Искусственный интеллект, сценарии будущего

Искусственный интеллект, сценарии будущего
Автор: Фрэнк Диана

Когда наука, технологии, общество, геополитика, экономика, философия и окружающая среда начинают двигаться вместе, изменения перестают быть набором отдельных потрясений и начинают выглядеть как переходный процесс.

Это поднимает следующий вопрос: что делает некоторые технологии достаточно мощными, чтобы ускорить подобный переход?

История предлагает одну полезную категорию: технологии общего назначения. Это не обычные инструменты. Они не просто улучшают выполнение одной задачи, работу одного рынка или одной отрасли. Они становятся частью функционирующей структуры общества. Они меняют то, как люди работают, как координируются институты, как создается ценность, как распространяются знания и как организована повседневная жизнь.

Огонь, язык, письменность, книгопечатание, паровая энергия и электричество — все они по-разному передавали это качество. Они имели значение не только потому, что давали людям новые возможности, но и потому, что вокруг них начали перестраиваться другие системы. Письменность изменила память, право, управление, торговлю, религию и власть. Книгопечатание изменило доступ к знаниям, религиозную жизнь, научный обмен, образование, политику и общественные дебаты. Пар и электричество изменили производство, транспорт, города, труд, время, коммуникацию и масштабы экономической жизни.

Именно это отличает универсальную технологию от мощного изобретения. Мощное изобретение способно решить проблему. Универсальная технология меняет среду, в которой многие проблемы понимаются и решаются. Она становится платформой для дальнейших изменений.

Вот почему искусственный интеллект часто сравнивают с электричеством. Это сравнение полезно, но оно неполное. Электричество преобразило мир, изменив возможности человеческих систем. Оно сделало энергию более гибкой, распределенной и адаптируемой. Со временем заводы, дома, города, бытовая техника, связь, развлечения, медицина, транспорт и повседневная жизнь перестроились вокруг него. Самое глубокое влияние электричества заключалось не в замене одной машины другой, а в перепроектировании окружающей системы.

Искусственный интеллект может следовать схожим путем, но он также вносит нечто иное. Это не просто механизм развития возможностей. Это еще и механизм накопления знаний.

Это различие имеет значение. Механизм, определяющий возможности, меняет то, что могут делать люди и учреждения. Механизм, определяющий знания, меняет то, как люди открывают, генерируют, интерпретируют, проверяют, распространяют знания и действуют на их основе. Искусственный интеллект, похоже, делает и то, и другое. Он может автоматизировать задачи, помогать работникам, писать код, генерировать контент, анализировать данные и поддерживать принятие решений. Но он также может изменить то, как проводятся научные исследования, как учатся студенты, как специалисты ищут ответы, как рассуждают организации, как граждане получают информацию и как учреждения определяют экспертные знания.

Именно поэтому ИИ нельзя понимать лишь как очередную волну автоматизации. Автоматизация меняет рынок труда. ИИ может изменить и сами условия познания.

На протяжении всей истории рост знаний был одним из главных двигателей системных преобразований. Человечество открыло для себя способы одомашнивания растений и животных. Они научились писать, считать, измерять, классифицировать, ориентироваться, экспериментировать, печатать, механизировать, электрифицировать, вычислять и создавать сети. Каждое расширение знаний меняло то, что общества могли себе представить и организовать. Знания не просто накапливались в библиотеках или лабораториях. Они изменяли институты, убеждения, рынки, инструменты, профессии и власть.

Однако знания обычно развивались за счет человеческих ограничений. Они распространялись со скоростью наблюдений, обучения, путешествий, дискуссий, экспериментов, публикаций и институционального признания. Даже когда происходили прорывы, им приходилось проходить через человеческие системы интерпретации и применения. Рост знаний был мощным, но он был ограничен человеческим вниманием, человеческой экспертизой, человеческой координацией и человеческим временем.

Искусственный интеллект меняет эту ситуацию. Он предоставляет большему числу людей доступ к таким формам анализа, синтеза, перевода, распознавания образов, моделирования и генерации контента, которые ранее были ограничены уровнем квалификации, образованием или институциональным положением. Он может помочь ученому исследовать гипотезы, студенту освоить сложную концепцию, врачу проверить информацию, работнику справиться со сложной задачей, руководителю проанализировать меняющуюся обстановку или гражданину задать вопросы, которые раньше требовали обращения к специалистам. В то же время он может порождать путаницу, ложную уверенность, дезинформацию, зависимость и новые формы манипуляции. В этом заключается двойственная природа системы знаний. Она расширяет доступ к информации, одновременно увеличивая бремя принятия решений.

Именно здесь ИИ начинает выглядеть исторически необычно. Возможно, это технология общего назначения, поскольку она способна реорганизовывать работу, институты, рынки, образование, науку, СМИ и управление. Но она также может быть двигателем знаний, поскольку меняет то, как эти системы познают то, что они знают. Электричество не давало ответов на вопросы. Паровая энергия не обобщала юридические аргументы. Печать распространяла знания, но не создавала новых объяснений в реальном времени. Цифровые вычисления обрабатывали информацию, но ИИ все чаще участвует в производстве, интерпретации и применении самих знаний.

Такое сочетание открывает для ИИ совершенно иные возможности. Если бы ИИ был лишь инструментом повышения производительности, переход был бы важным, но более ограниченным. Организации использовали бы его для снижения затрат, повышения скорости и автоматизации отдельных задач. Многие ранние приложения до сих пор соответствуют этой модели. ИИ помогает писать электронные письма, обобщать документы, создавать изображения, помогает в программировании, поддерживает обслуживание клиентов и улучшает рабочие процессы. Эти варианты использования важны, но они по-прежнему в основном являются точечными решениями. Они добавляют новые возможности к существующим структурам.

Более глубокие изменения начинаются, когда эти структуры начинают меняться вокруг ИИ. Образование — яркий тому пример. Если ИИ используется только для того, чтобы помочь студентам писать эссе или учителям составлять планы уроков, он остается инструментом в рамках старой модели. Но если ИИ меняет само понятие обучения, оценки способностей, персонализированной поддержки, проверки понимания, руководства непрерывным развитием и определения роли учителей, тогда сама система начинает меняться. Вопрос уже не в том, должны ли студенты использовать ИИ. Вопрос в том, для чего нужно обучение, когда знания мгновенно доступны, генерируются и передаются интеллектуальными системами.

Наука предлагает еще один пример. Если ИИ используется только для поиска литературы или автоматизации административной работы, он улучшает существующие исследовательские процедуры. Но если ИИ помогает генерировать гипотезы, моделировать сложные системы, ускорять открытия, проектировать молекулы, интерпретировать биологические данные и связывать результаты исследований из разных областей, то сам процесс получения знаний меняется. Научный процесс не исчезает, но его отдельные части могут стать быстрее, более распределенными и в большей степени основанными на вычислительных методах.

Учреждения сталкиваются с аналогичными изменениями. Если ИИ используется только для обработки форм, подведения итогов совещаний или улучшения взаимодействия в сфере обслуживания, он остается лишь элементом повышения эффективности. Но если ИИ начинает влиять на решения, касающиеся права на получение услуг, рисков, доверия, правоприменения, медицинского обслуживания, кредитования, трудоустройства, идентификации личности или публичной информации, то учреждениям необходимо переосмыслить подотчетность, прозрачность, легитимность и механизмы защиты прав. Вопрос заключается не только в том, улучшает ли ИИ производительность, но и в том, могут ли люди понимать, оспаривать и доверять системам, которые влияют на их жизнь.

Вот почему аналогию с электричеством следует использовать с осторожностью. Электричество стало фактором трансформации, когда мир перестроился вокруг электроэнергии. Искусственный интеллект может стать фактором трансформации, когда мир перестроится вокруг знаний и интеллекта, передаваемых машинами. Это более тесный сдвиг, поскольку знания тесно связаны с человеческой деятельностью. Они формируют то, во что люди верят, что оправдывают институты, что ценят общества и какие варианты выбора кажутся возможными.

Рост знаний всегда расширял человеческие возможности, но также ограничивал человеческие ресурсы. Каждое крупное расширение знаний заставляло людей адаптировать свои институты, убеждения, системы образования, этические нормы и социальные структуры. Печатный станок способствовал распространению знаний, но также дестабилизировал авторитет. Научные знания расширили контроль человека над природой, но также бросили вызов унаследованным мировоззрениям. Промышленные знания увеличили производство, но также создали новые формы эксплуатации и экологического давления. Цифровые знания связали мир, но также отвлекли внимание и ослабили ощущение общей реальности.

Искусственный интеллект расширяет эту модель, но с большей скоростью и охватом. Именно поэтому вопрос не сводится к тому, станет ли ИИ универсальной технологией. Более глубокий вопрос заключается в том, станет ли ИИ одновременно универсальной технологией и механизмом обработки знаний. Если это произойдет, то его влияние не ограничится автоматизацией или повышением производительности. Он затронет то, как общества учатся, принимают решения, управляют, создают, конкурируют, заботятся, запоминают и осмысливают.

Это напрямую влияет на наше понимание следующего этапа трансформации. Если ИИ рассматривается лишь как инструмент, руководители будут задаваться вопросом, как его использовать. Если же ИИ рассматривается как технология общего назначения, руководители будут спрашивать, как бизнес-модели, институты, инфраструктура, трудовые отношения и управление могут реорганизоваться вокруг него. Если же ИИ рассматривается также как механизм обмена знаниями, руководители должны задать более глубокий вопрос: как люди и институты смогут сохранить рассудительность, доверие, самостоятельность и мудрость, когда сами знания станут быстрее, обильнее, более синтетическими и более опосредованными?

Возможно, это более сложная задача. Будущее будет формироваться не только тем, что может создать ИИ. Оно будет формироваться тем, что люди могут понимать, усваивать, задавать вопросы и управлять. Мир с большим количеством знаний не становится автоматически мудрее. Мир с большим количеством ответов не развивает автоматически лучшие суждения. Мир с большим количеством интеллекта, заложенного в инструментах, не защищает автоматически человеческое достоинство, смысл жизни или ответственность.

Здесь начинают соединяться четыре движущих силы перехода. Рост знаний расширяет границы возможного. Универсальные технологии превращают возможности в новые компетенции. Конвергенция распространяет эти возможности на различные области. Человеческий потенциал определяет, смогут ли люди и учреждения адаптироваться к изменениям, не теряя при этом согласованности, доверия и самостоятельности.

Искусственный интеллект может быть мощным инструментом, потому что он задействует не один из этих механизмов. Это может быть технология общего назначения, но она также может ускорить рост и применение самих знаний. Такое сочетание помогает объяснить, почему нынешний момент ощущается иначе. Мир получает не только новый инструмент, но и, возможно, новый способ производства и распространения интеллекта в рамках всей системы.

Таким образом, вопрос этого выпуска не в том, впечатляет ли ИИ. Он, безусловно, впечатляет. Вопрос в том, останется ли ИИ инструментом в рамках существующей системы или станет одной из сил, вокруг которых начнет формироваться следующая система.

Если ИИ — всего лишь инструмент, старые структуры могут его поглотить. Если же ИИ — это технология общего назначения, эти структуры могут начать меняться вокруг него. Если же ИИ — это ещё и механизм познания, то переход зайдёт ещё глубже, в то, как люди познают, принимают решения, доверяют, создают и понимают мир.

Именно поэтому следующий этап перехода нельзя понять, опираясь только на технологии. Его необходимо понимать через взаимодействие знаний, возможностей, конвергенции и человеческого потенциала.

Источник
https://frankdiana.net/2026/06/08/ai-may-be-two-engines-at-once/?jetpack_skip_subscription_popup

Семь принципов работы с ИИ

Практически в каждой компании есть инструменты искусственного интеллекта, но мало кто действительно умеет ими пользоваться. Руководители 15 компаний, активно использующих ИИ, утверждают, что разница сводится к семи основным принципам работы, в которых большинство организаций по-прежнему допускают ошибки.

Генеральный директор стартапа в сфере B2B-маркетплейса разрабатывает интеграционные решения для производственных процессов с помощью голосовых заметок во время поездки в метро. Компания, занимающаяся агротехнологиями и насчитывающая 20 сотрудников, приостановила набор персонала, поскольку коммерческие модели обработки больших языков (LLM) теперь обрабатывают более половины задач практически во всех бизнес-функциях. На зрелой платформе разработки, безопасности и эксплуатации (DevSecOps) нетехнический персонал использует инструменты ИИ для исправления мелких ошибок и переименования функций, полностью обходя стороной инженерный отдел.

Это не единичные эксперименты. В течение последних нескольких месяцев мы встречались с руководителями технологических и бизнес-подразделений 15 компаний, ориентированных на ИИ, — представляющих разные континенты, отрасли и этапы развития, от стартапов из четырех человек до устоявшихся глобальных платформ, — чтобы узнать, что нужно для того, чтобы возможности ИИ действительно приносили результаты. Мы ожидали услышать 15 разных историй. Вместо этого, эта разнообразная группа компаний, независимая друг от друга, похоже, сошлась на одних и тех же фундаментальных идеях о том, что необходимо для успешного внедрения ИИ в центр организации. Именно это сближение и составляет суть истории.

