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

Появление крупных языковых моделей впервые позволило машинам по-настоящему «понимать» естественный язык человека и разбивать его на выполнимые планы. Язык превращается из моста, связывающего людей между собой, в «универсальный интерфейс» между человеком и организационными системами. Вам больше не нужно говорить системе «что делать в первом шаге, что — во втором», а достаточно просто сказать ей «чего я хочу».

Глубина этого преобразования заключается в том, что оно полностью изолирует сложность «как сделать» и передает её на отработку интеллектуальным системам и автоматизированным рабочим процессам, позволяя людям сосредоточиться на определении «что делать» и «зачем делать». Это значительно снижает порог для создания и реализации задач внутри организации. Менеджер по маркетингу, не разбирающийся в программировании, может просто сказать: «Я хочу организовать эксклюзивную онлайн-презентацию новых продуктов для клиентов, вошедших в 10 % лидеров по сумме покупок за прошлый квартал, с бюджетом не более 50 000 юаней и целью достичь 30-процентного показателя повторных покупок», — и тем самым запустить сложный проект, над которым будут совместно работать несколько интеллектуальных систем.

Этот процесс некоторые передовые мыслители, такие как Андрей Карпати (Andrej Karpathy), образно называют «программированием по настроению» (Vibe Coding). Он описывает состояние, при котором разработчикам или бизнес-специалистам достаточно задать общее «настроение» или направление, а система ИИ автоматически заполнит детали, напишет код, распределит ресурсы и в конечном итоге воплотит замысел в реальность. Согласно данным Google за середину 2025 года, примерно половина внутреннего кода компании была написана с помощью ИИ (36Kr, 2025), что свидетельствует о начале фундаментальных изменений в способах предоставления программного обеспечения. Исследование Salesforce также прогнозирует, что по мере того, как интеллектуальные системы будут брать на себя все больше операционных функций, внедрение «программирования по атмосфере» в компаниях резко возрастет (Salesforce, 2025).

Давайте с помощью таблицы сравним эти две кардинально разные модели взаимодействия:

Таблица 0-3: Сравнение моделей «написания требований» и «описания намерений»

Параметр

Традиционная модель «написания требований»

Модель «выражения намерения», основанная на ИИ

Основная концепция

Давать точные инструкции (как сделать)

Формулировка конечной цели (что делать и зачем)

Средства взаимодействия

Структурированные технические задания, блок-схемы, API

Естественный язык, диалог, эскизы

Роли людей

Аналитик требований, менеджер проекта, переводчик

Лицо, определяющее намерения, лицо, устанавливающее цели, лицо, принимающее результат

Роли машин

Пассивный исполнитель, строго следующий инструкциям

Инициативный планировщик, разбивающий цели на части и задействующий инструменты

Затраты на коммуникацию

Высокие, сопряженные с затратами на перевод и разъяснение

Низкие, ближе к естественному способу сотрудничества между людьми

Гибкость

Низкая, сложный процесс изменения требований

Высокая, намерения можно динамически корректировать и уточнять

Создание ценности

Ценность заключается в точном выполнении инструкций

Ценность заключается в глубоком понимании намерений и творческом достижении целей

Типичные инструменты

JIRA, Confluence, Word

Диалоговая ИИ-платформа, интеллектуальная система оркестрации

Конечно, «формулировка намерения» не означает произвольного и расплывчатого выражения. Качественная передача намерения сама по себе является ключевым навыком, требующим тренировки. Эффективное намерение должно содержать четкую цель, измеримые результаты, а также ясные границы и ограничения. Например, плохим намерением будет «помоги мне проанализировать рыночную конкуренцию»; а хорошим — «помоги мне проанализировать за последние шесть месяцев на рынке Юго-Восточной Азии сравнение нашего присутствия в социальных сетях, настроений пользователей и ключевых маркетинговых кампаний с нашими основными конкурентами — компаниями «А» и «Б», а также сгенерировать визуализированный отчет с разбивкой по неделям».

Ключ к успеху организации, ориентированной на ИИ, заключается в создании механизма, способного эффективно фиксировать, понимать, согласовывать и выполнять «задачи». Это требует от организации не только мощных ИИ-возможностей, но и соответствующей культуры и процессов, поощряющих четкое мышление и высококачественную коммуникацию. Это даже привело к появлению новой внутренней должности — «инженера по задачам». Они не занимаются непосредственным написанием бизнес-кода, а специализируются на преобразовании стратегических намерений высшего руководства в структурированные описания намерений, понятные и выполнимые для машин. Они являются «переводчиками» и «архитекторами» между стратегами и системами ИИ.

