ИИ и кибербезопасность

Проблема скорости: как передовые технологии искусственного интеллекта выявляют слабые места в корпоративной кибербезопасности.

Сегодня злоумышленники действуют со скоростью машин, но организации принимают решения со скоростью коллективных обсуждений. Чтобы преодолеть этот разрыв, предприятиям необходима другая операционная модель и преданное своему делу руководство.

В сфере корпоративной кибербезопасности произошел важный сдвиг, и дело не в появлении более изощренных вредоносных программ. Дело в крахе времени.

На протяжении десятилетий организации управляли киберрисками, исходя из предположения, что у них есть время для обнаружения уязвимостей, оценки их серьезности, прохождения процессов утверждения, планирования периодов установки исправлений и развертывания обновлений. Это предположение теперь устарело. Данные отраслевых исследований показывают, что среднее время между обнаружением уязвимости и ее активной эксплуатацией составляет всего несколько часов для наиболее критических случаев, по сравнению с примерно тремя неделями еще в 2025 году. Передовые модели искусственного интеллекта, способные автономно генерировать работающие эксплойты в больших масштабах и с минимальными затратами, сократили этот разрыв.

Модели искусственного интеллекта, включая Mythos/Fable от Anthropic, GPT-Cyber ​​от OpenAI и Gemini от Google, представляют собой настоящий прорыв. Они не просто ускоряют процессы атак, но и открывают возможности для обнаружения и эксплуатации уязвимостей, делая их доступными для гораздо большего числа потенциальных злоумышленников. Анализ McKinsey показывает, что большинство активных случаев уязвимостей приходится на критически важные новые уязвимости, для которых пока нет доступных исправлений.

Для организаций вопрос заключается не в том, будет ли уязвимость использована до того, как её удастся исправить, а в том, сколько уязвимостей будет использовано. Передовые технологии искусственного интеллекта вызывают озабоченность у руководителей служб безопасности (CSO) и руководителей информационных служб (CIO), поскольку они позволяют проводить более эффективные атаки и делают это быстрее, чем принимаются корпоративные решения. С этой точки зрения, перед организациями встаёт проблема операционной модели, а не технологическая проблема.

Организационная задержка: скрытая проблема

Когда руководителей служб безопасности спрашивают, что мешает им быстрее реагировать на критические уязвимости системы, большинство из них редко отвечают, что это сама технология. Многие организации уже имеют надежные инструменты обнаружения, платформы управления обновлениями и сценарии реагирования на инциденты. Быстрое реагирование может быть достигнуто с помощью высоко стандартизированных сред, архитектур с нулевым доверием и возможностей развертывания как кода. Более серьезная проблема заключается в процессах принятия решений, управлении и оперативной координации, необходимых для быстрого преобразования технических возможностей в действия. Рассмотрим, что часто происходит, когда обнаруживается критическая уязвимость:

• Специалисты по информационной безопасности выявляют уязвимость, оценивают ее серьезность и затрагивают различные системы. Это может занять день или больше, в зависимости от доступности ресурсов в устаревших системах, облачных платформах, приложениях SaaS и операционных технологических средах, которые редко полностью инвентаризируются.
• Группа безопасности передает информацию о происшествии руководству ИТ-отдела, которое должно оценить влияние инцидента на работу системы, прежде чем разрешить установку исправлений. Затем руководство ИТ-отдела должно связаться с владельцами приложений, которые управляют графиками выпуска и заморозкой изменений.
• Необходимо тестировать исправления как в готовом, так и во внутреннем программном обеспечении поставщиков. Организации, которые по-прежнему используют значительный объем пользовательского или устаревшего кода — а это большинство крупных предприятий — часто сталкиваются с неделями работы по проверке, прежде чем исправление будет сертифицировано для развертывания в производственной среде.
• Планирование и понимание временных рамок для выпуска обновлений требует от ИТ-руководителей согласования действий с сотрудниками бизнес-подразделений. В этом случае обеспечивается бесперебойная работа бизнеса. Производственным предприятиям не нужно останавливать производственные линии для установки обновлений в пиковые периоды, больницам не нужно отключать клинические системы в часы приема пациентов, а финансовые учреждения могут избежать изменений в пиковых периодах транзакций.
• Для внедрения требуется одобрение руководителя по управлению изменениями. Во многих организациях для этого необходим консультативный совет по изменениям, который проводит заседания еженедельно.
• В конце концов, системы, управляемые поставщиками и сторонними организациями, могут работать по совершенно независимым графикам обновления, которые не контролируются ни одной внутренней командой.