Ранее в этом году мы опубликовали стратегическое руководство по созданию венчурных предприятий, ориентированных на ИИ. Эта статья развивает это руководство, выходя за рамки теоретических концепций и стратегий, чтобы определить практические методы, которые отличают успешные компании от тех, кто продолжает испытывать трудности с получением реальных результатов от своих усилий в области ИИ. И эти трудности реальны: согласно последнему глобальному исследованию McKinsey по ИИ, хотя 88% организаций сейчас используют ИИ как минимум в одной бизнес-функции, только около 1% считают себя полностью зрелыми, и примерно две трети еще не масштабировали ИИ за пределы отдельных пилотных проектов.

Что знают успешные предприятия такого, чего не знают их конкуренты? Похоже, их объединяет чувство перспектив. Вместо того чтобы внедрять генеративный и агентный ИИ просто для сокращения затрат и повышения производительности, они рассматривают эту технологию как множитель как амбиций, так и возможностей, необходимых для реализации этих амбиций. Мы обобщили полученные от этих лидеров знания в семь основных истин — с трудом приобретенных выводов, которые в совокупности составляют операционную систему для извлечения максимальной пользы из ИИ.

Искусственный интеллект — это не инструмент, это ваш товарищ по команде.

Истинная ценность ИИ заключается не в том, чтобы выполнять ту же работу быстрее. Она состоит в способности усиливать усилия отдельных людей с помощью агентов, которые функционируют как настоящие члены команды.

Когда мы начали наше исследование в конце прошлого года, руководители, как правило, описывали использование инструментов ИИ как личных помощников в повышении производительности. Спустя несколько месяцев они говорили о наличии настоящих коллег-агентов со своими именами, никами в Slack, общими досками задач — и возможностью автономного выполнения задач круглосуточно. Например, операционный директор финтех-компании, получившей финансирование серии D, использует многоагентную систему для проверки новых идей. Любой сотрудник может отправить идею продукта в виде одного предложения через Slack. После первоначальной проверки менеджером по продукту десять специализированных агентов одновременно работают над идеей, охватывая такие вопросы, как определение продукта, осуществимость бэкэнда, признание доходов и соответствие законодательству, и в течение нескольких часов предоставляют полный набор требований к продукту.

Генеральный директор компании, проводящей раунд финансирования серии А, имеет целый штат личных агентов, включая помощника руководителя, который отвечает на электронные письма и управляет его календарем, руководителя аппарата, который записывает встречи и самостоятельно разрабатывает и распространяет дальнейшие шаги, а также аналитика, предоставляющего данные в режиме реального времени с информационных панелей компании. По его словам, виртуальный персонал в пять раз повысил его производительность и эффективность. Мы слышали похожие истории от других руководителей, с которыми беседовали.

Структурная модель заключается в том, что работа переосмысливается как сотрудничество между людьми и агентами, при этом распределение задач направлено на расширение возможностей команд. Инженеры теперь занимаются проектированием и исследованием потребностей клиентов. Нетехнический персонал открывает запросы на слияние и запускает внутренние эксперименты. Предприятие, занимающееся вопросами устойчивого развития и состоящее из четырех человек, может обслуживать 20 корпоративных клиентов, создавая отчеты о соответствии требованиям за считанные минуты, на что раньше юридической фирме потребовались бы недели. Платформа, созданная в рамках раунда финансирования серии А, перешла от управления 50 сделками на одного консультанта к одновременному управлению 3000 сделками — не за счет увеличения штата в 60 раз, а за счет создания аналитиков-агентов, которые обрабатывают большой объем работы, позволяя людям сосредоточиться на важных, требующих доверия разговорах, которые действительно движут бизнесом. Это не повышение эффективности. Это принципиально иные бизнес-модели, ставшие возможными благодаря тому, что ИИ расширил горизонты деятельности команд.

Возможные ловушки

Обратная сторона отношения к агентам как к членам команды — это структурная зависимость. «Какие внешние эффекты мы создаём, погружаясь в этот мир агентов, которые мы не предвидели?» — спрашивает генеральный директор агротехнологического предприятия. «Какие кризисы мы потенциально усугубляем, всё больше передавая их в руки агентов?» Компания снижает этот риск за счёт продуманного проектирования ролей. Люди направляются на решение проблем, которые агенты действительно не могут решить — например, на разработку новых научных решений и налаживание партнёрских отношений, — и создаются пути эскалации на случай, если агенты достигнут предела своей компетенции. Партнерство человека и агента, по словам генерального директора, не означает «замену людей искусственным интеллектом. Речь идёт о точном определении того, где человеческий талант незаменим».

Смена лидера

Прекратите измерять эффективность ИИ по сэкономленным часам. Измеряйте по тому, на что компания теперь готова пойти. Назначайте агентам имена, обязанности и пути эскалации. Составьте карту перераспределения задач в вашей организации и перепроектируйте роли, чтобы они отражали новое соотношение людей и агентов.

Знайте, что строить и что покупать.

Создавайте только то, что действительно делает вас уникальными. Что касается всего остального, то то, насколько далеко вы сможете зайти, зависит от вашего собственного уровня комфорта.

Первое решение — создавать или покупать — проще простого. Каждая компания, работающая в первую очередь с ИИ, с которой мы общались, применяет один и тот же тест к своим основным запатентованным возможностям: помогает ли это создать защищенное конкурентное преимущество — основанное на данных, опыте или интеллектуальной собственности (ИС) нашей компании — которое не может воспроизвести готовый инструмент? Если ответ «да», то создавайте. Предприятие в сфере агротехнологий разрабатывает собственные модели селекции сельскохозяйственных культур, сканеры ландшафта ИС и самосовершенствующиеся агенты НИОКР внутри компании. Компания, занимающаяся глубокими технологиями в области открытия материалов, создает своего научного агента на основе собственных данных. «Наше уникальное торговое предложение — это данные и мнения, которые мы предоставляем миру», — сказал нам вице-президент по разработке в компании, занимающейся климатической аналитикой. «ИИ не может это заменить».

Более сложный вопрос — что делать со всем остальным: инструментами и агентами, управляющими внутренними операциями. До недавнего времени ответ был прост: всё покупать. Специализированные поставщики обеспечивали качество, которому могли соответствовать внутренние команды, а современные инструменты поставлялись с нативной интеграцией. Многие компании, с которыми мы беседовали, до сих пор работают таким образом и довольны результатами. Например, в компании, занимающейся разработкой ИИ на начальной стадии, с которой мы беседовали, каждый звонок клиенту записывается, стенограммы автоматически публикуются в общем рабочем пространстве, а еженедельный дайджест отправляется команде — процесс, собранный из готовых инструментов, без необходимости индивидуальной разработки. Генеральный директор может запросить у подключенных систем информацию о текущем состоянии дел с любым клиентом и мгновенно получить обновление от всей команды. Это распространенный подход в компаниях, занимающихся разработкой ИИ. «Мы покупаем не то, что нас определяет», — как говорит технический руководитель в быстрорастущей компании в сфере цифрового здравоохранения. «Мы покупаем то, что нас освобождает».

Между тем, более технически подкованные организации теперь могут провести черту совершенно иным образом. Благодаря таким инструментам для создания агентов, как Claude Code и Cursor, а также аналогичным платформам для конструкторов агентов, внутренние команды могут запускать панели мониторинга, автоматизировать рабочие процессы и создавать персонализированные агенты за часы, а не за месяцы — иногда без участия инженеров. Например, директор по стратегии в сфере агротехнологий говорит, что самостоятельная разработка теперь стала нормой. «Лично я считаю, что SaaS [программное обеспечение как услуга] мертво», — говорит он. «Попытка интегрировать инструмент занимает больше времени, чем его создание».

Возможные ловушки

Создание собственных агентов и инструментов может быть недорогим. Однако их поддержка обходится дорого. Заманчиво позволить каждой команде и отделу создать свой собственный инструмент повышения производительности, но расходы на обслуживание рано или поздно возникнут. Дешевизна и простота создания сегодня не означают дешевизну и простоту владения завтра.

Смена лидера

Создавайте то, что делает вас уникальными. Что касается операционного стека, начните с готовых инструментов и сделайте интерфейсы, изначально разработанные для ИИ, интегрируемость и «заменяемость» обязательными. Проводите аудит стека ежеквартально и будьте готовы заменить все, что не проходит эти проверки. И помните, что сегодня только самые технически подкованные и дисциплинированные команды должны пытаться создавать все внутри компании — и даже они должны делать это, учитывая затраты на обслуживание.

Ваша модель не является узким местом — препятствием является доступ к знаниям вашего племени.

Многие команды сосредотачиваются на выборе модели ИИ для запуска. Те, кто вырывается вперед, сосредотачиваются на том, что могут обнаружить их агенты, и инвестируют в слой знаний, который имеет решающее значение.

Когда вы задаете агенту вопрос, а он не может ответить, это не обязательно вина модели. Возможно, ответ никогда не был записан или находится где-то, куда модель не может добраться. Другими словами, потолок возможностей вашего ИИ определяется чистотой ваших знаний, а не выбором модели. «Это не проблема ИИ — это проблема управления знаниями», — говорит операционный директор энергетической технологической платформы. «ИИ просто делает это видимым». Реальный пробел заключается не столько в технологиях, сколько в инфраструктуре знаний: незарегистрированные встречи, неструктурированные данные и экспертные знания, запертые в головах людей.

Для тех, кто всё делает правильно, отдача может быть значительной. Например, на платформе энергетических технологий агент знаний, индексирующий репозитории кода, страницы в цифровом рабочем пространстве Notion и переписки в Slack, позволяет новым сотрудникам быстро освоиться за считанные дни. В компании, занимающейся разработкой искусственного интеллекта на начальной стадии, автоматизированный процесс продаж хранит все данные в доступном для запросов слое знаний. Когда кто-то спрашивает: «На каком этапе мы находимся с этим конкретным потенциальным клиентом?», он мгновенно получает контекст сделки, извлеченный из многомесячных переписок. «Всякий раз, когда у нас возникают вопросы, мы можем просто обратиться к нашей внутренней базе знаний», — говорит генеральный директор компании. Обратная связь между продуктом и операциями становится конкурентным преимуществом.

Генеральный директор агротехнологической компании, со своей стороны, оспаривает общепринятое мнение о необходимости единого хранилища данных для эффективной работы ИИ: «Многие зацикливаются на идее „необходим единый источник достоверной информации“. Но ценность данных заключается в том, что люди постоянно работают с ними и обновляют их». Некоторые пишут в Notion, другие используют электронные таблицы, третьи живут в Slack или участвуют в видеозвонках. Вместо того чтобы навязывать единообразие, компания создает легковесные коннекторы, которые позволяют ИИ запрашивать все эти данные, где бы они ни хранились. «Если кто-то использует инструмент, просто подстраивайтесь под его потребности», — говорит генеральный директор.

Возможные ловушки

Ваш уровень знаний может устаревать быстрее, чем вы думаете, — и когда это происходит, агенты, как правило, выходят из строя. Когда данные устаревают, агенты уверенно выдают устаревшие ответы, что быстро подрывает доверие пользователей. «Агент не знает, что является последним источником достоверной информации, а что — устаревшим документом годичной давности», — предупреждает операционный директор финтех-компании, инвестирующей в рамках раунда финансирования серии D. Этот урок был усвоен на собственном горьком опыте руководителем технологического направления в компании, занимающейся цифровым здравоохранением. «Если бы я мог что-то изменить, я бы инвестировал в структурирование контента на более ранних этапах», — говорит он. «Фрагментированные данные замедляют поток информации и расстраивают команды». Решение заключается в архитектурном подходе: необходимо создать коннекторы к уже существующим ресурсам — совещаниям, обсуждениям в Slack, рабочим документам — чтобы уровень знаний оставался актуальным без необходимости его ручного обновления.

Смена лидера

Записывайте каждую встречу. Автоматически расшифровывайте. Направляйте результаты в общий слой знаний. Сделайте вашу платформу обмена сообщениями доступной для индексации и подключите ее к вашей инфраструктуре знаний, чтобы беседы становились контекстом, доступным для запросов. Встречайтесь с людьми там, где они уже работают, и создавайте коннекторы для сбора знаний, которые они создают естественным образом. Искусственный интеллект настолько умен, насколько он может найти информацию.

Проектируйте для обмена, а не для стека.

Успешная архитектура — это не монолитная платформа. Это тонкий слой управления, который соединяет лучшие в своем классе компоненты и обеспечивает их взаимозаменяемость.

Компании, ориентированные на ИИ, сходятся во мнении об общем архитектурном принципе: объединить лучшие в своем классе инструменты, интегрировать их в управляемый общий слой и создать лишь тонкую соединительную ткань, обеспечивающую безопасность контекста и возможность запросов. Например, на глобальной технологической платформе инженеры запрашивают информацию из внутренних вики-систем, конвейеров непрерывной интеграции/непрерывного развертывания и систем обработки заявок с помощью агентов ИИ, подключенных через серверы протокола контекста модели. «Я могу спросить: „Какие сервисы затронуты этой функцией?“ — и мне все покажут», — рассказал нам технический руководитель платформы. Этот рабочий процесс поиска, сокращающий часы ручного поиска до минут диалоговых запросов, является результатом архитектурного решения.