Представьте себе глобальную розничную компанию, цель генерального директора которой заключается в том, чтобы «в предстоящую зиму сократить запасы шерстяных изделий на рынках Северной Европы на 20 %, при этом обеспечив объем продаж не ниже, чем за аналогичный период прошлого года». В традиционной организации эта цель должна быть разбита на бесчисленное количество ключевых показателей эффективности (KPI) на уровне отделов и доведена до сведения сотрудников через многоуровневые совещания и электронную переписку.

В то же время в организации, ориентированной на ИИ, «инженер по намерениям» преобразует это намерение в структурированный объект, содержащий конкретные цели, ограничения (например, «общий бюджет рекламных акций не должен превышать 5 миллионов евро»), ключевые результаты (например, «повышение коэффициента оборачиваемости запасов на 15%») и показатели мониторинга. После внедрения этого «объекта намерения» в систему интеллектуальные системы ценообразования, маркетинга, цепочки поставок и размещения рекламы немедленно начинают работать согласованно, автоматически корректируя цены, планируя рекламные акции, оптимизируя логистические маршруты и точно размещая рекламу. Генеральный директор может отслеживать ход реализации намерений и ожидаемые результаты через панель мониторинга в режиме реального времени. Когда язык становится новым «кодом», каждый руководитель и сотрудник в определенной степени превращается в «программиста»: они формируют каждое действие организации с помощью своих намерений.

4. Почему «внедрение ИИ» ещё не означает «ИИ-ориентированность»

По мере того как волна интереса к технологиям искусственного интеллекта захлестывает весь мир, практически все компании активно внедряют ИИ. Они приобретают программное обеспечение для ИИ, создают крупные модели и обучают сотрудников работе с инструментами ИИ. Однако между простым «внедрением ИИ» или «использованием ИИ» и превращением в «ИИ-ориентированную организацию» лежит огромная пропасть. Это похоже на то, как если бы на конную повозку установили двигатель — от этого она не станет автомобилем. Настоящие преобразования требуют коренной переработки всей системы — шасси, подвески, трансмиссии, системы управления.

Применение ИИ во многих компаниях по-прежнему остается на уровне «инструмента». Они рассматривают ИИ как своего рода «супер-плагин», способный повысить локальную эффективность. Например, ИИ используется для помощи в написании писем, генерации маркетинговых текстов, анализа данных финансовой отчётности или для ответов на типичные вопросы с помощью ИИ-ботов в службе поддержки. Эти приложения, несомненно, ценны: они могут повысить эффективность в определенных сферах, как, например, Copilot в пакете Microsoft Office. Однако они не меняют базовую логику функционирования организации. Процессы принятия решений, межведомственные барьеры, модели роста, способы сотрудничества — всё остаётся по-прежнему. Это модель «+ИИ», то есть наложение некоторых «патчей» ИИ на существующую организационную структуру, разработанную для людей.

А «AI-native» — это совершенно иная парадигма мышления. Это не просто нанесение новых точек на старую карту, а полная замена карты на совершенно новую. В «ИИ-нативной» организации с самого первого дня искусственный интеллект по умолчанию считается «гражданином первой категории» и ключевым элементом рабочей силы. Вся её структура построена вокруг того, как максимально повысить совокупную эффективность смешанной рабочей силы, состоящей из людей и искусственного интеллекта. Её организационная структура, рабочие процессы, технологическая платформа и даже культура созданы с учётом «нового вида», состоящего из людей и ИИ.

Мы можем различать «+AI» и «AI-ориентированные» организации по следующим ключевым параметрам:

Таблица 0-4: Фундаментальные различия между организациями «+AI» и «AI-native»

Аспект

Организация «+AI» (инструментальное мышление)

«ИИ-ориентированная» организация (системное мышление)

Позиционирование ИИ

Вспомогательный инструмент, плагин для повышения эффективности

Основная рабочая сила, цифровой сотрудник

Организационная структура

Сохранение существующих уровней и межведомственных барьеров

Реорганизация на основе «намерения-рабочего процесса», более плоская и сетевая структура

Рабочие процессы

Частичная автоматизация, много точек прерывания процессов

Автоматизация от начала до конца, формирование замкнутого цикла, обработка исключений людьми

Данные

Данные являются объектами анализа, используемыми для получения ретроспективных выводов

Данные являются триггером и топливом, в режиме реального времени стимулирующим бизнес

Взаимоотношения «человек-машина»

Человек — пользователь, ИИ — инструмент

Человек — это тот, кто принимает решения и разрабатывает концепции, а ИИ — исполнитель и партнер

