Масштабирование агентского ИИ

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

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

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

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

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

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

Распространенные ошибки при интеграции ИИ-агентов

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

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

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

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

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

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

Разработка тщательно продуманного плана

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

Экспозиция освещает шесть компонентов: 

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

Ключевые шаги решения проблемы:

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

Результаты.

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

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

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

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

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

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

Получение преимуществ от интеграции агентного ИИ на основе разработанного плана

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

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

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

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

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

* * *

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

Источник

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

Stacking the odds: A blueprint for successfully scaling agentic AI

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

Эффекты от внедрения ИИ

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

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

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

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

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

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

Что требуется для успеха агентного PDLC

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

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

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

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

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

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

Переосмысление сквозных процессов и рабочих потоков.

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

Результаты опроса:

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

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

Вложение значительных средств в развитие искусственного интеллекта.

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

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

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

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

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

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

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

Что могут предпринять руководители организаций дальше?

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

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

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

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

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

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

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

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

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

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

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

* * *

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

Источник

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

Beyond the copilot: Scaling the agentic product development life cycle

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

Масштабирование агентского ИИ

Агентный ИИ масштабируется на основе качественных данных. Для получения выгоды технологические лидеры могут внедрять агентные методы в высокоэффективные рабочие процессы, модернизировать архитектуры данных, обеспечивать качество данных и развивать операционные модели.

Прочность дома определяется фундаментом. Именно это быстро начинают понимать и компании, работающие с агентным ИИ. Почти две трети предприятий по всему миру экспериментировали с агентами, но менее 10% смогли масштабировать их до уровня, обеспечивающего ощутимую выгоду. Часто виной тому нестабильные данные; восемь из десяти компаний называют ограничения в данных препятствием для масштабирования агентного ИИ. Решение этой проблемы является ключевым элементом построения прочной основы для развития потенциала — и именно это отличает компании, которые создают ценность с помощью ИИ, от тех, кто этого не делает.

Хотя компаниям часто удавалось преодолевать проблемы фрагментированных и разрозненных данных, управлять ими в больших масштабах невозможно. Непоследовательное управление данными лишь усугубило проблему сохранения контекста данных при одновременном обеспечении контроля доступа, отслеживаемости происхождения и возможности аудита.

Данные — это основа агентного ИИ.

Многие компании уже внедрили ИИ в свою деятельность. Теперь они делают следующий шаг, внедряя агентный ИИ , стремясь автоматизировать сложные бизнес-процессы. Но для надежной работы в масштабах, агентному ИИ необходим постоянный поток высококачественных данных.

Успех агентного ИИ зависит от архитектуры данных, способной поддерживать все более высокий уровень автономности, координации и принятия решений в режиме реального времени. Зачастую это выглядит как модульные, совместимые структуры, предоставляющие агентам надежный доступ к данным, необходимым для безопасной работы. Хотя генеративный ИИ уже продемонстрировал необходимость контроля доступа к данным, отслеживания происхождения и прослеживаемости, агентные платформы оказывают большее оперативное давление на эти основы. Поскольку агентный ИИ непрерывно координирует множество моделей и источников данных, часто без вмешательства человека, он требует более жесткого и автоматизированного управления для обеспечения надежности и контроля в масштабе.

Семь принципов архитектуры данных, обеспечивающих масштабируемость.

• Рассматривайте ввод данных как продукт. Обеспечьте простой и единообразный процесс ввода всех данных — пакетных, в реальном времени, структурированных или неструктурированных — один раз в компанию, чтобы они были доступны для всех.
• Делитесь смыслом, а не просто данными. Обеспечьте наличие четких, общепринятых определений данных, чтобы аналитики, модели ИИ и агенты понимали их одинаково.
• Используйте единую базу данных для аналитики и ИИ. Создавайте данные один раз и используйте их повсюду — для отчетов, машинного обучения и генерации ИИ — вместо того, чтобы запускать отдельные конвейеры и платформы.
• Внедрите доверие в платформу по умолчанию. Безопасность, контроль доступа, конфиденциальность и управление ИИ должны быть автоматическими, а не добавляться позже или управляться вручную.
• Предоставляйте доступ к возможностям через стабильные интерфейсы. Предлагайте понятные API и модели точек доступа, чтобы команды могли надежно создавать приложения и решения на основе ИИ без доработок.
• Сделайте поведение видимым и измеримым. Постоянно отслеживайте качество данных, производительность модели, скорость и стоимость, чтобы выявлять проблемы на ранних стадиях и совершенствовать системы с течением времени.
• Обеспечьте контролируемый способ запуска агентов и приложений ИИ. Координируйте работу агентов и приложений ИИ через общий уровень выполнения, который обеспечивает соблюдение корпоративных правил и ограничений.

Выделяются два типа агентных систем: одноагентные рабочие процессы, где один агент последовательно использует несколько инструментов и источников данных; и многоагентные рабочие процессы, где специализированные агенты сотрудничают посредством общих графов знаний и детального доступа к данным. Оба типа требуют согласованных и совместимых данных, без которых агенты могут давать сбои. Одиночные агенты могут принимать противоречивые решения на основе фрагментированных данных, в то время как многоагентные системы могут терять координацию и распространять ошибки.

Как подготовить данные для агентного ИИ

Для масштабной трансформации в организацию, управляемую собственными силами, компании могут начать с создания базовых возможностей работы с данными. Это требует не только технологической, но и организационной перезагрузки. Дело в том, что стратегия работы с данными и операционная модель компании так же важны, как и качество и архитектура базовых данных. Успех зависит от четырех скоординированных шагов, связывающих стратегию, технологии и людей:

Шаг 1: Определите наиболее эффективные рабочие процессы для «агентизации». Организации могут определить небольшое количество высокоценных сквозных рабочих процессов, где повышение автономии может принести ощутимые результаты. Опираясь на устоявшиеся подходы к созданию продуктов на основе данных , руководители могут расставить приоритеты в использовании агентских сценариев, исходя из потенциальной ценности, осуществимости и стратегической целесообразности, прежде чем масштабировать их в более широком масштабе.

