Когда интеллект стал дешёвым. Том 2: Бизнес в эпоху ИИ-агентов. Как создавать ценность, когда меняются команды, компании, клиенты и рынок труда

Поэтому держите в голове образ Левитта на каждом шаге этой главы. Не «какой ИИ внедрить», а «какую дырку просверлить». Не «у меня теперь есть агенты», а «у меня перестали теряться звонки, и я наконец вижу, что происходит на рынке». Штаб ценен не тем, что он есть. Он ценен тем, какую боль закрывает.

Сначала ответь, про какие деньги речь

Раз начинать надо с боли, нужен способ отличить настоящую боль от выдуманной. Он простой, и я предлагаю проверять им каждую идею автоматизации.

Для практического решения мне хватает грубой проверки из трёх рычагов. Это не теория для кафедры, а фильтр владельца: деньги, издержки, клиент. Идея либо приносит новые деньги: продаёт больше, продаёт новое, делает то, чего другие не умеют. Либо экономит деньги: делает дешевле и быстрее то, что и так делается. Либо приводит клиентов и внимание: спрос, аудиторию, доверие.85 За эти три вещи платили всегда. Остальное обслуживает эти три. И к любой задумке «давайте это автоматизируем» стоит приложить один вопрос: это про новые деньги, про экономию или про клиентов? Если ни про что из трёх, перед вами не ценность, а занятость, просто теперь занятость с участием ИИ.

Здесь прячется ловушка, в которую малый бизнес попадает чаще крупного. ИИ обваливает цену второго рычага, экономии, и делает её доступной всем сразу. Тексты, оформление, типовые расчёты, первичная сортировка обращений дешевеют для всех одновременно. А значит, на одной экономии больше не выделишься: если дешевле стало у всех, это уже не преимущество, а новая норма, must-have, который просто надо иметь, чтобы остаться в игре. Настоящее преимущество малого бизнеса там же, где и было: в первом рычаге (предложить то, чего у соседей нет) и в третьем (стать тем, кому доверяют и к кому возвращаются).

Что это значит на практике. Автоматизировать в первую очередь надо то, что двигает деньги, а не то, что легче. Вернёмся к клинике. Можно с восторгом настроить агента, который красиво оформляет посты в соцсетях, это легко и приятно показать. А можно собрать агента, который перестаёт терять вечерние звонки и записывает пациентов на приём. Первое про занятость. Второе про новые деньги, причём про те самые, что прямо сейчас утекают к конкурентам. Один и тот же вечер работы, а разница между ними — это разница между «поигрался с ИИ» и «закрыл утечку выручки».

Заходи через то, что и так отдавал наружу

Допустим, боль найдена. Возникает следующий страх, особенно у того, кто уже обжигался на «внедрениях»: не сломаю ли я этим то, что и так кое-как работает? Страх разумный, и на него есть аккуратный ответ.

Есть два разных первых шага, и их лучше не путать. Если боль прямо двигает деньги или клиентов, начинай с неё. Если трогать ядро страшно, бери первый пилот там, где работу ты и так отдавал наружу: тексты, переводы, первичный поиск, типовая отчётность. Это не обязательно самая ценная точка, зато это безопасный тренировочный вход. У любого малого бизнеса есть работа, которую он не делает сам: тексты заказывал у фрилансера, бухгалтерию вёл на аутсорсе, первичный поиск клиентов отдавал агентству, переводы — бюро. На эту работу уже выделены деньги. И, что важнее, она уже живёт вне твоих внутренних процессов. Если начнёшь собирать свой штаб именно с неё, ты ничего не ломаешь внутри: ты просто меняешь подрядчика, только новый подрядчик — твоя собственная связка из человека и агентов. Венчурные аналитики, наблюдающие за этим рынком, прямо советуют такой заход: бюджет на задачу уже есть, а внутренние процессы остаются нетронутыми.86

Так снимается с малого бизнеса самый тяжёлый риск перемен. Не нужно перестраивать всю компанию сразу, да для МСП это и невозможно: у владельца нет на это ни времени, ни запаса прочности. Нужно взять один кусок, который и так был на стороне, и попробовать закрыть его своим штабом. Получилось — расширяешь. Не получилось — ты потерял ровно то, что и так тратил на подрядчика, и ничего внутри не рухнуло.