	Текущее положение	Реальность, определяемая искусственным интеллектом
Обнаружение	Недели или месяцы	Часы
Расстановка приоритетов	Недели	Согласно цепочки создания ценности
Установка патчей	Месяцы	Часы
Снижение рисков	Со временем	Непрерывно
Время до эксплуатации	Годы	Часы

Это не дисфункция, а скорее то, как устроена работа крупных организаций. Процессы существуют для обеспечения бесперебойной работы, управления соответствием нормативным требованиям, сохранения качества обслуживания и предотвращения сбоев в работе, которые могут вызвать плохо протестированные обновления. Однако передовые технологии искусственного интеллекта меняют правила игры. Уязвимости, которые раньше могли оставаться открытыми неделями, теперь должны устраняться в течение нескольких часов, чтобы предотвратить нанесение ущерба злоумышленниками. Организационная архитектура стала прямой угрозой безопасности.

Распространенная проблема заключается в том, что скорость принятия решений не зависит ни от кого. ИТ-отдел отвечает за процесс установки обновлений, бизнес-подразделение — за решения, принимаемые во время простоев, юридический отдел — за сроки раскрытия информации, отдел закупок — за отношения с поставщиками, операционный отдел — за непрерывность производства, а служба безопасности — за оценку рисков. Ни одна функция не обладает достаточными полномочиями, прозрачностью и мандатом, чтобы обеспечить темп работы предприятия, необходимый в условиях угрозы. В результате принятие критически важного решения, которое должно занять несколько часов, в итоге занимает гораздо больше времени.

Решение, предлагаемое операционной моделью: переосмысление решений.

Организации, наиболее эффективно ориентирующиеся в киберпространстве, обладают характеристикой, не связанной с используемыми ими инструментами безопасности. Их отличают операционные модели, и в частности, то, как они перестроили структуру непрерывного мониторинга рисков, управление защитой с использованием ИИ и архитектуру принятия организационных решений в условиях ограниченного времени.

В большинстве случаев эти организации достигли того, что мы называем управляемой автономией.

То есть, речь идет о кибер-операционной модели, в которой ИИ обрабатывает большой объем работы, требующей оперативного реагирования, включающей непрерывный мониторинг и плановое устранение неполадок, в то время как человеческое суждение определяет новые угрозы, стратегические решения по управлению рисками и все, что имеет существенное значение для бизнеса. Достижение управляемой автономии зависит от трех проектных императивов, каждый из которых имеет организационный характер, а не технический.

Непрерывная прозрачность рисков — это обязательное условие.

Первоочередная задача проектирования — перевести организацию от периодического сканирования и плановых циклов устранения неполадок к непрерывному оперативному мониторингу, основанному на самых важных вещах. Это требует четкого определения масштаба и последовательности действий.

Практическая отправная точка — не стремление к обеспечению видимости в режиме реального времени по всему предприятию. Эта цель неизменно терпит неудачу, поскольку масштаб слишком велик, а необходимые изменения слишком радикальны. Вместо этого ведущие организации начинают с определения минимально жизнеспособной организации, которая представляет собой неразрывное ядро ​​систем, процессов и активов, нарушение работы которых будет иметь катастрофические последствия. Для банка это может быть обработка платежей, основные банковские операции и отчетность перед регулирующими органами. Для производителя это могут быть производственные линии и управляющие ими системы операционных технологий (OT). Для больницы это могут быть клинические системы и критически важная инфраструктура.

