Компания, в которой работает ИИ. Агенты, автоматизация и новые правила управления

Натан Роу

Компания, в которой работает ИИ. Агенты, автоматизация и новые правила управления

Предисловие. День, когда компания начала «самостоятельно функционировать»

Основатель и генеральный директор компании «DeepSpace Exploration» Ли Хао (Leo Li) только что завершил изнурительную видеоконференцию. Он откинулся на спинку стула и помассировал виски; на его лице всё ещё читалась растерянность после разговора с одним из представителей Европейского космического агентства (European Space Agency). Сложные требования со стороны партнера, низкая эффективность общения из-за разницы во времени, несогласованные стандарты форматов файлов — соглашение о совместном использовании данных с совместного зонда, казавшееся на первый взгляд простым, тянулось уже три месяца. К работе над ним привлекли почти десять человек из юридического, технического и коммерческого отделов, но дело по-прежнему застряло в «бюрократических процедурах».

Ли Хао вздохнул — это почти повседневная реальность для всех быстроразвивающихся компаний: радость роста всегда сопровождается мучительным экспоненциальным ростом затрат на координацию. Компания выросла из стартапа, насчитывавшего всего десяток с лишним человек, до нынешнего штата в почти 500 сотрудников, и ему казалось, что более половины своего времени он тратит на координацию, коммуникацию, согласование и «ожидание». Ожидание ответа от юридического отдела, ожидание расписания технического отдела, ожидание отчетов от отдела маркетинга. Вся организация напоминала точные механические часы: в них множество шестеренок, но малейший затор в работе любой из них заставляет часы замедляться или даже останавливаться.

Он поднял чашку с кофе, готовясь приступить к обработке горы накопившихся писем. Именно в этот момент на платформе для корпоративного сотрудничества «Singularity» всплыло необычное уведомление. Отправителем был не какой-либо сотрудник, а системный интеллектуальный агент по имени «Афина» (Athena), с пометкой «Приоритет Alpha: анализ стратегических возможностей».

Ли Хао слегка нахмурился: это была часть проекта «ИИ-ориентированная трансформация», запущенного компанией полгода назад. Он всегда рассматривал его как долгосрочный эксперимент и не ожидал, что он сразу принесет потрясающие результаты. Он открыл уведомление.

Перед ним появился структурированный поток информации — чёткий и сдержанный, без излишних любезностей и эмоциональных описаний, характерных для отчётов человеческих сотрудников:

«Тема: Анализ потенциальных возможностей поглощения — компания «Stardust Data»

Событие, послужившее поводом: зафиксированы недавние интенсивные контакты трех ключевых технических специалистов «Stardust Data» с несколькими рекрутинговыми агентствами, а также две неудачные попытки компании получить промежуточный кредит в течение трех месяцев (источники: открытые и авторизованные базы данных).

Предварительная оценка: «Stardust Data» обладает передовой в отрасли технологией лазерной связи с малыми спутниками, которая в значительной степени дополняет наш проект «Deep Space Network». Нынешние финансовые затруднения компании создают отличные условия для поглощения. Ориентировочная стоимость поглощения: от 120 до 150 млн юаней.

Задача была автоматически разбита на части и запущена к первоначальному выполнению:

1. Система финансового анализа «Аполлон» завершила анализ публичной финансовой отчётности и рыночных данных «Stardust Data» и сформировала предварительную модель оценки. Предупреждение о рисках: коэффициент оборачиваемости дебиторской задолженности компании на 30 % ниже среднего по отрасли.

2. Интеллектуальная система юридической проверки «Меркурий» провела перекрёстную проверку действительности ключевых патентов компании и потенциальных рисков судебных исков, выявив один патентный спор, связанный с американской компанией «Starlink»; уровень риска: средний.

3. Интеллектуальная система технической интеграции «Гефест» на основе публично доступной технологической архитектуры «Stardust Data» разработала предварительную дорожную карту технической интеграции и прогноз затрат и доходов на 48 месяцев. Согласно прогнозам, в случае успешной интеграции цикл разработки нашего проекта «Deep Space Network» может сократиться на 9–12 месяцев.

4. Интеллектуальная система по координации персонала «Гермес» провела анонимный анализ профессионального опыта и рыночной оценки ключевых членов команды «Stardust Data» и подготовила предварительный проект «Программы стимулирования удержания ключевых специалистов».

Запрос на принятие решения: генеральный директор Ли Хао. Необходимо ли повысить статус данной возможности до официального проекта «уровня P0» и уполномочить внешний коммуникационный интеллектуальный агент «Гайя» провести предварительные, необязывающие переговоры с основателем другой стороны? Система предлагает несколько вариантов: разрешить контакт, пометить как низкий приоритет или передать человеческой команде для дальнейшего анализа».

