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

Управление компаниями в эпоху искусственного интеллекта

Появляется новый управленческий подход к тому, как эффективнее управлять компаниями в эпоху искусственного интеллекта.

Компании, которые действительно внедряют инновации с помощью ИИ, побеждают не только благодаря используемым технологиям — эти инструменты широко доступны. Их преимущество заключается в том, как и насколько быстро они применяют технологии для решения реальных бизнес-задач в масштабе. Для этого требуются новые организационные возможности, на создание которых требуется время.

В конечном итоге, именно эти возможности становятся истинным долгосрочным конкурентным преимуществом, позволяющим этим компаниям поддерживать более высокие темпы технологических инноваций.

Революционные изменения, вызванные применением ИИ, уже стали реальностью.

В нашем последнем отчете о состоянии ИИ говорится, что 94% компаний еще не создали значимую ценность. Математические расчеты беспощадны, и это подчеркивает скептицизм многих советов директоров и ведущих команд в отношении инвестиций, необходимых для успешной трансформации бизнеса с помощью ИИ. Однако небольшое число компаний продемонстрировали совершенно иные результаты.

Ведущие компании обладали следующими характерными чертами:

• Они добились кардинальных изменений в финансовых показателях. Мы проанализировали стабильный показатель EBITDA, достигнутый в результате этих преобразований через три года, в процентах от EBITDA компании. Если преобразование было сосредоточено на конкретном подразделении или бизнес-единице, мы сосредоточили наш анализ на этом уровне. 20 компаний в нашей выборке улучшили свой показатель EBITDA в среднем на 20 процентов.
• Они сосредоточились на ключевых экономических рычагах. Две трети компаний ориентировались на три или менее бизнес-области. Эти бизнес-области всегда являлись ключевыми экономическими рычагами, где даже небольшие улучшения, достигнутые с помощью ИИ, приводили к существенному финансовому эффекту. Например, Freeport-McMoRan сосредоточилась на повышении производительности и пропускной способности процессов — классическом рычаге в горнодобывающей промышленности. LATAM Airlines Group сосредоточилась на улучшении качества обслуживания пассажиров.
• Они создавали системы искусственного интеллекта, а не точечные решения . Эти компании не подходили к своей трансформации, просто задействуя один технологический рычаг (например, генерацию искусственного интеллекта). Они определяли проблему, которую необходимо решить, и на её основе разрабатывали системы ИИ для повышения эффективности бизнеса. Эти системы состояли из различных решений и базовых технологий. Toyota использовала машинное обучение для оптимизации прогнозирования, агентские рабочие процессы для поддержки планировщиков поставок и цифровые рабочие процессы для обеспечения прозрачности цепочки поставок для дилеров и клиентов, среди прочих решений. Не менее важно, что эти системы также содержали нетехнологические элементы, такие как улучшение качества данных, изменение рабочих процессов и перестройка системы стимулирования.
• Они быстро начали приносить прибыль. В среднем эти 20 компаний достигли положительного денежного потока за один-два года. Хотя им потребовалось больше времени, чтобы получить полную выгоду (обычно три-четыре года), они разумно спланировали создание своей системы искусственного интеллекта таким образом, чтобы обеспечить легкодостижимые результаты, которые окупили затраты.
• Они сделали значительные инвестиции и добились высокой доходности. Мы измерили рентабельность инвестиций как годовой прирост EBITDA, деленный на единовременные денежные инвестиции. В среднем, на каждый доллар инвестиций эти компании получили 3 доллара прироста EBITDA. Такая исключительная доходность является результатом сосредоточения усилий на точках экономического рычага, а не на подходе «тысячи цветов расцветают» к ИИ. Эти компании сделали значительные инвестиции в трансформацию своего бизнеса с помощью ИИ, часто в диапазоне от 50 миллионов до более чем 200 миллионов долларов.

Интересно, что, несмотря на такие впечатляющие успехи, эти компании продолжают свою деятельность. Улучшение бизнес-показателей с помощью технологий никогда не прекращается. Обычно они проходят через волны трансформаций, длящиеся от двух до четырех лет. Компания Freeport совершила свой первый крупномасштабный прорыв в области ИИ в 2018 году, когда добилась существенного повышения производительности своих медеобогатительных фабрик. Три года спустя, используя этот вновь обретенный «опыт», Freeport повторила свои достижения в области выщелачивания.