И заметьте, как мягко это ложится на проверку из прошлого раздела. Работа, которую ты отдавал наружу, — почти всегда второй рычаг, экономия: типовое, повторяемое, то, что делают все. Идеальное место, чтобы начать и набить руку, не рискуя главным. А освободившееся внимание и деньги ты потом направишь туда, где у тебя настоящее преимущество: в первый и третий рычаг.

Ты покупаешь инструмент или результат

Когда начинаешь собирать штаб, на тебя обрушится поток предложений. И тут важно с самого начала различать три разных товара, которые продают под одинаковым словом «ИИ». Иначе заплатишь за одно, ожидая другого.

Есть подписка: ты арендуешь доступ к инструменту, модели или платформе. Это уже полезно, но это ещё не результат. Как с дрелью напрокат: мощность появилась, а отверстие всё равно надо наметить, просверлить и проверить самому. Есть ассистент: инструмент, который ускоряет твою собственную работу. Ты по-прежнему делаешь дело сам, но быстрее. Помощник пишет черновик, ты правишь; подсказывает ответ, ты отправляешь. А есть автопилот: это когда ты покупаешь не доступ к программе, а готовую выполненную функцию.87 Важно: не «софт, который помогает составить договор», а черновик договора для проверки специалистом; не «инструмент для поддержки», а разобранный поток обращений и отчёт, который получаешь ты. Разница принципиальная. В подписке и ассистенте работа остаётся у тебя. В автопилоте работу делают за тебя, а ты платишь за исход.

Почему это важно для малого бизнеса в деньгах. Бюджет, который компания тратит на саму работу, на зарплаты и подрядчиков, всегда в разы больше бюджета на инструменты, на софт.88 Поэтому автопилоты целятся не в строку «расходы на программы», а в строку «расходы на работу». Отсюда и большие деньги, и большие обещания вокруг них. Для тебя как владельца вывод такой: решая, что собрать самому, а что купить готовым, считай не «сколько стоит подписка», а «сколько мне сегодня стоит сама эта работа». Подписка дешёвая, но требует твоих рук и внимания? Это инструмент. Функция съедает много денег и нервов и при этом типовая? Её есть смысл переводить на автопилот. Дешёвая или, наоборот, требует твоего личного суждения? Может, хватит и ассистента.

Конец ознакомительного фрагмента.

Текст предоставлен ООО «Литрес».

Прочитайте эту книгу целиком, купив полную легальную версию на Литрес.

Безопасно оплатить книгу можно банковской картой Visa, MasterCard, Maestro, со счета мобильного телефона, с платежного терминала, в салоне МТС или Связной, через PayPal, WebMoney, Яндекс.Деньги, QIWI Кошелек, бонусными картами или другим удобным Вам способом.

Примечания

1

Фразу «Будущее уже здесь — просто оно распределено неравномерно» обычно атрибутируют Уильяму Гибсону по интервью NPR Fresh Air (1993) и публикации в The Economist (2003).

2

Агентная коммерция — слой протоколов и правил, по которым программы могут искать, сравнивать, договариваться и платить от имени человека или компании. В тексте это рамка перехода, не числовой прогноз.

3

Публичный MCP-сервер даёт ИИ-агенту доступ к каталогу, составу, цене, рейтингу и ссылке на оформление; финальное действие покупки остаётся за пользователем.

4

SparkToro / Similarweb: 68% поисков Google в США в январе—апреле 2026 года завершились без перехода на сайт; Semrush: 92—94% сессий AI Mode в ранней выборке 2025 года были zero-click. Методики и периоды различаются.

5

Оплата за результат — сдвиг от продажи часов, слайдов или анализа к измеримому outcome: что изменилось в деньгах, риске, скорости или качестве решения.

6

Снижение численности McKinsey само по себе не доказывает, что людей «сократил ИИ»; здесь это сигнал шире — дорогой совет труднее продавать объёмом анализа, когда рынок просит измеримый результат.

7

Фидуциарная обязанность — обязанность действовать в интересах клиента. ИИ может дать первый разбор, но лицензия, раскрытие конфликта интересов и ответственность остаются у человека или организации.

8

Robert M. Solow, рецензия «We’d Better Watch Out», 1987. Его формула про «computer age» стала названием парадокса: техника уже везде, а производительность ещё не видна в статистике.

9

MIT NANDA, «The GenAI Divide», 2025. В главе используется как практический отчёт о масштабе проблемы: большинство GenAI-пилотов не доходит до измеримого P&L-эффекта; не как рецензируемый экономический закон.