Шаг 2: Модернизация каждого уровня архитектуры данных для агентов. Вместо того чтобы перестраивать все с нуля, руководители могут модернизировать существующие платформы для обеспечения совместимости и управления между системами. Хотя у некоторых может возникнуть соблазн использовать достижения в области ИИ для обхода лучших практик архитектуры данных, наиболее сильные организации строят модульные, эволюционные архитектуры с компонентами, которые можно заменять по мере появления новых технологий.

Шаг 3: Обеспечение качества данных. Организациям необходимо перейти от периодической очистки данных к непрерывному управлению качеством в режиме реального времени. Этого можно достичь, обеспечив соответствие как структурированных, так и неструктурированных данных, а также результатов, генерируемых агентами, единым стандартам точности, происхождения и управления.

Шаг 4: Создание операционной и управленческой модели для агентного ИИ. Масштабирование агентного ИИ требует переосмысления способов выполнения работы. Роль человека смещается от исполнения к надзору и координации рабочих процессов, управляемых агентами. В гибридной рабочей среде «человек-агент» четкое управление имеет важное значение для обеспечения прозрачной и безопасной работы агентов в масштабе.

Ниже мы более подробно рассмотрим каждый из четырех этапов.

Определите наиболее эффективные рабочие процессы для «агентизации».

Для большинства организаций путь к получению выгоды от использования агентного ИИ начинается не с полной перестройки всего, а с целенаправленной перестройки нескольких критически важных рабочих процессов в областях с высоким уровнем влияния. Ведущие компании определяют такие области, как управление знаниями или маркетинг, анализируя существующие данные, чтобы точно определить, где находится наибольшая ценность и где повышение автономности может существенно изменить результаты бизнеса. Это требует сначала составления карты сквозных рабочих процессов, а затем определения этапов, на которых агентные возможности могут принести пользу, и соответствующих данных, необходимых этим агентам для выполнения своих задач. Это помогает компаниям расставлять приоритеты в использовании вариантов на основе их потенциальной ценности и осуществимости.

Целенаправленные пилотные проекты с четкими показателями могут подтвердить эффекты. В то же время командам следует определить данные, которые можно повторно использовать в различных задачах и рабочих процессах. Такой акцент на повторном использовании имеет решающее значение для разработки масштабируемых моделей.

Модернизируйте каждый уровень архитектуры данных для агентов.

Подготовка архитектуры данных для агентного ИИ требует укрепления и корректировки уровней стека данных. Вместо того чтобы перестраивать системы с нуля, компании могут модернизировать каждый уровень, чтобы улучшить прозрачность и управление рабочими процессами.

Cлой источников данных — это место, куда в корпоративную сеть поступают данные о клиентах, такие как просмотры, списки желаний, история покупок и взаимодействия со службой поддержки. Неструктурированные данные непрерывно поступают, преобразуются и рекомбинируются по мере их поступления в модели, а это значит, что управление ими должно осуществляться параллельно. Проверки качества данных, средства контроля безопасности и отслеживание происхождения должны быть автоматизированы и интегрированы непосредственно в конвейеры обработки данных, а не обрабатываться в виде разовых проверок. Команды, работающие с данными, также создают конвейеры предварительной обработки, которые очищают, обогащают и маркируют данные, добавляя бизнес-контекст и проверки качества, позволяющие агентам интерпретировать информацию и действовать надежно.

Уровень платформы данных объединяет данные из различных систем и делает их пригодными для использования в приложениях и моделях ИИ, организуя доступ, синхронизацию и взаимодействие в реальном времени между системами.

Средства хранения векторной графики и сервисы встраивания необходимы для работы с неструктурированными данными, поэтому они должны быть частью платформы данных. Эти сервисы позволяют осуществлять поиск документов, изображений и другого неструктурированного контента по смыслу, а не по ключевым словам, при этом обеспечивая актуальность этих представлений по мере развития контента.

Добавление стандартов взаимодействия, специфичных для каждого агента. Этот уровень может автоматизировать процессы интеграции и доступа, обеспечивая структурированный обмен контекстной информацией, прямую координацию между агентами и безопасный обмен транзакциями. Несколько агентов, работающих вместе, могли бы, например, получать и обновлять данные в системах учета запасов, выполнения заказов, управления взаимоотношениями с клиентами и платежей в режиме реального времени, координируя действия без потери непрерывности.

На этом уровне агенты могут поддерживать выделенную рабочую память или ограниченный контекст, в то время как доступ к общим данным и контекстной информации регулируется динамически на основе сценариев использования и разрешений. По мере повышения автономности агентов средства управления идентификацией становятся необходимыми для сохранения качества данных, их согласования и возможности аудита.

Семантический слой преобразует данные в знания. Он находится между необработанными данными и приложениями искусственного интеллекта, кодифицируя бизнес-значение данных в машиночитаемую форму, понятную человеку. Вместо того чтобы рассматривать данные как разрозненные таблицы или файлы, семантический слой определяет, что представляют собой объекты, как они связаны между собой и какие правила ими управляют.

На практике этот уровень чаще всего реализуется с помощью онтологий и графов знаний. Онтологии определяют, как атрибуты и взаимосвязи между данными в совокупности соответствуют бизнес-реальности. Графы знаний операционализируют этот словарь, связывая данные из реального мира в разных системах в единую сеть сущностей. Без этой общей семантической основы агенты могут действовать на основе неполных или противоречивых интерпретаций одних и тех же данных, что увеличивает количество ошибок и операционные риски по мере роста масштаба.

