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.
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.
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».
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.
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».
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.
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.
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.
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.
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.
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.
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.
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.
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».
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.
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.
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.
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.
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.
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.
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».
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.
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.
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
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