Независимый от конкретной модели подход — это незыблемый принцип проектирования. «Все, что мы создаем, должно быть сделано таким образом, чтобы мы могли легко заменить одну модель на другую», — говорит операционный директор финтех-компании, получившей инвестиции серии D. Компания использует многомодельный шлюз, начиная с премиальных моделей для новых рабочих процессов, а затем переходя к более экономичным вариантам, как только модель зарекомендует себя. Учитывая, как быстро меняется рынок, привязка к одной модели является стратегическим недостатком.

Возможные ловушки

Взаимосвязанная, компонуемая архитектура — это огромное преимущество, но и огромная поверхность для атак. Чтобы защититься от этого риска, биотехнологическая компания, занимающаяся искусственным интеллектом, использует трехуровневую модель безопасности: общедоступные данные — коммерческим компаниям с ограниченной ответственностью, конфиденциальные данные — поставщикам с соглашениями о нулевом сроке хранения данных, а основная интеллектуальная собственность обрабатывается только локально. «Компания окажется в смертельной опасности, если эта информация утечет», — сказал нам генеральный директор компании. Многоуровневая система безопасности — это проектное решение, а не дополнительная функция.

Смена лидера

Стандартизируйте основу управления, включающую управление идентификацией, разрешения, уровни безопасности и классификацию данных. Объедините лучшие в своем классе инструменты вокруг нее с помощью легковесных коннекторов. Создайте только тонкий интеграционный слой, обеспечивающий безопасность и управление контекстом. Проектируйте для обмена данными, а не для всего стека.

Доверие предшествует автономии.

Компании укрепляют доверие к системам искусственного интеллекта посредством постепенного повышения уровня автономии: ИИ генерирует данные, люди оценивают, и система получает больше свободы только тогда, когда этого заслуживает.

В случае с агентами ИИ свобода автономной работы — это привилегия, которую нужно заслужить. Например, в стартапе, занимающемся вопросами устойчивого развития, команда выполняет каждый процесс вручную до тех пор, пока повторяемость не потребует автоматизации, после чего автоматизируются отдельные подэтапы, пока весь процесс не будет завершен. «Автоматизируйте постепенно», — говорит основатель компании. «Делайте это вручную, пока трудности не заставят автоматизировать. Вот тогда вы поймете, что рабочий процесс готов». Такой методичный подход выявляет крайние случаи, которые автоматизированный конвейер пропустил бы, обучая команду тому, где действительно требуется человеческое суждение, а где это стало привычкой. «ИИ — идеальный инструмент для промежуточных этапов», — говорит основатель. «Людям все еще нужно начинать и заканчивать».

Ведущие компании также определяют свой потолок качества — и затем придерживаются его, рассматривая любой эталон как текущую оценку, а не как фиксированное правило. Например, один основатель компании в сфере медицинских технологий сообщает, что ему предложили 85-90-процентный показатель успешности решения на основе агентской модели, от которого он категорически отказался. «Нам нужна точность 99,999%; в здравоохранении нельзя говорить: „80% достаточно“», — говорит он. В разработке программного обеспечения и бэк-офисных процессах, напротив, большинство руководителей, с которыми мы общались, устанавливают потолок на уровне 70-80%, отмечая, что в большинстве случаев ИИ может надежно обеспечить этот показатель; за пределами этого предела реальная ценность концентрируется в человеческом суждении. «Дело не только в использовании ИИ, — говорит руководитель инженерного отдела компании, разрабатывающей ИИ для контакт-центров. — Дело в том, чтобы знать, когда его не следует использовать».

Возможные ловушки

Автономия без ограничений быстро приводит к обратным результатам, и неудачи часто случаются там, где вы меньше всего этого ожидаете. Например, при заключении контракта с клиентом руководители компании, занимающейся разработкой ИИ для врачей, пропускали цепочки электронных писем и предлагаемые изменения через агента ИИ, созданного для чтения и ответа на электронные письма, который немедленно сформировал следующий ответ: «Все в порядке с вашими изменениями. Давайте начнем». На самом деле, предложенные условия требовали дополнительных переговоров. К счастью, сотрудник-человек обнаружил ошибку до отправки ответа. «Мы немедленно отключили эту функцию», — говорит генеральный директор. Урок: ИИ должен предлагать, а не действовать, пока доверие не будет заслужено в конкретном контексте.

Смена лидера

Определите, где требуется обязательное участие человека, и внедрите это в рабочие процессы уже сегодня. Измеряйте время полного цикла (генерация плюс проверка), а не только скорость генерации; в конце концов, преимущества на этапе генерации могут исчезнуть на этапе проверки. Создавайте циклы обратной связи, которые позволят системе со временем набирать большую автономность. Цель состоит не в постоянном участии человека, а в построении доверия, которое делает автономность безопасной.

Централизуйте платформу; децентрализуйте задачи.

Централизованный отдел по искусственному интеллекту не способен обеспечить трансформацию. Эффективным является ситуация, когда команды, управляющие платформой, руководят инфраструктурой, а бизнес-команды решают свои собственные задачи на её основе.

Директор по операциям в сфере ИИ в крупной энергетической технологической платформе сделала осознанный выбор на раннем этапе. «Я решила, что я не эксперт», — говорит она. Идея о том, что один человек может понять и оптимизировать использование ИИ в различных бизнес-функциях, как она поняла, рушится в тот момент, когда рабочие процессы меняются быстрее, чем успевают адаптироваться новые методы. Руководитель технологического направления в быстрорастущей компании в сфере цифрового здравоохранения пришла к тому же выводу: «Нет никакого смысла в том, чтобы один человек курировал десять бизнес-подразделений, в которых он не разбирается». Вместо этого каждое бизнес-подразделение в компании само решает, как ИИ будет поддерживать его цели. Небольшое сообщество специалистов по ИИ объединяет лидеров для обмена опытом, но ответственность остается за командами.

Во многих организациях, с которыми мы общались, технологическая команда отвечает за управляемый доступ к моделям, компонуемой архитектуре, механизмам безопасности и инфраструктуре связи. Бизнес-команды отвечают за решаемые задачи и стратегии их решения. Такое разделение позволяет платформе оставаться актуальной, в то время как бизнес-команды развиваются в своем собственном темпе.

Ведущие компании также позволяют каждому стать разработчиком, исходя из идеи, что наибольший эффект оказывают те, кто применяет ИИ для решения собственных проблем в рабочем процессе. Генеральный директор компании, работающей в сфере медицинских технологий, предоставляет всем сотрудникам от одного до двух часов в день для бесплатных экспериментов. Генеральный директор компании, занимающейся маркетплейсами серии А, заверяет сотрудников: «Вы сами во всем разберетесь. Вам не нужно просить инженеров что-то для вас создать». Исследование McKinsey показало, что сотрудники в три раза чаще, чем ожидали руководители, сообщали о том, что ИИ помогает им выполнять 30 процентов и более своих ежедневных задач. Другими словами, препятствием для масштабирования является не нежелание сотрудников, а то, что руководители не предоставляют возможности достаточно быстро.

Возможные ловушки

Децентрализация без платформы — это хаос, но централизация без конкретики может привести к другому типу неудач. Руководитель инженерного отдела в стартапе, получившем финансирование серии C, описывает первый случай: «Иногда люди используют неутвержденные инструменты автоматизации, и тогда нам приходится закрывать эти учетные записи до получения надлежащего разрешения». Инженер-разработчик в зрелой технологической платформе описывает второй тип неудач: «Я считаю, что мы слишком рано и слишком широко начали действовать, пытаясь создать „агента, который может делать все“, вместо того, чтобы сначала сосредоточиться на конкретных сценариях использования. Нам следовало выпускать более мелкие продукты быстрее». Эти два различных типа неудач имеют один и тот же ответ: реальная платформа, централизованно управляемая, с четко ограниченной областью применения, которая позволяет бизнес-командам свободно разрабатывать в ней решения.

Смена лидера

Назначьте владельца платформы с явными полномочиями по управлению, архитектуре и обеспечению безопасности, а также задокументируйте, какие решения должны приниматься бизнес-командами до запуска платформы. Создайте простые механизмы обмена информацией (выделенный канал для демонстрации, еженедельные демо-сессии, общая библиотека подсказок), чтобы локальные успехи накапливались и превращались в многократно используемые шаблоны без бюрократических издержек. Измеряйте внедрение платформы на двух уровнях: сигналы активности (использование токенов, темпы внедрения инструментов) являются полезными опережающими индикаторами; реальным показателем является то, что бизнес-команды создали и развернули на платформе.

Внедрение — это маховик, а не поэтапное развертывание.

Успешное внедрение — это не запуск с установленным сроком. Это маховик с четырьмя взаимоусиливающими слоями: ролевое моделирование, обмен опытом, измерение результатов и найм персонала.

Большинство организаций уже внедрили инструменты ИИ. Гораздо меньше компаний создали культуру и ресурсы для их масштабного использования. Компании, которые преодолевают этот разрыв, создают своего рода маховик.

Первый слой этого маховика — это ролевой пример: лидеры идут первыми, демонстрируя это наглядно. Генеральный директор маркетплейса, получившего финансирование серии А, сам разрабатывает интеграционные решения для производства и включает обучение работе с ИИ в аттестацию сотрудников. «Если кто-то здесь не экспериментирует, — говорит он, — то, вероятно, ему конец». Операционный директор финтех-компании, получившей финансирование серии D, выделяет пятничные вечера для общекорпоративных сессий по разработке программного обеспечения; даже генеральному директору пришлось создать собственного агента. «Если вы не уделяете значительное время размышлениям о том, как масштабировать себя, — говорит операционный директор, — то вы не справитесь с этой работой». Вывод: когда лидеры используют ИИ и делятся результатами, они дают всем остальным разрешение на эксперименты.

Второй уровень — это убежденность, подкрепленная обменом опытом. Ни одна из рассмотренных нами компаний не полагается только на обязательные требования; вместо этого механизмом для реального внедрения является социальное доказательство. Платформа энергетических технологий проводит дискуссии в рамках гильдии ИИ, встречи с участием людей, демонстрирующих истории успеха, и ежемесячные конкурсы по ИИ для команд, не являющихся инженерами. «Вы не можете сидеть у людей на плечах и говорить им, чтобы они это использовали», — говорит операционный директор платформы. «Если люди делятся историями успеха, это работает». В компании, занимающейся устойчивым развитием на начальной стадии, эффективные подсказки и рабочие процессы объединены в многоразовые пользовательские GPT и распространяются среди команды. «Всякий раз, когда кто-то создает отличную подсказку или рабочий процесс, мы делимся ими», — сказал нам основатель компании.

Третий уровень — это закрепление результатов посредством измерений. «У нас даже есть таблица лидеров, показывающая, какой отдел использует больше всего ИИ», — отмечает инженер DevSecOps. Вывод: что измеряется, то и повторяется.

Четвертый этап — это подбор подходящего кандидата по ДНК. Операционный директор финтех-компании, получившей инвестиции серии D, тщательно проверяет каждого кандидата на предмет экспериментов с ИИ. Если кандидат описывает использование ИИ только для составления резюме, он говорит: «Я буквально думаю: „Ладно, тогда наше собеседование окончено“». Генеральный директор компании, занимающейся медицинскими технологиями, описывает этот критерий как «скорее проверку на готовность, чем на навыки». Генеральный директор компании, работающей в сфере глубоких технологий, применяет тот же стандарт ко всем функциям, даже к нетехническим должностям: «Если кто-то говорит: „Я никогда раньше не использовал ИИ и все делаю вручную“, это практически неприемлемо».

Этот четырехслойный маховик представляет собой самоподдерживающуюся систему, которая со временем дает результаты. Когда руководители демонстрируют на собственном примере использование ИИ, они дают командам разрешение экспериментировать. Когда эксперименты оказываются успешными и ими делятся, они создают социальное доказательство, которое ускоряет внедрение в масштабах всей организации. Измерение делает это внедрение видимым и обеспечивает подотчетность. А найм сотрудников, хорошо разбирающихся в ИИ, гарантирует, что каждый новый сотрудник повышает базовый уровень, делая все три предыдущих слоя более эффективными. Маховик останавливается, когда отсутствует хотя бы один слой.

Возможные ловушки

В основе этого процесса лежат два сбоя. Первый — это истощение. «Люди могут выгореть, потому что сейчас так много возможностей заниматься так много дел», — говорит генеральный директор высокотехнологичной компании. Второй — это забывание о том, что перемены, особенно быстрые и радикальные, могут дезориентировать. «Для большинства людей это довольно страшно», — говорит операционный директор энергетической платформы. «Отнеситесь к этому с пониманием. Переключитесь на использование ИИ для решения проблем. Спросите людей: „В чем ваша главная проблема? Что вы действительно ненавидите делать?“ Сначала решите проблему; внедрение последует за этим».

Смена лидера

Оценивайте внедрение ИИ по отделам, публикуйте рейтинги и связывайте уровень владения ИИ с оценкой эффективности работы и критериями найма. Проведите аудит того, какой из четырех уровней «маховика» (моделирование ролей, обмен опытом, измерение результатов, найм) является самым слабым в вашей организации. Именно туда следует инвестировать в первую очередь. Без всех четырех инструментов ИИ они внедряются локально и никогда не превращаются в организационные возможности.

Разрыв между операционными моделями увеличивается.