Продукты на основе данных превращают тщательно отобранные данные в многократно используемые, готовые к применению в бизнесе активы. Они упаковывают данные с четким указанием прав собственности, стандартов качества, семантики и интерфейсов для использования. Благодаря продуктовому подходу компании рассматривают данные как ценный ресурс, который можно повторно использовать в различных сценариях и областях. Многократно используемые продукты на основе данных позволяют агентам получать достоверные прогнозные и генеративные данные в больших масштабах, а наблюдаемость фиксирует, как агенты используют данные, создавая необходимую отслеживаемость для контроля и обеспечивая обратную связь, которая улучшает исходные данные и модели.

Потребление данных находится на вершине всего технологического стека. Эта возможность обеспечивает подачу данных и аналитической информации в рабочие процессы и приложения. Она включает в себя инструменты аналитики и отчетности, API данных, интерфейсы извлечения и выходные данные моделей, встроенные непосредственно в бизнес-процессы. В этот слой интегрированы службы оркестрации и извлечения данных. Системы ИИ динамически формируют контекст — часто из неструктурированных данных — вместо того, чтобы полагаться на предопределенные запросы. Оркестрация позволяет системам ИИ решать, что извлекать, как это уточнять и когда итерировать, а службы извлечения данных обеспечивают безопасный, эффективный и управляемый доступ в масштабе.

Современные архитектуры анализируют выходные данные модели для повышения качества самих данных. Приложения Gen AI могут генерировать метки, модели использования и контекст, которые улучшают качество и поддерживают будущие модели — и эти выходные данные, как и любые другие, необходимо собирать для обучения.

Управление и контроль доступа обеспечивают основные компоненты, которые контролируют взаимодействие агентов с данными, инструментами и моделями контролируемым образом.

Обеспечьте надлежащее качество данных.

В эпоху агентного ИИ тщательно отобранные высококачественные данные становятся стратегическим конкурентным преимуществом. Внедрение базовых моделей может быть дорогостоящим, учитывая затраты на крупномасштабное моделирование, тонкую настройку, инфраструктуру и управление. Организации с хорошо структурированными внутренними наборами данных могут снизить затраты на инвестиции в технологии, тонко настраивая более мелкие, специализированные модели на собственных данных. Эти модели не только более экономичны и ресурсоэффективны, но и более устойчивы и соответствуют требованиям.

Для того чтобы сделать неструктурированные данные пригодными для использования, необходимо улучшить их качество за счет тегирования, классификации, векторного представления и структурирования на основе графов. Это позволяет агентам надежно понимать сущности, отношения и контекст. К неструктурированным данным должны применяться те же стандарты, что и к структурированным.

Компаниям также необходимо совершенствовать методы управления структурированными данными. Вместо периодической очистки организации могут использовать непрерывный мониторинг качества данных в режиме реального времени. Этот процесс поддерживается автоматизированными конвейерами проверки, обнаружения аномалий и обогащения данных с использованием искусственного интеллекта, которые предотвращают распространение проблем между рабочими процессами. Управление метаданными обеспечивает отслеживание происхождения данных и бизнес-контекст, позволяя агентам отслеживать и обосновывать принимаемые решения.

Наконец, по мере того как агенты генерируют новые данные, организации должны применять к их результатам те же стандарты качества, происхождения и согласования. Это включает данные, полученные или записанные с помощью инструментов и API, вызываемых агентами, которые должны работать через управляемые, согласованные интерфейсы, а не в обход корпоративного контроля качества. Общие определения, соответствующие поставленным задачам и встроенные в автоматизированные проверки качества, могут гарантировать, что агенты будут использовать надежную информацию в масштабе предприятия.

Разработайте операционную и управленческую модель для агентного ИИ.

По мере масштабирования агентных систем управление становится основным механизмом контроля. Необходимы четкие и ясные правила, определяющие, что могут делать агенты, к каким данным они имеют доступ и когда требуется одобрение человека, при этом проверки доступа должны автоматически оцениваться для каждого агента в зависимости от его роли и области действия. Важно отметить, что агенты не должны вводить новые правила качества данных или управления; они должны следовать тем же стандартам, что и другие системы, и автоматически применяться по мере повышения автономности.

Хорошо подготовленные агенты могут помочь в этом процессе, при этом агенты-контролеры работают в рамках четко определенной функции управления, постоянно отслеживая деятельность агентов для обеспечения прозрачного и соответствующего требованиям поведения. Например, агенты по обеспечению соответствия требованиям могут проверять изображения и мультимедийные материалы на предмет искажения информации о бренде или нарушений политики и инициировать корректирующие действия.

ИТ-подразделения и службы управления также должны управлять жизненным циклом агентов. Это включает в себя выдачу учетных данных, отслеживание журналов активности, мониторинг производительности и обеспечение соблюдения политик посредством автоматизированных проверок. Активность агентов автоматически фиксируется с помощью встроенной телеметрии, что гарантирует последовательную регистрацию и отслеживаемость действий, доступа к данным и принимаемых решений.

Четкая ответственность за поведение агентов — охватывающая результаты бизнеса, управление рисками и соблюдение политик — имеет решающее значение для масштабируемости. На практике бизнес-подразделения отвечают за повседневное управление рабочими процессами с участием агентов, включая модели доменов и онтологии. В то же время центральные команды по работе с данными и ИИ поддерживают общие платформы, механизмы защиты и контроль. Эта федеративная модель уравновешивает автономию доменов с ответственностью в масштабах всего предприятия.