10

Маржа — разница между ценой и прямыми затратами; грубо, сколько остаётся с продажи после закупки, доставки и других расходов именно на эту продажу. Подробнее — «Словарь».

11

P&L — отчёт о прибылях и убытках: выручка минус расходы. Это место, где видно, заработал ли бизнес больше денег, а не просто стал быстрее. Подробнее — «Словарь».

12

Deloitte, «State of AI in the Enterprise 2026». Важен разрыв между доступом сотрудников к санкционированному ИИ и зрелым управлением автономными агентами.

13

McKinsey / QuantumBlack, «The State of AI» (2025—2026). В главе используется как фон: внедрение растёт быстрее, чем стратегия, управление и масштабирование.

14

Paul A. David, «The Dynamo and the Computer», 1990. Историческая рамка: электричество дало эффект не от замены мотора, а от перепланировки фабрики и перехода к индивидуальным приводам.

15

J-кривая — сначала затраты и просадка от перестройки, потом рост, если процесс действительно изменился. Подробнее — «Словарь».

16

Brynjolfsson, Rock, Syverson, «The Productivity J-Curve», 2021. Большая технология сначала требует невидимых вложений в процессы, навыки и организацию; эффект появляется позже.

17

Agrawal, Gans, Goldfarb, «Power and Prediction», 2022. Их лестница point → application → system solution и тезис о перераспределении власти объясняют, почему точечный ИИ редко меняет экономику процесса.

18

Output — произведённый артефакт; outcome — полезный результат, ради которого работа делалась. Подробнее — «Словарь».

19

MIT NANDA — сигнал о пилотах без измеримого эффекта; Deloitte — разрыв между внедрением технологии и готовностью управления; Brynjolfsson, Rock и Syverson — J-кривая производительности; Agrawal, Gans и Goldfarb — переход от point solution к application solution и system solution. Вместе эти источники показывают: эффект ИИ требует перестройки процесса и управления.

20

Порог надёжности — момент, когда ИИ уже достаточно устойчив в конкретной задаче, чтобы на нём менять процесс. Подробнее — «Словарь».

21

Авторский кейс договоров из Тома 1: ИИ сработал не как «помощник для комментариев», а как внутренняя память, изменившая маршрут типовых вопросов до внешних юристов.

22

Солоу и Дэвид объясняют, почему эффект новой технологии проявляется с задержкой; Бриньолфссон, Рок и Сиверсон называют этот переход J-кривой производительности: сначала перестройка процессов, навыков и организации, затем рост отдачи.

23

Питер Друкер, идея — статья «Managing for Business Effectiveness», Harvard Business Review, 1963; формулировка — книга «Менеджмент: задачи, обязанности, практика», 1974.

24

Output — произведённый артефакт; outcome — полезный результат, ради которого работа делалась. Подробнее — «Словарь».

25

Microsoft, Work Trend Index 2026. Опрос 20 000 пользователей ИИ в 10 странах; «парадокс трансформации» — сотрудники готовы менять работу, а метрики и стимулы организации поощряют старое.

26

Промпт — запрос-инструкция, которую человек даёт ИИ. Хороший промпт ускоряет один шаг; процесс — это весь маршрут работы с проверкой и ответственностью.

27

Deloitte, «State of AI in the Enterprise 2026». Важен разрыв между планами на автономных агентов и зрелыми ограждениями вокруг них.

28

McKinsey / QuantumBlack, «The State of AI» (2025) и «State of AI trust» (2026). В главе используется как фон: масштабирование ИИ растёт, но управление и стратегия отстают.

29

Gartner, прогноз 2025 года: более 40% проектов с агентным ИИ могут быть свёрнуты к концу 2027 года из-за стоимости, неясной пользы и слабого управления рисками.

30

OpenAI, GDPval, 2025: около 1300 реальных задач из 44 профессий. В главе используется как benchmark задач, а не полевой замер business outcome.

31

OpenAI, GDPval, 2025: ИИ в одиночку выдаёт артефакт примерно в сто раз быстрее и дешевле, но связка «человек+ИИ» экономила примерно 39% времени и 63% стоимости.

32

Brynjolfsson, Li, Raymond, «Generative AI at Work», QJE, 2025: свыше 5000 операторов поддержки; рост закрытых обращений в час около 15%, особенно у новичков.

