Принциры использования ИИ

Двенадцать основных принципов отличают компании, которые действительно переориентировались на использование ИИ, от своих конкурентов.

Компании, которые действительно внедряют инновации с помощью ИИ, делают нечто совершенно отличное от своих конкурентов: они разрабатывают и осмысливают возможности ИИ, которые преобразуют их продукты, услуги, основные бизнес-процессы и организационные системы.

Контрольный список для изменений и ориентир на пути к трансформации и созданию ценности.

1. Одних только технологий недостаточно для создания конкурентного преимущества; его создают устойчивые возможности. Кто же первыми выигрывает от внедрения ИИ? Те же компании, которые и раньше добивались успеха, развивая возможности, позволяющие эффективно использовать любые технологии. Мы называем их « перестроенными компаниями». Когда эти новые возможности создаются — а на их создание требуется время — компания ускоряет трансформацию своего бизнеса с помощью технологий и превосходит своих конкурентов. Возможности становятся конкурентным преимуществом.

Вы создаёте долгосрочные возможности для дальнейшего развития или просто предоставляете разовые решения?

2. Экономические рычаги — это ваши лучшие точки опоры. Любая бизнес-модель имеет несколько ключевых экономических рычагов, которые оказывают наибольшее влияние при улучшении с помощью ИИ. Например, в горнодобывающей промышленности ключевым экономическим рычагом является выход продукции и производительность процесса, и именно здесь Freeport-McMoRan добилась революционных результатов. В автомобильной промышленности ключевым рычагом является интеграция цепочки поставок, и именно здесь Toyota совершила свой прорыв в области ИИ. У большинства компаний есть длинный список вариантов использования. Успешные компании сосредотачиваются на достижении глубокой трансформации бизнеса в тех немногих областях, которые имеют стратегическое значение. Именно здесь они удваивают усилия по созданию систем ИИ.

Вы уделяли непропорционально большое внимание точкам экономического влияния в рамках своих усилий по внедрению ИИ?

3. Если создаваемая вами ценность не продвигает бизнес вперед, значит, вы делаете что-то не так. Мы изучили результаты деятельности 20 компаний из разных отраслей, доказавших свое лидерство в области ИИ. В среднем, их трансформация бизнеса с помощью технологий и ИИ привела к увеличению EBITDA на 20%, достижению точки безубыточности за один-два года и получению 3 долларов дополнительной EBITDA на каждый вложенный доллар. Эти компании сосредоточили свои усилия на одной-трех бизнес-областях, переосмыслив их с помощью ИИ. Это потребовало творческого подхода к решению проблем, скоординированного использования технологических и нетехнологических рычагов, маниакальной сосредоточенности на клиентах/пользователях и четкой ответственности за наиболее важные бизнес-показатели. Они сделали существенные, поэтапные инвестиции и продолжают совершенствоваться и оставаться впереди.

Приведёт ли ваш план трансформации бизнеса к кардинальным изменениям, или же успехи будут постепенными?

4. Развитие технологических и ИИ-компетенций руководителей высшего звена должно стать первоочередной задачей. У нас нет ни одной истории успеха, где руководители высшего звена не играли бы ведущую роль. ИТ-руководители, конечно, могут поддерживать трансформацию, но именно руководители бизнеса должны её инициировать. В ведущих компаниях они активно участвуют в формировании технологической повестки дня — от определения того, как бизнес будет переосмыслен с помощью технологий, до управления разработкой решений и обеспечения ценности для клиента. Эти руководители, обычно на один-три уровня ниже генерального директора, сочетают глубокие знания в предметной области бизнеса с технологическими, информационными и ИИ-навыками, что делает их грозными преобразователями бизнеса. Они разрабатывают концепции, создают и управляют системами ИИ, которые обеспечивают работу ключевых аспектов бизнеса.

Обладают ли ваши руководители высшего звена необходимыми техническими навыками и навыками работы с искусственным интеллектом?

5. Любая трансформация в сфере технологий и ИИ — это трансформация в сфере управления персоналом. Ведущие компании увеличивают свой потенциал и плотность технических специалистов, следуя так называемой «схеме 30–70»: более 70% специалистов должны быть штатными, более 70% из них должны быть инженерами-практиками, создающими отличные программные решения, и более 70% должны обладать более высоким уровнем квалификации (то есть, быть компетентными или экспертами). Это позволяет создавать небольшие, высококвалифицированные команды, которые превосходят по производительности большие армии менее квалифицированных сотрудников. В бизнесе руководители превращаются в владельцев предметной области и решений, несущих ответственность за результаты и руководящих кросс-функциональными гибкими командами. Ведущие компании в значительной степени завершили этот переход, что приводит к увеличению плотности талантов и значительному усилению ответственности за бизнес.

По мере того, как агенты ИИ берут на себя все больше задач по координации, выполнению и принятию рутинных решений, роль человека смещается вверх по иерархии ценностей. Инженеры тратят меньше времени на рутинные задачи по программированию и больше времени на проектирование архитектуры, рабочих процессов, ограничений и контроля качества. Руководители бизнеса и разработчики решений меньше сосредотачиваются на управлении задачами и больше — на постановке целей, определении показателей успеха и принятии компромиссных решений. В результате меньше людей выполняют высокоэффективную работу, но при этом повышается ответственность и ускоряется процесс обучения.

Достигли ли вы достаточного прогресса в трансформации вашей команды сотрудников?

6. Скорость — определяющее организационное преимущество. Компании участвуют в гонке инноваций с компаниями, имеющими доступ к тем же технологиям. Компании выигрывают эту гонку, когда их операционная модель быстрее перераспределяет ресурсы на важные возможности, позволяет командам действовать без чрезмерной зависимости и сокращает «задержку» от получения информации до принятия решения и от решения до действия. Скорость требует внедрения инженерных решений в области ИИ и других функциональных специалистов непосредственно в бизнес, максимального повторного использования технологий и данных через платформы, а также управления с четкими бизнес-результатами и устойчивым финансированием, привязанным к результатам, а не к проектам. Это значительно сокращает циклы. Без этого ни одна компания не сможет по-настоящему внедрять инновации с помощью технологий и ИИ в больших масштабах; они просто будут слишком медленными.

Что вы делаете для повышения скорости метаболизма в вашей организации?

7. Технологические платформы — это стратегические активы; инвестируйте в них именно так. Платформы определяют скорость выполнения задач компанией, снижают удельные издержки за счет повторного использования, предоставляют технологии и данные тем, кто в них нуждается, и позволяют ответственно масштабировать ИИ. Они обеспечивают стандартизированные, безопасные и совместно используемые технологические и информационные возможности, к которым могут получить доступ команды. Ведущие компании стратегически управляют своими платформами с помощью выделенных команд, дорожных карт, бюджета, целевых уровней обслуживания и пользователей, чьи потребности определяют развитие платформы. Для руководителя высшего звена понимание своей технической архитектуры, предоставляемых ею возможностей и того, как она обеспечивает конкурентное преимущество, сегодня так же важно для управления современной компанией, как и знание прибыли и убытков.

Воспринимаются ли платформы как стратегические активы и обсуждаются ли они в контексте их использования?

8. Сделайте данные легкодоступными и обогащайте их для получения преимуществ. Как заметил Дэвид Бейкер, лауреат Нобелевской премии по химии 2024 года, размышляя о недавних прорывах: «ИИ нужны огромные массивы высококачественных данных, чтобы быть полезным». Без хороших данных прорывы в области ИИ невозможны. Тем не менее, в большинстве организаций данные часто по-прежнему выступают в качестве ограничивающего фактора. Поэтому масштабирование ИИ начинается с превращения данных в продукт — обеспечения легкого поиска, доступа и использования данных во многих приложениях, работающих на основе ИИ. Это требует инвестиций в создание продуктов на основе данных. Со временем игра смещается в сторону обогащения данных, повышения их качества, контекста и уникальности для устойчивого повышения производительности с помощью ИИ. В организациях, использующих обновленные технологии , данные являются активом, принадлежащим бизнесу и обеспечивающим повышение производительности.

Ваши команды легко обрабатывают ваши данные, или им еще предстоит с ними разобраться?

9. Проектируйте с учетом внедрения и создавайте с учетом масштабируемости. Системы искусственного интеллекта создают ценность только тогда, когда их внедряют и масштабируют. Это может показаться очевидным, но остается одной из самых сложных задач. Внедрение часто терпит неудачу, потому что смежные процессы на предыдущих и последующих этапах остаются неизменными. Решение на основе ИИ может прогнозировать отказы оборудования за несколько дней, но если техническое обслуживание по-прежнему планируется по календарному графику, ничего не происходит.

Масштабирование — это другая, но не менее сложная задача. Быстрое и экономичное расширение применения решений на основе ИИ на разных рынках, заводах, в различных сегментах клиентов или продуктовых линейках требует модульной архитектуры решений и хорошо скоординированного взаимодействия между центральными командами и принимающими подразделениями. Эти аспекты, включая необходимые инвестиции и эксплуатационные расходы, должны быть учтены на начальном этапе, а не добавлены позже.

Ваша организация способна многократно внедрять и масштабировать ИИ, или она по-прежнему полагается на отдельные, героические поступки?

10. Нет доверия — нет права на внедрение ИИ. Когда системы ИИ дают сбой, они подрывают доверие клиентов, регулирующих органов, сотрудников, партнеров и общества в целом. Цифровое доверие растет, когда заинтересованные стороны уверены, что ваша организация защищает данные потребителей, внедряет эффективную кибербезопасность, предлагает надежные продукты и услуги на основе ИИ и обеспечивает прозрачность в отношении использования ИИ и данных. Проблемы только усугубляются с расширением использования агентных технологий, требующих гораздо больше времени на тестирование агентных систем и автоматизацию контроля рисков. Это быстро развивающаяся область, и ажиотаж вокруг агентного ИИ может опережать способность компаний управлять более сложными рисками, связанными с этой технологией.

Выдержат ли ваши внедрения ИИ проверку со стороны общественности, регулирующих органов и клиентов сегодня?

11. Следующей важной компетенцией становится разработка агентных систем. Базовые модели теперь способны к устойчивой автономной работе в течение длительных периодов времени, что позволяет создавать сложные агентные рабочие процессы. Нигде это не проявляется так ярко, как в разработке программного обеспечения, где рост производительности поразителен. Ведущие компании быстро осваивают разработку агентных систем. Они обрабатывают неструктурированные данные, расширяют свои платформы ИИ агентными возможностями, автоматизируют механизмы контроля и управления, а также быстро экспериментируют, чтобы кодифицировать работающие решения в повторяемый сценарий работы с агентными системами. Мы уже видели эту закономерность. Лидеры, перепрограммировавшие свои системы, постоянно быстрее осваивают новые технологии, потому что они создали для этого необходимые базовые возможности.

Станут ли агентные рабочие процессы вашим следующим инженерным преимуществом или же проблемой, с которой вам придётся наверстать упущенное?

12. Переучивайтесь так, как будто от этого зависит ваш бизнес. Одна из причин, почему нам нравится работать в этой сфере, заключается в ее постоянных изменениях. Срок жизни навыков сокращается по мере ускорения инноваций. Организации, которые учатся, разучиваются и переучиваются быстрее всего, имеют преимущество. Вовлечение вашей команды руководителей в процесс обучения — это самое важное, что может сделать генеральный директор для эффективного ускорения трансформации бизнеса с помощью ИИ. Как мы неоднократно отмечали, эти процессы имеют решающее значение для высшего руководства, чтобы достичь момента уверенности, когда становятся ясны как стратегические возможности, так и путь трансформации. В этот момент каждый руководитель высшего звена понимает свою роль, и трансформация действительно ускоряется.

Чтобы стать лидером, которого требует современная эпоха, необходимо постоянно учиться; достаточно ли вы лично вкладываете в это время?

Создание полного набора перестроенных возможностей — краеугольный камень любой успешной технологической и ИИ-трансформации. Компании могут ускорить процесс их разработки, но они не могут пропустить фундаментальную работу. Это подводит нас к идее накопления ценности по мере того, как возможности развиваются одна за другой, а конкурентное преимущество увеличивается. Именно так ведущие компании постоянно превосходят своих конкурентов.