В эпоху агентного управления лидеры технологической отрасли обнаруживают, что их база данных все чаще определяет конкурентное позиционирование. Однако, несмотря на перспективу использования данных для получения реальной ценности от агентного ИИ, многие организации по-прежнему испытывают трудности с обеспечением доступности и управляемости данных для цифровых агентов. Пришло время осуществить трансформацию данных, которая проложит путь к агентному будущему.

Источник

Создание основы для агентного ИИ в масштабах предприятия. Асин Таваколи; Хеннинг Соллер; Карлос Баррето; Танкреди Бернард Литта Модиньяни. 2 апреля 2026 г. Статья

Building the foundations for agentic AI at scale. April 2, 2026 Article

https://www.mckinsey.com/capabilities/mckinsey-technology/our-insights/building-the-foundations-for-agentic-ai-at-scale

Где ИИ будет создавать ценность

Использование ИИ для повышения производительности вряд ли создаст устойчивое конкурентное преимущество. Реальная ценность ИИ будет заключаться в перестройке предложений, бизнес-моделей и рыночных структур раньше, чем это сделают конкуренты.

Деловой мир сталкивается с парадоксом искусственного интеллекта: внедрение генеративного и агентного ИИ растет, инвестиции ускоряются, но устойчивое влияние на производительность остается труднодостижимым. Эта динамика перекликается с «парадоксом Солоу», вдохновленным остроумным высказыванием экономиста Роберта Солоу о том, что «компьютерный век можно увидеть повсюду, кроме статистики производительности». Согласно недавнему опросу, к концу 2025 года почти девять из десяти компаний внедрили ИИ как минимум в одну из своих бизнес-функций, однако 94% респондентов сообщили, что не видят «значительной» пользы от этих инвестиций. И хотя многие руководители считают ИИ необходимым условием будущей конкурентоспособности своих компаний, до настоящего времени их внимание было сосредоточено в основном на пилотных проектах, направленных на постепенное повышение производительности, а не на более глубокие преобразования.

Это несоответствие свидетельствует о непонимании того, как ИИ создает и перераспределяет экономическую ценность. Повышение производительности вряд ли расширит источники прибыли или обеспечит компаниям устойчивое конкурентное преимущество, поскольку конкуренция, как правило, снижает прирост производительности, принося больше пользы клиентам, чем компаниям, которые его внедряют. Реальная ценность ИИ будет заключаться в изменении предложений, бизнес-моделей и рыночных структур таким образом, чтобы расширить или перераспределить источники прибыли. Самое важное — это не то, как ИИ изменит вашу отрасль, а то, как он изменит экономику конкуренции.

Путь развития революционных технологий прошлого, таких как железные дороги, электричество и компьютеры, указывает на то, как могут развиваться подобные преобразования. Универсальные технологии редко создают ценность в одночасье. Первоначальное повышение производительности увеличивает эффективность, но истинный экономический эффект проявляется позже — когда появляются новые продукты, меняются бизнес-модели и перестраиваются цепочки создания стоимости — часто перераспределяя ценность между участниками отрасли, а не равномерно увеличивая её. Например, когда электричество впервые появилось на заводах, многие предприятия просто заменили паровой двигатель электродвигателем, получив выгоду от повышения эффективности, но оставив схему расположения валов неизменной. Прорыв произошёл позже, когда небольшие двигатели позволили руководителям перестраивать оборудование в соответствии с рабочими процессами, и, в конечном итоге, когда компании перепроектировали свои заводы с учётом использования электричества, создав новые операционные модели.

Руководителям предприятий следует задать себе следующие вопросы: с помощью каких механизмов и с какой скоростью ИИ будет создавать, расширять или изменять источники прибыли? И что это значит для нашей стратегии? В этой статье мы рассмотрим три взаимосвязанные волны изменений: повышение производительности, дифференциация и снижение транзакционных издержек. Повышение производительности будет иметь значение, но вряд ли оно определит победителей. Руководителям необходимо смотреть не только на эффективность, но и на инновации в продуктах и ​​услугах, и в конечном итоге на то, как ИИ изменит структуру отрасли и перераспределит прибыль.

Повышение производительности: быстро становится обязательным условием

Наиболее непосредственное влияние ИИ оказал на производительность. Автоматизируя задачи и оптимизируя рабочие процессы, инструменты ИИ могут существенно повысить скорость, точность и качество, одновременно снижая затраты.

Большинство современных приложений ИИ — это инструменты, ускоряющие выполнение существующих задач. Наибольший эффект достигается при внедрении ИИ во все производственные процессы. Искусственный интеллект, находящийся на переднем крае повышения производительности, начинает динамично и масштабно управлять процессом выполнения задач.

Хотя повышение производительности имеет ценность, оно редко увеличивает прибыль — как правило, оно влияет на минимальный, а не максимальный уровень эффективности отрасли. Стратегическая роль повышения производительности в основном оборонительная и вспомогательная: оно пересматривает ожидания в отношении затрат, скорости и качества, а также высвобождает ресурсы для инвестиций в другие области. Главное исключение в случае с ИИ — это когда повышение производительности в больших масштабах меняет экономику единицы продукции с переменных затрат на постоянные. В таких условиях снижение затрат позволяет увеличить объем производства, что, в свою очередь, еще больше снижает себестоимость единицы продукции, создавая самоподдерживающееся конкурентное преимущество.

Чтобы извлечь выгоду из этой динамики, компаниям необходимо преимущество. Первопроходцы могут быстрее масштабироваться, закрепить за собой более низкие издержки и затруднить конкурентам возможность догнать их, когда выгоды начнут накапливаться. Даже когда эта модель работает в небольших масштабах, компании, которые опережают конкурентов в повышении производительности, могут временно расширить маржу, реинвестировать полученные средства и пересмотреть базовый уровень издержек в отрасли в свою пользу. Эти преимущества ослабевают по мере распространения внедрения, но они могут быть жизненно важными — особенно в отраслях, где позиция по издержкам определяет ценовую власть и инвестиционные возможности.