Эти семь истин — больше, чем просто список лучших практик. Это агентная система, которая согласуется с руководством McKinsey Rewired по трансформации ИИ : Отношение к агентам как к членам команды (Истина 1) сразу же поднимает вопрос о том, что создавать, а что покупать (Истина 2). Создание требует правильного уровня знаний (Истина 3), который зависит от компонуемой, управляемой архитектуры (Истина 4). Безопасная работа требует постепенного построения доверия (Истина 5). Масштабирование требует правильной организационной структуры (Истина 6). Поддержание требует внедрения как культурного механизма, а не как ИТ-развертывания (Истина 7).

Разрыв между компаниями, работающими на этой системе, и компаниями, запускающими свой первый чат-бот, — это не технологический разрыв. McKinsey называет это «крупнейшим организационным сдвигом парадигмы со времен промышленной и цифровой революций». Важно отметить, что 15 компаний, участвовавших в нашем исследовании, пришли к одним и тем же выводам независимо друг от друга, в условиях различной конкуренции, в разных отраслях и в разных масштабах. Эта конвергенция предполагает, что эти семь принципов — не теоретические конструкции, а операционная система, которая возникает, когда команды, ориентированные на ИИ, в реальных условиях понимают, что действительно работает. Компании, которые медлят, не только стоят на месте; они уступают позиции конкурентам, которые с каждым циклом наращивают свои преимущества.

Источник

Семь основных принципов работы компаний, изначально ориентированных на искусственный интеллект. 11 июня 2026 г. Фабиан Метцелер, Мелани Кравина, Пол Дженкинс, Филипп Хилленбранд, Александр Ринглера.

The seven operating truths of AI-native companies

https://www.mckinsey.com/capabilities/business-building/our-insights/the-seven-operating-truths-of-ai-native-companies

Экономика ИИ

Первый опыт внедрения агентских рабочих процессов выявляет возникающие компромиссы, которые должны понимать руководители на местах.

По мере того как компании спешат внедрять агентный ИИ, они понимают, что динамика затрат сложна и порой неожиданно высока. В то время как стоимость отдельных токенов продолжает снижаться, корпоративные расходы на ИИ резко растут .

В то же время, ценовые структуры продолжают развиваться и меняться, внося высокую степень неопределенности в «токеномику» — или экономику ИИ, дисциплину управления расходами на агентный ИИ в больших масштабах. По состоянию на начало июля 2026 года использование передовой модели, такой как GPT-5.5 от OpenAI, обходится примерно в 5 долларов за миллион входных токенов и 30 долларов за миллион выходных токенов, по сравнению с всего лишь 0,20 и 1,25 долларами соответственно для более ранней облегченной модели.

Очевидно, что эти модели предлагают разные уровни возможностей, но не для всех задач требуется самый дорогой вариант. Однако до настоящего времени многие руководители не руководствуются этим пониманием, что приводит к значительным финансовым затратам.

В то время как высшее руководство осваивает более широкие экономические последствия ИИ , руководители бизнес-подразделений и владельцы областей, ответственные за внедрение программ с использованием агентов, должны принимать практические решения, например, определять, какие рабочие процессы следует выбрать и как распределить между ними работу и бюджеты. В то же время они сталкиваются с необходимостью действовать быстро, демонстрировать прогресс и приносить пользу.

Это задачи с высокими ставками. Например, в некоторых банках внедрение ИИ-агентов для взаимодействия с клиентами может стоить от 20 000 до 30 000 долларов США за один рабочий процесс с участием одного агента. Наш анализ показывает, что содержание многоагентной команды обходится в 100 000–200 000 долларов. Умножьте это на количество запусков, которые обычно выполняет многоагентная команда, и на множество рабочих процессов, которые можно «агентизировать», — и добавьте к этому меняющуюся динамику ценообразования в сфере ИИ, — и станет ясно, как руководители внедрения могут потерять контроль над затратами и как ИИ может не создавать ценность.

Пока еще рано делать выводы, но ясно, что руководителям предприятий необходимо понимать меняющиеся экономические компромиссы при внедрении агентских рабочих процессов. В нашей работе с руководителями из разных секторов мы видим, что те, кто наиболее эффективно справляется с этими компромиссами, задают себе три вопроса:

• Где возникают наиболее значимые экономические возможности?
• Что определяет экономику рабочих процессов на основе ИИ?
• Как мне адаптировать свой выбор к меняющейся экономике и возможностям искусственного интеллекта?

Где возникают наиболее значимые экономические возможности?

Исторически сложилось так, что определение приоритетов в области технологий было относительно простым процессом. Руководители разрабатывали обоснование целесообразности проекта и оценивали затраты на внедрение в сравнении с ожидаемой выгодой.

Агентные системы устроены иначе. Экономические аспекты постоянно развиваются по мере совершенствования возможностей моделей, снижения затрат и изменения требований к контролю. Рабочий процесс, который сегодня не проходит экономическую проверку, может стать привлекательным через несколько месяцев. Другой же может выглядеть убедительно в пилотном проекте, но разочаровать после масштабного внедрения.

Наша работа в этой области позволила нам выявить два важных критерия для определения коммерческой ценности внедрения агентных систем, которые являются уникальными для ИИ:

• Как агенты ИИ могут расширить бизнес-модель или открыть новые возможности? Исторически сложилось так, что организациям приходилось ограничивать экономические амбиции из-за ограничений в возможностях. В некоторых случаях, например, лучшие специалисты были ограниченным ресурсом, поэтому с экономической точки зрения им было выгодно обслуживать только высокодоходных клиентов. С ИИ же когнитивные технологии масштабируемы и недороги, что позволяет открывать ранее нерентабельные рынки или использовать возможности, ранее недоступные на рынке. Агенты могут изменить экономику персонализированного обслуживания в таких областях, как, например, банковское обслуживание состоятельных клиентов, где исторически было сложно обосновать необходимость индивидуальной поддержки в масштабах предприятия.
• Привлекательна ли экономика этих новых агентных рабочих процессов в масштабе предприятия? Легко прийти в восторг от того, чего могут достичь агенты. Но впечатляющие технические возможности не обязательно создают значимую ценность для предприятия. Для того чтобы ИИ обеспечивал привлекательную экономику, рабочие процессы должны иметь как достаточный масштаб, так и достаточный потенциал автоматизации, чтобы ценность накапливалась со временем. В ходе нашей работы с компаниями мы обнаружили, что одни из самых перспективных направлений заключаются в высокоэффективных рабочих процессах с большими объемами повторяющейся работы, где небольшие улучшения накапливаются на протяжении тысяч или миллионов транзакций.

Что определяет экономику рабочих процессов на основе ИИ?

Определение того, где агенты взяли на себя работу, ранее выполняемую людьми, имеет решающее значение, но это только начало. Наш опыт показывает, что при анализе экономических аспектов проектирования рабочих процессов, управляемых ИИ, особенно важны несколько наблюдений.

Иногда токены не являются самой высокой ценой.

Для эффективного управления агентами руководителям необходим подход, учитывающий «общую стоимость владения». Это включает в себя понимание как фиксированных, так и переменных затрат:

• Переменные затраты. Стоимость токенов может значительно варьироваться в зависимости от задачи. Высокопроизводительные задачи, такие как генерация кода, сопряжены со значительными затратами на токены. Но для агента, выполняющего задачу обслуживания клиентов в банковской сфере, затраты на токены часто составляют всего 20%-25% от переменных затрат на работу ИИ-агента. С другой стороны, человеческий контроль составляет 70%-75% переменных затрат. Функциональные и риск-эксперты часто выполняют эти задачи по контролю. Например, в банковской сфере при регистрации клиентов мы ожидаем, что 10%-20% операций агента будут проверены риск-экспертами и функциональными специалистами. Для рабочих процессов, отличающихся высокой степенью детерминированности, ограниченным количеством переменных или не предъявляющих высоких требований к соответствию нормативным требованиям, — и по мере повышения надежности агентов ИИ — необходимость в человеческом контроле может уменьшиться, что приведет к снижению переменных затрат. Однако другие потребности, такие как кибербезопасность и обучение, вероятно, увеличат стоимость программ с использованием агентов, создавая сохраняющуюся неопределенность в отношении переменных затрат на агентов.
• Постоянные затраты. Затраты на инфраструктуру ИИ и оркестровку агентов являются фиксированными для каждого агента и составляют остальную часть годовых эксплуатационных расходов агента. Затраты на инфраструктуру ИИ включают контейнеры в публичном облаке, память, управление и аналитику, а оркестровка агентов включает в себя ресурсы специалистов по обработке данных, необходимые для обслуживания и улучшения агента в производственной среде.

Многие организации сосредотачивают усилия по оптимизации на выборе модели и стоимости токенов, поскольку это наиболее заметные расходы. Более продуктивный подход заключается в перепроектировании рабочих процессов для снижения количества исключений и упрощения процессов проверки, требующих дорогостоящего вмешательства человека.

На стоимость забега в жетонах влияют три основных фактора.

Стоимость токенов определяется тремя основными факторами: качеством выбранной модели (легковесная универсальная модель или специализированная модель рассуждений), требуемой задержкой и частотой выполнения задачи (одношаговый поиск или задача с неограниченным сроком выполнения, которая повторяется тысячи раз).

Оптимизация маршрутизации и размеров моделей, кэширование и повторное использование, перепроектирование рабочих процессов, сокращающее количество выводов, пакетная обработка, дисциплинированное распределение бюджета токенов и ценообразование с гарантированным использованием — все это может снизить потребление токенов .

Масштаб зависит от амортизации постоянных затрат и повторного использования агентов.

В агентской экономике предпочтение отдается рабочим процессам с двумя особыми характеристиками. Одна из них — большие объемы. Например, после установления фиксированных затрат увеличение объемов агентских операций амортизирует эти расходы.

В одном конкретном примере использование разговорного агента для привлечения 2500 новых клиентов в год обходится в 10 000–15 000 долларов. Удвоение объема новых клиентов увеличило затраты всего до 15 000–20 000 долларов.

Другая важная характеристика — повторное использование. Руководителям следует отдавать приоритет созданию агентов один раз, а затем их повторному использованию в нескольких важных рабочих процессах. Это требует дисциплинированной оценки для выявления задач, общих для всех приоритетных рабочих процессов.

Наиболее важным показателем является рентабельность инвестиций в завершенную работу (ROI).

Отдельный агент сам по себе может выглядеть дешево или дорого, но это все равно ничего не говорит о том, насколько эффективен рабочий процесс. Важно отслеживать результат: «полную» стоимость завершения работы (например, завершенного процесса адаптации, урегулированной претензии, закрытой сделки) с участием людей, агентов и детерминированных систем, относительно полученной ценности.

Этот полностью автоматизированный рабочий процесс зачастую оказывается сложнее, чем ожидают руководители.

Возьмем показательный пример открытия клиентом банковского счета. Для выполнения этой задачи требуется от пяти до семи агентов, несколько детерминированных систем и от двух до четырех групп людей, осуществляющих надзор. Этот пример является упрощенным, но подчеркивает потребности в поддержке, которые руководителям необходимо учитывать для формирования более точной картины рентабельности инвестиций. В данном случае, используя стандартные показатели, общая стоимость завершения процесса адаптации клиента может снизиться с примерно 50–150 долларов США на одного клиента до примерно 10–30 долларов США.

Экономическая ситуация динамична.

Пожалуй, наиболее важный момент, на который руководителям следует обратить внимание, заключается в том, что экономика агентских систем продолжает развиваться. Рабочие процессы, которые сегодня нерентабельны, могут стать привлекательными (или менее привлекательными) завтра по мере улучшения возможностей моделей и изменения экономической динамики. Это означает, что руководителям следует установить регулярный процесс пересмотра рабочих процессов по мере развития возможностей моделей, затрат и методов работы.

Как адаптировать выбор к меняющейся экономике и возможностям искусственного интеллекта?

В отличие от традиционных программных проектов, экономика агентских операций меняется гораздо чаще и существеннее. Поэтому руководителям предприятий необходимо сосредоточиться на нескольких ключевых дисциплинах, чтобы управлять агентской деятельностью с течением времени.

Заложите в бюджет не только строительство, но и развитие.

Финансирование агентских рабочих процессов должно осуществляться с учетом того, что их экономические показатели и возможности будут меняться со временем. Например, производственные агенты часто нуждаются в корректировке каждые несколько дней по мере появления новых базовых моделей, протоколов контекста моделей, корпоративных систем и бизнес-требований. В других случаях будет целесообразнее вывести агента из эксплуатации и создать нового.

По мере роста рынка технологий искусственного интеллекта руководителям также необходимо закладывать в бюджет средства на шлюзы ИИ, эксплуатацию агентов (AgentOps), мониторинг, проверки соответствия требованиям, утверждение моделей и устранение недостатков, необходимых для обеспечения безопасности и соблюдения нормативных требований компаний. Изменение нормативных требований или внутреннего уровня допустимого риска (например, ограничение на разрешенные модели для новых технологий) может привести к необходимости переоценки, модификации или приостановки работы агентов.

Поддерживайте тесную связь с центральным управлением, чтобы получить доступ к возможностям ИИ и налаженным связям с поставщиками.

Руководителям бизнеса не следует всё создавать самостоятельно. Многие возможности ИИ проверены и просты в использовании. Принимая решение о том, что разрабатывать, с кем сотрудничать или что покупать, руководителям следует поддерживать тесные связи с центральной командой, что может обеспечить два ключевых преимущества.