Модель роста

Ориентация на привлечение новых сотрудников, использование ИИ для повышения эффективности труда

Опираясь на интеллектуальные системы, масштабируемое расширение на основе ИИ

Основные узкие места

Пропускная способность человеческого управления и эффективность коммуникации

Качество суждений и способность определять намерения

Показатели оценки

Производительность на одного сотрудника, KPI подразделения

Время выполнения задач, уровень автоматизации, коэффициент достижения целей

Типичный сценарий «+AI» выглядит следующим образом: сотрудник отдела маркетинга использует инструмент ИИ для создания поста в социальных сетях, затем вручную копирует и вставляет его на платформу публикации, после чего вручную проверяет данные в админке и, наконец, отчитывается о результатах перед руководством в еженедельном отчете. В этом процессе ИИ выступает лишь в роли «помощника по написанию текстов».

В «ИИ-ориентированном» сценарии ситуация будет следующей: система фиксирует событие «запуск нового продукта» и автоматически запускает «маркетинговый рабочий процесс». Интеллектуальный контент-модуль на основе данных о продукте и целевой аудитории генерирует десять различных версий постов; интеллектуальный модуль каналов автоматически публикует эти посты на различных социальных платформах; аналитический модуль в режиме реального времени отслеживает данные о взаимодействии пользователей на каждой платформе (лайки, комментарии, репосты) и через 2 часа автоматически запускает дополнительную продвижение версии, показавшей наилучшие результаты; статус и результаты всего процесса в режиме реального времени отображаются на общей панели инструментов, доступной для просмотра соответствующим сотрудникам в любое время. Роль человека заключается в том, чтобы на начальном этапе проектирования рабочего процесса определить правила (например, критерии «наилучшей эффективности») и вмешиваться в случае непредвиденных ситуаций (например, если какой-то пост вызвал большое количество негативных комментариев).

В отчете McKinsey & Company за 2025 год отмечается, что, несмотря на то что практически все компании инвестируют в ИИ, менее 1 % из них считают, что достигли зрелости в области ИИ (McKinsey, 2025). Ключевое различие заключается в том, произошел ли переход от «инструментального мышления» к «системному мышлению». Настоящая трансформация, основанная на ИИ, представляет собой глубокую замену «организационной операционной системы». Она требует от лидеров инвестировать не только в технологии, но и в проектирование организации, реорганизацию процессов и преобразование культуры. Для этого необходимо дать исчерпывающие ответы на три вопроса: во-первых, можно ли наши основные бизнес-процессы представить в виде ряда автоматизированных рабочих потоков, управляемых интеллектуальными системами? Во-вторых, как мы можем переосмыслить роль сотрудников, чтобы они превратились из исполнителей процессов в их разработчиков, контролеров и оптимизаторов? В-третьих, создали ли мы механизм, позволяющий данным и опыту, накопленным ИИ в процессе выполнения задач, питать всю систему, делая её всё «умнее»?

Ответить на эти вопросы гораздо сложнее, чем просто приобрести пакет программного обеспечения с ИИ. Это затрагивает структуру власти в организации, интересы отделов и привычки сотрудников. Например, когда прогнозы продаж больше не утверждаются директором по продажам на основе опыта, а рекомендации дает интеллектуальная система, проанализировавшая сотни миллионов записей исторических данных и рыночных сигналов, кто будет нести ответственность за окончательное решение? Когда бизнес, для ведения которого раньше требовалась команда из 20 человек, теперь может быть выполнен тремя людьми и группой интеллектуальных систем, что делать с излишними 17 сотрудниками? Все это — не технические проблемы, а глубокие управленческие и стратегические вопросы. Поэтому на пути от «+AI» к «AI-native» решимость лидеров и готовность организации к преобразованиям зачастую оказываются важнее, чем сама технология. Это, без сомнения, более трудный и сложный путь, но он ведет к будущему с совершенно иным уровнем конкурентоспособности.

Представьте себе следующую сцену: первые лучи утреннего солнца только что пробились сквозь облака и осветили высотные небоскребы города. В одном из них, в штаб-квартире компании под названием «Future Corp», уже зазвучала беззвучная симфония. Но здесь нет ни дирижера, ни оркестра — только бесчисленные мерцающие потоки данных и автономно работающие интеллектуальные системы. Генеральный директор компании Ли Мин в этот момент неспешно бегает по парку; на его умных часах время от времени появляются краткие сводки по ключевым вопросам бизнеса, но ему не нужно принимать никаких решений. Ведь «мозг» компании — сложная саморегулирующаяся система, состоящая из бесчисленных интеллектуальных единиц, — занимается всем.