Дифференциация: стимулирование роста

Инновации в продуктах, услугах и бизнес-моделях – это то, где ИИ выходит за рамки простого улучшения способов выполнения работы и открывает двери для нового роста. Как и в случае с более ранними трансформационными технологиями, наибольшая ценность будет получена не только от ИИ, но и от дополнительных инноваций: перепроектированных процессов, новых продуктов и бизнес-моделей, а также новых экосистемных структур, построенных вокруг базовой технологии.

Организации, извлекающие значительную выгоду из инноваций, основанных на искусственном интеллекте, как правило, создают несколько взаимоусиливающих преимуществ, которые накапливаются и закладывают основу для новых конкурентных преимуществ. По мере распространения возможностей ИИ, преимущество смещается от фиксированных характеристик продукта, ценовой позиции или бренда к преимуществам, основанным на ИИ, которые углубляются с использованием: собственные данные, улучшающие производительность с течением времени; выгоды для клиентов, создаваемые сетевыми эффектами или путем непосредственного внедрения ИИ в рабочие процессы клиентов, что снижает стимулы к переходу на другие решения; и более быстрые циклы обучения и итераций.

Возвращаясь к примеру с промышленностью, внедрение электричества повысило эффективность производства, но только благодаря распределенным электродвигателям, позволившим реорганизовать производство вокруг рабочих процессов, а не вокруг источников энергии, стали возможны конвейерные линии, массовое производство и новые промышленные цепочки поставок. Аналогичным образом, электрификация позволила внедрить холодильное оборудование, что изменило розничную торговлю продуктами питания и глобальные цепочки поставок, а также обеспечила электропитанием городскую инфраструктуру, что преобразило города. Электричество было необходимо, но наибольшее расширение источников прибыли произошло благодаря дополнительным инновациям, которые перестроили отрасли вокруг новой формы энергии.

Похоже, что ИИ следует аналогичной траектории. Фундаментальные модели (включая большие языковые модели) являются мощными инструментами. Однако устойчивая дифференциация будет обеспечиваться не за счет доступа к этим технологиям, которые будут все больше превращаться в товар широкого потребления, а за счет того, как организации используют их для перепроектирования предложений, пересмотра экономической модели бизнеса и реконфигурации экосистем.

Этот процесс, как правило, протекает поэтапно. Первый этап улучшает качество обслуживания клиентов в рамках существующих отраслевых структур. Рассмотрим сервисы вызова такси. Традиционные сети такси распределяли поездки в основном за счет физической очереди — следующего доступного водителя в очереди. Такие компании, как Uber и Lyft, распределяют поездки алгоритмически, назначая водителя, ближайшего к клиенту, сокращая время ожидания, повышая прозрачность и улучшая использование активов. Базовый актив — автомобиль с водителем — остается неизменным; изменился лишь метод координации и качество обслуживания клиентов. Искусственный интеллект теперь расширяет эту логику: распределение, ценообразование, маршрутизация и стимулы могут оптимизироваться в режиме реального времени, постоянно улучшая как пользовательский опыт, так и экономику системы.

Второй этап расширяет границы возможностей продукта. Платформы, созданные на основе некоторых сервисов заказа такси, распространили эту модель на смежные сегменты, такие как доставка еды, где та же логика координации управляет взаимодействием между ресторанами, курьерами и клиентами, создавая новые модели потребления по запросу. Следующим рубежом могут стать беспилотные такси с искусственным интеллектом, которые, исключив водителя-человека, коренным образом изменят структуру затрат и масштабируемость сервиса и потенциально трансформируют экономику городской мобильности.

В более широком смысле, ИИ позволяет предлагать услуги, которые ранее были невозможны. В сфере финансовых услуг компания American Express использует ИИ для персонализации предложений и рекомендаций практически в режиме реального времени на основе анализа транзакций и сигналов риска. В биологических науках молекулы, разработанные с помощью искусственного интеллекта, позволяют фармацевтическим компаниям ускорить процесс разработки лекарств. В таких случаях ИИ не просто улучшает качество обслуживания — он меняет то, что можно предложить.

Третий и наиболее важный этап — и главный катализатор расширения пула прибыли — это переосмысление бизнес-модели. Здесь ИИ меняет саму экономику конкуренции. Новые компании, изначально использующие ИИ, иллюстрируют этот сдвиг. Например, Harvey переосмысливает юридические услуги, сочетая искусственный интеллект с собственными юридическими рабочими процессами и данными для предоставления услуг, которые традиционно требовали команд юристов, размывая грань между программным обеспечением и услугами. Аналогично, Khanmigo переосмысливает образование с помощью репетиторства на основе ИИ, которое обеспечивает персонализированное, постоянно доступное обучение, бросая вызов экономике традиционных моделей обучения в классе и индивидуальных занятий. В обоих случаях конкурентное преимущество заключается во внедрении ИИ в основное предложение таким образом, чтобы изменить структуру затрат, расширить доступ и создать новую ценность.

В отличие от повышения производительности, инновации в продуктах, услугах и бизнес-моделях могут расширить источники прибыли — но только если эти инновации защищены сильными конкурентными преимуществами. Преимущество в непропорционально большей степени получают организации, которые действуют на опережение, учатся быстрее конкурентов и создают возможности, которые накапливаются даже по мере того, как методы, использующие ИИ, становятся отраслевой нормой.

Снижение транзакционных издержек: стимулирование глубоких системных изменений

Последняя волна перемен — самая масштабная и наименее интуитивно понятная. Искусственный интеллект обещает изменить не только продукты или операции, но и рыночные структуры, радикально снизив транзакционные издержки.

