно определение результата — иначе мы тестируем всё сразу.

Не продавать цвета. Настраивать переход

Спиральная динамика может стать диагностическим слоем перед DEPTH Sprint. Не «ваша команда синяя», а четыре вопроса:

1. Что изменилось в условиях и почему старый способ перестал работать?
2. Как сейчас принимается решение: силой, правилом, метрикой, согласием или системной рамкой?
3. Какой способ нужен именно этой задаче?
4. Какой AI-артефакт поможет сделать переход наблюдаемым?

Тогда один и тот же спринт собирается по-разному. Синей среде нужен утверждённый корпус, политика и протокол проверки. Оранжевой — baseline, метрика и быстрый A/B-тест. Зелёной — участие пользователей и карта опасений. Жёлтой — архитектура агентов, прав, памяти и обратной связи.

Первый покупатель — не тот, кто отвечает за обучение

Лучший первый спонсор — владелец продукта или операции, у которого уже застряла конкретная AI-инициатива. L&D может помочь с бюджетом, фасилитацией и масштабированием. Но если у спринта нет бизнес-владельца, он почти неизбежно превращается в ещё один образовательный формат.

• Product / R&D: новая предметная область, требования размыты, команда уже пробовала собрать прототип и спорит о том, что считать правильным.
• Operations: процесс держится на неформальном знании опытного сотрудника. Нужно превратить его в контекст, SOP и AI-помощника для исключений.
• Commercial: есть звонки, переписка, критерии качества и владелец воронки. Можно собрать ассистента разбора и проверить на закрытом корпусе.

Продавать один управленческий переход

До спринта: вопрос, владелец, baseline, безопасный корпус, критерий артефакта.

День 1: карта предмета, пробелы, объяснение в паре, тест понимания.

День 2: применение, AI-прототип, красная команда, решение о следующем тесте.

День 10: что осталось в голове, что изменилось в работе, что компания оплачивает дальше.

Название для закупки: «Context-to-Prototype Sprint» или «AI Decision Sprint». DEPTH можно оставить брендом. На первой встрече говорить не о методике 1980-х, а о цене неопределённости: сколько недель и внимания руководителя уходит до первого проверяемого решения.

Артефакты: карта предмета, пакет источников, критерии ответа, прототип, журнал ошибок, решение go / change / stop. Они нужны не ради красивого отчёта. Это след, по которому закупщик и бизнес-владелец могут проверить, за что заплатили.

Метрики пилота: время от вопроса до первого теста; доля артефакта, принятая бизнес-владельцем; ошибки на красной команде; воспроизведение ключевых решений через 7–14 дней; принятое следующее решение. Не надо обещать ROI до baseline.

Заходить через застрявшую инициативу

Не «проведём инновационный воркшоп по AI». Это сообщение никто не обязан отличать от сотни других. Нужен узнаваемый симптом и маленький следующий шаг.

Бизнес-владельцу. [Имя], вижу, что вы запускаете [AI-инициатива]. Частая проблема на этом этапе: команда уже может быстро собрать прототип, но недели уходят на спор о предметной логике и критериях ответа. Мы тестируем двухдневный формат: собираем карту предмета, проверяем понимание без AI, затем делаем один прототип и красную команду. Если у вас есть застрявший вопрос, предлагаю 25 минут на диагностику. Без презентации платформы — разберём, подходит ли задача под пилот.

L&D / корпоративному университету. [Имя], хочу предложить не общий курс по AI, а формат на реальной задаче бизнес-функции. За два дня команда проходит путь от незнакомого предметного контекста до проверяемого AI-артефакта; через 7–14 дней мы отдельно проверяем, что осталось и какое решение принято. Ищу одну функцию и одного бизнес-владельца для пилота. Если у вас есть программа, где обучение должно закончиться рабочим результатом, покажу дизайн на одном экране.

Интегратору. [Имя], у интеграционных проектов часто есть участок до разработки: заказчик ещё не собрал общий язык и не может зафиксировать критерии прототипа. DEPTH Sprint закрывает этот участок за 1–2 дня и отдаёт команде карту контекста, критерии, первый AI-артефакт и список рисков. Ищу один совместный кейс, где вы отвечаете за технологический контур, а мы — за переход от предметной неопределённости к тесту.

Три платных пилота. Одна вертикаль. Никакой платформы

Я бы начал с операций или коммерческой функции, где уже есть закрытый корпус данных и понятный владелец решения. Не с «культуры AI», не с HR-скоринга, не с трансформации компании.

1. Провести 10 интервью с product / operations / L&D: найти конкретные застрявшие AI-инициативы.
2. Выбрать один повторяющийся вопрос и одно определение пригодного артефакта.
3. Продать три пилота по одной структуре; цену тестировать как гипотезу, не менять вместе с продуктом.
4. Сравнить baseline: сколько занимал путь до решения раньше и что произошло после спринта.
5. Только после повторяемости выделять методическое ядро и обсуждать white-label.

Источники и границы

• Факт питча: продукт, этапы, аудитория, цены и gate-метрики взяты из PDF «DEPTH Sprint investor pitch», присланного Александром 13.08.2026. Цены и пороги в самом питче обозначены как гипотезы.
• История модели: Clare W. Graves, Human Nature Prepares for a Momentous Leap, 1974.
• Границы интерпретации: Spiral Dynamics FAQ и FAQ о уровнях — против сведения модели к цветным типам личности.
• Метод Петрусинского: В. В. Петрусинский, «Автоматизированные системы интенсивного обучения», 1987; доступная цифровая копия.
• Фильм Петрусинского: локальная расшифровка «Фильм Петрусинского В В.txt». Тезисы о среде, обратной связи, коллективном мышлении и реальной производственной задаче использованы как исторический источник. Заявленные результаты и экономический эффект не подтверждены независимыми данными.
• AI как социотехническая система: NIST AI Risk Management Framework 1.0.
• Контекст рынка: Microsoft Work Trend Index 2025. Это исследование вендора; использовать как сигнал, не как нейтральное доказательство спроса.
• Моя интерпретация: наложение уровней на AI-режимы, модель трансформации качеств, корпоративная карта и рекомендации по GTM требуют CustDev и платных пилотов.