Во-первых, центральная команда может постоянно оценивать модели, инструменты и поставщиков; вести переговоры по коммерческим условиям; выявлять более дешевые альтернативы по мере их появления; и контролировать риски, связанные с поставщиками и партнерами, чтобы обеспечить общие стандарты безопасности, проверяемости и наблюдаемости.

Во-вторых, центральная команда может поддерживать многократно используемые возможности и устанавливать полезные ограничения. Работая в рамках этих корпоративных стандартов, предметные группы могут уменьшить фрагментацию инструментов и агентов, одновременно адаптируя или разрабатывая ресурсы, отвечающие их уникальным потребностям в рабочих процессах.

Создайте систему AgentOps и оптимизируйте процесс управления.

Подобно тому, как организации создали подразделение FinOps для управления расходами на облачные сервисы, бизнес-подразделениям теперь необходима аналогичная дисциплина для непрерывного управления агентами. Эта дисциплина требует наличия кросс-функциональной команды, способной постоянно управлять расходами и перераспределять задачи.

Для эффективного управления программами внедрения ИИ в долгосрочной перспективе ведущим организациям следует включать экономические показатели подразделений ИИ в ежеквартальные обзоры бизнеса (QBR ). QBR обеспечивают руководителям прозрачность, позволяя увидеть, где ИИ приносит наибольшую пользу, какие рабочие процессы по-прежнему оправдывают затраты, а какие можно перепроектировать, консолидировать или перевести на более экономичные модели или корпоративные возможности.

Новая волна последствий и вопросов

Мы находимся лишь в самом начале экономического подъема в сфере ИИ. Хотя руководители на передовой должны справедливо сосредоточиться на современных экономических компромиссах при внедрении агентных рабочих процессов, им вскоре предстоит столкнуться с рядом второстепенных вопросов, которые начинают возникать. Хотя пока рано давать окончательные ответы, некоторые важные вопросы включают в себя следующее:

• В каких случаях затраты на ИИ следует перекладывать на клиентов или же покрываться за счет самой организации?
• Насколько гибко руководителям предприятий необходимо закладывать в свои бюджеты вопросы ценообразования?
• Как должны развиваться существующие принципы бюджетирования, управления и операционной деятельности (внутренние вычеты, кодирование затрат) с учетом экономических аспектов ИИ?
• Как следует принимать решения о затратах и ​​ценообразовании в условиях, когда агенты искусственного интеллекта все чаще работают за пределами функциональных границ?

Подготовка к этим вопросам и ответы на них потребуют от руководителей укрепления знаний в области экономики ИИ, чтобы они непреднамеренно не принимали решений, которые со временем нанесут ущерб их бизнес-модели.

Наибольшую выгоду от использования агентного ИИ получат те руководители бизнес-подразделений и владельцы доменов, которые понимают, как использовать экономику отдельных подразделений для принятия более эффективных решений. Хотя многие аспекты экономики ИИ все еще находятся в стадии развития, ясно одно: те, кто инвестирует в необходимые возможности, имеют наилучшие шансы на получение огромной прибыли.

Источник

Где агенты ИИ приносят прибыль: Практическое руководство по экономике рабочих процессов с использованием агентов. 24 августа 2026 г. Чандана Асиф, Дитер Кивелл, Тунде Оланреваджу, Лари Хамалайнен, Том Колая

Where AI agents pay off: A practical guide to the economics of agentic workflows

https://www.mckinsey.com/capabilities/quantumblack/our-insights/where-ai-agents-pay-off-a-practical-guide-to-the-economics-of-agentic-workflows

О компьютерном разуме

Исследователь из Google написал статью о том, почему ИИ никогда не сможет обладать сознанием

Он утверждает, что ни при какой мощности моделей, ни через 10, ни через 100 лет, в них не сможет зародиться сознание. ИИ может только идеально имитировать сознание.

Причина – в логической ошибке, которую автор обозвал Abstraction Fallacy (ошибка абстракции). Сейчас, в основном, считается, что если система ведет себя разумно, значит при достаточной сложности она может стать сознательной. Но это заблуждение.

Дело в том, что сознание – это физическое явление, а вычисления (ИИ) – это лишь его описание. Есть хорошая аналогия с картой и реальными территориями. Сколь бы точна не была карта, из нее никогда не возникнет земли.

Вычисления работают так: есть физическое состояние (ток, напряжение, состояние транзистора и тд) и есть абстрактное состояние – смыслы, которые мы закладываем в физику. Человек (mapmaker) задает между этими двумя состояниями соответствие (mapping), которого не существует в природе самого по себе.

Без этого соответствия вычисления невозможны в принципе. То есть для ИИ смысл всегда приходит извне, система его не переживает, как реальный опыт. Компьютер, сколь бы "умным" он не был, не оперирует смыслами – он оперирует физикой, которую мы интерпретируем как смыслы.

Ждать сознания от алгоритма – все равно что ждать, что формула гравитации начнет притягивать объекты.

Источник: deepmind.google/research/publications/231971/

* * *

Из книги Манин Ю.И. Математика как метафора. М.: МЦНМО, 2008.

Вопрос: Тут уж не спросить о компьютерном разуме невозможно! Убедительны ли аргументы против возможности такового на основе теорем Гёделя и Тьюринга (задача остановки, диагональный процесс), приведенные, например, Роджером Пенроузом (Roger Penrose) в его известной книге «Тени разума» («Shadows of the Mind»)? Ведь и нейросеть, и вероятностный компьютер, и даже, кажется, квантовый компьютер в принципе моделируемы на машине Тьюринга –– и значит, если Пенроуз прав, не могут породить искусственный интеллект. Вообще, знаем ли мы сегодня больше, скажем, Раймонда Луллия о том, что такое разум?

Теорема Гёделя - это очень точное, математически точное утверждение о дедуктивных системах определенного типа; то же можно сказать о теореме Тьюринга.

«Разум» - слово естественного языка, которое не имеет терминологического значения ни в одном известном мне контексте. Раймонд Луллий, вероятно, согласился бы с замечанием, что использование этого слова в научной или философской дискуссии есть типичный пример ошибки, называемой «реификация» –– возникновение из воздуха предмета, для которого есть слово, материализация означаемого при произнесении означающего. Это как раз пример того, что я назвал выше расплывчатой метафоричностью естественного языка.

Я полагаю, что поэтому не может быть никаких научных аргументов ни за, ни против искусственного интеллекта –– мы не условились, о чем говорим.

Ненаучные разговоры, однако, могут быть и занятными, и содержательными. Семантическое поле понятия «разум» очень широкое, в частности, оно имеет, по убыванию масштабов, эволюционный, цивилизационный и личностный пласты. Я оставлю в стороне первый: здесь речь идет о проторазуме животных, о возникновении Homo Sapiens как существа разумного, о том разуме, который Сент-Дьерди назвал «средством выживания, как клыки и когти».

В цивилизационном аспекте я коснусь лишь одного обстоятельства, существенного для нашей дискуссии.

Разум занимает совершенно особое место в шкале ценностей людей Просвещения: будущее представлялось этим людям «царством Разума». Даже когда мы не сознаем этого, наши разговоры о разуме окрашены этой интенсивной ценностной установкой.

Любопытна амбивалентность идеи об искусственном интеллекте в этой ценностной ауре.

Вера в возможность его создания может рассматриваться как высшее достижение человеческого разума на его долгом пути к самопознанию. А говоря практически, под это удачное словосочетание можно получать крупные гранты, пока и поскольку оно ласкает слух современных политиков.

С другой стороны, эту же веру можно расценивать как глубокое заблуждение вульгарного материализма, в основе которого лежит неуважение к разуму –– божественной искре, или к разуму –– таинственному и чудесному плоду биологической эволюции.

Тьюринг, экспериментируя с идеей разума, занимался его личностным аспектом, и более того, его операционным аспектом. Условно говоря, для него разум отождествлялся с некоторыми специфическими видами деятельности. Где-то в его юношеских дневниках есть такой вопрос: если душа бессмертна, зачем ей вообще воплощаться в смертное тело? И ответ: затем, что только тело способно действовать.

Тьюринг сделал, или, скорее, детально разработал совершенно гениальное открытие. Он обнаружил генетический код хранения и переработки информации. Его биты и элементарные операции, действующие на один-два бита, это мельчайшие мыслимые единицы детерминированной интеллектуальной деятельности.

Второе озарение Тьюринга –– это выбор слова «машина» и физической картинки для своего вычислителя: он подчеркнул, что действует материальный объект, хотя и описываемый идеализированно. Во всех других пионерских разработках того времени центральное место занимают лингвистические, а не физические абстракции: язык, алгоритм, формальная система.

Тьюринговский анализ интеллекта может быть правильно оценен только в рамках этой, центральной для него, парадигмы: «Разум есть специфическая деятельность».

Я не занимался специально обдумыванием позиции Пенроуза. Кроме прочего, кажется, он хочет сказать, что теория классических автоматов в духе Тьюринга не может хорошо работать в применении к мозгу, который должен быть существенно квантовым устройством.

Относительно вашего замечания, что квантовый вычислитель можно имитировать на вероятностном классическом автомате: да, но только с экспоненциальным возрастанием потребных ресурсов, памяти и времени.

* * *

Дополнительная цитата:

Если мы не захотим отказываться от накопления научного знания, эту задачу придется передать вычислительным машинам. Как они будут автономно работать и что они смогут нам сообщать время от времени?

Это не то что вычислять на суперкомпьютере тома знаков «пи»: у «пи» колмогоровская сложность пустяковая...

* * *

«Наблюдательные науки описывают и измеряют многообразные проявления жизни с возрастающей точностью и размещают их на временной шкале. Момент перехода к духовному не может быть объектом наблюдений такого рода. Тем не менее они могут на экспериментальном уровне открыть ряд важных признаков специфичности человеческого существа. Но опыт метафизического знания, самосознания и рефлексии, совести, свободы, а также эстетический и религиозный опыт – все это относится к компетенции философского анализа, тогда как теология выявляет насколько труден плодотворный диалог между наукой и верой, которые безнадежно разделены ценностными, если не гносеологическими, ориентациями.

Коротко говоря, если дух не является эмерджентным свойством материи, то невозможно не только его экспериментальное изучение, но и никакой рациональный дискурс о нем. Пример тому – история тысячелетнего раскола между западной и восточной Церквями. В западной редакции Символа веры Святой Дух исходит от Отца и Сына, тогда как в восточной – только от Отца. Невозможность преодолеть это догматическое различие существенно повлияло на образ жизни и отношение друг к другу христианских народов.

* * * 

К вопросу: Язык - как он может соотноситься с потоком информации от ИИ?

Примем в качестве иллюстрации классификацию функций языка в зависимости от установки говорящего, по Р. Якобсону: 

а) эмотивная (установка на выражение внутреннего состояния); 

б) конативная (установка на адресата с целью вызвать у него определенное состояние); 

в) поэтическая (установка на сообщение); 

г) метаязыковая (установка на систему языка); 

д) денотативная, когнитивная (установка на действительность); 

е) фатическая (установка на контакт).

Масштабирование агентского ИИ

Многие предприятия масштабируют ИИ-агентов быстрее, чем перестраивают базовые процессы. Подробный план поддерживает внедрение и закладывает основу для создания долгосрочной ценности.

Представьте, что вы пытаетесь восстановить реактивный двигатель в полете, передав управление системе, которая обучается в процессе полета. По сути, именно этим многие компании занимаются, используя агентный ИИ. Поставщики агрессивно ускоряют темпы развития, частные инвестиционные фонды требуют быстрой реализации прибыли, а на руководство компаний оказывается все большее давление с целью демонстрации первых успехов. Капитала много, ожидания высоки, и последние два года доминирующим инстинктом является стремление к быстрому развитию. Это означает быстрое создание, широкое внедрение и проработку деталей по ходу дела.

Эта фаза обучения на ходу закончилась. По нашему опыту, финансовые директора больше не финансируют эксперименты без очевидной отдачи. Советы директоров задают более сложные вопросы о влиянии. Ожидания сместились от доказательства того, что ИИ может работать, к доказательству того, что он приносит измеримую пользу в масштабе. И этот сдвиг выявляет растущий разрыв между усилиями и результатом.

Данные подтверждают то, что уже чувствуют специалисты-практики. Исследование McKinsey показывает, что 88% организаций регулярно используют ИИ, но только 39% сообщают о влиянии на прибыль до вычета процентов и налогов на уровне предприятия. Даже при увеличении расходов, расширении набора инструментов и проведении пилотных проектов большая часть ценности остается невостребованной.

По сути, проблема не в технологиях. Предприятия были созданы для людей и детерминированного программного обеспечения, а не для систем, способных принимать решения и действовать. Сейчас компании внедряют агентные системы в работу, которая изначально не была рассчитана на такую ​​автономию. Агенты не терпят неудачу незаметно. Они мгновенно и в больших масштабах усиливают каждый недостаток в базовой операционной системе. Организации, получающие непропорционально большую выгоду, действуют иначе. Скорость для них менее важна, чем тщательность. Они рассматривают агентный ИИ как систему, которую нужно проектировать, а не как инструмент для внедрения.

И начинается всё с плана. В этой статье мы описываем элементы этого плана, как они взаимодействуют и могут быть реализованы, а также основные преимущества такого подхода. Важность плана мы иллюстрируем примерами, с которыми сталкивались на практике.