33

Закон Гудхарта в формулировке Мэрилин Стратерн (1997): когда мера становится целью, она перестаёт быть хорошей мерой.

34

Поток ценности — сколько пользы реально доезжает от замысла до клиента и за какое время, в отличие от объёма произведённого. Подробнее — «Словарь».

35

Mik Kersten, «Project to Product» и рамка Flow Framework: мерить поток ценности от замысла до клиента, а не занятость ресурсов.

36

Han Lee, «Evaluation and Alignment»: проверку нужно закладывать в процесс как условие, а не приделывать в конце.

37

Evaluation — встроенная регулярная проверка качества того, что выдаёт ИИ: заранее описанный способ понять, можно ли доверять результату. Подробнее — «Словарь».

38

Сводная рамка раздела: GDPval показывает разрыв «произвести/довести»; Microsoft и Deloitte — разрыв между готовностью людей и устройством организаций; Мик Керстен — метрику потока ценности; Хан Ли — проверку как условие зрелого процесса. Общий вывод: больше произведённых материалов ещё не означает больше результата.

39

ФРС США и OCC: управление модельным риском охватывает разработку, независимую проверку, мониторинг и контроль. Редакция OCC 2026 года не распространяет эти правила напрямую на генеративный и агентный ИИ.

40

Бюро финансовой защиты потребителей США: сложный алгоритм не освобождает кредитора от обязанности назвать клиенту конкретную причину отказа или ухудшения условий.

41

Wells Fargo, 2018: ошибка в программе пересмотра условий ипотеки привела к ошибочным отказам и обращениям взыскания на жильё. Это пример цены автоматического расчёта без контроля, а не кейс ИИ.

42

Человек в контуре — критическая точка процесса, где решение подтверждает, подписывает или останавливает человек, а не ИИ. Подробнее — «Словарь».

43

WEF и работы Аджемоглу и соавторов о pro-worker AI: будущее труда — выбор дизайна, а не судьба.

44

Andrej Karpathy, «Software 3.0», 2025: новый bottleneck — проверка вывода; ценны узкие задачи, сверяемые шаги и короткий поводок для ИИ.

45

Энди Гроув, «High Output Management», 1983. Выработка менеджера — сумма выработки его команды и соседних команд, на которые он влияет; поднять её можно рычагом, а не личной скоростью.

46

Агент (ИИ-агент) — программа, которая не просто отвечает, а сама выполняет действия: ищет, считает, пишет, отправляет, пользуется другими системами. Подробнее — «Словарь».

47

Публичные каталоги и репозитории уже содержат сотни заготовок агентных сценариев по профессиям (финансы, поддержка, юристы, кадры, аналитика). В тексте — «сотни» как порядок величины, не как доказательство массового внедрения.

48

Harness (обвязка) — всё, что окружает модель и делает её полезной: контекст, инструменты, память, проверка, ограничения. Модель — мотор, обвязка — остальная машина. Подробнее — «Словарь».

49

Авторская рамка harness («обвязка»): рабочий результат зависит не только от ИИ-модели, но и от системы вокруг неё — контекста, инструментов, памяти, прав доступа и проверки.

50

Anthropic, Claude Tag, июнь 2026 года: компания представила Claude как участника канала Slack с общим контекстом, отдельными правами и журналом действий. В главе это пример общей рабочей среды людей и агентов.

51

Контракт агента — короткое, на одну страницу, описание агента: роль, доступ, границы, эскалация, проверка и владелец. Превращает «ещё одного бота» в управляемого участника команды. Подробнее — «Словарь».

52

Авторская AI-native Operating Model («операционная модель компании, работающей с ИИ»): Work → Agents → Context → Tools → Control → Evidence. Agent Contract («контракт агента») фиксирует обязанности, границы и владельца результата.

53

«Продуктивные люди ≠ продуктивная организация»: без единого управления несколько агентов создают новые издержки координации, поэтому каждому нужны владелец, границы и общий контур контроля.

54

Anthropic, «Multi-agent coordination patterns: Five approaches and when to use them», 2026. Для главы важны три способа координации: generator-verifier («генератор—проверяющий»), orchestrator-subagent («координатор и агенты-помощники») и agent teams («команда агентов»).

55

Gartner, прогноз 2025 года: более 40% проектов с агентным ИИ могут быть свёрнуты к концу 2027 года из-за стоимости, неясной пользы и слабого управления; отдельно — «agent washing».