Этот «мозг» только что завершил динамическую перенастройку глобальной цепочки поставок. Он зафиксировал, что один из основных портов Южной Америки оказался парализован из-за внезапной забастовки, и практически в тот же момент система автоматически запустила резервный план: грузы, которые должны были пройти через этот порт, были перенаправлены в два соседних запасных порта, а все логистические маршруты и таможенные процедуры были перепланированы. Весь процесс занял менее пяти минут, без единого вмешательства со стороны человека и даже не потревожив ни одного из менеджеров по логистике, которые в это время мирно спали.

В то же время кластер интеллектуальных систем по маркетингу в режиме реального времени генерирует и размещает тысячи вариантов рекламных креативов на основе последних трендов в социальных сетях, каждый из которых точно доставляется потенциальным клиентам, которые с наибольшей вероятностью могут проявить к ним интерес. Когда первые отзывы о новом продукте оказались неудовлетворительными, интеллектуальная система ценообразования, проанализировав профили пользователей, цены на конкурентные продукты и производственные затраты, самостоятельно приняла решение снизить цену на 5% и автоматически выслала всем ранним покупателям купоны на компенсацию разницы в цене, что мгновенно вернула доверие пользователей. Все это происходило незаметно, словно компания обрела жизнь и начала самостоятельно думать, принимать решения и функционировать.

Это звучит как сюжет из научно-фантастического фильма, но с поразительной скоростью становится реальностью. Однако в связи с этим возникает более глубокий вопрос: можно ли назвать компанию «AI-ориентированной организацией» только потому, что она широко применяет технологии искусственного интеллекта и даже автоматизировала часть бизнес-процессов? Ответ, вероятно, отрицательный. В ходе нашего исследования мы обнаружили, что многие компании, хотя и вкладывают огромные средства в приобретение самых передовых систем ИИ, обучают сотрудников использованию различных инструментов ИИ и даже широко освещают свою «стратегию ИИ» в финансовых отчетах, их организационная структура, рабочие процессы, модели принятия решений и даже культурные особенности по-прежнему остаются на уровне индустриальной эпохи. Для них ИИ скорее похож на роскошный плащ, а не на врождённую кожу. Они внедрили ИИ, но так и не «стали» ИИ.

Чтобы глубоко понять эту разницу, нам сначала нужно разграничить два ключевых понятия: «ИИ+» (AI-Powered) и «ИИ-нативный» (AI-Native). Первое означает «наложение» ИИ-возможностей на существующие бизнес-процессы и организационную структуру, подобно установке интеллектуальной навигационной системы на традиционный автомобиль с двигателем внутреннего сгорания; второе же — это перепроектирование «базовой операционной системы» всей организации с нуля с учетом ИИ.Разница между ними — это отнюдь не просто вопрос глубины или широты применения технологий, а фундаментальный сдвиг парадигмы. С помощью приведенной ниже сравнительной таблицы можно более наглядно увидеть, насколько они отличаются друг от друга:

Таблица сравнения ключевых различий между «AI+»-организацией и «AI-ориентированной организацией»

Характеристики

Организация «AI+» (AI-Powered)

«ИИ-ориентированная организация» (AI-Native)

Основная логика

Использование ИИ в качестве инструмента для оптимизации существующих процессов, снижения затрат и повышения эффективности.

Использование ИИ в качестве ядра и «мозга» организации для перестройки способов создания ценности.

Обработка данных

Данные рассматриваются как побочный продукт бизнеса и разрознены по отдельным «силосам».

Данные являются ключевым активом, они постоянно циркулируют и служат единственным источником для принятия решений интеллектуальной системой.

Организационная структура

Традиционная иерархическая структура с централизованным принятием решений.

Плоская, сетевая структура типа «племени», в которой полномочия по принятию решений переданы «интеллектуальному организму».

Рабочие процессы

Линейные, застывшие процессы, в которых ведущую роль играют сотрудники-люди, а ИИ выступает в качестве вспомогательного средства.

Динамичные, самонастраивающиеся процессы, в которых ведущую роль играют интеллектуальные системы, а люди отвечают за надзор и инновации.

Отношения «человек-машина»

Человек является субъектом, ИИ — инструментом или помощником; человек «использует» ИИ.

Человек и интеллектуальный агент находятся в симбиотических отношениях: человек «сотрудничает» с ИИ, и они совместно развиваются.