Многие отрасли построены на принципе трения. Клиентам сложно сравнивать варианты, координация между несколькими поставщиками сложна, смена поставщика обходится дорого, а посредники процветают, управляя информационной асимметрией или операционной сложностью. Искусственный интеллект (особенно агентные системы) подрывает эти основы, делая информацию прозрачной, координацию автоматизированной, а принятие решений практически мгновенным. В результате ценность смещается от управления трением и концентрируется вокруг новых технологических или стратегических точек контроля, таких как владение интерфейсом клиента или данными, привилегированный доступ к спросу или способность управлять сложными экосистемами. Какая точка контроля обеспечивает наиболее сильное преимущество, будет варьироваться в зависимости от отрасли, но основная закономерность остается неизменной: по мере снижения транзакционных издержек преимущество переходит к компаниям, занимающим критически важные позиции в цепочке создания стоимости с меньшим трением.

* * *

Сингулярность Коуза: почему транзакционные издержки формируют рынки и как ИИ может их перекроить

В периоды стремительных перемен, когда четких ответов еще нет, возвращение к первопричинам может дать представление о том, куда будет перемещаться ценность. А именно: экономика транзакционных издержек, впервые сформулированная Рональдом Коузом, указывает путь к наиболее разрушительному потенциалу ИИ.

Теория Коуза гласит, что рынки, предприятия и цепочки создания стоимости принимают те или иные формы, потому что использование рынков сопряжено с большими затратами. Поиск вариантов, сравнение цен, заключение контрактов, координация действий между сторонами, обеспечение выполнения соглашений и смена поставщиков — всё это требует времени, информации и усилий. Там, где эти транзакционные издержки высоки, компании решают соответствующие задачи внутри компании или с помощью посредников; там, где они низки, рынки фрагментируются и специализируются. С этой точки зрения, отраслевые структуры представляют собой равновесные результаты, формируемые транзакционными издержками. Розничные торговцы, брокеры и платформы в значительной степени сохраняются, потому что они снижают эти издержки более эффективно, чем альтернативные варианты.

Эта логика подразумевает, что размер и масштаб бизнеса не являются фиксированными, а зависят от транзакционных издержек. Компании расширяются, когда затраты на координацию, заключение контрактов и информацию высоки, что делает более эффективным внутреннее управление деятельностью. Если агенты ИИ существенно снизят эти издержки — обрабатывая поиск, переговоры, координацию и обеспечение соблюдения с почти нулевыми предельными издержками — традиционные преимущества масштаба могут ослабнуть. В такой среде более мелкие и специализированные фирмы, связанные гибкими, опосредованными ИИ экосистемами, могли бы работать с экономикой, ранее доступной только крупным интегрированным игрокам. Отрасли могли бы эволюционировать от вертикально интегрированных цепочек создания стоимости к более модульным структурам, где преимущество достигается за счет специализации и позиционирования в сетях, а не за счет масштаба.

Недавние исследования так называемой сингулярности Коузаа исследует роль агентов искусственного интеллекта в значительном снижении транзакционных издержек за счет действий от имени пользователей с практически нулевыми предельными издержками. По мере снижения транзакционных издержек традиционные цепочки создания стоимости могут быть полностью перестроены. Некоторые посредники могут быть исключены из процесса или их роль может быть уменьшена по мере появления новых точек контроля. Соответственно, распределение прибыли сместится в сторону тех, кто лучше всего подходит для работы в условиях низкого трения и посредничества агентов.

Два сценария иллюстрируют, как может произойти это системное изменение. В энергетической отрасли агенты на основе ИИ могли бы напрямую связывать клиентов с поставщиками энергии, автоматически оптимизируя цены и потребление, и уменьшать традиционную роль розничных посредников или полностью обходить их. В банковской сфере агенты на основе ИИ могли бы увеличить сбережения физических лиц, перераспределяя депозиты или меняя поставщиков для оптимизации ставок, преодолевая инерцию, которая мешает клиентам менять банки, и оказывая давление на основные источники дохода финансовых учреждений. Согласно анализу McKinsey, треть из 70 триллионов долларов мировых потребительских депозитов находится на расчетных счетах с почти нулевой доходностью, и если бы от 5 до 10% этой суммы были перераспределены на самые высокие доступные ставки, прибыль банков от депозитов могла бы упасть на 20% и более, изменив экономику розничного банковского обслуживания. Безусловно, регулирование, отсутствие доверия потребителей и институциональная инерция могут замедлить темпы и определить направление этих изменений, но поскольку они приведут к более простому выбору и лучшим результатам для клиентов, направление движения, вероятно, сохранится.

* * *

По мере того, как ИИ внедряется во взаимодействие с клиентами и устраняет препятствия, он потенциально может изменить рынки тремя фундаментальными способами.

Во-первых, он может изменить то, как клиенты находят и выбирают поставщиков. Это связано с тем, что агенты ИИ преобразуют намерения и предпочтения в тщательно подобранные рекомендации. Они смещают конкуренцию от видимости и маркетинговых инвестиций к релевантности и позиционированию в экосистемах, основанных на искусственном интеллекте. В отличие от принятия решений человеком, которое носит эпизодический характер и ограничено недостатком внимания, агенты постоянно ищут, оценивают и уточняют варианты. Открытие становится постоянным, а не случайным, и конкуренция все больше зависит от алгоритмического ранжирования и структурированных данных о продуктах, а не от узнаваемости бренда. В таких условиях ценность смещается к тем, кто постоянно формирует или влияет на рейтинги. По мере того, как агенты учатся на взаимодействиях и совершенствуются, небольшие преимущества в релевантности или качестве данных могут накапливаться, направляя непропорционально большую долю спроса к ограниченному набору поставщиков и затрудняя вытеснение этих позиций.