56

Навыки сплава — умения на стыке человека и машины: поставить задачу так, чтобы её можно было отдать ИИ; проверить машинный результат; разобрать исключения; держать суждение и ответственность. Подробнее — «Словарь».

57

Paul R. Daugherty, H. James Wilson, «Human + Machine», 2018: «недостающая середина» (missing middle) и навыки сплава (fusion skills) — зона, где люди и машины усиливают друг друга.

58

«The buck stops here» («дальше перекладывать не на кого») — табличка на столе президента США Гарри Трумэна; в обращении 1953 года он развил мысль: решение нельзя переложить ни на кого.

59

Эрик Брэндуайн (Eric Brandwine), вице-президент и заслуженный инженер Amazon Security, в интервью The Register (июнь 2026): «человек в контуре» — не золотой стандарт, потому что внимание человека стирается при повторяющихся одобрениях.

60

Sasha Zhuravlev / Mento VC. Отраслевой разбор перечисляет риски агентных систем: унаследованные лишние права, забытые учётные записи, подмена запроса и отсутствие владельца.

61

Минимум прав — принцип: давать агенту ровно столько доступа, сколько нужно для задачи; по умолчанию закрыто, открыто только нужное. Подробнее — «Словарь».

62

Sam Altman в интервью Alexis Ohanian, 2024; пересказ Every, «The One-person Billion-dollar Company». Альтман описал ставку руководителей на появление компании стоимостью миллиард долларов с одним сотрудником; в главе это прогноз, с которым автор спорит, различая автоматизацию функции и устройство фирмы.

63

Авторский микро-кейс: личная система автора разбирает почту, вытаскивает важное, следит за сделками и собирает утреннюю картину из десятков источников. В главе — как малый слой той же логики «функция под присмотром».

64

Авторский кейс из Тома 1, главы 10: первичную проработку сложных корпоративных B2B-сделок, которую раньше делали аналитики и архитекторы, автор с коллегой собрал фактически вдвоём с плотным участием ИИ.

65

Антон Гладков, основатель агентства B2B-аутрича SLSBMB (экс-Aviasales), подкаст-интервью 2026. Источник истории «функции на агентах»: сокращение команды, замена внешнего софта своей системой агентов, «машина гипотез», устойчивость через тесты и починку. Все числа — со слов основателя, не статистика.

66

CRM — система учёта клиентов и сделок: где какой клиент, на каком этапе переговоров, что ему обещали и когда с ним связаться.

67

Zero-human company: full autonomy передаёт агентам все операционные роли, а AI-augmented — только часть функций при сохранении основателя или небольшой команды. Polsia, Paperclip и Felix Craft позволяют проверить оба подхода; глава выбирает AI-augmented.

68

Чжан Ци (Zhang Qi), книга «OPE: One Person Is a System — A Paradigm for One-Person Entrepreneurs in the AI Era» (Китай, 2026). Источник рамки «один человек — это система» и тезиса, что одиночка оркеструет ресурсы, а не владеет ими.

69

Оркестратор (агентов) — тот, кто направляет работу агентов и сводит её результат, а не делает работу руками; дирижёр, а не исполнитель. Подробнее — «Словарь».

70

Klarna (финтех): по собственным заявлениям компании, 2024—2025 — маркетинговая команда сокращена примерно вдвое, расходы на внешние агентства снижены около четверти, ИИ взял бóльшую часть копирайтинга, изображений, переводов и соцсетей. Отдельно: в клиентской поддержке Klarna публично признала, что срезала людей слишком глубоко, и начала их возвращать. Цифры — заявления компании, не независимый аудит.

71

Рычаг (leverage) — множитель усилий: то, что превращает одно действие в многократный результат. Рычагом бывают капитал, люди, а теперь код и агенты. Подробнее — «Словарь».

72

Naval Ravikant, серия «How to Get Rich», 2018—2019 годы. Фраза о коде и медиа как рычагах без разрешения нужна главе для сравнения: ИИ усиливает этот рычаг, но не отменяет дефицит доверия, доступа к клиенту и ответственности.

73

Harness (обвязка) — всё, что окружает модель и делает её полезной: контекст, инструменты, память, проверка, ограничения. Модель — мотор, обвязка — остальная машина. Подробнее — «Словарь».