Создание системы: возможности, необходимые для трансформации бизнеса с помощью технологий и искусственного интеллекта.

Конкурентное преимущество организации заключается в ее способности использовать технологии для создания бизнес-ценности, а не в самих технологиях. Мы выделили шесть ключевых компетенций, которые развивают успешные компании.

Эти шесть возможностей не существуют независимо друг от друга; они взаимно усиливают друг друга. Кроме того, на их развитие требуется время. Четыре компании, которые являются для нас примером, занимаются этим уже более пяти лет и продолжают это делать. Ни одна компания не добивается успеха в сфере ИИ за одну ночь. Но как только компания развивает эти возможности, она получает реальное конкурентное преимущество .

Команда топ-менеджеров, которая понимает искусственный интеллект.

Понимание искусственного интеллекта со стороны высшего руководства является важнейшим фактором успеха.

Успешные команды высшего руководства понимают, что для создания ценности с помощью технологий им необходимо сосредоточить свои усилия в области ИИ там, где это действительно важно, и использовать ИИ таким образом, чтобы он отличался от конкурентов. Для этого требуется стратегическая креативность, позволяющая увидеть то, что не видят другие. Это сложно.

В банке DBS высшее руководство потратило значительное время на изучение Кремниевой долины и работу с представителями цифрового поколения, чтобы понять, что действительно отличает высокоэффективные технологические компании — не инструменты, а возможности: современные инженерные методы, платформенные архитектуры, масштабируемые данные, гибкие методы работы и культура непрерывных экспериментов. Это был не поверхностный сравнительный анализ; он привел к фундаментальному переосмыслению операционной модели DBS в области технологий. Результатом стало многолетнее обязательство по систематическому развитию этих возможностей, чтобы технологии могли последовательно обеспечивать скорость, инновации и ценность для клиентов.

Эту работу нельзя поручить одному руководителю или делегировать на более низкие уровни организации. Это сложная работа, которую должна выполнить вся команда высшего звена сообща.

Лидеры, находящиеся на передовой перемен и обладающие навыками в области технологий и искусственного интеллекта.

Поскольку искусственный интеллект глубоко интегрирован в деятельность и рабочие процессы компаний, для извлечения пользы от его применения необходимы лидеры, сочетающие в себе глубокие экспертные знания, понимание технологий и данных, а также способность координировать комплексные изменения.

Когда компания Freeport решила полностью сосредоточиться на системе оптимизации процесса выщелачивания, она привлекла к работе лидера, обладающего опытом внедрения решений на основе искусственного интеллекта и авторитетом в сфере технологических процессов. Его назначили генеральным директором подразделения по выщелачиванию. Фактически, будучи полноправным владельцем этой области, он руководил разработкой системы искусственного интеллекта, интегрировал различные технологические решения в бизнес-процессы и нес полную ответственность за результаты работы компании.

Это подтверждается многочисленными примерами из наших историй успеха: всегда есть высокопоставленный руководитель.3Тот, кто руководит и интегрирует аспекты бизнеса, технологий и управления изменениями для достижения прорывных результатов. Из всех программ повышения квалификации в области ИИ, которые может запустить компания, ни одна не будет столь стратегически важной и эффективной, как развитие технически подкованных бизнес-лидеров. Именно здесь компании, лидирующие сегодня в области искусственного интеллекта, прилагают серьезные усилия.

Операционная модель, созданная для скорости.

В организациях, прошедших реорганизацию, возможности внедрения технологий интегрированы в бизнес-процессы для повышения эффективности и ускорения циклов инноваций. Они создают платформенные возможности для максимального повторного использования и поддержки более быстрых бизнес-инноваций. В банке DBS работа организована вокруг сквозных клиентских процессов, таких как открытие счета, покупка дома или получение финансирования для малого бизнеса. Межфункциональные команды работают над этими процессами и отвечают за обеспечение бесперебойного обслуживания клиентов по всем каналам и продуктам. Вместо работы в рамках функциональных подразделений, эти команды координируют возможности базовых платформ (подробнее о платформах ниже) для решения конкретных потребностей клиентов. Преимуществом является более четкая ориентация на клиента, сокращение времени цикла, повышение конверсии и увеличение удовлетворенности клиентов.