Во-вторых, использование ИИ в процессе принятия решений о покупке значительно снижает транзакционные издержки и затраты на смену поставщика услуг. Автоматизируя сравнение, подключение и миграцию, агенты ИИ ослабляют преимущества, которые возникали из-за инерции клиентов.

Во-третьих, ИИ меняет структуру посредничества, поскольку взаимодействие с клиентами смещается от веб-сайтов, колл-центров и брокеров к диалоговым агентам и платформам. В результате роль некоторых традиционных посредников, вероятно, сократится. Например, партнерство OpenAI с Klarna направлено на внедрение диалогового поиска товаров со встроенным сравнением цен, что устраняет необходимость в традиционных сайтах сравнения и партнерских платформах.

Учитывая эти три изменения, действующим игрокам рынка, возможно, потребуется переосмыслить, где и как они конкурируют, поскольку трения в цепочках создания стоимости неуклонно уменьшаются. Некоторые будут сотрудничать с платформами искусственного интеллекта, чтобы оставаться заметными, поскольку поиск информации смещается от традиционных каналов. Другие будут специализироваться дальше — например, на предложениях, где доверие, рассудительность и ответственность человека остаются решающими, а ИИ дополняет, а не заменяет экспертизу. В здравоохранении, например, ИИ может поддерживать диагностику, в то время как врачи оказывают эмпатичную помощь пациентам и несут ответственность за решения о лечении. Третьи будут создавать или присоединяться к экосистемам, которые предоставляют комплексные решения, упрощая взаимодействие с клиентами и создавая препятствия для перехода на другие платформы.

Каждый из этих путей меньше связан с достижением технологического преимущества, чем с обеспечением позиции, позволяющей сохранять прибыльность по мере изменения структуры рынка. Организации, которые просто адаптируются к происходящим изменениям, могут сохранить прибыльность, по крайней мере, на некоторое время. Те, кто определит, где ИИ может коренным образом изменить клиентский опыт, и инвестирует в предоставление этого опыта уникальными способами, могут получить непропорционально большую долю прибыли.

Системные изменения — это область, где влияние ИИ наиболее неравномерно и решающе. По мере снижения транзакционных издержек, объемы прибыли не просто расширяются, но и перераспределяются, при этом ценность смещается в сторону новых точек контроля в области поиска, координации и взаимоотношений с клиентами. Традиционно привлекательные рынки могут сократиться или полностью исчезнуть, поскольку барьеры для входа рушатся, власть поставщиков-посредников-покупателей смещается, а замещение становится проще. Действующие игроки, которые продолжают полагаться на устаревшие источники конкурентных преимуществ, рискуют оказаться зажатыми в более узкие, более стандартизированные роли. Те, кто предпримет своевременные действия для позиционирования себя там, где, вероятно, будет сконцентрирована ценность, смогут пересмотреть свои роли до того, как укоренятся новые, менее требовательные отраслевые структуры.

Конкуренция в экономике, преобразованной искусственным интеллектом: последствия для лидеров

Внедрение искусственного интеллекта коренным образом меняет представление о достижении и поддержании конкурентного преимущества. Чтобы возглавить этот переход, руководителям необходимо выйти за рамки пилотных проектов, ориентированных на повышение производительности, и глубже понять, как ИИ может изменить экономику бизнеса. Лидеры могут начать с следующих четырех шагов:

• Оцените влияние ИИ на источники прибыли. Руководители должны составить детальное представление о том, как ИИ изменит экономику отрасли — где создается, теряется или перераспределяется ценность. Им также следует оценить влияние повышения производительности с помощью ИИ и, что более важно, инноваций и снижения транзакционных издержек на выручку, издержки и рентабельность.
• Создавайте или укрепляйте конкурентные преимущества, основанные на искусственном интеллекте. По мере распространения ИИ, дифференциация будет зависеть от того, как компании создают и комбинируют трудновоспроизводимые конкурентные преимущества. Лидерам следует оценить, какие источники преимущества могут сохраниться в среде, управляемой ИИ, от собственных данных до сетевых эффектов и структурных преимуществ в плане затрат. Приоритетной задачей является разработка системы укрепляющих конкурентных преимуществ, адаптированных к вашей позиции, и их углубление до того, как это сделают конкуренты или до того, как преимущество закрепится в других областях.
• Превратите скорость в структурное преимущество. Способность тестировать, учиться и масштабироваться быстрее, чем конкуренты, является основным источником преимущества в экономике, формируемой искусственным интеллектом. По мере сокращения циклов экспериментирования и снижения стоимости итераций, организации, которые быстро реагируют, улучшают свои показатели с большей скоростью. Более быстрое экспериментирование генерирует больше данных; больше данных улучшает модели и качество принятия решений; более высокая производительность привлекает больше пользователей и активности. Со временем эта накопительная динамика увеличивает разрыв между лидерами и отстающими. Поэтому генеральным директорам следует инвестировать в повышение организационной скорости — устранение узких мест, ускорение внедрения и обеспечение непрерывного обучения — понимая, что преимущество достигается не только за счет того, что вы создаете, но и за счет скорости вашего совершенствования.
• Перестройка бизнеса. Для того чтобы воспользоваться возможностями ИИ, необходима фундаментальная перестройка бизнес-подразделений и функций вокруг масштабируемой основы ИИ. Это включает в себя перепроектирование сквозных процессов, модернизацию инфраструктуры данных и технологий, внедрение ИИ в процесс принятия решений и операционную деятельность, а также изменение ролей, управления и методов работы. Ведущие организации не просто экспериментируют с ИИ; они перестраивают бизнес таким образом, чтобы ИИ мог масштабироваться по всем функциям и постоянно повышать производительность.