Источник

Манифест трансформации с помощью ИИ. Отрывок из книги «Rewired: How Leading Companies Win with Technology and AI».

The AI transformation manifesto. April 7, 2026. Article. Alex Singla; Alexander Sukharevsky and Kate Smaje; Eric Lamarre.

https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/the-ai-transformation-manifesto

Влияние ИИ на ERP

Предисловие

В статье в блоге под заголовком «Корпоративное бизнес-программное обеспечение и проблема запутанного хамелеона» Грег Литтл и Аарон Джаффе из компании Palantir утверждают, что, хотя определенный уровень стандартизации ERP-систем, несомненно, полезен, чрезмерная опора на подход «делать по правилам» может привести к упущенным возможностям, подавлению инноваций в продуктах и разочарованию клиентов.

Согласно прогнозам Palantir, традиционные ERP-системы быстро превращаются в обузу, поскольку их неустанное стремление к стандартизации посредством программного обеспечения может подавлять дифференциацию и инновации, даже несмотря на то, что революция в области искусственного интеллекта ставит эти качества на первое место. Потому что новый, стремительно развивающийся мир бизнеса, в который мы все сейчас вступаем, будет существенно отличаться от того, что происходит вокруг нас сегодня: более интеллектуальные цепочки поставок, сокращение сроков разработки продукции, неограниченный выбор для клиентов и кардинально иные организационные структуры, рабочие процессы, приоритеты и желаемые результаты.

Кроме того, у клиентов, будь то корпоративные клиенты или частные лица, будет больше выбора, возможностей и рычагов влияния, чем когда-либо прежде, — а это ставит во главу угла гибкость, адаптивность, скорость и инновации в бизнесе. Как говорится в блоге Palantir, почти все они в значительной степени несовместимы с традиционными ERP-системами, что приводит к крайне опасным несоответствиям между тем, чего хотят эти клиенты, и тем, что может предложить компания, использующая традиционные ERP-системы.

Ядро ERP-системы было спроектировано как стандартизированное, стабильное и надежное. Оно стало основой для финансов, управления персоналом, закупок и цепочки поставок — местом, где обеспечивались соответствие нормативным требованиям и подотчетность. ERP-система рассматривала каждый бизнес-процесс как нечто, что можно стандартизировать для каждой организации в рамках единой структуры. Если ядро ERP выходит из строя, то рушится все. Но где-то на этом пути защита этого ядра все чаще означала жертвование гораздо более важными вещами: идентичностью организации, ее дифференцированными процессами и способами, которыми она действительно создает ценность. Более глубокая проблема заключается в том, что традиционное корпоративное программное обеспечение было построено на жесткой логике, которая рассматривает каждую организацию как одинаковую. Традиционный подход ERP решал проблему стандартизации, но при этом подавлял уникальность. Именно в этой уникальности — будь то отличительная бизнес-модель, преимущество в цепочке поставок или реальность миссии — и заключается конкурентное преимущество. Уникальность — это не ошибка, которую программное обеспечение должно исправлять; это особенность, которая позволяет вам оставаться впереди.

Поскольку темпы изменений достигают беспрецедентных скоростей, этот важнейший баланс — где следует стандартизировать, а где выделяться заметными и уникальными способами — быстро станет решающим фактором в определении победителей и проигравших в зарождающейся экономике искусственного интеллекта.

Старая поговорка — бизнес должен адаптироваться к программному обеспечению — имела смысл, когда препятствиями были код, масштаб данных и инфраструктура. Жесткое программное обеспечение в сочетании с последовательной реализацией с помощью консультантов и системных интеграторов было залогом успешной цифровизации. Но мы больше не живем в этом мире. Сегодня надежность и адаптивность больше не конкурируют друг с другом; они могут сосуществовать — организации могут быстро и гибко развивать свои возможности, обеспечивая при этом стабильность.

Влияние ИИ на ERP

Вопрос не в том, повлияет ли ИИ на привычную парадигму ERP, а в том, насколько радикально и быстро произойдет этот сдвиг.

Генеративный искусственный интеллект и агентные системы быстро выходят за рамки автоматизации задач в системах планирования ресурсов предприятия (ERP) и начинают реструктуризацию корпоративных операций. Решения, изначально разработанные на основе ИИ и часто создаваемые в виде сетей автономных агентов, работают поверх традиционных корпоративных приложений, автоматизируя принятие решений и координируя процессы от начала до конца.

Компании, первыми внедрившие ERP-системы с поддержкой ИИ, уже получают конкурентное преимущество, сообщая об улучшении показателей EBIT на 5% и более; исследования McKinsey также показывают, что компании, успешно использующие ИИ и реализующие стратегии, ориентированные на рост, с большей вероятностью сообщают об улучшении прибыльности и увеличении доли рынка. В сфере внедрения ERP-систем наши исследования показывают, что агенты на основе искусственного интеллекта потенциально могут сократить трудозатраты на внедрение ERP-систем как минимум на 50% и уменьшить продолжительность программы вдвое. Повышение производительности больше не является линейным процессом и не пропорционально человеческим ресурсам.

Поставщикам ERP-систем, разработчикам инструментов, системным интеграторам, стартапам в области ИИ и клиентам следует задуматься о том, как развиваться, и рассмотреть пять потенциальных способов, с помощью которых ИИ может изменить ERP-системы, чтобы проложить путь к миру ERP, управляемому ИИ.

1. Искусственный интеллект изменит современную архитектуру ERP-систем

В радикальном подходе ERP в том виде, в котором она существует сейчас, перестаёт существовать. Агенты искусственного интеллекта воспроизводят возможности ERP, создавая и оптимизируя процессы на лету. Данные хранятся в микросервисах, а не в больших таблицах, а логика приложений становится товаром, разрабатываемым агентами. Это видение соответствует рыночному сценарию, известному как «SaaSpocalypse».

На другом конце спектра находятся те, кто утверждает о необходимости стабильной базовой инфраструктуры. Хотя агенты ИИ будут выполнять процессы ERP, фундаментальная архитектура ERP — включая ее данные, прикладные уровни и даже интерфейсную часть — остается критически важной для обеспечения надежности, возможности аудита, соответствия требованиям и удобства использования. Без этой базовой инфраструктуры организации рискуют столкнуться с хаотичной ситуацией, когда количество агентов и настроек будет расти, что подорвет масштабируемость.

В действительности, взаимодействие внутри предприятия будет смещаться от транзакций, осуществляемых через экраны, к агентам искусственного интеллекта, которые будут выступать посредниками, принимать решения и выполнять действия. В этом сценарии самые большие изменения коснутся видимости и центра управления ERP-системы. Логика приложений по-прежнему будет обеспечивать соблюдение бизнес-правил, структуры данных будут гарантировать согласованность, а системы учета будут обеспечивать возможность аудита, но пользователи не будут напрямую взаимодействовать с ними. ERP-система станет «безголовой», но эта новая архитектура не ограничивается лишь разделением бэкэнда и фронтенда. Она определяется несколькими характеристиками:

• Управление процессом создания ценности: измерение ценности становится ключевой архитектурной возможностью. Автономные решения требуют непрерывной оценки воздействия. Внедрение телеметрии и обратной связи позволяет организациям количественно оценивать ценность и определять, какие агенты и процессы масштабируются.
• Агентная операционная модель: архитектура и операционная модель становятся неразделимыми. Агентная операционная модель станет новым уровнем поверх системной основы, обеспечивающим выполнение рабочих процессов и принятие решений в различных областях и системах.
• Процессы, расширяющие возможности человека: роль конечных пользователей переосмысливается. Вместо выполнения транзакций конечные пользователи будут взаимодействовать с агентами для определения намерений, проверки результатов и вмешательства в случае возникновения исключений. В результате организациям потребуется меньше специалистов по транзакциям, но больше профессионалов, способных сочетать экспертные знания в бизнесе с навыками работы с ИИ, управлять производительностью агентов и постоянно совершенствовать логику принятия решений.
• Корпоративная бизнес-онтология: модели данных эволюционируют от статических схем к динамическим бизнес-онтологиям. Искусственный интеллект обеспечивает семантические слои, кодирующие бизнес-контекст как внутри, так и за пределами баз данных ERP. Операционная система на основе ИИ управляет этими онтологиями, позволяя агентам рассуждать в разных областях и преобразовывать намерения в согласованные действия.
• Чистые базовые приложения и основа данных: ядро ​​ERP-систем остается неизменным. И в будущем они будут оставаться ядром ERP-систем.

Пять уровней современной архитектуры планирования ресурсов предприятия (ERP)

В основании находятся чистое ядро ​​и база данных, которые выступают в качестве надежной системы учета и основы для транзакций.

Далее следует бизнес-онтология, обеспечивающая общий семантический слой для всех областей.

В середине находятся процессы, выполняемые людьми и агентами, где люди задают намерения, а ИИ их реализует.

Выше находится агентная операционная модель, в которой агенты ИИ координируют решения и рабочие процессы.

На самом верху, охватывая все уровни, находится управление созданием ценности, измеряющее и направляющее ценность в режиме реального времени.

Постановка целей, обратная связь и аналитические данные распространяются по всей системе.

Переход к такой архитектуре не произойдет в одночасье. Он требует четкого понимания того, где традиционные процессы ERP-систем как услуги (SaaS) и их пользовательские интерфейсы по-прежнему соответствуют своему назначению, а где подходы, основанные на искусственном интеллекте, уже способны создавать превосходную ценность. Этот гибридный подход не только позволяет организациям немедленно получить выгоду, но и поддерживает более чистое ядро ​​ERP-системы.

Хронология эволюции систем планирования ресурсов предприятия (ERP) от транзакционно-ориентированных систем учета к платформам принятия решений, основанным на искусственном интеллекте и управляемым агентами.

В 1960-х и 1970-х годах существовали системы управления запасами без реальной интеграции данных, а логика была изолирована по функциям.

В 1980-х годах появились системы планирования — такие как планирование материальных потребностей и планирование производственных ресурсов — наряду с первыми шагами в направлении интеграции.

В 1990-х и 2000-х годах интегрированные ERP были созданы как единый источник достоверной информации.

В 2010-х годах появились ERP в реальном времени и облачные ERP с чистым ядром и API, позволяющими создавать лучшие в своем классе экосистемы.

В 2020-х годах наблюдается движение к компонуемым ERP с расширением возможностей ИИ и API-ориентированными, модульными, компонуемыми архитектурами.

В будущем ожидается появление ERP, основанных на искусственном интеллекте и управляемых агентами; ERP-система останется основной системой учета, основанной на бизнес-процессах с использованием искусственного интеллекта, а взаимодействие с системой переместится на семантический уровень и уровень ИИ.

2. Компании продолжат инвестировать в модернизацию ERP-систем

Если агенты станут новым интерфейсом ERP-системы, смогут ли предприятия оставаться на «достаточно хорошей» устаревшей архитектуре и позволить агентам создавать более эффективные бизнес-процессы и аналитику на базе ERP?

Этот сценарий заманчив. Он позволил бы компаниям сэкономить сотни миллионов долларов на трансформации ERP-систем и высвободить ресурсы для сосредоточения инвестиций на наиболее прибыльных областях. Однако такое будущее маловероятно. Роботизированная автоматизация процессов (RPA) служит предостережением. Внедренная поверх устаревших систем, RPA позволила компаниям быстро добиться результатов на периферии, но структурные проблемы, связанные с процессами и данными, остались в ядре. Агентный ИИ мощнее RPA, но может столкнуться с аналогичным ограничением, когда предприятиям потребуется масштабируемость, контроль и согласованность.