Структура банка также основана на наборе корпоративных платформ, таких как платежи, данные о клиентах, регистрация новых клиентов и кредитование. Каждая платформа объединяет бизнес, технологии и операционную деятельность и финансируется как долгосрочный актив, а не как серия проектов. Эти платформы создают многократно используемые возможности — API, массивы данных и сервисы — которые могут быть использованы в различных подразделениях банка. Преимущество заключается в масштабируемости и скорости.

Это то, что мы называем распределенной операционной моделью, потому что команды, работающие в непосредственной близости от бизнеса, могут итеративно создавать, тестировать и улучшать решения. В каждой задокументированной нами истории успеха присутствует вариант этой операционной модели, однако ее внедрили лишь 10% компаний. Почему? Реорганизация компании на основе такой модели требует дальновидности и решимости.

«Технологии как платформа» для обеспечения работы предприятия

Когда LATAM Airlines начинала свой путь трансформации, она приняла осознанное решение создавать возможности взаимодействия с клиентами отдельно от устаревшей основной системы и в облаке. Это был не просто выбор технологии; это было стратегическое архитектурное решение. Новая цифровая организация с самого начала проектировалась с приоритетом API и модульной структурой, с многократно используемыми компонентами и открытыми уровнями интеграции.

Благодаря тому, что решения разрабатывались с учетом API-ориентированного подхода и модульной структуры, их можно было повторно использовать в разных каналах и регионах. Функция изменения заказа, разработанная для веб-версии, могла быть развернута в приложении, контакт-центре или WhatsApp без перестройки основной логики. При масштабировании на новые рынки с различными платежными системами и нормативными ограничениями, в Латинской Америке использовались уровни абстракции для интеграции или замены внешних систем без дестабилизации платформы. То, что могло бы превратиться в лоскутное одеяло из локальных настроек, оставалось целостным.

Грамотно спроектированные технологические платформы ускоряют все процессы: запуск продуктов, автоматизацию, повторное использование данных, внедрение ИИ, отказоустойчивость и многое другое. Слабые платформы замедляют все и обременяют бизнес скрытыми издержками из-за сложности, хрупкости, длительных циклов и зависимости от нескольких героических личностей, которые «знают, как работает система».

Переход от разрозненных систем к платформам — одна из важнейших стратегических возможностей, которые развили компании, прошедшие реорганизацию. Если вы стремитесь стать генеральным директором — или оставаться эффективным генеральным директором — вы должны относиться к своим технологическим платформам с той же тщательностью и ответственностью, что и к своей бизнес-стратегии или плану преемственности.

Данные, которые легко воспринимать

В 2018 году компании DBS потребовалось от 15 до 18 месяцев на разработку и внедрение моделей искусственного интеллекта. Данные хранились в разных хранилищах по всей компании, что означало, что на поиск данных и получение прав доступа уходили месяцы. Даже когда команды получали доступ, выяснение структуры данных и оценка их качества становились отдельным проектом. В конце концов, командам удалось создать уникальные конвейеры обработки данных, которые другие команды не могли легко использовать повторно.

Так было недопустимо. Поэтому DBS начала разработку единой платформы данных, а также платформы искусственного интеллекта, автоматизацию контроля доступа к данным и упрощение поиска данных с помощью метаданных и их использования в продуктах на основе данных. Компания выстроила систему управления данными вокруг руководителей различных бизнес-подразделений, обеспечив, чтобы данные действительно управлялись как корпоративный актив.

Создание таких возможностей окупилось. К 2023 году развертывание моделей ИИ занимало всего два-три месяца. Эта простота использования данных стала ключевым фактором для получения прибыли, оцениваемой более чем в 1 миллиард сингапурских долларов (почти 772 миллиона долларов США), благодаря ИИ.

Разработка с учетом масштабируемости с самого начала.

Системы искусственного интеллекта создают ценность только тогда, когда их внедряют и масштабируют. Это может показаться очевидным, но тем не менее, это остается одной из самых сложных задач.

Внедрение часто терпит неудачу, потому что смежные процессы на этапах добычи и переработки остаются неизменными. Когда компания Freeport разработала пилотный проект по внедрению ИИ для повышения извлечения меди методом выщелачивания, она создала стандарты данных и датчиков, чтобы данные можно было легко интегрировать в облачную платформу данных, созданную для более ранней программы, и затем надежно моделировать согласованным образом на всех своих активах.