Со временем ИИ затронет каждую отрасль, но он не будет создавать ценность одинаково везде и не для всех. Компании, наиболее подготовленные к этим изменениям, будут рассматривать ИИ как стратегический переломный момент. Они будут использовать повышение производительности для сохранения конкурентоспособности, инновации для расширения и защиты источников прибыли, а также принимать взвешенные решения на ранних этапах для формирования новых рыночных структур и своей роли в них.

Для руководителей это неприятная правда: ИИ — это не революция в производительности, а конкурентная перестройка. История полна примеров компаний, которые ошибочно принимали эффективность за преимущество. Они оптимизировали, в то время как другие перестраивались. Они сокращали расходы, в то время как другие захватывали доминирующую долю рынка — и связанные с этим прибыли. В итоге победителями оказались не те, кто быстрее всего внедрил технологии, а те, кто раньше всех понял, куда движется ценность, и занял выгодную позицию для её получения.

Искусственный интеллект не будет создавать ценность равномерно. Во многих случаях он просто перераспределит её. Окно возможностей для действий уже, чем может показаться. В экономике, управляемой ИИ, преимущество накапливается на ранних этапах, а захват ценности быстро закрепляется.

Источник

Где ИИ будет создавать ценность, а где нет. 29 апреля 2026 г. Статья. Антуан Монтар, Даго Дидрих, Танги Кэтлин.

Where AI will create value—and where it won’t. April 29, 2026. Article. By Antoine Montard, Dago Diedrich, and Tanguy Catlin

https://www.mckinsey.com/capabilities/strategy-and-corporate-finance/our-insights/where-ai-will-create-value-and-where-it-wont

Линус Торвальдс о использовании ИИ - перепечатка заметки

Перепечатка заметки

Линус Торвальдс высказался об использовании ИИ: «Форкайте ядро или уходите»

Мария Нефёдова 

 

5 дней назад

 

 1 комментарий

 

55860

 

https://xakep.ru/2026/07/17/torvalds-about-ai/

Создатель Linux Линус Торвальдс (Linus Torvalds) заявил, что разработчикам, которые выступают категорически против использования ИИ, придется смириться, уйти или создать собственный форк ядра. По его словам, Linux не станет очередным «анти-ИИ-проектом», а решения будут приниматься исходя из технических критериев, а не из страха перед новыми инструментами.

Поводом для заявления послужила дискуссия в списке рассылки для разработчиков ядра. Участники обсуждали Sashiko — агентную ИИ-систему для ревью кода Linux. Создатели Sashiko протестировали систему на старых версиях ядра, и она нашла 53,6% багов, которые разработчики позднее исправили. Однако Sashiko может генерировать и ложные отчеты об уязвимостях, доля которых составляет около 20%.

Противники подобных инструментов опасаются, что автоматизированные отчеты создадут огромную нагрузку на мейнтейнеров и могут спровоцировать их выгорание. В обсуждении даже процитировали недавнее заявление организации Software Freedom Conservancy, в котором опенсорсное сообщество призывали поддерживать разработчиков, полностью отвергающих генеративный ИИ.

Однако Торвальдс занял жесткую позицию. Создатель Linux написал:

«Это как раз тот случай, когда я готов совершенно однозначно настаивать на своем как главный мейнтейнер. Linux не относится к анти-ИИ-проектам. Если у кого-то с этим проблемы, он может поступить в духе open source и сделать форк. Или просто уйти».

Торвальдс подчеркнул, что никого не заставляют применять LLM, однако запрещать другим использовать такие инструменты тоже не получится:

«Мы не принуждаем никого использовать [LLM-инструменты]. Но я буду решительно игнорировать людей, которые пытаются запретить их использование остальным».

По мнению Торвальдса, ИИ следует воспринимать как обычный рабочий инструмент:

«ИИ — такой же инструмент, как и другие, которыми мы пользуемся. И совершенно очевидно, что он полезен. Возможно, еще год назад это было не так очевидно, но сегодня этот вопрос уже закрыт. Тот, кто сомневается, явно просто не пользовался ИИ сам».

При этом Торвальдс признает, что ИИ может создавать дополнительную нагрузку на мейнтейнеров и регулярно находит «неприятные и постыдные баги». Однако он пишет, что игнорировать новую технологию просто бессмысленно.

«Решение заключается не в том, чтобы засунуть голову в песок и во весь голос петь: "Ла-ла-ла, я ничего не слышу", как, похоже, делают некоторые. Нужно добиться того, чтобы LLM-инструменты помогали мейнтейнерам, а не вредили им».

Нынешняя позиция заметно отличается от слов Торвальдса, сказанных в октябре 2024 года. Тогда он называл 90% происходящего вокруг ИИ маркетинговым хайпом и заявлял, что намерен попросту игнорировать эту тему. Однако в январе 2026 года он уже экспериментировал с вайбкодингом и рассказывал, что написал на Python инс­тру­мен­т для генера­ции циф­ровых аудиооэф­фектов с помощью Google Antigravity.

Теперь Торвальдс подчеркивает, что не считает нынешние ИИ-системы идеальными, но напоминает, что люди тоже далеки от совершенства:

«ИИ не идеален. Но, черт возьми, любой, кто указывает на проблемы ИИ, должен одновременно посмотреть в зеркало и указать на самого себя. Потому что естественный интеллект тоже хорош далеко не всегда».

По словам Торвальдса, Linux остается в первую очередь технологическим проектом. Социальная сторона open source важна, но это побочный эффект, а не главная цель.

«В сообществе разработчиков ядра мы занимаемся open source, потому что это позволяет создавать лучшие технологии, а не по религиозным убеждениям. Поэтому мы принимаем решения прежде всего исходя из технических критериев, а не из страха перед новыми инструментами».