Сосредоточившись сначала на обеспечении видимости в режиме, близком к реальному времени, и непрерывном сканировании ядра сети, организации могут создать защищенный периметр вокруг наиболее важных объектов. Параллельно они могут уменьшить поверхность атаки, отказавшись от ненужных внешних ресурсов, рационализировав зависимости от открытого исходного кода, удалив устаревшие учетные данные и ужесточив сегментацию сети. В одном из глобальных финансовых учреждений руководители обнаружили, что приоритетное сканирование с использованием больших языковых моделей в минимально жизнеспособном банке привело к существенному снижению уязвимости наиболее ценных активов быстрее и с меньшими затратами, чем при использовании предыдущих подходов.

Крайне важно понимать, что сокращение поверхности атаки — это не просто техническая задача. Она требует принятия бизнес-решений о том, какие активы следует вывести из эксплуатации, какие внешние интерфейсы закрыть и какие интеграции со сторонними сервисами ограничить. В этих решениях одновременно участвуют ИТ-отдел, операционный отдел, владельцы бизнеса и юридический отдел. Скорость организационного согласования определяет скорость сокращения поверхности атаки.

Управление обороной с использованием искусственного интеллекта должно стать основополагающей архитектурой.

Вторая задача проектирования — внедрение защитного ИИ в качестве операционной архитектуры для обеспечения безопасности. Эта архитектура определяется тремя различными уровнями, каждый из которых должен быть спроектирован как «агентный» сквозной рабочий процесс, а не собран из решений независимых поставщиков:

• Поиск угроз и обнаружение путей атаки: модели ИИ могут проводить непрерывный анализ цепочек путей атаки в сложных, гетерогенных средах, сопоставляя сигналы из ИТ, ОТ, облачных и сторонних систем для выявления уязвимостей и определения приоритетов в устранении проблем на основе реальной эксплуатационной способности и бизнес-ценности, а не общих оценок серьезности. Это важно, поскольку распространенные системы оценки уязвимостей не различают уязвимость в тестовой среде и ту же уязвимость в системе, которая находится всего в трех шагах от «ключевых уязвимостей». Приоритизация с помощью ИИ может обеспечить это различие непрерывно и в больших масштабах.
• Устранение уязвимостей и управление рисками, связанными с третьими сторонами: для организаций, которые разрабатывают и поддерживают значимое программное обеспечение, то есть для большинства крупных финансовых учреждений, промышленных компаний и высокотехнологичных производственных предприятий, моделирование угроз с помощью ИИ, автоматизированное тестирование под давлением на протяжении всего жизненного цикла разработки программного обеспечения и предложения по исправлениям, генерируемые ИИ, могут значительно сократить время между выявлением уязвимости и появлением протестированного решения. Это решает одну из самых сложных проблем: время, необходимое команде разработчиков для понимания, воспроизведения и исправления уязвимости в коде, к которому они, возможно, не прикасались годами.

Компоненты программного обеспечения с открытым исходным кодом могут стать источником проблем из-за способности злоумышленников легко выявлять или внедрять уязвимости и в конечном итоге использовать их для эксплуатации (например, в случае атак на нижестоящие системы). Организациям следует обеспечить внутреннюю прозрачность в отношении того, где и как развертываются эти компоненты, а затем проводить сканирование уязвимостей с использованием передовых технологий искусственного интеллекта, в том числе до развертывания, и, где это применимо, разрабатывать патчи с помощью ИИ. Для коммерческого программного обеспечения необходимо обновить соглашения об уровне обслуживания (SLA) для сторонних поставщиков, чтобы они охватывали цепочки уязвимостей. Наконец, необходимо усилить управление последствиями.

• Реагирование на инциденты и операции по обеспечению безопасности: ИИ может автоматизировать сортировку инцидентов, ускорить последовательность локализации и координировать межфункциональные действия без ожидания присутствия человека, принимающего решения. Ведущие организации предварительно авторизуют агентов ИИ для выполнения конкретных, ограниченных действий по реагированию, включая изоляцию систем, аннулирование учетных данных и применение компенсирующих мер контроля — все в рамках установленных ограничений. Для реагирования на инциденты с низким уровнем риска после выполнения действия проводится проверка человеком. Это не автономная безопасность; она определяется скоростью. Процессы обеспечения непрерывности бизнеса и реагирования на кризисные ситуации должны быть перепроверены с учетом этой реальности, с четким, заранее согласованным представлением о минимально жизнеспособной организации, которая должна продолжать функционировать, пока все остальное находится на карантине.