Масштабирование — это другая, но не менее сложная задача. Быстрое и экономичное расширение применения решений на основе ИИ на разных рынках, заводах, в различных сегментах клиентов или продуктовых линейках требует модульной архитектуры решений и хорошо продуманного взаимодействия между центральными командами и принимающими подразделениями. Компания Freeport решила эту проблему, поняв, что 60 процентов системы ИИ можно повторно использовать на разных предприятиях, а 40 процентов потребуют локальной адаптации. Это определило структуру центральной команды, которая обслуживала общие ресурсы, и полевой команды, которая обеспечивала локальную адаптацию.

Способность организации справляться с этими проблемами внедрения и масштабирования развивается со временем, по мере того как компания учится. В конечном итоге внутри компании формируется успешный сценарий действий, который продолжает развиваться с появлением новых технологий, таких как агентный ИИ.

Залог успеха в повышении скорости — это наличие базовых возможностей.

Компании, которые добиваются успеха, не рассматривают первые достижения в области ИИ как конечную цель. Они понимают, что конкуренты в конечном итоге повторят их успех. Эти компании постоянно совершенствуют свои системы ИИ, используя более качественные данные, более сложные модели, оперативность, более глубокую координацию связанных рабочих процессов, улучшенный пользовательский опыт и так далее.

Компании, которые выигрывают в этой гонке инноваций, обладают возможностями, которые развиваются по мере совершенствования технологий и управленческих практик.

	Этап 1: Первый побеждает	Этап 2: Масштабирование значения	Этап 3: Предприятие, использующее агентный ИИ
Дорожная карта, разработанная при участии бизнеса	Точечные решения	Комплексная трансформация бизнес-сфер	Системы искусственного интеллекта: междоменные, в реальном времени, автоматизированные
Талант	Разработка программного обеспечения и данных	Технически подкованные руководители предприятий и высококвалифицированные ИТ-специалисты в организации	Обладают навыками создания и управления агентскими системами
Операционная модель	Гибкий	Модель предметной области и платформы	Модель взаимодействия агента и человека, более плоская организационная структура, меньшие команды
Технологии	Облачные технологии и современная разработка программного обеспечения	Разделенная архитектура и корпоративные платформы	Жизненный цикл разработки программного обеспечения на основе ИИ
Данные	Озеро данных	Единый, готовый к применению и удобный в употреблении продукт	Смысл и контекст; укрепление информационных барьеров
Внедрение и масштабирование	Проектирование пользовательского опыта	Реконфигурированные процессы и решения, разработанные с учетом масштабируемости	Уровни оркестровки и автоматизированные механизмы защиты

Навыки каждого этапа основываются на навыках, развитых на предыдущем. Другими словами, не думайте, что ваша компания может перейти к третьему этапу, не освоив навыки второго этапа. Именно поэтому компании, которые исторически лидировали в своих отраслях в стратегическом использовании технологий, как правило, снова лидируют в эпоху ИИ. У них есть возможности для того, чтобы использовать потенциал ИИ!

Компании, описанные в этой статье, в основном освоили второй этап и сейчас активно развивают возможности третьего этапа.

Мы находимся на начальном этапе третьего этапа. В ближайшие несколько лет эти новые возможности агентского управления будут быстро развиваться. Компании, которые их освоят, получат еще больше преимуществ перед конкурентами, которые этого не сделают.

Вопрос уже не в том, изменит ли ИИ вашу отрасль — он уже это делает. Настоящий вопрос заключается в том, развивает ли ваша организация возможности для формирования этого будущего или просто реагирует на него. Компании, которые вырываются вперед, инвестируют сейчас в развитие тех ресурсов, которые позволят им неоднократно превращать технологии в бизнес-ценность.

Источник

Новая стратегия управления в условиях искусственного интеллекта: как двигаться быстрее и создавать больше ценности. 28 августа 2026 г. Алекс Сингла, Александр Сухаревский, Кейт Смадже, Эрик Ламарр, Роберт Левин.

The new management playbook for AI: How to move faster and create more value

https://www.mckinsey.com/capabilities/tech-and-ai/our-insights/the-new-management-playbook-for-ai-how-to-move-faster-and-create-more-value