Распространенные ошибки при интеграции ИИ-агентов

На основе нашей работы по внедрению ИИ-технологий в течение последнего года мы выявили пять типов ошибок, характерных для многих компаний, стремящихся интегрировать агентов ИИ.

Автоматизация неработающих процессов вместо их перепроектирования. Агенты не исправляют недостатки рабочих процессов, а усугубляют их. Наш опыт показывает, что высокоэффективные организации значительно чаще кардинально перестраивают рабочие процессы с использованием ИИ, а не просто накладывают технологии поверх неизменных операций. Большинство организаций по-прежнему поступают именно так.

Решение задачи готовности данных на более позднем этапе. Для организаций, испытывающих трудности с внедрением агентного ИИ, данные существуют, но не являются авторитетными. Системы интегрированы в теории, но фрагментированы на практике. Агенты обнаруживают это в первый день эксплуатации, а не на этапе планирования. К тому времени стоимость исправления проблемы измеряется месяцами, а не неделями. Одна глобальная компания в сфере медицинских технологий, разрабатывающая агентное решение для обслуживания клиентов, предполагала, что ее данные о клиентах интегрированы и чисты, но столкнулась с несоответствиями в системах контроля версий и другими недостатками данных в разных системах учета уже на этапе разработки. Исправление проблем в середине проекта добавило четыре-пять недель доработок, которые были бы выявлены в ходе аудита данных на этапе планирования.

Решение о том, что лучше — разработка или покупка, принимается до того, как станет понятна суть работы. Многие организации по умолчанию используют платформы сторонних поставщиков из-за скорости или разрабатывают собственные решения из-за гибкости, не имея четкого представления о том, что на самом деле требуется для выполнения работы. Решение закрепляется в процессе выполнения. За этим часто следуют дорогостоящие доработки. Одна крупная компания в сфере медицинских технологий использовала готовую платформу для развития своих возможностей в области ИИ, но быстро обнаружила, что она не поддерживает несколько основных правил сопоставления данных. Вместо того чтобы разрабатывать собственную логику, необходимую для устранения этого пробела, команда спланировала все так, чтобы успеть к дате запуска. В результате около 30% запланированной ценности остались нереализованными.

Недостаточное инвестирование в управление изменениями. Технически совершенные системы, которые никто не использует или используют неправильно, не приносят никакой пользы. Внедрение не следует за развертыванием. Оно должно быть разработано с самого начала, а не добавлено после запуска.

Управление, которое отчитывается, но не контролирует. В большинстве программ есть руководящий комитет, который рассматривает отчеты о ходе работы, но часто ему не хватает дисциплины для принятия сложных решений или своевременного решения проблем неэффективных проектов. Например, одна медицинская организация, занимающаяся цифровизацией процесса найма персонала, создала руководящий комитет, который проводил ежемесячные заседания и рассматривал отчеты, но не имел реальных полномочий для перераспределения бюджета, изменения объема работ подрядчика или закрытия неэффективных направлений деятельности. По нашему опыту, именно такая модель обычно губит управление: комитеты получают отчеты о ходе работы, но не могут действовать на их основе, права принятия решений принадлежат спонсору проекта, который не присутствует на заседаниях, и слишком медленный график, позволяющий выявлять проблемы до того, как они усугубятся. К тому времени, когда проблема всплывает на квартальном обзоре, она уже возникла три спринта назад и ее решение обходится дорого.

Разработка тщательно продуманного плана

План действий — это короткий, интенсивный этап, обычно от четырех до восьми недель, единственная цель которого — устранить неопределенность, которая в противном случае закрепится на этапе реализации. Это не презентация стратегии и не упражнение по выбору поставщика. Это также не предварительный этап перед настоящей работой; скорее, это и есть настоящая работа, и ее необходимо выполнять в правильной последовательности. Представленный здесь план действий вписывается в более широкий контекст исследований McKinsey о том, как компаниям необходимо перестраиваться для новой эры искусственного интеллекта.

Экспозиция освещает шесть компонентов: 

• проблему, которую необходимо решить; 
• решение, которое необходимо разработать; 
• обеспечение бизнес-процессов; технологическую и информационную основу; 
• план реализации и выполнения; 
• управление, которое необходимо обеспечить.

Ключевые шаги решения проблемы:

• Задокументировать текущие сценарии взаимодействия (customer journeys), процессы и рабочие потоки, создав единый достоверный источник информации
• Выявить критические моменты, «болевые точки» и возможности для дифференциации
• Оценить влияние на бизнес в количественном выражении и определить приоритетность наиболее ценных возможностей
• Сформулировать видение целевых сценариев взаимодействия и принципов организации работы
• Определить, какие сценарии, процессы и рабочие потоки подлежат переработке

Результаты.

Четко сформулированная проблема, которую необходимо решить. Она включает в себя проверку того, как работа фактически выполняется, количественно обоснованные бизнес-кейсы для приоритетных возможностей, а также определенный набор формулировок проблем с указанием ответственных лиц и гипотез о ценности.

Решение, которое стоит разработать. Это предполагает перепроектирование рабочих процессов с агентами в центре. Требуется четкая логика принятия решений, определяющая, какие решения могут принимать агенты, на основе которых они могут действовать и которые могут передавать на рассмотрение вышестоящим инстанциям, проверенная с помощью прототипов, с формальным описанием объема работ в документах с бизнес-требованиями и требованиями поставщика, определяющих минимально жизнеспособный продукт (MVP), и планом развития функций, последовательно охватывающим этапы проверки концепции (PoC), MVP и масштабирования.

Операционная модель, позволяющая бизнесу адаптироваться к изменениям. Четкое перераспределение ролей, перепроектирование ответственности, совместное проектирование управления изменениями с технической реализацией с первой недели, а также влияние сторонних организаций и аутсорсинга бизнес-процессов (BPO) — все это учитывается до того, как станет неожиданностью в рамках контракта. Это формирует основу для обеспечения эффективности бизнеса.

Техническая база, способная поддерживать развертывание агентного ИИ. Она включает в себя оценку текущего состояния технологий и данных, выявленные до начала разработки требования к исправлению ошибок, а также четкие решения о том, что лучше — разрабатывать или покупать, — принимаемые на основе реальных критериев.

План реализации, который определяет последовательность создания ценности, а не просто выполнения действий. Он описывает путь от PoC до MVP, производства и масштабирования, с контрольными точками принятия решений, привязанными к реализации ценности и ясности в отношении ресурсов, еще до начала первого спринта.

Управление, которое контролирует программу, а не просто отчитывается о ней. План действий подробно описывает реальные права принятия решений, реальные пути эскалации, дисциплинарные меры в отношении одобрения/отклонения проекта, а также ключевые показатели эффективности (KPI), отслеживающие внедрение и реализацию ценности, а не только саму деятельность по развертыванию.

Получение преимуществ от интеграции агентного ИИ на основе разработанного плана

Учитывая нехватку времени при внедрении агентного ИИ, четыре-восемь недель, которые, по нашему опыту, требуются для составления плана, могут показаться отвлекающим фактором в тот момент, когда совет директоров ожидает результатов. Однако наша работа с клиентами показывает, что, наоборот, это время потрачено с пользой: план является важным фактором создания ценности. Здесь мы выделяем четыре преимущества.

Более быстрая разработка. Разработчики, имеющие техническое задание, включающее четкие схемы рабочих процессов, явную логику принятия решений и проверенные требования, выпускают продукт быстрее и с меньшим количеством циклов доработки. По нашему опыту, программы, разработанные на основе технического задания, сокращают общее время сборки на 30–40%.

Более высокая реализация ценности. По нашему опыту, поэтапное внедрение и тщательная перестройка рабочих процессов неизменно позволяют раскрыть значительно больший потенциал программы в первый год по сравнению с программами, которые сразу переходят к этапу разработки. Например, компания, работающая в сфере медицинских технологий, которая поэтапно внедрила программу, отдавая приоритет наиболее ценному рабочему процессу, уже в первый год демонстрирует темпы реализации ценности выше целевого, опережая запланированные сроки.

Снижение рисков инвестиций. Планирование выявляет пробелы в качестве данных, архитектурные конфликты и подводные камни операционной модели до того, как они приведут к сбоям в производстве. Например, одна компания, проводившая подобный этап планирования, обнаружила, что ее данные от сторонних поставщиков хранились в разрозненных средах без общего уровня потребления, из которого агент мог бы постоянно получать данные. Выявление этого пробела до начала разработки позволило команде определить объем работ и внедрить уровень потребления в рамках плана, а не обнаруживать его в процессе разработки.

Более высокий уровень внедрения. Программы, в которых управление изменениями разрабатывается совместно с технической реализацией с первой недели, а не рассматривается как проблема запуска, неизменно демонстрируют повышение уровня внедрения среди пользователей на 40–60% через шесть месяцев. Проблема внедрения редко связана с самой технологией. Почти всегда это происходит из-за отсутствия целенаправленного проектирования с учетом потребностей людей и процессов.

* * *

Окно возможностей для экспериментов без последствий закрыто. Советы директоров сокращают финансирование программ, которые не могут продемонстрировать отдачу. Организации, которые вырвутся вперед, не обязательно будут теми, кто быстрее всего внедрит агентов. Они будут теми, кто быстрее всего перепроектирует свою работу для мира, в котором люди и машины все чаще делят между собой суждения и действия. Перепроектирование начинается с разработки плана. Этап разработки плана, длящийся от четырех до восьми недель, — это не задержка. Это разница между программой, которая развивается, и программой, которая фрагментируется. Если ваша программа по внедрению агентного ИИ масштабирует пилотные проекты без четкого определения проблемы, перепроектированного рабочего процесса, честной оценки данных и последовательного плана реализации, вы можете столкнуться с препятствием. Поэтому остановитесь и сначала разработайте план. Все остальное зависит от него.

Источник

Увеличение шансов на успех: план успешного масштабирования агентного ИИ. 14 сентября 2026 г. Дамиан Левандовски, Оана Чета, Венки Анант

Stacking the odds: A blueprint for successfully scaling agentic AI

https://www.mckinsey.com/capabilities/operations/our-insights/stacking-the-odds-a-blueprint-for-successfully-scaling-agentic-ai

ИИ-агенты против ERP-гигантов

Из подкаста венчурного фонда a16z с участием представителей стартапа Lio, посвященного тому, как ИИ-агенты трансформируют рынок корпоративного ПО и бросают вызов гигантам вроде SAP и Salesforce.

ИИ-агенты против ERP-гигантов: почему всё корпоративное ПО будет переписано с нуля

Закупки для предприятий становятся ключевым полем битвы для стартапов, разрабатывающих решения на основе искусственного интеллекта, в борьбе с традиционными гигантами программного обеспечения. Краткая выжимка основных идей и трендов из статьи, разделенная на три ключевых блока.

Почему традиционные ИТ-гиганты проигрывают гонку ИИ-агентов?

Гиганты вроде SAP или Salesforce владеют данными только внутри своих баз. Однако около 80% реальной бизнес-работы (в частности, в закупках) происходит вне ERP-систем: в сотнях писем, Excel-таблицах, 3D-моделях и на встречах. ИИ-агенты стартапов способны работать именно в этой «слепой зоне», управляя полными сквозными процессами.

У ИТ-корпораций есть преимущество в дистрибуции, но им мешает защита старых продуктов. Создание автономных ИИ-агентов, которые заменяют собой рутинный труд и целые отделы, конфликтует с их текущей бизнес-моделью, которая продает людям инструменты для работы. Из-за внутренних разногласий они застревают на уровне простых чат-ботов.

Экономический эффект: охота за «невидимыми» затратами

Люди физически не могут вести переговоры по тысячам мелких контрактов (например, счетам до $50 000) из-за нехватки времени. ИИ-агенты автоматически торгуются за каждый счет. В финансах есть правило: снижение затрат на закупки всего на 1% эквивалентно увеличению продаж компании на 10% в пересчете на чистую прибыль.

Косвенные закупки (канцелярия, стандартные болты, маркетинговые услуги) ИИ полностью берет на себя. В сложных прямых закупках (строительство дата-центров, производство самолетов) ИИ работает как «второй пилот» для инженеров: в режиме реального времени анализирует мировые индексы цен на сырье и подсказывает, как аргументированно отбить попытку поставщика завысить цены.

Эволюция доверия

Ни одна крупная компания не доверит ИИ миллионные контракты в первый день. Доверие формируется итеративно: сначала агент ведет сделки на $10k, получая правки от человека, затем алгоритм учится и берет на себя сделки на $100k и выше.

Рынок проходит 4 стадии — от агентов для поиска информации и процессов (Process) к агентам, способным применять политики (Policy) и, наконец, к автономным агентам-принципалам (Principal), которые сами принимают взвешенные бизнес-решения.

Настоящим конкурентным рвом является не сама языковая модель, а накопление уникальных проприетарных данных (например, реальных цен, на которых сходятся покупатели и поставщики в закрытых торгах). В будущем корпоративные сделки будут проходить не между людьми, а между их персональными ИИ-агентами.

Эпоха «копайлотов» (помощников), которые просто подсказывают человеку, что нажать в интерфейсе, заканчивается. На смену им приходят автономные многоагентные системы, которые сами ведут переписку, согласуют документы и торгуются с контрагентами, полностью переформатируя рынок enterprise-софта.

Источник. t.me/sapland_official "SAPLAND: Новости экосистемы".