Цель на всех трех уровнях состоит в том, чтобы гарантировать, что человеческое суждение будет применяться только к решениям, которые действительно этого требуют, и чтобы рутинные, требующие оперативного реагирования меры по исправлению ситуации не откладывались.

Архитектура процесса принятия организационных решений должна быть оптимизирована с учетом временных ограничений.

Третий, и наиболее недооцененный, императив проектирования — это перепроектирование самой архитектуры принятия решений. В действительности большинство организаций по-прежнему управляют кибербезопасностью с помощью структур управления, разработанных для другой эпохи. Распространено мнение, что риск ненужных или плохо контролируемых изменений перевешивает риск медленных. Консультативные советы по изменениям, комитеты по управлению безопасностью, межфункциональные рабочие группы и цепочки эскалации, охватывающие несколько подразделений высшего руководства, инстинктивно придерживаются этой предпосылки. Но когда уязвимость подвергается быстрой активной эксплуатации с использованием ИИ, задержка становится большим риском.

Ведущие организации перестраивают процессы принятия организационных решений, создавая межфункциональную группу реагирования — небольшую, наделенную полномочиями команду с одним лицом, принимающим решения, которое имеет делегированные CSO полномочия отменять стандартные процессы управления изменениями для подтвержденных активных угроз. Группа ежедневно проводит сортировку угроз и ведет учет уязвимостей в режиме реального времени. У нее есть предварительно утвержденные сценарии реагирования, которые она может выполнять без эскалации. И у нее есть представитель руководства, который каждые 24 часа предоставляет информацию о ходе технических работ на уровне совета директоров. Роли четко определены, а полномочия по принятию решений явно распределены, а не разрознены.

Таким образом, ключевой задачей проектирования является подлинная централизация полномочий по принятию решений. Одно финансовое учреждение реструктурировало свою систему управления обновлениями после инцидента, в результате которого критическая уязвимость оставалась неустраненной в течение 11 дней, поскольку ни одна команда не обладала достаточной технической информацией и полномочиями для отмены приостановки внесения изменений в производственную среду. Реструктурированная модель предоставила руководителю группы реагирования явные полномочия, делегированные директору по информационной безопасности, а предварительное утверждение подтвержденных активных угроз было заменено на отчетность после выполнения действий. Сроки устранения критических уязвимостей значительно сократились.

Фармацевтическая компания применила аналогичный подход к одному из самых трудноразрешимых узких мест: накопившимся задержкам в обновлении среды исследований и разработок, из-за которых установка исправлений безопасности обычно отстает от графиков разработки продукта. Для решения проблемы потребовалась программа изменений, возглавляемая бизнесом (а не ИТ-подразделением), которая официально установила приоритетное внедрение исправлений в средах исследований и разработок и предоставила подразделению безопасности полномочия отменять графики разработки во время активных угроз. Организационное вмешательство помогло устранить первопричину таким образом, который одними лишь технологиями был бы невозможен.

Одним из следствий трех основных принципов является то, что перепроектирование системы управления должно распространяться на более широкие модели реагирования на кризисные ситуации. Ведущие организации инвестируют в междисциплинарные структуры реагирования, которые могут одновременно координировать действия в киберпространстве, физической среде и операционном аспекте. Например, европейская аэрокосмическая и оборонная компания создала центр анализа угроз безопасности, который объединил ее центр кибер-операций, операции по обеспечению физической безопасности и внешнюю информацию об угрозах в единое представление в режиме реального времени. Компания хотела обеспечить скоординированное реагирование на атаки, сочетающие цифровые и физические векторы. Европейская страховая компания консолидировала свои возможности по обеспечению устойчивости под единым руководством. Она создала ежеквартальный совет по устойчивости на уровне совета директоров, признавая, что организационные барьеры между кибербезопасностью, обеспечением непрерывности бизнеса и физической безопасностью сами по себе уязвимы.