Ли Хао замер. Кофейная чашка в его руке зависла в воздухе, от неё поднимался пар. Раньше такая потенциальная возможность поглощения — от обнаружения зацепки отделом маркетинга до проведения предварительного анализа отделом стратегии, а затем совместной оценки финансовым, юридическим и техническим отделами и, наконец, подготовки полного отчёта, передаваемого ему, — занимала, по самым оптимистичным оценкам, не менее шести недель. Этот период требовал бесчисленных совещаний, переписки по электронной почте и межведомственной координации. А сейчас — от момента возникновения события до получения брифинга по принятию решения, содержащего многомерный углублённый анализ, прошло менее 12 часов. Причём всё это произошло глубокой ночью, когда он и члены его команды ещё спали.

Он не принял решение сразу, а поочередно открыл аналитические отчёты, сгенерированные различными интеллектуальными системами. Данные были подробными, логика — чёткой, а выводы полностью основанными на фактах. Финансовая модель учитывала стресс-тесты на самый неблагоприятный сценарий, а в юридическом отчёте даже приводились прецеденты всех аналогичных патентных споров по всему миру за последние три месяца. Это уже не было просто «сборкой информации», а представляло собой «предварительную обработку решений» с высоким уровнем профессионализма.

Ли Хао откинулся на спинку кресла и закрыл глаза, но в голове у него всё было необычайно ясно. Он осознал, что именно в это, казалось бы, ничем не примечательное утро, произошло какое-то фундаментальное изменение. Эта корпоративная «машина», казалось, впервые обрела собственные «нервные рефлексы». Она больше не зависела полностью от человека как центрального узла и посредника, а была способна самостоятельно воспринимать окружающую среду, анализировать информацию, координировать ресурсы и, в конечном итоге, формировать «намерение», направленное на достижение четкой цели.

Он открыл глаза, и его взгляд остановился на пункте «разрешить взаимодействие» на экране. Он знал: как только он выберет его, логика роста, форма организации и даже его роль в качестве генерального директора вступят в совершенно новую, неизведанную область. Эпоха, по-настоящему принадлежащая «искусственному интеллекту», незаметно начинается со скоростью, намного превосходящей все ожидания.

1. От найма людей к внедрению интеллектуальных систем: изменилась логика роста

«Момент озарения», который пережил Ли Хао, является одной из ключевых особенностей, отличающих организации, построенные на ИИ, от традиционных: рост больше не зависит исключительно от увеличения численности персонала. В эпоху индустриализации и информационных технологий логика расширения бизнеса была простой и грубой: чтобы сделать больше, нужно больше людей. Рост объема бизнеса и рост численности сотрудников находились практически в линейной зависимости. В отделе маркетинга не хватает людей — нанимаем; команда НИОКР не успевает выполнять задачи — нанимаем; телефонная служба поддержки завалена звонками — опять нанимаем. Такая модель «добавления персонала» в течение последних ста лет считалась само собой разумеющейся, но за ней скрывалась огромная «черная дыра» затрат — затраты на координацию.

Приход каждого нового сотрудника приводит к появлению в организации новых узлов коммуникации и управленческих звеньев. Когда размер организации превышает «число Данбара» (Dunbar's Number, которое обычно принимается равным 150 человек), сложность внутренней коммуникации растёт в геометрической прогрессии. Чтобы поддерживать порядок, компании вынуждены создавать сложные иерархии, обременительные процессы и бесконечные совещания, что в конечном итоге приводит к формированию громоздкого и неповоротливого «организационного бюрократического аппарата». Как показывает знаменитое «правило двух пицц» основателя Amazon Джеффа Безоса (Jeff Bezos), его предпочтение небольшим автономным командам по сути является страхом перед издержками сотрудничества.

Появление организаций, изначально построенных на ИИ, впервые кардинально бросило вызов модели «добавления людей». Её основная логика заключается в том, чтобы за счёт добавления «интеллектуальных агентов» (Agent) заменить или усилить определённые организационные способности. Эти интеллектуальные агенты — не просто автоматизированные скрипты или чат-боты, а цифровая рабочая сила, способная понимать цели, разрабатывать планы, задействовать инструменты и взаимодействовать с окружающей средой. Они могут работать круглосуточно без перерывов, обрабатывать огромные объемы информации, не уставая, и строго следовать заданным правилам, не допуская ошибок. Что ещё более важно, предельные издержки добавления одного интеллектуального агента практически равны нулю.