Эффекты от внедрения ИИ

Лишь немногие команды разработчиков программного обеспечения видят реальный эффект от внедрения ИИ. Ключевым моментом является запуск комплексной модернизации всей системы разработки продукта с использованием ИИ, а не просто внедрение новых инструментов.

• Искусственный интеллект и агенты ускоряют разработку продуктов и программного обеспечения, но результаты в масштабах всего предприятия остаются неравномерными.
• Некоторые организации добиваются значительных успехов, получая двукратное повышение производительности труда значительной части команд, в то время как другие видят незначительный эффект или даже отрицательную отдачу.
• В организациях, стремящихся к прогрессу, выявились четыре общие темы: они перестраивают операционные модели и процессы, пересматривают роли и обязанности, создают механизмы проверки и внедряют ИИ-операции, которые соответствуют ускоренному темпу работы, а также активно управляют изменениями и инвестируют в них.
• Организации, которые откладывают переход от экспериментального подхода к ИИ, рискуют еще больше отстать, учитывая рост затрат на ИИ, усиление конкурентного давления и тот факт, что многие компании уже работают в значительно ускоренном режиме круглосуточной работы с привлечением агентов.

С тех пор как в последние годы компании-разработчики программного обеспечения начали внедрять ИИ, влияние этой технологии стало поразительным — и неравномерным. По мере того, как все больше предприятий внедряют ИИ в разработку программного обеспечения и продуктов , разрыв в результатах применения ИИ быстро увеличивается. В то время как некоторые организации создают «фабрики агентов», которые круглосуточно выпускают код, большинству организаций еще предстоит добиться существенного повышения производительности.

В нашем недавнем опросе 334 руководителей продуктовых и инженерных подразделений только 25% респондентов, занимающих руководящие должности, сообщают о значительном (или максимальном) ускорении внедрения ИИ, которое мы определяем как двукратное или более значительное повышение производительности более чем четверти их команд. Вызывает беспокойство тот факт, что 30% сообщили о снижении производительности команд.

Этот разрыв подчеркивает проблему, с которой сталкиваются организации, занимающиеся разработкой программного обеспечения при внедрении ИИ. Технология не является определяющим фактором. Лидеров отличает то, насколько эффективно они адаптируют сквозные рабочие процессы, роли, системы контроля и управление изменениями к агентному жизненному циклу разработки продукта (PDLC - product development life cycle).

Устранение этого разрыва открывает возможности на сумму почти в триллион долларов. Около 80% опрошенных нами инженеров-программистов сообщают о среднем ускорении производительности ИИ примерно на 3%. 20% лучших инженеров прогнозируют рост производительности ИИ в среднем на 55%. Если организациям удастся убедить примерно 30 миллионов инженеров по всему миру.

Что требуется для успеха агентного PDLC

При изучении организаций, опережающих конкурентов в интеграции ИИ в жизненный цикл разработки продукта, и того, что отличает их от других, выявились четыре основные темы.

Во-первых, они переосмысливают сквозные процессы и рабочие потоки, а не просто внедряют инструменты ИИ в существующие методы работы. 

Во-вторых, они меняют структуру команд, должностные роли и обязанности, чтобы сосредоточиться на человеческом суждении и замысле продукта. 

В-третьих, они создают системы верификации, контроля и измерения, которые могут идти в ногу с новыми и более быстрыми методами работы. 

Наконец, они вкладывают значительные средства в повышение квалификации персонала для стимулирования изменений и внедрения. 

Короче говоря, они используют ИИ для перепроектирования всей системы разработки продукта — и это приносит свои плоды.

Переосмысление сквозных процессов и рабочих потоков.

Согласно опросу респондентов, сообщивших о двукратном увеличении производительности хотя бы одной из своих команд, перепроектирование рабочих процессов было определено как один из двух главных факторов, способствующих внедрению ИИ.

Результаты опроса:

• Переработка рабочих процессов - 56%.
• Культура экспериментирования - 48%.
• Внедрение инструментов (масштабное развертывание) - 33%.
• Управление изменениями - 18%.
• Изменения в структуре команд - 13%.

93% ведущих компаний, занимающихся ускорением процессов (те респонденты, которые сообщили о двукратном или более значительном увеличении производительности более чем четверти своих команд), внедрили ИИ в свои рабочие процессы. Способ внедрения ИИ имел не меньшее значение: респонденты из организаций, которые перепроектировали процессы до внедрения технологии, более чем в два раза чаще сообщали о повышении производительности более чем на 20%, чем те, кто интегрировал ИИ в существующие методы работы. Напротив, организации, которые активно внедряют ИИ и следуют большинству передовых практик (включая цели, связанные с ИИ, в оценке эффективности работы и внедрение эффективных программ коучинга), но не могут комплексно перестроить рабочие процессы вокруг ИИ, как правило, упускают возможность добиться значимого результата.

Руководители компаний-разработчиков программного обеспечения утверждают, что перепроектирование рабочих процессов с использованием ИИ позволило их командам значительно повысить производительность.

Именно такой подход, ориентированный на перепроектирование сквозных рабочих процессов, а не на автоматизацию отдельных задач или чрезмерное акцентирование внимания на технологическом стеке, отличал лучшие акселераторы. Они подошли к вопросу о том, как должна выполняться работа, с чистого листа, задаваясь вопросом, что должно управляться людьми, а что — искусственным интеллектом, рефакторизировали свои программные продукты, а затем развернули агентов для обеспечения работы перепроектированных процессов.

Эти изменения становятся все более важными по мере развития и асинхронности разработки продуктов. Агенты работают независимо круглосуточно, поэтому процесс больше не должен проходить через линейную цепочку передачи задач от человека к человеку. Они могут продвигаться вперед во время «ночной смены», в то время как люди сосредотачиваются на проверке и принятии важных решений днем. Это новый способ работы, мало похожий на гибкие методологии Scrum прошлого. Простое ускорение существующих циклов не принесет существенных изменений. Чтобы идти в ногу со временем, руководителям необходимо перепроектировать методы работы, ориентируясь на асинхронное выполнение задач, управляемое агентами .

Компания Sonar, лидер в области инструментов проверки кода, применила этот подход, перестроив свой путь от анализа продукта до выпуска кода. Три ведущие команды внедрили агентов на этапах исследования, генерации идей, определения бэклога, кодирования, тестирования и исправления ошибок. Они синтезировали сигналы от клиентов и рынка, превращали результаты анализа в задачи Jira, генерировали тесты и код, а также доводили отчет об ошибке до черновика запроса на слияние. В результате продолжительность цикла запроса на слияние сократилась в 3,4 раза, пропускная способность запросов на слияние увеличилась в 2,2 раза, а производительность процессов сборки повысилась на 50–80%.

Изменение ролей в контексте человеческого суждения и намерений, связанных с продуктом.

Хотя перепроектирование процессов важно, именно перепроектирование ролей часто отличает лучшие акселераторы. Ведущие компании-разработчики программного обеспечения, как правило, трансформируют команды, роли, передачу задач и права принятия решений в отношении ИИ, прежде чем корректировать модели штатного расписания или перераспределять ресурсы.

Данные опроса подтверждают, что одних лишь изменений в рабочих процессах и интеграции инструментов недостаточно. Организации, которые внедрили ИИ, не меняя роли или методы работы (мы называем их «пользователями»), становились лидерами в 27% случаев. Те, кто внедрил некоторые инструменты ИИ, но не интегрировал их в рабочий процесс (мы называем их «экспериментаторами»), достигали этого показателя лишь в 17% случаев. Напротив, команды, которые внедрили ИИ и перепроектировали роли и работу (мы называем их «трансформаторами»), становились лидерами в 40% случаев. Изменение ролей — недооцененный рычаг. Члены команды больше ценят перестройку процессов и инструментов, но влияние, как правило, минимально, если не меняются и обязанности людей.

Меняется то, на что люди тратят время. По мере того, как ИИ и агенты берут на себя все больше рутинной, ориентированной на выполнение работы, человеческое суждение продолжает приобретать все большее значение. Командам необходимо переводить замысел продукта в исполняемые инструкции: требования, связанные с телеметрией, критерии приемки, определения готовности, ограничения на то, что могут изменять агенты, и четкую маршрутизацию к нужному рецензенту, тестировщику или контролирующему звену. Это важно, потому что в жизненном цикле разработки продукта с поддержкой ИИ неопределенность распространяется быстрее и может нанести больший ущерб: расплывчатое требование, не связанное с телеметрией, может генерировать правдоподобные, но неверные задачи, прототипы, тесты и код, прежде чем кто-либо это заметит. Спецификации и требования должны быть достаточно ясными и подробными, чтобы агент мог действовать в соответствии с ними, инженер мог оспаривать их, набор тестов мог проверять, а рецензент мог выносить суждения. Нарративы, которые опытный инженер интерпретирует в ходе разговоров и неявного контекста, могут больше не выполнять свою работу. В этой новой модели люди тратят меньше времени на самостоятельное создание каждого артефакта и больше времени на определение направления, принятие компромиссов, проверку результатов и анализ важных решений.

Эти изменения уже происходят. Менеджеры по продуктам в ведущих быстрорастущих организациях сообщают о сокращении времени, затрачиваемого на выполнение задач, на 24%, по сравнению с сокращением времени, затрачиваемого на стратегическую деятельность, на 18%. Для разработчиков разница еще более существенна: они сообщают о сокращении времени, затрачиваемого на выполнение задач, на 19% против всего 6% на стратегическую деятельность. По мере того, как ИИ поглощает рутинную работу по составлению, переводу, тестированию и документированию, человеческий труд перемещается на более высокий уровень.

Меняется и сам процесс формирования команд. В ведущих быстрорастущих организациях 79% респондентов отмечают уменьшение численности команд после внедрения ИИ, при этом средний размер команды сократился примерно с десяти до семи человек. Вероятно, это сокращение продолжится, создавая ценность за счет уменьшения передач задач, расширения ответственности и приближения процессов проверки, контроля качества, безопасности и операционной деятельности к процессу разработки. Почти 20% респондентов, занимающих руководящие должности в ведущих быстрорастущих организациях, уже работают в командах от одного до четырех человек. Всё чаще встречаются небольшие, более автономные команды.

Наконец, меняется и само определение ролей. В ведущих организациях, занимающихся ускоренным развитием технологий, большинство респондентов сообщают об изменениях, вызванных ИИ, в таких областях, как разработка программного обеспечения (93%), управление продуктами (84%), дизайн (53%) и обеспечение качества (53%). Выделяются три основных сдвига. Во-первых, повторяющаяся работа переходит от людей к агентам: документирование, генерация тестов, создание черновых вариантов и другие рутинные результаты. В ведущих акселераторах ИИ сократил время, которое разработчики тратят на написание кода, примерно на 20%, а на документирование — еще больше. Во-вторых, роли расширяются, поскольку отдельные лица берут на себя большую часть пути от замысла до выпуска и запуска. Например, инженеры все чаще переходят от проектирования решений, определения требований и обеспечения безопасности к развертыванию и эксплуатации. Во-третьих, происходит слияние ролей. Разработка продукта и проектирование сближаются для уточнения определений продукта, в то время как тестирование разделяется между агентами, которые автоматизируют его, и инженерами, которые берут на себя оставшуюся часть работы; в результате организации могут консолидировать некоторые специализированные виды деятельности по обеспечению качества. В совокупности эти изменения указывают на более широкие архетипы ролей: разработчики, которые объединяют разработку продукта и проектирование, и создатели, которые объединяют разработку, тестирование и эксплуатацию.

Эти изменения указывают на дальнейшее развитие проектирования ролей: ведущие организации начинают определять роли не только для людей, но и для агентов. Поскольку агенты выполняют всё большую часть спринтов и рабочих процессов, эти организации наделяют агентов чётко определёнными полномочиями, разрешениями, путями эскалации и ответственностью. Вместо организационной структуры, основанной на человеческом факторе, единицей проектирования всё чаще становится смешанная система людей и агентов , каждый из которых имеет определённые обязанности, организованная вокруг перепроектированного рабочего процесса.

Одна глобальная технологическая компания демонстрирует, как этот новый подход может работать на практике. Она перестроила свои команды в небольшие группы, сократив численность продуктовых групп с восьми-десяти человек до четырех-шести человек в агентских командах, где менеджеры по продукту отвечают за определение задач, разработчики — за разработку, а агенты — за задачи исследования, внедрения и запуска. Результат: не только меньшие по численности группы позволили примерно вдвое увеличить производительность и сократить циклы разработки на 50-80%, но и качество пользовательских историй — измеренное с помощью искусственного интеллекта, обученного на стандартах компании, — повысилось более чем на 45%.

Создание систем проверки, контроля и измерения, способных работать в условиях ускоренного темпа.

Поскольку искусственный интеллект ускоряет создание программного обеспечения, командам может быть сложнее надежно тестировать или контролировать результаты своей работы, что повышает риск возникновения пробелов в мониторинге. В мире, где доминируют агенты, организациям необходимы инструменты проверки и мониторинга, способные идти в ногу с новым темпом работы.

Наше исследование подчеркивает этот риск: скорость улучшается быстрее, чем качество. В различных сценариях использования, составляющих жизненный цикл разработки программного обеспечения (разработка, исследование потребностей клиентов и т. д.), респонденты сообщают о средней экономии времени в 11,8% и среднем сокращении доработок на 6,2%; разрыв еще больше в разработке, где экономия времени в среднем составляет 11,2%, а сокращение доработок — 6,8%. Если руководители ставят во главу угла скорость без достаточной прозрачности, они могут накапливать технический долг быстрее, чем команды смогут его погасить.

