Ключевые моменты (15)
Зачем ИИ нужен в управлении школой
Алексей Трофимов — академический директор сети лингвистических центров Priorita: 7 собственных филиалов в Тюмени и ещё 8, открытых по франшизе в других городах России. Параллельно с управлением сетью он продолжает преподавать английский и организует конференцию для языковых школ Fifty Shades of ELT.
На эфире EduGrowth он сознательно ушёл от темы «как использовать ИИ на уроках» — этим, по его словам, участники уже занимаются сами. Разговор был про другое: как встроить ИИ в управление бизнесом, чтобы решения по деньгам, зарплатам и отсеву учеников перестали приниматься на глаз.
Правило первое: ИИ как фильтр для каждой идеи
Первое, что Трофимов внедрил в управлении, — привычку прогонять через ИИ вообще всё, что рождается в команде.
Важная оговорка: по его наблюдению, ИИ достраивает то, что уже есть у сильной команды: переводит сырую мысль в форму, которую можно обсуждать, и быстрее проверяет риски. Креатив при этом остаётся за людьми. Сотрудники перестают тратить время на черновики и ожидание оформления.
Отдельного «часа на ИИ» в расписании Трофимов принципиально не держит — по его опыту, инструмент работает лучше как фон: тихо и регулярно, без выделенного часа в расписании.
Кейс: повышение зарплат без кассового разрыва
Практический пример, который Трофимов разобрал подробно, — типичная для сети школ дилемма: нужно поднять зарплату сотрудникам, при этом экономика уже просела.
Прежде чем поднимать цены, в Priorita собрали вводные для ИИ: траектории роста и падения учеников по периодам, динамику оплат и сумм, влияние повышения цены на общий результат, аналитику по категориям цен и продажам продуктов. По словам Трофимова, он подключает ИИ в режиме агента к CRM-системе — тот сам находит данные внутри системы и анализирует их — без промежуточных скриншотов и пересказа на словах.
После сбора базы ИИ рассчитал общий зарплатный фонд, на который можно опираться, и риски повышения цен — с учётом желаемой выручки школы, платёжеспособности клиентов и денежного потока. Итог: с сентября часть учеников, платившая 590 ₽ за занятие, перешла на 790 ₽ — прибавка в 200 рублей, которую в реалиях российского рынка сложно назвать незаметной.
Отдельно ИИ пересчитал сценарии раннего бронирования — вместо режима «подождём — посмотрим» появилось понимание, сколько лидов нужно завести и какую конверсию сделать, чтобы компенсировать возможный отток при новой цене. Это же изменило подход к KPI администраторов: жёсткие цели по набору, которые раньше ставили «как получится», стали конкретными вилками и рамками. Похожая логика разобрана в уроке Академии про повышение цен и в разборе трёх моделей расчёта зарплаты педагогов.
Разрыв в зарплатах между опытными и молодыми учителями
При расчёте зарплатного фонда ИИ показал закономерность, которую в сети видели, но не формулировали как задачу: разрыв в доходах между «топовыми» и молодыми преподавателями. По итогам разбора в Priorita пересмотрели KPI и планы, обновили окладную логику и перешли от одной универсальной схемы по грейдам к более индивидуальным зарплатным предложениям.
Как ИИ находит риск отсева в CRM — «чирей»
Второй практический блок — оценка риска отсева, встроенная прямо в CRM. Формула собирает несколько признаков и подсвечивает их администратору по конкретному ученику: пропуски занятий, невовлечённость в дополнительные активности, отсутствие покупок доп. продуктов, задержки с ответами родителей, показатели успеваемости на гибридных уроках.
Внедрили формулу в этом году — и, по словам Трофимова, учителя удивляются: «вроде всё нормально, ребёнок ходит», а цифры уже показывают факторы риска, которые на ощущениях не считываются. Смежный разбор того же принципа с акцентом на ML-модель — в статье как CRM предсказывает отток учеников, а пошаговая методика — в уроке Академии про предсказание оттока.
Типология учеников: психотип лида в CRM
Вторую идею Трофимов описал короче, но она логически продолжает первую. Когда администратор общается с новым лидом, он отмечает в CRM набор болей и ценностей — состав зависит от продукта, за которым обратился человек. Дальше система подбирает лиду условный психотип с карточкой и названием — и, что важнее, подсказывает администратору, какие скрипты и касания отправить следом, чтобы именно этот тип клиента с большей вероятностью дошёл до покупки.
По оценке Трофимова, конверсии от такого подхода становятся прогнозируемее — просто потому, что действия администратора становятся адресными — под конкретный психотип клиента.
Доступы и модерация: где нужен человеческий контроль
Отдельно на эфире разобрали границы доверия ИИ. Первое правило Трофимова — сначала настроить доступ (например, к серверу или к CRM), и только после этого ждать от ИИ результата: без корректно выставленных полномочий агент не сможет ничего сделать сам.
Второе — живой пример того, почему инструкции от ИИ всё равно нужно вычитывать самому. Сотрудник попросил простую инструкцию и специально уточнил не «сочинять» лишнего — а в готовом тексте нашлась формулировка, которая человека задела. Вывод Трофимова: даже при хорошем доверии к модели ручная модерация текста, который уходит к живым людям, остаётся обязательным шагом.
Какими инструментами пользуется Трофимов
На вопросы участников про конкретные сервисы Трофимов ответил предметно — с плюсами и ограничениями каждого.
Отдельно обсудили частую жалобу на ИИ, который «подлизывается» и смягчает ответы вместо прямой опоры на расчёты. По наблюдению Трофимова, Claude в этом смысле работает более строго — но стиль ответа всё равно определяется тем, как сформулирован промт и какие ограничения заданы в настройках: если нужен «сухой по делу» тон без сглаживания, это стоит прописывать явно.
Из практических сценариев прозвучало ещё два: интеграция ботов (Telegram, ВКонтакте) с CRM через код, который можно собрать в режиме агента, и работа ИИ с сайтом школы — поиск опечаток, проверка технических параметров вроде schema.org, sitemap и robots.txt, базовая SEO-оптимизация без отдельного найма подрядчика. Смежные практики — в статьях про ИИ в языковой школе, 10 процессов для автоматизации и в интервью коллег про опыт работы с ChatGPT и про систематизацию и автоматизацию школы.
Что взять в работу
- Прогонять через ИИ любую идею руководителя и сотрудника — сразу, до обсуждения на планёрке.
- Перед повышением цен или зарплат собрать для ИИ полную базу: динамику учеников, оплат, категорий цен — вместо решения «на глаз».
- Формулу риска отсева можно встроить в CRM как коэффициент по ученику: пропуски, вовлечённость, доп. продукты, отклик родителей.
- Психотип лида в CRM — рабочая подсказка администратору: какие скрипты и касания использовать дальше.
- Доступ (к серверу, к CRM) настраивается заранее, до постановки задачи. Ручная модерация текста, который уходит клиентам, остаётся обязательной даже при высоком доверии к модели.