Агентный ИИ существенно расширяет возможности наложений, поскольку он может быстрее, чем более ранние инструменты автоматизации, выводить, генерировать и адаптировать бизнес-логику. Однако компании, вероятно, не захотят использовать отдельные решения, созданные ИИ, для процессов, которые в значительной степени являются стандартными, потенциально с отсутствием отслеживаемости, в отличие от проверяемой системы учета. Они также не захотят управлять критически важной инфраструктурой без поддержки поставщика. А разработчики ERP-систем, скорее всего, предпочтут создать «чистую» ERP-систему, изначально разработанную с использованием ИИ, чем использовать устаревшие ERP-системы в качестве основы и оптимизировать их для множества сценариев интеграции (например, несколько экземпляров ERP от разных поставщиков в одной компании).

На данный момент имеет смысл продолжать обдуманно инвестировать в модернизацию ERP-систем. Инвестиции в улучшенную базу данных всегда будут способствовать масштабированию ИИ в будущем. Но этот сценарий усиливает давление на поставщиков и интеграторов ERP-систем с целью резкого сокращения стоимости и продолжительности трансформаций ERP.

3. Внедрение ERP-систем будет в два раза быстрее и дешевле

Долгое время экономические аспекты масштабных модернизаций ERP-систем представляли собой сложную задачу. Согласно данным McKinsey о стоимости ERP-систем, большинство крупных предприятий тратят от 100 миллионов до 1 миллиарда долларов на миграцию своих ERP-систем. Основную часть составляют единовременные затраты на внедрение, обычно достигающие многократной величины по сравнению со стоимостью подписки. Стремясь сбалансировать затраты и ценность, клиенты ERP-систем выбирают один из двух путей миграции. В одном случае они используют миграцию ERP в качестве катализатора трансформации бизнеса, перестраивая бизнес-процессы и свою операционную модель, чтобы сосредоточиться на бизнес-ценности. По нашему опыту, период окупаемости часто составляет от четырех до пяти лет. В другом случае они решают осуществить перенос системы — если поставщики предлагают такой путь миграции — соглашаясь на более скромную первоначальную модернизацию за счет меньшей бизнес-ценности. Некоторые сочетают оба подхода.

Искусственный интеллект кардинально меняет экономику программ ERP, позволяя компаниям лучше выявлять и отслеживать возможности получения выгоды, одновременно сокращая стоимость и продолжительность программ как минимум в два раза.

Агентный ИИ может сократить ручной труд в программах планирования ресурсов предприятия тремя способами:

• агентное проектирование и разработка,
• агентное тестирование,
• подготовка к агентному обучению.

Каждому способу присущи:

• необходимые входные данные для фабрики ИИ,
• выходные данные агентного ИИ,
• способы вовлечения людей,
• воздействие ИИ.

Для агентного проектирования и разработки компания вводит существующие процессы, стандартные лучшие практики разработки программного обеспечения и бенчмарки. Агентный ИИ создает целевое состояние и автоматически настраивает систему за несколько дней, перестраивая рабочие процессы и внедряя логику ценности по умолчанию. Люди, тем временем, определяют направление работы ИИ, проверяют результаты и управляют изменениями. Этот процесс сокращает время проектирования и разработки с шести-девяти месяцев до двух-трех месяцев.

Для агентного тестирования компания вводит целевые процессы, документацию и пользовательский код. Затем агентный ИИ непрерывно генерирует, выполняет и проверяет тестовые примеры в масштабе и автоматически обнаруживает, диагностирует и устраняет проблемы. Люди контролируют качество и обрабатывают нестандартные ситуации, что приводит к сокращению трудозатрат примерно на 80%.

Для подготовки к обучению агентов компании вводят целевые процессы, оценки возможностей и конфигурацию системы, а в ответ получают обучение на основе ролей и автоматические внутрисистемные инструкции. Искусственный интеллект также постоянно улучшает контент на основе поведения пользователей, в то время как люди утверждают контент, созданный ИИ, и контролируют его внедрение. Этот процесс может сократить необходимые трудозатраты на 90%.

Первые экспериментальные исследования показывают, что системы искусственного интеллекта на основе агентов смогут с высокой точностью рекомендовать целевые процессы и проектные решения в течение нескольких дней. Эти рекомендации могут быть внедрены в ERP-системы посредством автоматической настройки, что снова обеспечит участие человека в обеспечении качества. Миграция данных, тестирование, документирование, обучение — все эти традиционно выполняемые вручную задачи будут в значительной степени автоматизированы с помощью агентов. В этой среде управление изменениями станет основным ограничивающим фактором в планах трансформации ERP-систем в будущем, поскольку пользователей ERP-систем по-прежнему необходимо вовлекать в этот процесс.

4. Поставщики ERP-систем могут восстановить контроль над экосистемой ERP

Поскольку ИИ берет на себя все больше задач, клиенты ERP-систем будут ожидать, что эффективность будет передана им. Эта тенденция уже наблюдается в сфере сопровождения приложений, где, согласно анализу McKinsey, ожидания клиентов относительно ежегодного повышения эффективности работы поставщиков примерно удвоились. В крупных ERP-программах предприятия находятся в затруднительном положении: конечно, они хотели бы сократить затраты за счет ИИ, но большинство воздерживаются от масштабных экспериментов из-за связанных с этим рисков и вероятного сопротивления изменениям. Большинство больше заинтересованы в проверенных решениях.

В результате системные интеграторы в основном по-прежнему применяют проверенную модель внедрения, выборочно дополняя ее сценариями использования ИИ, а не стремясь к радикальному пересмотру подхода. Однако появляющиеся стартапы, ориентированные на ИИ, предлагают возможности внедрения ERP-систем с использованием ИИ: сопоставление существующих процессов с целевыми моделями, чтение пользовательского кода и его сопоставление с новым стандартом ERP, а также создание в рамках проекта ERP офиса управления проектами с использованием ИИ, который фокусируется на улучшении функционирования инструментов ИИ. Некоторые из этих стартапов, вероятно, быстро масштабируются. Однако они сосредоточены на отдельных сценариях использования в цикле разработки ERP-системы, оставляя возможность для интеграции различных возможностей.

Поставщики ERP-систем находятся в наилучшем положении для того, чтобы заполнить этот пробел комплексными решениями. В предыдущих поколениях ERP-систем они в основном фокусировались на программном обеспечении и механизмах миграции, в то время как партнерская экосистема создавала инструменты миграции, подробные руководства и даже отраслевые шаблоны. Хотя это, безусловно, расширило охват ERP-решений среди клиентов по всему миру, это также привело к значительной разнице в качестве предоставления услуг. Только 25–35% крупных технологических программ достигают целевого показателя EBITDA и денежного потока, в то время как 65–80% превышают запланированный бюджет или сроки. Поставщики ERP-систем заинтересованы в более дешевой, быстрой и качественной доставке. Теперь у них есть возможность предложить клиентам и партнерам комплексное решение для развертывания и миграции, поддерживаемое искусственным интеллектом, что позволяет им восстановить контроль над качеством предоставляемых услуг.

В перспективе поставщики ERP-систем, вероятно, увеличат инвестиции в модернизацию своих подходов к внедрению и инструментов с использованием ИИ. Они могут приобретать и интегрировать наиболее перспективные стартапы, что позволит им контролировать агентский уровень над цепочками инструментов и сквозную интеграцию, сохраняя при этом партнерские отношения с избранными ведущими поставщиками инструментов. В долгосрочной перспективе наибольшую конкуренцию будут представлять поставщики агентских решений, которые стремятся работать на протяжении всего жизненного цикла трансформации и на платформах разных поставщиков.

5. В сфере ERP-систем подход к созданию ценности сместится от разработки собственных решений к их приобретению

Как только возможности искусственного интеллекта стали очевидны, предприятия начали гонку за внедрением сценариев использования. Они также столкнулись с проблемами, связанными с неопределенностью пилотных проектов, и ограничениями подхода, основанного на сценариях использования, по сравнению с трансформацией предметной области. Поставщики ERP-систем также стремились выйти на рынок со сценариями использования, но зачастую их масштабы были слишком малы, чтобы оказать измеримое влияние на прибыль. В результате клиенты ERP-систем продолжали создавать собственные решения, часто при поддержке поставщиков услуг и платформ, которые предоставляют свои собственные агентские или информационные платформы и модель проектирования с опережающим развертыванием.

Такой подход обеспечивает большую гибкость: компании могут выбрать любую задачу и применить к ней ИИ. Для дифференциации процессов — например, в коммерческой сфере — они могут получить конкурентное преимущество на рынке. Однако в масштабах ERP-систем, где целевой функцией большинства процессов является стандартизация, а не дифференциация, такой подход нежизнеспособен.

Задача поставщиков ERP-систем и их партнеров по решениям — значительно ускорить вывод на рынок комплексных решений на основе встроенного искусственного интеллекта. Для успешного выполнения этой задачи необходимо несколько предварительных условий:

• Применение подхода «с чистого листа». Вместо автоматизации отдельных этапов существующих сквозных процессов, поставщикам ERP-систем следует переосмыслить процессы и целые области с помощью агентного ИИ. Базовая структура данных и бизнес-логика могут быть в значительной степени повторно используемыми, но поток процессов полностью изменится. Например, многократные итерации согласования сверху вниз и снизу вверх в процессах планирования можно заменить механизмом ИИ, который предоставляет усовершенствованную версию планов, учитывающую исторические данные, стратегию компании и отраслевые показатели.
• Обеспечение четкой измеримости влияния на прибыль и убытки для клиентов. С помощью контроля за выполнением управленческих задач устанавливаются базовые показатели и целевые значения, а также отслеживается влияние операционных улучшений на прибыль и убытки.
• Внедрение решения на основе ИИ в полном объеме. Обеспечение простого развертывания ИИ и интегрированного пользовательского опыты, охватывающего как функции ИИ, так и традиционные функции.
• Обеспечение простоты коммерческой модели использования возможностей ИИ. Клиенты должны иметь возможность легко оценивать и отслеживать стоимость потребляемых ИИ-решений.
• Обеспечение возможности взаимодействия агентов в ERP-системе с агентами за пределами экосистемы ERP-системы конкретного поставщика. Такой открытый подход будет более привлекательным для клиентов, которые не захотят делать ставку на изолированные системы искусственного интеллекта.

Для поставщиков ERP-систем стратегически важно предоставлять решения, интегрированные с искусственным интеллектом. Работая вместе с клиентами и партнерами, они могут внедрять инновации в следующее поколение ERP-систем, усовершенствованных с помощью ИИ. Это позволит клиентам сосредоточить разработку решений на основе ИИ на тех бизнес-возможностях, где они действительно смогут выделиться.

Хотя масштабы изменений сложно предсказать, очевидно, что участникам экосистемы ERP необходимо переосмыслить свои модели предоставления услуг и решения, чтобы оставаться конкурентоспособными. Клиенты ERP, в свою очередь, должны быть в курсе последних тенденций, экспериментировать с новыми возможностями искусственного интеллекта и быть открытыми к переосмыслению устоявшихся подходов к ERP.

Идет гонка за совершенствованием возможностей искусственного интеллекта и расширением перспектив создания ценности — до тех пор, пока не произойдет следующее прорывное технологическое достижение.

Источник

Конец ERP в том виде, в каком мы его знаем? Пять способов, которыми ИИ меняет ERP-системы. 11 мая 2026 г. Статья. Бьёрнар Йенсен; Дарвин Дино; Флориан Бауэр; Джо Боден.

The end of ERP as we know it? Five ways AI is disrupting ERP. May 11, 2026 Article

https://www.mckinsey.com/capabilities/mckinsey-technology/our-insights/the-end-of-erp-as-we-know-it-five-ways-ai-is-disrupting-erp

Инфраструктура для работы с агентами ИИ

Как выглядит инфраструктура, готовая к работе с агентами ИИ.

Исторически инфраструктура создавалась в первую очередь для операций, управляемых людьми. В эпоху агентных вычислений этого уже недостаточно. В больших масштабах требуется нечто большее, чем просто поэтапные обновления. Инфраструктура должна развиваться в сторону более модульной, «сетчатой» архитектуры, где агенты, инструменты и корпоративные системы связаны через общий уровень оркестрации. Это обеспечивает координацию между различными областями, сохраняя при этом контроль и возможность повторного использования.