Возьмём, к примеру, систему «Афина» компании «Deep Space Exploration»: это не единичный ИИ, а «команда интеллектуальных агентов», состоящая из нескольких специализированных агентов, работающих совместно. Финансовый анализ, юридическая экспертиза, техническая интеграция — каждый интеллектуальный агент обладает конкретным набором профессиональных навыков. Когда возникает необходимость в расширении возможностей, компании Ли Хао больше не нужно нанимать дорогостоящего финансового аналитика или юридического эксперта, а затем тратить несколько месяцев на его адаптацию в команде. Вместо этого можно напрямую «создать» нового интеллектуального агента или «установить» новый модуль навыков на уже существующего. Согласно прогнозам глобальной технологической исследовательской и консалтинговой компании Gartner, к 2029 году интеллектуальные сущности будут самостоятельно решать 80 % типичных запросов клиентов и сократят операционные затраты на 30 % (Gartner, 2025). За этим стоит коренная трансформация логики роста.

Эта новая модель роста даёт ряд революционных преимуществ. Во-первых, это «сверхлинейное масштабирование». Традиционным компаниям для удвоения выручки часто требуется увеличить штат на 80 % или даже больше; в то время как организациям, построенным на ИИ, для удвоения выручки может потребоваться лишь 10-процентное увеличение затрат на вычислительные мощности и несколько ключевых специалистов, принимающих решения. Во-вторых, это «мгновенное развертывание». Новому сотруднику-человеку обычно требуется от 3 до 6 месяцев адаптации с момента приема на работу до достижения полной производительности; в то время как «умному агенту» от «создания» до «вступления в строй» может потребоваться всего несколько минут. Согласно отчету KPMG, опубликованному в начале 2026 года, 72 % компаний планируют напрямую «нанимать» предварительно обученные интеллектуальные системы у надежных поставщиков технологий, что свидетельствует о формировании «рынка труда для интеллектуальных систем» (KPMG, 2026).

Давайте с помощью сравнительной таблицы более четко разберемся в фундаментальных различиях между этими двумя логиками роста:

Таблица 0-1: Сравнение традиционного роста и роста, обусловленного интеллектуальными системами

Аспект

Традиционная модель роста «с привлечением людей»

Модель роста, основанная на ИИ: «добавление интеллектуальных агентов»

Основная движущая сила

Человеческий капитал

Интеллектуальный капитал (человеческое суждение + исполнительная способность интеллектуальных систем)

Единицы роста

Сотрудники

Интеллектуальные единицы/единицы способностей

Структура затрат

Преимущественно затраты на персонал, линейный рост

Преобладают затраты на вычислительные ресурсы/подписку, предельные затраты снижаются

Скорость расширения

Медленная (длительные циклы найма, обучения и адаптации)

Быстрая (мгновенное создание физических объектов, быстрое развертывание)

Эффект масштаба

Затраты на координацию растут экспоненциально с увеличением масштаба

Сотрудничество организуется системой, эффект масштаба выражен значительно

Модель работы

Стандартный рабочий график, ограниченный человеческими ресурсами

Онлайн-режим 7x24, непрерывное выполнение задач

Передача знаний

Зависит от документации, обучения и «ученичества», что приводит к потере знаний

Знания закреплены в коде и моделях, что обеспечивает возможность повторного использования и передачи

Типичные узкие места

Скорость найма, пропускная способность управления, эффективность коммуникации

Вычислительная мощность, качество данных, человеческие решения и способность к суждению

Эта трансформация не означает наступления эры «беспилотных компаний». Напротив, она освобождает сотрудников-людей от большого количества повторяющихся и рутинных исполнительных задач, позволяя им сосредоточиться на более ценной «аналитической» работе — определении целей, установлении ограничений, оценке рисков, творческом мышлении и принятии окончательных решений. В примере с «исследованием дальнего космоса» работа всех интеллектуальных систем в конечном итоге сводится к одному четкому запросу на принятие решения, ожидающему окончательного решения «Go/No-Go» от Ли Хао, генерального директора-человека. Это совершенно новая модель разделения труда между человеком и машиной, а также ключевой секрет, позволяющий организациям, построенным на ИИ, превосходить традиционные организации.