Управляемая автономия на практике

Автономия, управляемая руководством, является частью более широкой архитектуры устойчивости организации , которая функционирует в шести измерениях: финансы, операционная деятельность, технологии, организация, репутация и бизнес-модель.2

Руководитель, отвечающий только за технологическую составляющую и не имеющий явной связи с организационной и операционной устойчивостью, не сможет успешно внедрить управляемую автономию. Модель требует совместной ответственности всего высшего руководства. Процесс внедрения должен следовать последовательной схеме, обычно состоящей из трех этапов, каждый из которых направлен на развитие организационных ресурсов, необходимых для следующего этапа.

Прежде чем рассматривать, как работает модель, стоит задаться вопросом, в каком положении находится ваша организация в данный момент. Большинство предприятий, с которыми мы работаем, находятся в одном из трех положений:

• Надежные инструменты обеспечения безопасности внедрены, но полномочия по принятию решений размыты, и никто не уполномочен действовать оперативно (наиболее распространенное положение дел).
• Наблюдается централизация некоторых процессов принятия решений, но с привязкой к операциям, использующим искусственный интеллект.
• Организация начинает развертывание агентов искусственного интеллекта в среде, где еще не существует архитектуры управления для их работы.

Для каждой позиции предусмотрено различное действие наивысшего приоритета, например, внедрение технологий или организационные изменения. Трехфазная модель описывает путь от первой позиции к третьей, а также организационные решения, определяющие, будет ли организация предпринимать какие-либо действия.

	Стабилизация	Ускорение	Масштабирование
	1-4 недели	2-6 месяцев	Начиная с 6 месяца
	Массовая работа людей	Операционная деятельность с поддержкой ИИ	Регулируемая автономность
Цель	Полный контроль со стороны человека; немедленное снижение рисков.	Устранение проблем с помощью ИИ в устойчивом темпе	Защита на скорости работы машин под контролем человека
Ключевые операции	Единоличное право принятия решений (полномочия, делегированные руководителю службы безопасности) Ежедневный цикл «треугольника» Сканирование с помощью больших языковых моделей для выявления постоянных уязвимостей Экстренные исправления вне окон обслуживания	Внедрение пилотных ИИ-агентов для приоритизации, валидации и регрессионного тестирования Предварительное одобрение сценариев реагирования (плейбуков) с низким уровнем риска (без привязки к окнам изменений) Круглосуточная работа ИИ; привлечение специалистов для обработки исключительных случаев Сокращение времени устранения проблем до целевого показателя — 24 часа	Искусственный интеллект самостоятельно справляется с большей частью рутинных задач по устранению неполадок. Люди принимают решения, касающиеся новых угроз и существенных рисков. Точность ИИ контролируется; систематические ошибки приводят к аннулированию полномочий. Реагирование на чрезвычайные ситуации; подтверждение или отмена за считанные минуты.
Результаты	Ежедневный брифинг для руководства: 3 показателя, 1 риск, 1 запрос Фиксация исходного состояния бэклога уязвимостей в течение 48 часов	Еженедельное отслеживание рекомендаций ИИ в сравнении с решениями, принятыми людьми Круглосуточное обслуживание с предварительно одобренными автономными действиями	Устранение критических уязвимостей в течение 24 часов Ежеквартальная отчетность перед советом директоров о результатах работы систем ИИ и остаточных рисках

При внедрении управляемой автономии применяются три основных этапа:

• Во-первых, операционная модель не просто обеспечивает развертывание ИИ; она регулирует использование ИИ во всей организации. Пороги точности, процессы калибровки доверия, автоматическое лишение автономных полномочий при систематических ошибках и требования к отчетности после выполнения действий могут гарантировать, что по мере расширения автоматизации будет расти и ответственность человека. Вот что означает автономия на практике: она не является ограничением потенциала ИИ; архитектура делает использование ИИ безопасным. Например, агент обновления (оркестрации) с широкими возможностями доступа и автономией развертывания, позволяющий ему соответствовать скорости угроз, также должен рассматриваться как критически важный актив, требующий мер защиты для предотвращения компрометации или изменения поведения.
• Во-вторых, операционная модель разработана для наращивания организационного потенциала до распространения полномочий ИИ. Первый этап, или «человеческий натиск», заключается в централизации принятия решений людьми и установлении дисциплины управления ИИ. Организации, которые пропускают первый этап и пытаются развернуть агентов ИИ в среде, где полномочия по принятию решений остаются размытыми, неизменно создают системы ИИ, которые генерируют рекомендации, на которые никто не реагирует.
• В-третьих, и это самое важное, операционная модель требует поддержки генерального директора и совета директоров. Наш опыт внедрения показывает, что организации, которые рассматривают управляемую автономию как программу безопасности, застревают на первом этапе. Узкими местами являются бизнес-решения, касающиеся простоев производства, полномочий по управлению изменениями, приоритетов разработки и обязательств перед поставщиками, которые функция безопасности не может решить в одностороннем порядке. Организации, которые рассматривают управляемую автономию как программу обеспечения устойчивости предприятия, с явной поддержкой со стороны руководства и управлением на уровне совета директоров, с большей вероятностью пройдут все три этапа.