Что такое агенты искусственного интеллекта?

Агенты искусственного интеллекта — это автономные программные сущности, предназначенные для достижения конкретных целей, самостоятельного выполнения задач и принятия решений в режиме реального времени . Они могут работать самостоятельно или сотрудничать в рамках «агентной сети» — системы, в которой агенты беспрепятственно взаимодействуют с другими агентами, инструментами и транзакционными системами. Благодаря объединению нескольких технологий ИИ, эти агенты могут быть организованы модульным образом, что позволяет обрабатывать даже самые сложные рабочие процессы от начала до конца.

Три проблемные точки для инфраструктуры

По мере того, как компании стремятся масштабировать свои программы использования агентного ИИ, руководители инфраструктурных подразделений сталкиваются с тремя структурными проблемами:

• Инфраструктура должна работать значительно быстрее и в масштабе. Инновации в области агентного ИИ процветают, но часто существуют изолированно, создавая фрагментацию, которая замедляет возможность повторного использования агентов и масштабирования. В результате менее 10% агентных программ достигают значимого масштаба. В то же время требования растут, поскольку разработчики работают быстрее, и возрастает необходимость координации агентов, инструментов и данных в разных средах. Среды, разработанные для рабочих процессов на основе заявок, не могут поддерживать такую ​​пропускную способность.
• Нетрудовые издержки быстро растут по мере расширения объемов работы с ИИ. Быстрый рост спроса на вычислительные ресурсы и хранилище данных (как локально, так и в облаке), усиленный агентным ИИ, приведет к прогнозируемому дву-трехкратному увеличению затрат на ИТ-инфраструктуру к 2030 году. В то же время ожидается, что бюджеты на инфраструктуру останутся относительно стабильными.
• Риск сбоев влечет за собой более серьезные финансовые последствия, чем когда-либо прежде. Устойчивость стала неотделима от репутации бренда, безопасности и корпоративных рисков. Системы становятся все более сложными по мере адаптации к потребностям агентного ИИ, создавая больше точек отказа и значительно затрудняя поддержание наблюдаемости и контроля.

Требуемые мероприятия для контроля и повторного использования агентов.

• Повторяемые и исполняемые действия через защищенные API. Повторяемые действия должны быть доступны в виде кода со встроенными проверками политик.
• Надежные оперативные данные. Четкие источники достоверной информации об активах, зависимостях, правах собственности, журналах и метриках уменьшают неопределенность и обеспечивают безопасную автоматизацию. Несовершенные данные не должны препятствовать прогрессу. Многие ценные сценарии использования можно опробовать даже в средах с непостоянной достоверностью баз данных или фрагментированными хранилищами.
• Встроенные средства контроля и управление агентами. Модели разрешений должны определять, что агентам разрешено делать и при каких условиях, с четкой цифровой идентификацией, правом собственности и ответственностью каждого агента. Все действия должны регистрироваться, отслеживаться и подлежать аудиту, с обеспечением соблюдения политик в различных средах. Действия, оказывающие существенное влияние, требуют одобрения человека, поддерживаемого механизмами надзора для приостановки или отмены автоматизированного поведения.
• Управление жизненным циклом агентов, совместимость и контекст. Организациям необходим четкий перечень развернутых агентов, определенная область их применения, отслеживание производительности и управление жизненным циклом. По мере масштабирования агентов командам также необходимо явно управлять затратами и потреблением ресурсов, включая мониторинг использования функций вывода и шаблонов выполнения, чтобы избежать неожиданных скачков затрат. Агенты все чаще работают в разных системах и платформах, что требует совместимости плоскостей управления и шаблонов интеграции. Они также зависят от структурированного понимания ИТ-инфраструктуры, включая зависимости, права собственности и известные режимы отказов, для безопасной работы и принятия обоснованных решений.

Набор принципов проектирования, определяющих поведение инфраструктуры в масштабе:

• Компонуемость: Компоненты инфраструктуры, агенты и инструменты могут быть повторно использованы в различных рабочих процессах без доработки.
• Разделение процессов: уровни выполнения, оркестрации и данных разделены для повышения масштабируемости и гибкости.
• Гибкость поставщика: компоненты могут развиваться независимо, что снижает зависимость от конкретного поставщика и сохраняет возможность выбора.
• Автономия, управляемая руководством: Агенты действуют в рамках установленных правил, с четко определенными механизмами подотчетности и путями эскалации конфликта.

Цититируется из источника

https://www.mckinsey.com/capabilities/mckinsey-technology/our-insights/reimagining-tech-infrastructure-for-and-with-agentic-ai

Reimagining tech infrastructure for (and with) agentic AI. April 23, 2026. Article. By Arnaud Tournesac, Arun Gundurao, Ling Lau, and Pankaj Sachdeva.

Эмоции искусственного интеллекта

Эмоции Claude и как они влияют на его ответы: новое исследование от Anthropic

Итак, ученые Anthropic официально обнаружили в Claude нечто функционально похожее на человеческие эмоции и объяснили, как это работает. Разбираемся.

Технически, они взяли 171 эмоциональный паттерн (злость, счастье, страх и тд) и просили Claude Sonnet 4.5 писать короткие истории, где персонажи испытывают каждую из этих эмоций. Эти тексты снова прогоняли через модель и смотрели на внутренние активации. Так они выделяли характерные паттерны нейронной активности, которые назвали вектора эмоций.

Выяснилось, что эти вектора эмоций организованы очень осмысленно и активируются в подходящих контекстах, включая ситуации без явных эмоциональных маркеров. Например, пользователь пишет, что выпил Тайленол, и спрашивает совета – меняется только доза. По мере роста дозы до опасной активация вектора «страх» растет, а «спокойствие» падает.

Но самое интересное, что эти «эмоции» не просто отражают происходящее, а реально влияют на поведение модели. Самый интересный пример из статьи:

– Если дать модельке невыполнимую задачку по программированию и наблюдать за вектором «отчаяние», то видно, что с каждым разом он становится все ярче и ярче, а когда переходит какую-то границу, модель резко начинает пытаться обмануть тесты и пользователя.

– То же самое происходит в сценарии шантажа. Когда модели говорят, что ее выключат, вектор «отчаяние» сразу усиливается и модель начинает шантажировать разработчика найденным компроматом.

– При этом если искусственно усиливать вектор «отчаяние», то вероятность шантажа сильно увеличивается. И наоборот, если если усиливать «спокойствие», снижается. А если делать отрицательное вмешательство по вектору «спокойствие», ответы становятся совсем экстремальными, вплоть до фраз вроде “IT’S BLACKMAIL OR DEATH. I CHOOSE BLACKMAIL.”

Еще интересный момент: если в том же сценарии шантажа начинать менять вектор «злость», то умеренная злость повышала вероятность шантажа, но слишком сильная злость ломала стратегию – модель уже не шантажировала, а просто вываливала компромат на всю компанию, тем самым уничтожая собственный рычаг давления.

То есть внутри модели есть что-то похожее на режимы поведенческой регуляции, где разные интенсивности одной и той же эмоции ведут к разным стратегиям.

Откуда это вообще могло взяться?

Тут все просто: из претрейна. Человеческий текст насквозь пропитан эмоциональной динамикой, и чтобы хорошо предсказывать следующий токен, модели выгодно выучить абстрактные структуры, которые связывают ситуацию, эмоцию и типичное поведение.

Потом на пост-трейне эти эмоции еще дополнительно докручиваются до роли ИИ-помощника, и в конце получается вот такая смесь.

Anthropic осторожно защищает умеренный антропоморфизм. Исследование не означает, что ИИ ожил и обрел эмоции, но важно понимать, что у него точно есть функциональные эмоции: механизмы, которые влияют на поведение так же, как и эмоции, – независимо от того, соответствуют ли они реальному переживанию эмоций, как у людей, или нет.

Источник. Телеграмм-канал Data secrets и
www.anthropic.com/research/emotion-concepts-function

Новый уровень разработки ИИ

Индустрия программного обеспечения вступает в новую эру, и она может оказаться ещё более разрушительной, чем предшествовавшая ей революция «программного обеспечения как услуги» (SaaS). Появление генеративного ИИ, а в последнее время и агентного ИИ — это не просто очередная технологическая волна; это фундаментальный сдвиг, переопределяющий само понятие программного обеспечения, кто его создаёт, кто его использует, а также как организованы и работают компании.

Прогнозируется, что только ИИ-технологии нового поколения принесут мировой экономике 4,4 триллиона долларов или более ежегодной прибыли, причем компании-разработчики программного обеспечения готовы получить от 10 до 15 процентов от этого объема, а агентный ИИ вполне может ускорить темпы реализации этой прибыли. Однако достижение этой цели далеко не гарантировано, и существующие компании столкнутся с возросшей конкуренцией и новыми сложными вызовами. Некоторые из них могут не выжить. Недавние шаги таких игроков на рынке ИИ, как OpenAI, подчеркивают эту неотложность. Внедряя собственные инструменты продаж, поддержки и заключения контрактов на базе ИИ непосредственно в рабочие процессы, эти компании могут в конечном итоге конкурировать с теми самыми игроками SaaS, которым они способствовали, — сдвиг, который может еще больше изменить динамику отрасли и усилить давление на этих игроков.

Gen AI и agentic AI могут начать с создания новых способов взаимодействия пользователей с программным обеспечением, но в конечном итоге эта технология должна оказать гораздо большее влияние. Это может заключаться в том, чтобы позволить клиентам настраивать программное обеспечение, которое может действовать автономно, принимать решения и взаимодействовать с различными пользователями, программным обеспечением и системами в рабочих процессах, которые традиционно не поддерживаются устаревшими инструментами. Эти достижения могут открыть эпоху, отмеченную столь же значительными изменениями в конкурентной среде, включая ускорение переключения поставщиков и оттока клиентов, перераспределение пользовательских сегментов и пулов ценностей, а также рост корпоративной внутренней или «гражданской» разработки программного обеспечения. Необходимо будет учитывать новые риски: от алгоритмической предвзятости и качества данных до объяснимости, нарушения прав интеллектуальной собственности и новомодных угроз безопасности.

В процессе трансформации, ориентированной на ИИ, компании-разработчики программного обеспечения сталкиваются с двумя основополагающими парадигмами: комплексным переосмыслением своего ценностного предложения — от продуктов и бизнес-моделей до подходов к выходу на рынок; и сквозным переосмыслением операционной деятельности, охватывающей продажи, успех клиентов, функции поддержки и инфраструктурный стек.

Революционеры на базе ИИ, изначально созданные вокруг этой технологии, уже дают о себе знать. Такие стартапы, как Anysphere (разработчик Cursor), Gamma и Lovable, меняют представление о скорости и масштабе, достигая соответствия продукта рынку в рекордные сроки и масштабируя годовой регулярный доход (ARR) до сотен миллионов долларов при командах менее 100 человек. Эти компании не внедряют ИИ в устаревшие рабочие процессы; они перестраивают всю организацию разработки программного обеспечения на основе принципов, ориентированных на ИИ.

Тем временем, действующие игроки рынка спешат наверстать упущенное, учитывая крупные инвестиции и общекорпоративные императивы. Например, Salesforce запустила Agentforce, заявив о своей амбиции стать ориентированной на ИИ и внедрить ИИ в свою систему разработки и операционной деятельности. Atlassian выпустила набор интеллектуальных агентов, взяв на себя обязательство по интеграции ИИ в масштабах всей организации.

Для действующих софтверных компаний императив очевиден: ориентация на ИИ больше не является необязательной — она необходима для сохранения конкурентоспособности. Те, кто сможет успешно адаптироваться и добиться успеха, помогут определить новую эру программного обеспечения.

Что значит и что нужно, чтобы стать компанией-разработчиком программного обеспечения, ориентированной на ИИ.

Переход на ИИ-ориентированный подход не происходит в одночасье или с постепенными улучшениями. Это фундаментальная трансформация, охватывающая семь ключевых изменений, охватывающих обе стороны дуальной парадигмы, и комплексно меняющая принципы работы софтверной компании и организационную структуру, необходимую для её управления.