Внешние данные указывают в аналогичном направлении. В исследовании Доры, проведенном в 2025 году, ИИ описывается как усилитель базовой системы доставки программного обеспечения, имеющий как положительные, так и отрицательные стороны. Исследование Veracode, посвященное безопасности кода с использованием ИИ в 2025 году, показало, что 45% протестированных образцов кода, сгенерированных ИИ, не прошли проверку безопасности. Компания GitClear сообщила о резком увеличении количества дублированного кода в репозиториях, использующих функции искусственного интеллекта. Опрос Stack Overflow, проведенный в 2025 году, показал, что больше разработчиков не доверяют точности ИИ, чем доверяют ей: лишь 3,1% выразили высокое доверие к результатам работы ИИ.

Руководители понимают, что ускорение генерации повышает стандарты верификации, которые должны быть заложены в рабочий процесс, поддерживаемый ИИ. Они используют специализированные инструменты ИИ для проверки работы, которую ускоряют решения для кодирования и разработки на основе ИИ. Эти агенты генерируют тесты и сканирования безопасности, сравнивают результаты с требованиями, выявляют недостающие критерии приемки, определяют вероятные дефекты и предлагают исправления. Такие проверки интегрируются в обычный процесс выпуска, обеспечивая возможность аудита и отслеживаемость, а не становясь отдельным уровнем деятельности ИИ, который команды оценивают постфактум.

Искусственный интеллект может выявить больше проблем, чем команды могут решить, поэтому высокоэффективные организации проводят сортировку по риску и ценности. Руководители определяют, какие проблемы агенты могут исправить автоматически, какие проблемы — включая, в некоторых случаях, поведение агентов — требуют экспертной оценки, а какие проблемы следует остановить при выпуске продукта. Низкорисковые, повторяющиеся исправления можно обрабатывать с помощью автоматизации и помощи агентов. Более рискованные изменения, включая поведение клиентов, регулируемые данные, код, чувствительный к безопасности, изменения архитектуры и критические зависимости, должны требовать более веских доказательств и ответственной человеческой проверки.

Еще одним ключевым элементом является общий уровень управления операциями ИИ (AI Ops). Поскольку агенты перемещаются между задачами, репозиториями, наборами тестов, конвейерами развертывания и системами мониторинга, организациям необходимы общие средства контроля для идентификации, разрешений, доступа к инструментам, маршрутизации, оценки, ведения журналов, эскалации, обеспечения соблюдения политик и прозрачности затрат. Без этого становится сложно безопасно отслеживать и масштабировать деятельность агентов.

Результаты опроса показывают, что это имеет большое значение: многие респонденты сообщают, что в их организации есть возможности для управления операциями с использованием ИИ, но большинство из них не обеспечивают достаточного количества персонала, а ключевые решения принимаются отдельными командами на основе импровизации. Группа организаций, демонстрирующих лучшие результаты, вкладывает больше средств, рассматривая координацию и оценку как основополагающие элементы. Среди организаций, обладающих возможностями управления операциями с использованием ИИ, респонденты из тех, кто имеет пять и более задач (таких как установленные стандарты управления и мониторинг производительности агентов и платформы), сообщают о более значительном положительном влиянии на качество и экономию времени, чем те, у кого меньше задач.

Один из игроков рынка розничной торговли товарами повседневного спроса разработал уровень управления, соответствующий его новой скорости. Поскольку ИИ ускорил генерацию кода и тестов, ритейлер интегрировал верификацию непосредственно в процесс доставки, стандартизировав CI/CD (непрерывную интеграцию и непрерывную доставку) и DevSecOps (разработку, безопасность и эксплуатацию), чтобы проверка покрытия кода, стандартов разработки и готовности к выпуску осуществлялась автоматически, а не проверялась постфактум, и используя агенты для генерации тестов. Лидеры достигли увеличения скорости до 30% и сообщили о 50% снижении трудозатрат на устранение дефектов, демонстрируя, как интегрированная верификация и управление позволяют масштабировать работу быстрее без дополнительных рисков.

Вложение значительных средств в развитие искусственного интеллекта.

Большинство компаний, занимающихся разработкой программного обеспечения, понимают, что управление изменениями необходимо для получения существенной выгоды от использования ИИ, но лишь немногие в полной мере определили, что именно требуется для осуществления этого масштабного организационного сдвига.

Практическое обучение и коучинг доказали свою важность. Встроенный коучинг примерно на 30% чаще встречается в организациях с высоким темпом развития, чем в организациях с низким темпом. Команды могут испытывать трудности с освоением нюансов агентного жизненного цикла разработки программного обеспечения (PDLC) и того, что от них ожидается в абстрактном плане. Они учатся на практике, переписывая требования, анализируя результаты, сгенерированные ИИ, принимая решения о необходимости эскалации и изменяя процедуры выпуска релизов с помощью эксперта, достаточно близко расположенного к ним для консультаций. Обучение также должно быть сосредоточено на целых рабочих процессах, а не на отдельных ролях , с четким указанием того, какие шаги в процессе теперь поддерживаются ИИ, какие решения и результаты требуют участия человека и какие показатели будут отслеживаться.

Зачастую это означает, что опытные инженеры и тренеры по искусственному интеллекту должны достаточно долго работать в командах, чтобы изменить привычки. Они помогают командам адаптировать рабочие процессы, настраивать агентов и взаимодействовать с ними, анализировать результаты и корректировать процедуры. Модель смещается от разового обучения к непрерывному, интегрированному коучингу, который может масштабироваться.

Организации, лидирующие в развитии, также предоставляют командам возможности для практики. Нехватка времени на обучение и эксперименты является одним из главных препятствий на пути к реализации потенциала ИИ, о чем заявили около 38% респондентов опроса. Командам необходима защита, запланированные блоки для адаптации рабочих процессов, а также возможность тестировать новые алгоритмы, поддерживаемые агентами, повышать уверенность в проверке и систематизировать то, что работает.

Потребности в измерении также меняются. Многие организации по-прежнему полагаются на показатели внедрения, такие как количество лицензий, число ежедневно активных пользователей, объем запросов или доля кода, сгенерированного ИИ. Эти показатели демонстрируют, используют ли люди инструменты, а не то, быстрее ли, надежнее ли, безопаснее ли релизы или ценнее ли они. Организации с самым высоким темпом развития гораздо чаще измеряют качество, время выхода на рынок, безопасность, надежность, стоимость, опыт сотрудников и влияние на клиентов. Восемьдесят шесть процентов таких организаций отслеживают показатели результатов, такие как качество, производительность и скорость, в то время как организации с низким темпом развития непропорционально часто полагаются на внедрение инструментов как на свой ориентир.

Наконец, управление изменениями должно выходить за рамки команд и распространяться на руководителей, которые управляют организацией и распределяют ресурсы. По мере того, как агенты берут на себя все больше работы, расходы на токены, вычислительные ресурсы, инфраструктуру и операции с ИИ могут возрасти до 20% от существующих затрат на оплату труда. Поэтому руководителям необходимо планировать мощности, инфраструктуру и капитал в области ИИ с той же дисциплиной, которую они применяют к управлению талантами. Организации, которые добиваются успеха, — это те, которые обеспечивают поддержку, практику, измерение, финансирование и безопасное масштабирование внедрения ИИ.

Один из глобальных банков на собственном опыте убедился, насколько большую разницу может внести такой комплексный подход. После того, как первоначальное внедрение системы совместного пилота принесло лишь 10-15-процентное повышение производительности и ограниченную новую ценность, банк разработал структурированную программу изменений, основанную на включении опытных инженеров по искусственному интеллекту в команды разработчиков: ведущие и выдающиеся инженеры стали тренерами, опытные специалисты были направлены в команды для перестройки методов работы изнутри, а целевые показатели скорости и производительности были включены в цели и ключевые результаты команд. Команды, работавшие в рамках программы, добились существенных изменений в операционной модели, таких как переход к ежедневным спринтам с ночными сменами операторов. Команды достигли повышения эффективности на 40-80 процентов, при этом один из процессов модернизации устаревших систем сократил время исправления ошибок с нескольких дней до нескольких минут.

Что могут предпринять руководители организаций дальше?

Команды разработчиков программного обеспечения, стремящиеся достичь такого же эффекта от использования ИИ, как и их превосходящие конкуренты, могут рассмотреть следующие шаги, отслеживая при этом свой прогресс по включенным в список показателям.

Сосредоточьтесь на наиболее ценных рабочих процессах. Организации могут выбрать наиболее ценные бизнес-процессы и перепроектировать их от начала до конца, сопоставив каждый из них от запуска до результата: решения, роли, передачи, контрольные точки, телеметрию и обратную связь от клиентов, которые определяют, будет ли раскрыта ценность. Это позволит избежать автоматизации отдельных фрагментов, в то время как сквозной процесс останется медленным или неясным.

Показатель прогресса: вы поймете, что все работает, когда редизайн начнет самоокупаться — целые категории ручной работы (первичное исследование рынка, написание тестов, отчеты о состоянии) будут автоматизированы, а не просто ускорены, и высвобожденные ресурсы покроют затраты на токены и обучение, необходимые для внедрения изменений.

Необходимо пересмотреть роли как для людей, так и для агентов. Поскольку агенты берут на себя все больше задач по составлению, переводу, тестированию и исправлению ошибок, организации могут предоставить им более четкие роли, одновременно ясно разграничивая обязанности людей. Многие роли могут расшириться, при этом инженеры будут отвечать за большую часть пути от проектирования до выпуска, в то время как специалисты по продукту, дизайну и аналитике будут стремиться к более четким определениям и проверке результатов.

Показатель прогресса: вы поймете, что все работает, когда изменится как минимум 70% должностных инструкций (новые роли, новые названия и новые люди на этих должностях), а численность команд сократится до двух-четырех человек, работающих вместе с агентами.

Повышение стандартов. Команды могут перейти к тестируемым спецификациям, которые связывают проблему клиента, результат, ограничения, критерии приемки, риски, ограничения выпуска и показатели успеха. Спецификации должны быть пригодны для использования агентом, инженером, набором тестов и рецензентом продукта; в противном случае организация будет генерировать работу быстрее, чем сможет оценить и проверить ее.

Контрольная точка: Вы считаетесь выполнившим требования, когда их можно передать агенту, и результат будет близок к готовности к выпуску. Это означает, что намерение достаточно четко сформулировано, чтобы агент мог действовать в соответствии с ним, набор тестов мог его проверить, а рецензент мог оценить его без последующего обсуждения.

Создание системы верификации и общего уровня управления ИИ. Внедрение верификации в рабочие процессы — когда агенты генерируют тесты и сканирования, проверяют результаты на соответствие требованиям — и запуск всего этого на единой управляющей плоскости, вместо того чтобы каждая команда создавала свою собственную, может существенно изменить ситуацию. Это может включать в себя все: от идентификации, разрешений, доступа к инструментам и маршрутизации до оценки, логирования, эскалации, обеспечения соблюдения политик и прозрачности затрат. Цель состоит в том, чтобы сделать работу агентов наблюдаемой, сопоставимой и безопасной для масштабирования.

Показатель прогресса: Эффективная система может быть создана, если агенты могут работать в разных командах, использовать разные инструменты и источники знаний без необходимости создания собственной инфраструктуры, а руководители могут отслеживать активность агентов, затраты, риски и результаты через единую панель управления.

Внедрение следует рассматривать как программу изменений. Крайне важно сочетать формальное обучение под руководством инструктора с практиками, которые отличают лучшие акселераторы от остальных: коучинг, демонстрационные сессии, консультации, поощрения и наглядное моделирование поведения.

Показатель прогресса: Вы можете знать, что все работает, когда организация выглядит и ощущается заметно иначе: например, 90% команд, состоящих из людей и агентов, работают круглосуточно, проводят двухдневные (а не двухнедельные) спринты, и 100% команд отслеживают показатели результатов.

* * *

Искусственный интеллект кардинально меняет разработку продуктов и программного обеспечения. Он сокращает путь от сигнала клиента до принятия решения о продукте, от требований до кода, от дефекта до исправления и от выпуска до измеримого результата. Возможности огромны, и ведущие организации уже получают от этого непропорционально большую выгоду. Они делают это, запуская перепроектирование всей системы разработки продуктов с помощью ИИ, а не просто внедряя новые инструменты и указывая командам, как их использовать и интегрировать. Для остальных приоритетом сейчас является масштабирование ИИ во всех аспектах их организации, занимающейся разработкой программного обеспечения, достаточно быстро, чтобы этот разрыв в производительности не усугубился. Те, кто просто продолжает добавлять новые инструменты к старым процедурам, с большей вероятностью обнаружат, что отдача от ИИ остается ограниченной.

Источник

Выходя за рамки роли "второго пилота"": масштабирование жизненного цикла разработки агентных продуктов. 1 августа 2026 г. Шарлотта Релиа; Мартин Харриссон; Мэтт Линдерман; Прахар Диксит.

Beyond the copilot: Scaling the agentic product development life cycle

https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/beyond-the-copilot-scaling-the-agentic-product-development-life-cycle