Автономия, основанная на управлении, помогает руководителям определять, кто что решает, с какими полномочиями, в какие сроки, подчиняется каким правилам и кому подотчетен. Это операционная архитектура, в рамках которой работает технология. Без нее лучшие инструменты на рынке остаются за кулисами тех же самых цепочек утверждения комитетами, которые изначально и создавали проблемы.

Дисциплина операционной модели в условиях сжатых сроков

Описанная здесь дисциплина операционной модели решает наиболее неотложную задачу. Но уже формируется вторая волна сложностей. Масштабное развертывание систем искусственного интеллекта вводит новый класс основополагающих требований, включая границы доступа к данным, контроль идентификации и поведенческие ограничения, которые должны быть определены и обеспечены до того, как автономным агентам можно будет доверять действовать. Правильное заложение этих основ — это решение, принимаемое на уровне управления и имеющее последствия на уровне совета директоров.

Тот же принцип применим и к формирующейся экономике безопасности, основанной на искусственном интеллекте. Иными словами, стоимость выполнения одного запроса при непрерывном запуске больших моделей на этапах обнаружения угроз, их устранения и реагирования создает дополнительное бюджетное давление, на которое традиционные модели расходования средств на безопасность никогда не были рассчитаны.

Пожалуй, наиболее важным является переосмысление самой роли директора по информационной безопасности. В ближайшем будущем директор по информационной безопасности будет не столько техническим авторитетом, сколько архитектором управляемой автономии в масштабах всего мира, устанавливающим политику для систем искусственного интеллекта, которые действуют, а не дают советы, и несущим ответственность за решения, принимаемые со скоростью, которую человек не может напрямую контролировать. Именно эти вызовы определят следующий этап этой работы.

Наилучшие результаты в области кибербезопасности в ближайшие три-пять лет покажут те организации, которые своевременно пересмотрят права принятия решений, создадут систему управления, способную работать на машинной скорости, инвестируют в дисциплину управления автономным устранением уязвимостей с помощью ИИ и напрямую свяжут свою киберустойчивость с результатами бизнеса, которые она защищает. К ним относятся бесперебойная работа производства, доверие клиентов, соответствие нормативным требованиям и непрерывность деятельности. Бюджет на безопасность будет иметь гораздо меньшее значение, чем ясность операционной модели.

Это имеет значение не только для кибербезопасности. Искусственный интеллект сокращает сроки управления во всех функциях предприятия. Организации, которые смогут быстрее принимать важные решения, располагая более качественной информацией и работая в условиях дефицита времени, сохранят это преимущество во всех своих операциях. Но кибербезопасность — это область, где сокращение сроков происходит в первую очередь, с самыми высокими ставками и наименьшей терпимостью к задержкам. Таким образом, это подходящее место для развития операционной модели, которая потребуется лидерству предприятий в следующем десятилетии.

Источник

Проблема скорости: как передовые технологии искусственного интеллекта выявляют слабые места в корпоративной кибербезопасности. 11 сентября 2026 г. Бенджамин Кляйн; Чарли Льюис; Венки Анант; Кевин Каталон; Рафаэль Энглер; Вольфрам Салманян.

The speed problem: How frontier AI exposes weakness in enterprise cybersecurity

https://www.mckinsey.com/capabilities/risk-and-resilience/our-insights/the-speed-problem-how-frontier-ai-exposes-weakness-in-enterprise-cybersecurity

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