«Проклятие затрат на взаимодействие» — одна из основных причин, по которой бесчисленное количество звездных стартапов переходило от стремительного роста к окончательному краху. Бывший гигант социальных сетей Friendster, когда количество пользователей резко возросло, не смог справиться с возникшей сложностью ни на системном, ни на организационном уровне и в конечном итоге потерпел поражение от нового игрока — Facebook — увязнув в трясине технического долга и проблем с внутренней коммуникацией. Их провал, по сути, заключался в том, что затраты на координацию, вызванные ростом, превысили пределы выносливости организации. Организации, изначально ориентированные на ИИ, эффективно «развязывают» затраты на координацию от масштаба организации, передавая значительную часть совместной работы на откуп системам и интеллектуальным системам. Это позволяет организации сохранять гибкость и эффективность, одновременно достигая беспрецедентного масштабирования. Это не просто экономия на затратах на персонал, но и коренное преодоление «потолка» роста. В то время как ваши конкуренты по-прежнему ломают голову над наймом и управлением сотнями новых сотрудников, вам, возможно, достаточно будет просто увеличить лимит подписки на облачный сервис, чтобы повысить бизнес-потенциал на порядок. Такой «удар по снижению измерения» станет основной тенденцией деловой конкуренции в ближайшие десять лет.

2. От совещаний к замкнутому циклу: сокращение «рефлекторной дуги» организации

Еще одним хроническим недугом традиционных организаций является чрезвычайно медленная «рефлекторная цепь». Появление рыночного сигнала, например снижение цен конкурентами, проходит путь от его восприятия сотрудниками на передовой, через многоуровневую отчетность, обсуждение на совещаниях руководства, разработку мер реагирования и, наконец, до передачи на уровень исполнения — весь этот цикл может длиться несколько недель или даже месяцев. За это время рыночная возможность уже давно ускользнула. Причина такой задержки заключается в том, что процессы восприятия, принятия решений и исполнения в организации разрознены, и каждый из этих этапов зависит от неэффективных форм человеческого общения — совещаний, электронной почты и мгновенных сообщений.

Совещания, являющиеся основным способом коммуникации в современных компаниях, зачастую становятся «черной дырой» эффективности. Неэффективная повестка дня, затянутые дискуссии и забывание решений после совещания превращают встречи, которые должны привести к принятию решений, в «транзитные пункты» передачи информации или даже просто в сцену для «демонстрации рабочего процесса». Согласно отчету Microsoft «Будущее работы в 2025 году», руководители высшего звена в среднем тратят 21,5 часа в неделю на совещания, причем почти половина из них считается «непродуктивной» (Microsoft Research, 2025). Причиной этого явления является отсутствие в организации системы обратной связи, способной автоматически замыкать цикл.

Организации, основанные на искусственном интеллекте (AI), кардинально преобразуют рефлекторную цепь организации путем построения «событийно-ориентированной» архитектуры. В этой архитектуре каждая бизнес-операция — будь то заказ клиента, задержка в цепочке поставок или коммит в репозитории кода — рассматривается как «событие». Эти потоки событий постоянно отслеживаются и обрабатываются интеллектуальными системами. Как только какое-либо событие удовлетворяет заранее заданным условиям срабатывания, автоматически запускается соответствующий рабочий процесс, который заставляет одну или несколько интеллектуальных систем совместно выполнять задачу, а затем записывает результаты обратно в систему, формируя полный замкнутый цикл «восприятие — принятие решения — выполнение — обратная связь».

Вернёмся к примеру с «исследованием глубокого космоса»: когда система «Афина» зафиксировала аномальный сигнал от компании «Star Dust Data», она не поступила так, как поступил бы сотрудник-человек, — сначала написав письмо с отчётом руководству, а затем дожидаясь совещания для обсуждения. Вместо этого она немедленно преобразовала это «событие» во внутреннее задание и автоматически запустила параллельную работу ряда интеллектуальных систем. Анализ в различных областях — финансовой, юридической, технической и т. д. — был синхронно завершён в течение нескольких часов, что значительно сократило время оценки, которое в традиционной модели занимало бы несколько недель. Именно в этом и заключается проявление максимального сокращения «рефлекторной дуги» организации. Согласно исследованию компании International Business Machines (IBM), время отклика сложных бизнес-процессов, организованных интеллектуальными системами, может сократиться с нескольких дней до нескольких минут (IBM, 2025).

Суть такого перехода «от совещаний к замкнутому циклу» заключается в том, чтобы сделать явными, автоматизированными и программируемыми огромное количество внутренних процессов организации, которые ранее были скрытыми и зависели от устной координации. Раньше процесс «заключения договора с новым клиентом» мог потребовать ручной передачи дел между сотрудниками нескольких отделов — продаж, юридического, финансового и отдела доставки; в организации, построенной на ИИ, это будет точно определённый рабочий поток: в тот момент, когда клиент подписывает электронный договор, запускается системное событие, ИИ-модуль юридического отдела автоматически проверяет условия договора, ИИ-модуль финансового отдела автоматически формирует счёт на первый взнос, а ИИ-модуль отдела доставки автоматически создаёт проектное пространство и распределяет начальные ресурсы. Весь процесс обходится без единого совещания и без единого электронного письма.