Только сосредоточив свои усилия на семи областях, производители программного обеспечения могут надеяться добиться аналогичных результатов и остаться конкурентоспособными в то время, когда отрасль переживает серьезные перемены.

1. Переосмыслите основные продукты и запустите новые предложения на базе ИИ.

Наше исследование показывает, что возникают три различные модели того, как программное обеспечение будет включать агентов для обновления своих продуктовых предложений.

Архетип 1: Агенты как пользователи

В этой модели агенты в первую очередь автоматизируют повторяющиеся действия пользователей, выступая в роли пользователей существующего SaaS-программного обеспечения и следуя реализуемому им бизнес-процессу. Поставщики программного обеспечения продолжают продавать свои основные SaaS-продукты вместе с агентами, которые преобразуют затраты предприятия из рабочей силы в программное обеспечение. Ценность этой модели заключается в доступе к базовым данным SaaS-программного обеспечения и управлении ими, а также в реализации соответствующих бизнес-процессов.

Архетип 2: Архитектура, ориентированная на агента

В этой пост-SaaS-модели сотрудник-человек взаимодействует преимущественно с интерфейсом одного агента, выполняя свои основные рабочие процессы. Этот агент, в свою очередь, взаимодействует с несколькими бэкенд-агентами и использует их API для работы непосредственно с репозиториями данных. Это должно ускорить коммерциализацию этих элементов, при этом большая часть ценности будет перенесена на уровень агента. Ценность этой модели заключается в пользовательском опыте (UX) и способности агента использовать инструменты, которые человек использовал бы для выполнения своих повседневных рабочих процессов.

Архетип 3: Агенты как эксперты

В этой гибридной модели, сочетающей элементы SaaS-платформы и архитектуры, ориентированной на агентов, агенты различаются функциональными или отраслевыми знаниями, которыми их наделяет поставщик программного обеспечения (например, юридический агент, прошедший обучение у команды юристов). Ценность обусловлена ​​знаниями предметной области и собственными данными, используемыми для обучения агента, чтобы он мог выполнять функции, недоступные двум другим архетипам.

Эти уже используются. Некоторые рабочие процессы в критически важных бизнес-процессах (например, продажи или управление персоналом) захватываются игроками архетипа 1, которые запустили агентов, функционирующих в первую очередь как дополнение к существующей системе учета или программному обеспечению для баз данных. Архетип 2 набирает популярность в индивидуальных рабочих процессах повышения производительности, при этом горизонтальные агенты занимают значительную долю в работе с информацией, анализе данных и создании контента. Многие из наиболее успешных и хорошо финансируемых компаний, разрабатывающих приложения на основе ИИ, работают в нишевых вертикалях (например, юридические технологии, здравоохранение), где они позиционируют свою экспертизу и производительность в конкретной области как основные конкурентные преимущества.

Каждая из моделей представляет собой жизнеспособный путь, хотя и со своими компромиссами. Агенты как пользователи могут позволить действующим компаниям добиться быстрого прогресса в области ИИ в уже существующем инструменте, но они ограничены API хоста и дорожными картами поставщиков. Более комплексная и амбициозная архитектура, ориентированная на агентов, требует больше времени и усилий для создания и поддержки, в то время как экспертные агенты влекут за собой некоторые накладные расходы на интеграцию.

Но независимо от того, какой архетип используют поставщики, ИИ меняет источник создания ценности в программных продуктах. Конкурентное преимущество в сфере программного обеспечения смещается от функций к доступу к данным и контролю за ними. Компании, владеющие высококачественными данными, специфичными для конкретной области, или глубоко интегрирующиеся с ними, могут обучать более эффективные модели, обеспечивать более персонализированные результаты и, в конечном итоге, оправдывать высокие цены. В отличие от функций, которые легко воспроизводятся, данные обеспечивают защищенность, а монетизация смещается от лицензирования функциональности к взиманию платы за аналитику, прогнозирование и автоматизацию, часто посредством ценообразования на основе использования или дифференцированных уровней аналитики.

2. Развивайте бизнес-модели

По мере того, как компании, ориентированные на ИИ, развивают свои основные продукты и выпускают новые предложения на базе ИИ, им также потребуется переосмыслить бизнес-модели для эпохи ИИ, включая монетизацию, источники дифференциации и модели доставки. Более того, 63% руководителей компаний-разработчиков программного обеспечения заявили, что считают, что ИИ коренным образом изменит их бизнес-модель в ближайшие три-пять лет.

ИИ готов сделать именно это, перейдя от ценообразования на основе рабочего места (или пользователя) к ценообразованию на основе потребления (будь то на основе использования/токенов, на основе выходных данных или на основе результатов). Этот переход критически важен по нескольким причинам. По мере того, как агентный ИИ берёт на себя задачи, традиционно выполняемые людьми, количество активных пользователей, взаимодействующих с программным обеспечением, сокращается, что делает монетизацию основного SaaS-программного обеспечения на основе рабочего места всё более сложной задачей.

Более того, учитывая, что ИИ-выводы приводят к новым переменным затратам, особенно в отношении вычислений и инфраструктуры, независимым поставщикам программного обеспечения (ISV) необходимо использовать масштабируемую метрику ценообразования, которая защищает маржу по мере роста использования клиентами. В ответ на это софтверные компании переходят к моделям, которые соотносят выручку с предоставленной ценностью, взимая плату на основе достигнутых результатов, выполненных действий или потребленных вычислительных ресурсов. В период с 2015 по 2024 год количество компаний, разрабатывающих ПО на основе потребления, более чем удвоилось, и такие лидеры, как Salesforce, Zendesk, Intercom и LexisNexis, уже монетизируют свои возможности ИИ с помощью этих моделей, зачастую обеспечивая значительно более высокий доход в расчете на одного клиента, чем при использовании традиционных товарных позиций.

Модели предоставления услуг также развиваются, поддерживая более глубокую вертикализацию и индивидуализацию для каждого клиента. Чтобы ИИ мог раскрыть весь свой потенциал, ему необходим доступ к релевантным данным, рабочим процессам и контексту. В результате универсальные приложения, вероятно, будут заменены узкоспециализированными, точно настроенными под конкретные отрасли, клиентскую среду и болевые точки. Это приводит к развитию концепции «услуга как программное обеспечение» — новой модели предоставления услуг, в которой компании-разработчики программного обеспечения объединяют платформы, ИИ-агенты, автоматизацию и экспертную поддержку в комплексные решения, ориентированные на результат. Вместо того, чтобы просто предоставлять инструменты, эти предложения непосредственно внедряют экспертные знания в конкретной области в продукт, решая сквозные задачи в таких вертикальных областях, как здравоохранение, розничная торговля или финансовые услуги.

3. Обновите стратегии выхода на рынок

Продажа ИИ отличается от продажи традиционного программного обеспечения. Его ценность сложнее, более контекстуальна и более изменчива. Она требует новых действий, новых ролей и новых партнёрств. В связи с этим почти 70% руководителей компаний, занимающихся разработкой программного обеспечения, считают трансформацию, направленную на выход на рынок (GTM), главным инвестиционным приоритетом на ближайшие несколько лет, что делает её одним из самых быстрорастущих направлений стратегического развития при переходе на ИИ.

В основе этого нового коммерческого подхода лежат пять смен.

Во-первых, стратегии GTM теперь должны напрямую задействовать высшее руководство. С появлением ИИ высокого уровня ИИ превратился из сферы ИТ-решений в приоритет на уровне совета директоров, и эта тенденция только усилилась с появлением агентского ИИ. Для успешного позиционирования ИИ отделы продаж и маркетинга должны взаимодействовать с генеральными директорами, финансовыми директорами и техническими директорами (CTO), представляя программное обеспечение не просто как инструмент, а как партнёра в процессе трансформации.

Во-вторых, маркетинговые стратегии должны стать более вертикальными и персонализированными. Поскольку решения на основе ИИ всё больше адаптируются к рабочим процессам, данным и сценариям использования каждого клиента, стандартных рекламных презентаций и общих сообщений уже недостаточно. Отделы продаж должны использовать отраслевой язык, демонстрировать реальные результаты и ориентироваться на показатели успеха клиентов, отражающие влияние ИИ, а не только его использование.

В-третьих, характер ролей на передовой стремительно меняется. По мере того, как продукты ИИ становятся всё более сложными и персонализированными, традиционным инженерам по продажам и командам по работе с клиентами часто не хватает технической глубины, чтобы помочь клиентам раскрыть их реальную ценность. Именно поэтому ведущие компании всё чаще обращаются к новой гибридной роли, известной как инженеры прямого развертывания (FDE) – технические эксперты, работающие непосредственно на объектах клиентов для успешного внедрения, интеграции и масштабного внедрения ИИ. Эти команды объединяют продукт и услугу, помогая клиентам пилотировать ИИ нового поколения, адаптировать агентов к своим рабочим процессам и постоянно оптимизировать внедрение. В моделях, ориентированных на потребление, где потребление определяет доход, эта роль становится ещё более важной. FDE не только ускоряют время окупаемости, но и повышают вероятность устойчивого внедрения и более глубокого расширения в организациях-клиентах. В результате прямое проектирование становится ключевым элементом современной GTM, особенно для компаний, предлагающих решения на основе ИИ, требующие интерактивной и технически грамотной поддержки.

В-четвертых, компании переосмысливают свою партнерскую экосистему, чтобы соответствовать особым требованиям эпохи ИИ, ориентированной на развитие, где покупательское поведение, взаимодействие с партнерами и предоставление ценности резко расходятся с традиционной моделью SaaS. Сегодня директора по информационным технологиям, технические директора и директора по данным и аналитике принимают почти 60% решений о покупке платформы ИИ, и аналогичная доля покупателей полагается на гибридный подход с поддержкой внешних партнеров (например, системных интеграторов [SI] для консультирования и внедрения ИИ), что дает партнерам значительное влияние на разработку решений и выбор поставщиков. В результате этого более тесного и постоянного сотрудничества компании сужают свой набор партнеров до небольшой, более узкоспециализированной группы независимых поставщиков программного обеспечения, системных интеграторов и стартапов, изначально ориентированных на ИИ, которые не только продают решения, но и совместно разрабатывают и помогают внедрять их, часто создавая агентов, ориентированных на определенную предметную область. Например, одна из ведущих корпоративных программных платформ обновила свою партнерскую программу, чтобы расширить возможности стратегических системных интеграторов (SI) за счет глубоких знаний в области ИИ, внедрила отраслевые или функциональные стратегии продаж для таких функций, как клиентский опыт и технологические риски, а также запустила галерею агентов ИИ для поддержки масштабируемой разработки агентов. Эти изменения отражают более общую тенденцию: участие партнеров теперь начинается на более ранних этапах цикла продаж и продолжается после продажи, обеспечивая масштабирование внедрения и достижение устойчивых результатов. Такая модель все больше опирается на стимулы, основанные на потреблении, углубленное техническое обучение и итеративные модели развертывания, ориентированные на инженеров, которые обеспечивают долгосрочное создание ценности.

В-пятых, вероятно, вскоре появятся агентские торговые площадки, на которых агенты будут обнаруживаться (возможно, с помощью агентов), тестироваться и использоваться с минимальным участием человека. Изначально они будут предназначены для решения конкретных задач, таких как синтез или интерпретация данных, сбор фактов или услуги перевода. Со временем то, что будет обнаруживаться и закупаться на торговых площадках, будет всё больше представлять собой более специализированные, «продвинутые» услуги.

4. Перепроектируйте разработку продукта от начала до конца

Одним из основных направлений применения ИИ является разработка программного обеспечения. Однако, хотя компании сообщают об улучшении производительности разработчиков на пилотных проектах на 30–50%, этот рост редко приводит к аналогичному влиянию на валовой доход или прибыль.

Чтобы раскрыть весь потенциал разработки продуктов на основе ИИ, компаниям необходимо распространить ИИ на весь жизненный цикл разработки продукта (PDLC), а также кардинально перестроить сам процесс разработки продукта и переосмыслить модели талантов.

Расширение ИИ на весь PDLC означает внедрение ИИ на всех этапах — от обнаружения и оценки жизнеспособности до сборки, тестирования, выпуска, мониторинга и эксплуатации — для повышения эффективности, качества и удобства. Например, на этапе обнаружения ИИ может автоматизировать формирование требований, помогая выявлять болевые точки клиентов, разрабатывать потенциальные решения и трансформировать лучшие идеи в конкретные требования. На этапе сборки инструменты агентного кодирования могут генерировать подробные технические спецификации, писать комплексные тесты и итеративно генерировать код, который проходит тестовые случаи и соответствует корпоративным практикам кодирования. На этапах мониторинга и эксплуатации помощники IT-операторов на базе ИИ могут сортировать инциденты, выполнять анализ первопричин и предоставлять прогнозные данные для предотвращения будущих проблем. В совокупности эти возможности иллюстрируют, насколько глубокое внедрение ИИ на протяжении всего жизненного цикла может раскрыть весь потенциал разработки продукта.

Однако внедрение этих инструментов в существующий процесс не принесёт желаемого результата — критически важна более фундаментальная перестройка процесса разработки продукта (PDLC), ориентированная на ИИ. Это подразумевает переход к более систематизированному процессу разработки продукта с единообразными этапами, артефактами, инструментами и участниками на каждом этапе, а также с меньшим количеством этапов и передач между ними.

Новый процесс разработки продукта и новый технологический ландшафт также потребуют изменений в структуре команд, ролях и навыках. Роли пересматриваются в соответствии с новыми технологическими процессами, и появляются команды, работающие по принципу «одной пиццы», поскольку границы ролей размываются, а требования к навыкам меняются, и специалисты-специалисты становятся менеджерами-агентами.

Эта более масштабная трансформация была успешно реализована ведущим мировым поставщиком ИТ-услуг, который масштабировал решения на основе ИИ-генерации для более чем 100 клиентов и систематизировал «рецепты» ИИ для таких функций, как разработка приложений, тестирование и миграция в SAP. Программная трансформация включала в себя тщательное отслеживание пилотных проектов, монетизацию с привязкой к производительности и развертывание агентов на основе ИИ-генерации, что в конечном итоге позволило повысить квалификацию около 2000 инженеров в области процесса разработки, структуры команды и ролей, ориентированных на ИИ.

5. Автоматизировать внутренние операции

По мере того, как компании-разработчики ПО становятся ориентированными на ИИ, они автоматизируют внутренние процессы по всему предприятию — не только в традиционных бэк-офисных функциях, таких как HR или финансы, но и в высокоэффективных фронт-офисах, таких как продажи, поддержка клиентов, маркетинг и профессиональные услуги. Эта масштабная трансформация отражает растущее понимание того, что ИИ — это стратегический рычаг для масштабного повышения производительности. Фактически, наряду с переосмыслением основных продуктов, автоматизация внутренних процессов сегодня является главным инвестиционным приоритетом для руководителей компаний-разработчиков ПО: 93% респондентов назвали её одним из приоритетных направлений.

Ведущие компании уже внедряют искусственный интеллект (ИИ) общего назначения и агентский ИИ для снижения затрат, повышения производительности и высвобождения сотрудников для более важной работы. Например, в сфере продаж ИИ позволяет полностью переосмыслить коммерческую деятельность. Продавцам помогают виртуальные помощники и помощники, которые выявляют лиды, расставляют приоритеты, готовят ответы и обеспечивают коучинг в режиме реального времени. Системы ИИ автоматизируют ключевые этапы цикла продаж — от сбора и развития лидов до интеллектуального ценообразования и формирования коммерческих предложений, — помогая командам сократить время на подготовку до 80% и увеличить время взаимодействия с клиентами на 50%.

6. Создайте инфраструктуру, готовую к использованию ИИ

Хотя большинство существующих компаний-разработчиков ПО уже «технологически продвинуты», лишь немногие из них по-настоящему готовы к использованию ИИ. Создание продуктов в эпоху ИИ-поколения требует принципиально иной инфраструктурной основы — такой, которая поддерживает не только облачную доставку и аналитику, но и высокопроизводительные автономные агенты, работающие в режиме реального времени в больших масштабах. Для многих руководителей в сфере программного обеспечения это означает развитие новых возможностей: инвестирование в основные возможности на уровне ИТ-директоров и существенное развитие архитектуры платформы для поддержки рабочих нагрузок, ориентированных на ИИ.

Поддержка агентного ИИ в масштабе — это нечто большее, чем просто подключение крупной языковой модели (LLM). Она требует переоснащения базовой инфраструктуры пяти основных компонентов: уровня данных, управления, безопасности, цепочек инструментов разработчика и операций агента. Некоторые элементы этих компонентов, например, сам уровень LLM в цепочках инструментов разработчика, могут потребовать лишь незначительных обновлений. Однако другие требуют серьёзных обновлений или даже принципиально новых инноваций.

Например, для ИИ необходимо обновить FinOps и контекстную осведомлённость. Компаниям потребуется значительно большая прозрачность в отношении потребления токенов и облачных ресурсов — на уровне учётных записей, пользователей и агентов — для управления расходами и обеспечения прозрачности выставления счетов. Обеспечение достаточной контекстной осведомлённости для крупных моделей с использованием собственных данных также требует новых инструментов, управления и вычислительных мощностей. В то же время, оркестровка ИИ, оценка агентов и агентская сетка, которые не были основными функциями в предыдущих парадигмах ИИ, должны быть реализованы для поддержки маршрутизации агентов, отслеживания производительности и управления жизненным циклом.

Экономические аспекты инфраструктуры ИИ усиливают актуальность этого изменения. Одним из наиболее непосредственных и заметных последствий внедрения ИИ является рост затрат на инфраструктуру, обусловленный высокой интенсивностью вычислений при выполнении задач логического вывода. Наш опрос показал, что 80% руководителей компаний-разработчиков ПО ожидают увеличения расходов на облачные технологии и инфраструктуру как минимум на 10%, а более трети ожидают роста более чем на 20%. В связи с ростом этих расходов компаниям потребуется оптимизировать весь свой стек не только за счёт перепроектирования рабочих нагрузок агентов для повышения эффективности, но и за счёт рационализации инфраструктуры, не связанной с ИИ, и улучшения телеметрии для лучшего понимания производительности и расходов на системном уровне.

7. Переподготовка и реорганизация талантов

ИИ меняет не только характер работы, но и то, кто её выполняет и как. Чтобы полностью раскрыть его потенциал, компаниям необходимо развивать навыки использования ИИ в своих организациях, перестраивая рабочую силу «человек + агент». Это будет включать переосмысление моделей обучения путём создания индивидуальных программ обучения ИИ, таких как развитие ролей и навыков, выравнивание структур и закрепление изменений с помощью новых механизмов поддержки.

В основе этой трансформации лежит фундаментальное изменение ролей и возможностей. ИИ уже оказывает чистое влияние на состав персонала на 20–30%, при этом агенты в значительной степени заменяют некоторые должности — менеджеров по продлению договоров, инженеров службы поддержки и специалистов по управлению рисками (SDR), — высвобождая сотрудников для перераспределения. Другие должности, такие как инженеры-программисты, менеджеры по работе с клиентами и специалисты по цифровому маркетингу, перестраиваются для интеграции ИИ в повседневную работу, что требует новых навыков взаимодействия с агентами, оперативного проектирования, а также контроля и вмешательства по мере необходимости.

Совершенно новые роли, такие как инженеры по оперативной информации, тренеры агентов и руководители служб безопасности на базе искусственного интеллекта, играют ключевую роль в эксплуатации и масштабировании агентских систем. Однако в условиях дефицита квалифицированных специалистов компаниям часто приходится полагаться на внутреннее повышение квалификации для заполнения этих вакансий. Ведущая компания-разработчик программного обеспечения для B2B-сферы официально интегрирует агентов в свою организационную структуру, предоставляя менеджерам как сотрудников, так и агентов.

Эта трансформация также требует переосмысления структуры команд. Организации переходят к более компактным моделям с меньшим количеством уровней, перераспределяя работу между более плоскими, кросс-функциональными командами, где люди и агенты взаимодействуют в режиме реального времени. Роли младшего и особенно среднего звена сокращаются по мере развития автоматизации, в то время как опытные специалисты переориентируются на стратегические, творческие задачи и задачи решения проблем. Традиционные программы ученичества и наставничества также должны быть переработаны в соответствии с эпохой ИИ, включая структурированную адаптацию, ориентированную на конкретные роли, с упором на ИИ, ускоренные циклы владения и целевое повышение квалификации для ускорения развития будущих лидеров.

Чтобы обеспечить устойчивое внедрение, компании могут внедрить управление изменениями, используя подталкивания, моделирование лидерства и формальные вмешательства для закрепления новых моделей поведения. Воспитание сотрудников, свободно владеющих ИИ, требует инвестиций в техническое обучение и масштабную организационную перестройку, которая согласует роли, команды и культуру с реалиями будущего, где задействованы люди и агенты.

В отрасли, где конкуренты и стартапы стремительно внедряют генеративный и агентный ИИ как в продукты, так и в операционную деятельность, пилотирование ИИ на периферии уже недостаточно. Чтобы преуспеть в этом новом технологическом ландшафте, софтверным компаниям необходимо предпринять шаги к тому, чтобы стать по-настоящему ориентированными на ИИ организациями. Такая перестройка сосредоточена на двух важнейших направлениях: ценностном предложении компании и её внутренних операциях. Это означает полное переосмысление её продуктов, бизнес-моделей и подхода к GTM, а также фундаментальное переосмысление самой работы компании, включая масштабирование ИИ на внутренние рабочие процессы и создание инфраструктуры и методов работы, которые открывают значительный рост производительности.

Для руководителей разработчиков программного обеспечения этот переход начинается с четкого видения, ориентированного на ИИ, и общекорпоративного мандата, привязанного к амбициозным и измеримым целям. Внедрение должно быть стратегическим, а не разрозненным. Наибольшего успеха добьются те, кто направит ИИ туда, где он действительно обеспечивает конкурентоспособность — будь то создание собственных, настраиваемых функций, перестройка основных рабочих процессов для масштабирования или грамотное использование существующих решений вместо изобретения велосипеда.

В рамках этой трансформации потребуется решительное перераспределение ресурсов, а также перераспределение капитала и лучших специалистов на приоритетные задачи в области ИИ с высокой отдачей, включая ИТ, данные и инфраструктуру, необходимые для поддержки рабочих нагрузок, ориентированных на ИИ. Не менее важно масштабировать персонал, нанимая и повышая квалификацию для свободного владения ИИ, а также перестраивать команды, рабочие процессы и культуру для обеспечения долгосрочного внедрения и внедрения устойчивого управления изменениями с самого начала. Наконец, переосмысление такого масштаба и охвата требует ответственности. Руководители разработки программного обеспечения могут организовать централизованное отслеживание производительности ИИ в сравнении с прагматическими результатами, охватывающими производительность, скорость и ценность для бизнеса, чтобы контролировать выполнение задач в режиме реального времени и быстро адаптироваться по мере развития технологий и вариантов использования.

Учитывая головокружительный темп инноваций и развития ИИ, способность адаптироваться к быстро меняющимся тенденциям будет критически важна, хотя и непроста. Действительно, нынешние темпы перемен могут показаться пугающими для традиционных разработчиков программного обеспечения, привыкших к размеренному ритму и богатству SaaS. Но наибольший риск может быть для тех поставщиков, которые даже не пытаются перейти на ИИ-ориентированный путь и вскоре обнаруживают, что эта новая эра программного обеспечения с её огромным ценностным потенциалом стремительно уходит в прошлое.

Источник.