В приведенной ниже таблице наглядно показаны огромные различия между этими двумя моделями в механизмах реагирования:

Таблица 0-2: Сравнение моделей реагирования, основанных на совещаниях и на замкнутом цикле

Параметр

Традиционная модель «на основе совещаний»

Модель «замкнутого цикла», основанная на ИИ

Механизм запуска

Обнаружение вручную, поэтапная передача информации вверх

Системные события, автоматический запуск

Циркуляция информации

Последовательный, с использованием электронной почты и совещаний

Смешанный параллельно-последовательный подход с использованием API и механизма рабочих процессов

Процесс принятия решений

Регулярные совещания, коллективное обсуждение, принятие решений на основе консенсуса

Предварительно заданные правила, поддержка искусственного интеллекта, обработка исключений человеком

Цикл реагирования

дни/недели/месяцы

секунды/минуты/часы

Прозрачность процесса

Низкая, состояние процесса непрозрачно, режим «черного ящика»

Высокая, состояние всех узлов видно в режиме реального времени, отслеживаемость

Надёжность

Низкая, зависит от ответственности и памяти человека

Высокая, целостность и согласованность процесса гарантируются системой

Способы оптимизации

Основаны на опыте, анализ проводится задним числом, сложно масштабировать

Ориентирована на данные, с постоянным мониторингом и итеративным выполнением рабочих процессов

Типичные сценарии

«Давайте обсудим этот вопрос на встрече на следующей неделе»

«Когда происходит событие X, автоматически выполняется задача Y»

Сила этой модели заключается в том, что она переводит операционную деятельность организации с «проектного» подхода на «продуктовый». Каждый ключевой бизнес-процесс становится похожим на программный продукт, который можно постоянно повторно обрабатывать и оптимизировать. Руководители организации больше не являются «надсмотрщиками», ежедневно занятыми «тушением пожаров» и координацией ресурсов, а превращаются в «системных архитекторов», проектирующих и оптимизирующих эти автоматизированные рабочие процессы. Их основная задача — продумывать, как сделать эти замкнутые циклы более эффективными, стабильными и гибкими.

Stripe, одна из крупнейших в мире платформ онлайн-платежей, создала внутри компании тысячи таких автоматизированных рабочих процессов, которые используются для решения целого ряда сложных задач — от выявления мошенничества и подключения продавцов до обеспечения соблюдения налогового законодательства во всех странах мира. Такая высокоавтоматизированная «программно-определяемая организация» позволяет компании обрабатывать огромный объем транзакций миллионов продавцов по всему миру, затрачивая на это гораздо меньше человеческих ресурсов, чем традиционные финансовые учреждения. Согласно отчету Всемирного экономического форума (World Economic Forum), такая операционная модель, ориентированная на ИИ, является ключом к раскрытию масштабируемой ценности предприятия (WEF, 2026). Когда основные процессы компании состоят из сотен и тысяч таких автоматизированных замкнутых циклов, она обретает способность практически мгновенно реагировать на рынок и самовосстанавливаться, что дает ей структурное преимущество в жестокой бизнес-конкуренции.

3. От формулирования требований к выражению намерений: язык становится новым интерфейсом

В традиционной разработке программного обеспечения и управлении проектами по методологии одним из самых головных болей является «определение требований». Бизнес-подразделения вынуждены тратить огромное количество времени и сил на составление подробных документов с требованиями, пытаясь с помощью точных формулировок описать желаемые функции; технические команды, в свою очередь, вынуждены многократно интерпретировать эти документы и переводить их в код, понятный машине. Этот процесс сопровождается множеством недоразумений, двусмысленностей и потерь информации. Требование, которое с точки зрения бизнес-специалистов кажется «очевидным», в глазах инженера может означать несколько недель сложной доработки. Такая модель сотрудничества, основанная на «спецификациях», является типичной парадигмой взаимодействия человека и машины в эпоху информации; по сути, это работа по «переводу», которая отличается низкой эффективностью и высокими затратами.

Организации, изначально ориентированные на ИИ, порождают совершенно новую парадигму взаимодействия: от «написания требований» к «формулированию намерений». В этой модели человеку больше не нужно предоставлять машине точный, пошаговый набор инструкций, а достаточно лишь четко выразить свое «намерение» — то есть конечную цель, которую необходимо достичь, обязательные ограничения, а также критерии, по которым будет оцениваться успех.