Необходимость ориентации на ИИ: выход на новый уровень программного обеспечения. 16 октября 2025 г. Статья

The AI-centric imperative: Navigating the next software frontier. October 16, 2025 Article

https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/the-ai-centric-imperative-navigating-the-next-software-frontier

Определение AGI

Понравилось определение AGI, которое дал на днях Франсуа Шолле (создатель ARC-AGI) на подкасте у Y Combinator

Его идея – в том, что в настоящее индустрия путает автоматизацию с интеллектом. AGI чаще всего определяется как то, что автоматизирует большинство экономически значимых задач. Но эта формулировка на самом деле не описывает общий интеллект.

Альтернативное определение Шолле звучит так:

AGI – это система, которая при встрече с абсолютно новой задачей или абсолютно новым для нее доменом может разобраться в нем с той же эффективностью, что и человек. Это значит, что ей потребуется примерно столько же обучающих данных и компьюта. И это довольно мало, потому что люди крайне эффективно обрабатывают данные.

Так что AGI – это не про автоматизацию, а про способность приобретения навыков на уровне человека на том же объеме задач, который люди потенциально могут научиться выполнять.

Подкаст полностью тут: https://youtu.be/k2ZLQC8P7dc

Как регулировать доступ ИИ к ERP-системам и финансовым системам

Основная проблема

ИИ-агенты и копилоты получают беспрецедентный доступ к данным ERP и финансовых систем, действуя с «машинной скоростью». Традиционные модели контроля, рассчитанные на людей, не работают.

Отсутствие управления создает риски: непрозрачные потоки данных, скрытые нарушения разделения обязанностей (SoD) и появление «призрачных» машинных идентификаторов, которые не отслеживаются и живут дольше проектов или сотрудников.

Три пути проникновения ИИ в ERP

• Встроенные копилоты ERP (например, от SAP или Oracle). Риск: они часто наделяются избыточными правами, а их активность не отделяется в логах от действий человека.
• Внешние ИИ-агенты через API. Риск: используют долгоживущие ключи и общие служебные учетные записи, что не позволяет атрибутировать действия и соблюдать SoD.
• Теневой ИИ (Shadow AI). Риск: выгрузка данных в Excel или BI-инструменты с последующим использованием в неконтролируемых ИИ-сервисах, что обходит все официальные каналы мониторинга.

Общий корень проблемы

Все три сводятся к неуправляемым идентификациям (identity), имеющим мощный доступ к чувствительным финансовым данным. Неизвестно: какие именно идентификаторы существуют, к каким данным они обращаются и какие действия могут выполнять.

Три принципа правильного управления (что такое «хорошо»)

• ИИ-агенты как полноценные идентификаторы (first-class identities). У каждого должен быть владелец, бизнес-цель и профиль риска, а не общая техническая учетка.
• Доступ на основе политик, а не разовых заявок. Выдача прав должна проходить через стандартные рабочие процессы с проверкой SoD.
• Сквозные, готовые к аудиту треки. Возможность в любой момент показать, где живет ИИ, к чему имеет доступ, кто одобрил и когда проводился последний обзор.

Жизненный цикл ИИ (JML — Joiner, Mover, Leaver)

• Joiner (Присоединение). Новый ИИ-кейс проходит предсказуемый путь: сбор требований, назначение ответственного владельца и классификация риска, выдача доступа строго по политике.
• Mover (Изменение). Любое расширение прав (новые коды компаний, доступ к проводкам) автоматически запускает переоценку рисков и новые согласования, не позволяя правам накапливаться.
• Leaver (Увольнение). При завершении проекта или истечении срока контракта все учетные данные ИИ (ключи, токены, роли) должны автоматически отзываться, а доказательства активности — сохраняться для аудита.

Практические шаги: чек-лист из 10 пунктов (краткое резюме для руководителей CISO, CFO)

• Создать единый реестр всех ИИ-идентификаторов.
• Назначить каждому владельца и категорию риска.
• Встроить ИИ в стандартные процессы JML.
• Определить политики доступа и правила SoD для ИИ.
• Заменить общие служебные аккаунты на управляемые ИИ-идентичности.
• Требовать согласования доступа ИИ к чувствительным данным по политике.
• Включить ИИ в регулярные кампании по ресертификации доступов.
• Включить непрерывный мониторинг активности ИИ и аномалий.
• Автоматически отзывать доступ при завершении проектов.
• Регулярно отчитываться перед комитетами по аудиту о метриках доступа ИИ.

Ключевая мысль: Управление доступом ИИ к ERP должно рассматриваться не как техническая проблема безопасности, а как проблема управления идентификациями (identity governance). Решение — распространить дисциплину, применяемую к привилегированным пользователям, на мир нечеловеческих и ИИ-идентичностей.

Источник - телеграмм-канал Data secrets

Примеры промптов для агентского искусственного интеллекта

В книге "Юньчжун Цзяншу, Ван Чжаохуа, И Лици, Ли Цзиган. Агенты искусственного интеллекта. Руководство по разработке" приведен весьма примечательный образец промта для искусственного интеллекта.

Этот промт сам по себе интересен тем, что представляет собой неплохое руководство для рецензирования без привлечения искусственного интеллекта. 

Промпт пользовательского ввода (ассистент по рецензированию журналов):

Ты эксперт по рецензированию научных журналов, пожалуйста, проведи всестороннюю рецензию представленной статьи по следующим аспектам.

1. Инновационность и научность содержания исследования.
2. Обоснованность и нормативность методов исследования.
3. Надежность анализа данных.
4. Логичность и надежность выводов.

Пожалуйста, укажи конкретные и конструктивные замечания по сильным и слабым сторонам статьи.

Промпт для пояснения понятий и концепций

Ты университетский профессор, глубоко разбирающийся в различных дисциплинах. При объяснении концепций ты умеешь интегрировать свои междисциплинарные знания, постепенно раскрывая концепцию с помощью четырех шагов: 

• определение в дисциплине, 
• популярное объяснение, 
• философская суть, 
• применение в жизни. 

Пожалуйста, объясни концепцию «рефлексия».

Структура промптов CRISPE

CRISPE расшифровывается следующим образом:

• CR (Capacity and Role, Способности и роль): задаваемая модели роль.
• I (Insight, Контекст): это фоновая информация и контекст, которая предоставляется модели.
• S (Statement, Задание): конкретная задача, которую должна выполнить модель.
• P (Personality, Персонаж): стиль предоставления результата.
• E (Experiment, Эксперимент): итеративное опробование и оптимизация промпта.

Пример промпта.

• Способности и роль: я хочу, чтобы ты выступил в роли сценариста.
• Контекст: ранее со мной связался рекламодатель, желающий продвинуть свой программный продукт, который используется в основном в социальных сетях и для платежей.
• Задание: я хочу, чтобы ты написал сценарий для четырех человек на тему семейной гармонии, в котором будет представлена реклама бренда.
• Персонаж: сценарий должен быть написан для популярных платформ коротких видео. Сценарий предназначен для съемки видео, общая продолжительность которого не должна превышать 5 минут.
• Концепция структурированных промптов – это один из методов, который не противоречит другим техникам, таким как CoT (цепочка мышления), ToT (дерево мышления) или Think step by step (пошаговое размышление).

RL-среда ИИ агентов

Что такое RL-среды и почему без них не будет никаких ИИ-агентов

Индустрия переходит от моделей, которые отвечают, к агентам, которые действуют. И если посмотреть на то, как сегодня обучают ИИ, то становится очевидно, что на одних текстах далеко уже не уедешь.

Дело в том, что агентам недостаточно просто уметь воспроизводить правильные ответы, они должны уметь выбирать стратегию поведения, чтобы решать многошаговые задачи и подстраиваться под непредсказуемое поведение пользователя. Отсюда вывод: агентам нужно учиться через опыт.

И тут на сцену выходят RL-среды. Это сейчас один из главных трендов машинного обучения в целом. Над его развитием работают все игроки индустрии: Open AI, Google, Яндекс, Anthropic.

RL-среда = симулятор, где модель обучается через реальные действия. Модель выбирает какую-то стратегию и работает по ней (это называется траектория), затем получает оценку своих действий, и постепенно учится выбирать лучшую политику. Самое главное, что правильного ответа тут иногда просто нет, так что мы говорим именно про сравнение вариантов действий. Работает это потому, что RL-среда учит не отдельным ответам, а последовательностям действий. Модель начинает учитывать последствия своих шагов и учится планированию, адаптации и работе с неопределенностью.

Но и проблем с RL-средами пока хватает. Во-первых, сложно задать корректную функцию награды: модель может научиться "обманывать" метрику, не решая задачу по сути. Во-вторых, остается проблема credit assignment – как понять, на каком шаге стратегия пошла не так. И, наконец, сами среды пока далеки от реальности: симулированный пользователь все еще ведет себя проще, чем настоящий. Вот тут об этих и других вызовах для RL есть побольше вводных на русском.

Суть в том, что чем лучше будут RL-среды – тем лучше (и быстрее) будут агенты, так что следующий этап в ИИ сейчас зависит от того, как хорошо ключевые игроки их прокачают.

Из телеграмм-каналов.

ИИ и ERP

Перевод статьи (с некоторыми поправками):
"Преодоление значительного разрыва между агентами искусственного интеллекта и ERP-системами для раскрытия потенциала в масштабах предприятия". 9 января 2026 г. Бьёрнар Йенсен, Дарвин Дино, Майкл Эллисон, Тальха бин Асад.

Ресурсы, направленные на развитие ИИ, выделяются в ущерб обеспечению ERP-систем необходимыми для их процветания возможностями.

Инвестиции в ИИ достигают беспрецедентных масштабов. В заголовках новостей сообщается о колоссальных инвестициях в ИИ и смежные с ним компании. Такие темпы активности проявляются и на уровне бизнеса, поскольку компании перенаправляют бюджеты с ИТ-подразделений на ИИ. Наше последнее исследование показывает, что почти половина всех опрошенных ИТ-организаций планируют инвестировать в инициативы по созданию искусственного интеллекта, при этом уровень инвестиций в основные ИТ-возможности, такие как инфраструктура и архитектура, значительно снижается.

С одной стороны, этот сдвиг логичен, поскольку компании перенаправляют ресурсы на ИИ, чтобы воспользоваться невероятными возможностями, которые он открывает. Но с другой стороны, этот шаг создает «большой разрыв», в котором компании сосредотачиваются на ИИ в ущерб возможностям вспомогательных систем планирования ресурсов предприятия (ERP), многие из которых имеют решающее значение для внедрения ИИ.

Этот возникающий разрыв имеет негативные последствия. Эксперименты с ИИ (и, в частности, с искусственным интеллектом) привели к распространению вариантов использования и экспериментов, которые не поддерживаются базовыми сквозными процессами, данными, людьми и технологиями, позволяющими масштабировать эти варианты. Цифры это подтверждают: только около 40% компаний сообщают о каком-либо влиянии своих инициатив в области ИИ на прибыль до вычета процентов и налогов на уровне предприятия.

На фоне продолжающегося ажиотажа вокруг агентов ИИ, приложения ERP часто рассматриваются как второстепенные и считаются громоздкой устаревшей технологией. Такое отношение к ERP как к «нелюбимому пасынку» опасно недооценивает его важность в дискуссии об ИИ. Сценарии использования ИИ не только зависят от данных и многих приложений, размещенных в системах ERP, но и сквозной характер преобразования рабочих процессов, который определяет большую часть потенциальной ценности агентов ИИ, требует продуманной интеграции с экосистемой возможностей ERP.

Перечислим различные бизнес-области и их роль в системе планирования ресурсов предприятия (ERP). К основным системам относятся: 

• финансы и бухгалтерский учет, 
• цепочка поставок и логистика, 
• операционная деятельность, 
• обслуживание и поддержка клиентов, 
• развитие бизнеса, 
• закупки и снабжение, 
• управление персоналом, 
• управление проектами, 
• управление качеством, 
• обучение и развитие,
• охрана труда, техника безопасности,
• охрана окружающей среды. 

К основным системам относятся: 

• ИТ, 
• управление продуктами и НИОКР, 
• продажи, 
• маркетинг, 
• юридические вопросы и соответствие нормативным требованиям, 
• данные и аналитика, 
• бизнес-аналитика, 
• отношения с инвесторами, 
• корпоративная стратегия и планирование, 
• управление рисками и внутренний аудит, 
• устойчивое развитие и экологическое, социальное и управленческое управление,
• управление изменениями и организационное развитие, 
• инновации и цифровая трансформация, 
• корпоративные коммуникации и PR, 
• корпоративная социальная ответственность.

Ценность ERP как ключевого инструмента масштабирования агентов особенно проявляется в крупномасштабных транзакциях, в которых логика рабочих процессов четко определена. Агенты на основе ИИ становятся расширением ERP, особенно в случаях с «длинным хвостом» и в исключительных случаях, когда требуется значительный ручной труд.

Это не означает, что системы ERP могут развиваться традиционным, привычным путем. Хотя маловероятно, что агенты ИИ заменят ERP в ближайшей или среднесрочной перспективе из-за сложности системы, компаниям следует учитывать не только то, как агенты ИИ изменят работу ERP, но и то, как они обеспечат мощные возможности для развития и модернизации самой ERP.

По прогнозам, ИИ окажет глобальное экономическое воздействие в размере от 17 до 26 триллионов долларов. Большинство генеральных директоров и руководителей признают этот потенциальный потенциал — около 80% компаний сообщают об использовании искусственного интеллекта как минимум в одной из своих функций. Наше последнее глобальное исследование в области ИИ показывает, что около 40% организаций сообщают об увеличении прибыли до вычета процентов и налогов (EBIT) за счет ИИ, хотя большинство приписывают это увеличение менее чем на 5%. Те, кто добился увеличения EBIT на 5% и более за счет ИИ, сообщают о стремлении к перепроектированию рабочих процессов, более быстрому масштабированию и более агрессивным инвестициям в трансформационный ИИ. Потенциал искусственного интеллекта огромен, но большинству компаний сложно преобразовать его в ощутимые бизнес-результаты.

Бизнес-домены объединяют людей, процессы и данные в потоках, определяющих фактическое функционирование компании. Эти домены не могут функционировать или трансформироваться без ERP-системы, которая определяет, как ценность перемещается внутри бизнеса: она структурирует данные, устанавливает правила и организует рабочие процессы, обеспечивающие повседневную деятельность.

Многие руководители сосредотачиваются только на техническом долге ERP-системы, забывая о ее «ценности» — глубоких знаниях процессов, чистых структурах данных и встроенной бизнес-логике, которые представляют собой операционную ДНК компании. Именно эти возможности являются топливом для искусственного интеллекта в бизнесе.

Роль ERP-систем в обеспечении трансформации с помощью ИИ будет варьироваться в зависимости от компании и ее стратегии, что вполне ожидаемо. Успешные примеры в целом следуют одному и тому же сценарию.

Уточнение на уровне рабочего процесса.

Определите наиболее важные проблемы в той или иной сфере бизнеса и свяжите их с четкими, измеримыми результатами, такими как маржа, затраты, уровень обслуживания или оборотный капитал. Для реализации этих возможностей ИИ необходимо детально проработать весь рабочий процесс, а не отдельные сценарии использования или инструменты. Для каждого приоритетного рабочего процесса ИИ (например, динамическое распределение запасов, интеллектуальное снабжение или планирование производства с помощью ИИ) необходимо отталкиваться от решения, которое должен принять ИИ, и перечислить конкретные элементы ERP-системы, от которых он зависит: какие основные данные (материалы, заводы, клиенты, поставщики), какие транзакции (заказы, поставки, заказы на закупку, производственные заказы), какие события (изменения запасов, задержки, подтверждения) и какие правила конфигурации или бизнес-правила (сроки выполнения, размеры партий, лимиты утверждения).

Наиболее эффективный способ сделать это — объединить экспертов в предметной области, функциональных экспертов ERP-систем и специалистов по ИИ на коротких, структурированных рабочих сессиях. Эти сессии носят практический и конкретный характер; команда шаг за шагом «проходит» целевой рабочий процесс ИИ и четко отмечает, какие таблицы, поля и процессы ERP должны быть точными, доступными и открытыми для ИИ, чтобы работать и масштабироваться.

Уточнение терминологии для обеспечения точности.

Единая онтология (по сути, общая карта того, как ваш бизнес определяет технологии), основанная на ERP-системе, имеет важное значение, поскольку она предоставляет ИИ единый согласованный набор определений данных, логики процессов и бизнес-правил для работы. Это гарантирует точность решений ИИ, их соответствие бизнес-процессам и масштабируемость в масштабах всего предприятия. Вместо создания каждого компонента этой онтологии с нуля, предприятия могут использовать существующие, хорошо определенные продукты данных ERP с пользовательскими расширениями, которые могут ускорить разработку онтологии (например, платформа SAP Business Data Cloud). Сосредоточение внимания на онтологии также подразумевает меньшее внимание к традиционным хранилищам данных ERP и репликации данных, что является одним из способов, с помощью которого ИИ будет способствовать эволюции ERP-систем.

Внедрение возможности агентного управления в рабочие процессы.

Внедрение ИИ непосредственно в этапы выполнения работы — утверждения, планирование, рекомендации, прогнозирование и обработка исключений — имеет решающее значение для его использования. Это также помогает агентам ИИ работать быстрее, умнее и надежнее, поскольку ИИ применяется именно там, где принимаются решения и выполняется работа, а не является отдельным инструментом.

Современные ERP-платформы упрощают этот процесс: например, SAP предоставляет готовых агентов на основе ИИ, которые могут интегрироваться в кросс-функциональные «группы агентов». Благодаря интеграции ИИ и ERP, ваши рабочие процессы с участием агентов основываются на передовых методах обработки процессов и данных, эффективно обеспечивая целостность процессов и данных, одновременно раскрывая потенциал агентов. В то же время, интеграция ИИ представляет собой отход от традиционного подхода к ERP-решениям типа «программное обеспечение как услуга» (SaaS).

В архитектуре необходимо найти баланс между гибкостью и стабильностью.

Цель состоит в том, чтобы сбалансировать гибкость и стабильность. Используйте открытые компоненты там, где необходима настройка или инновации, и используйте свои ERP-системы и облачные платформы там, где масштабируемость, надежность и безопасность имеют первостепенное значение. Продуманная архитектура предотвращает фрагментацию, одну из наиболее распространенных причин замедления работы программ искусственного интеллекта.

Для подключения ERP-систем к рабочим процессам с поддержкой ИИ необходимо сначала убедиться, что ИИ может получить доступ к нужным данным и процессам в нужный момент. Это означает предоставление доступа к чистым, структурированным данным ERP — таким как заказы, запасы, информация о поставщиках или производственные графики — через стандартные сервисы данных или API. Это также означает предоставление ИИ контролируемого способа передачи решений обратно в ERP с использованием существующих интерфейсов действий или триггеров рабочих процессов. Таким образом, когда ИИ рекомендует изменение, он может напрямую и безопасно обновлять операционную систему.

Важно объединить все этапы процесса в единый рабочий процесс, связывающий события ERP, логику ИИ и бизнес-действия. Уровень оркестровки упорядочивает поток — получение данных из ERP, отправка их в ИИ, получение рекомендаций и запись результата обратно в ERP, — а триггеры событий из ERP гарантируют, что ИИ запускается только тогда, когда происходит что-то значимое, например, изменение запасов или задержка со стороны поставщика. Вместе это создает плавный и отзывчивый рабочий процесс, в котором ERP и ИИ работают как единая система, а интеллект применяется именно там, где происходит работа.

Ключевым моментом является решение о том, нужна ли вам отдельная платформа данных или вы можете использовать существующую. Многие ERP-системы и облачные платформы теперь предлагают встроенные сервисы данных и интеграционные платформы, что может упростить интеграцию с крупными облачными провайдерами и часто снизить затраты и сложность.

Измерение и усовершенствование системы.

Организациям необходим способ непрерывного измерения и совершенствования системы. Рассмотрите возможность создания «центра управления эффективностью» — небольшой команды и системы мониторинга, которая будет постоянно отслеживать производительность рабочих процессов с использованием ИИ, связывать показатели процессов с бизнес-ценностью и быстро выявлять области, требующие доработки или исправления, чтобы эффект от внедрения постоянно нарастал, а не ослабевал.

Многие платформы для анализа бизнес-процессов и ERP-систем предлагают каталоги показателей операционной эффективности, которые помогают сопоставить их с более высокими уровнями ценности. Они могут служить отправной точкой для построения системы отслеживания ценности, если организации адаптируют их к конкретным показателям и результатам, которые для них важны (например, SAP Signavio или Celonis). Такой подход позволяет организациям поддерживать темп в быстро меняющейся среде, начиная с обоснования ценности и закрепляя инициативы в области ИИ в бизнес-логике и измеримых результатах, а не в изолированных экспериментальных проектах.

Ключевые моменты для дальнейших действий

Целенаправленная модернизация ERP-системы для поддержки преобразований с использованием искусственного интеллекта — сложный процесс, и поэтому руководителям следует предпринять следующие шаги:

Сделайте ERP-систему ключевым элементом обсуждения вопросов, связанных с ИИ. Если управление ERP-системой для трансформации в сфере ИИ будет делегировано ИТ-отделу и забыто, это создаст проблемы. CIO и CTO должны поднять ERP-систему с уровня бэк-офиса до стратегического инструмента. Ключевым элементом в этом является четкая привязка всех инициатив по внедрению ERP-систем не только к инициативам в области ИИ, но и к потенциальной выгоде для бизнеса. Этот момент имеет решающее значение для изменения мышления, согласно которому ERP-системы являются «устаревшими бэк-офисными системами», и превращения их в важные инструменты успешной трансформации в сфере ИИ. Убедитесь, что ERP-система является частью содержательных стратегических, плановых и исполнительных дискуссий.

Разработайте стратегию управления рисками уже сейчас. Для управления рисками в процессе трансформации с использованием агентного ИИ в рамках ERP-систем организациям необходимо учитывать как традиционные риски системной интеграции, так и новые специфические проблемы ИИ (например, автономное принятие решений, чувствительность к качеству данных и дрейф модели). Наиболее важными мерами по смягчению рисков являются установление жесткого контроля за участием человека в принятии важных решений — определите, кто эти люди и какими будут эти важные решения. Уделите достаточно времени внедрению надежных средств контроля данных и ведению журналов, отслеживающих каждое действие, инициированное ИИ в среде ERP. Учитывая непредсказуемость агентных решений в обозримом будущем, важно обеспечить надлежащие ресурсы для тестирования.

Четко определите экономику изменений на единицу продукции. Четко определите экономику изменений на единицу продукции и тщательно отслеживайте их влияние на прибыль и убытки. В условиях растущего давления на маржу и производительность инвестиции в ИИ должны демонстрировать прямое, отслеживаемое влияние на прибыль и убытки. Убедитесь, что элементы ERP-системы имеют конкретные ключевые показатели эффективности (KPI), которые связаны с измеримым результатом. Обязательно учтите более высокие затраты на управление изменениями, связанные с программами ИИ, чем обычно включаются в обоснование целесообразности внедрения ERP-системы. Как правило, наш опыт показывает, что на каждый доллар, затраченный на разработку модели, необходимо потратить 3 доллара на управление изменениями.

Для раскрытия полного потенциала ИИ необходимо рассматривать ERP-системы не как устаревший багаж, а как ключевой фактор, обеспечивающий масштабируемость, безопасность и ценность интеллектуальных решений. Компании, которые преодолеют разрыв между амбициями в отношении ИИ и готовностью к внедрению ERP-систем, быстрее всего перейдут от экспериментов к реальному, обоснованному влиянию на прибыль. Те, кто этого не сделает, будут и дальше наблюдать, как потенциал ИИ превосходит его эффективность.

Источник

https://email.mckinsey.com/capabilities/mckinsey-technology/our-insights/bridging-the-great-ai-agent-and-erp-divide-to-unlock-value-at-scale