Техническая архитектура

Наложение модулей ИИ на существующие ИТ-системы с использованием API сторонних разработчиков.

Создание совершенно нового технологического стека на основе ИИ, в центре которого находятся модели и вычислительные мощности.

Модель инноваций

Постепенные инновации, направленные на локальную оптимизацию в рамках существующей структуры.

Прорывные инновации, создающие совершенно новые бизнес-модели и пользовательский опыт.

Автор: Культурные особенности

Ориентация на опыт, приоритет процессов, боязнь неудач.

Ориентация на данные, непрерывное обучение, готовность принять неопределенность.

Эта таблица наглядно раскрывает суть проблемы: многие так называемые «трансформации с помощью ИИ» на самом деле остаются в мелководье «ИИ+». Их основной целью по-прежнему является «оптимизация» — использование ИИ для того, чтобы старая повозка ехала быстрее, а не для изобретения автомобиля. Например, банк внедрил интеллектуального чат-бота для ответов на повторяющиеся вопросы, что, несомненно, повысило эффективность. Однако если бэк-офисный процесс одобрения кредитов в банке по-прежнему зависит от ручной проверки кредитными специалистами и многоуровневого согласования, то до «ИИ-ориентированности» ему ещё очень и очень далеко. Ведь его основная логика управления рисками не изменилась, организационная структура осталась прежней, а отношения между человеком и ИИ не претерпели коренных изменений. ИИ здесь выступает лишь в роли более умного «рупора» и «фильтра», а не самого лица, принимающего решения. Исходя из имеющихся данных, можно сделать обоснованный вывод, что такое явление «ложного ИИ-ориентированного подхода» широко распространено во многих традиционных отраслях, таких как финансы, производство и розничная торговля.

Это явление — «ИИ внедрен, но не является ИИ-ориентированным» — можно назвать «иллюзией ИИ-ориентированности». Компании, погрязшие в этой иллюзии, зачастую самодовольствуются техническими прорывами в отдельных областях, упуская из виду необходимость системных преобразований во всей организации. Рассмотрим вымышленный, но весьма показательный пример: глобального гиганта розничной торговли одеждой под названием «FastFashionCo».

С точки зрения постороннего наблюдателя «FastFashionCo», несомненно, является образцом применения ИИ. Его система персонализированных рекомендаций, основанная на машинном обучении, способна на основе истории просмотров и покупок пользователей точно предлагать новые модели одежды, при этом конверсия значительно превышает средний показатель по отрасли. В систему управления цепочкой поставок также внедрены прогнозные модели на базе ИИ, которые позволяют заранее предсказывать модные тенденции в разных регионах и в разные сезоны, что помогает оптимизировать производство и распределение запасов, значительно сокращая как излишки, так и дефицит товаров. В магазинах компании по всему миру даже установлены камеры с функцией компьютерного зрения, которые анализируют маршруты движения покупателей по магазину, время пребывания и степень их интереса к различным товарам; эти данные используются для оптимизации выкладки товаров и планировки магазинов. Генеральный директор компании часто выступает на крупных отраслевых саммитах, делясь успешным опытом того, как с помощью ИИ преобразовывать розничную торговлю, благодаря чему акции компании стремительно растут.

Однако если заглянуть за фасад блеска ИИ и глубже изучить внутренние процессы, открывается совершенно иная картина. Несмотря на наличие мощного рекомендательного движка, окончательное решение о том, какие модели будут продвигаться в следующем сезоне, по-прежнему принимают главный дизайнер компании и несколько опытных байеров. Их решения в большей степени основаны на прошлом успешном опыте и личном чутье в отношении модных тенденций, а прогнозные данные ИИ на совещаниях по принятию решений являются лишь одним из «справочных материалов» и зачастую даже игнорируются, поскольку противоречат «вдохновению» дизайнеров.

Модели прогнозирования ИИ для цепочки поставок, хотя и точны, сталкиваются с сильным сопротивлением со стороны отдела закупок, когда предлагают перенести часть производства какого-либо хита с рынка из Китая в Турцию для снижения логистических затрат и таможенных пошлин. Дело в том, что отдел закупок уже десять лет сотрудничает с несколькими китайскими контрактными производителями, и поддержание этих «отношений» считается более важным, чем снижение затрат. Огромные объемы данных о посещаемости, собираемые в магазинах, в конечном итоге обобщаются в виде красиво оформленных отчетов в формате PPT и передаются руководству, но лишь небольшая часть этих данных действительно в режиме реального времени доходит до менеджеров магазинов на передовой и дает им возможность самостоятельно корректировать операционную стратегию на основе этих данных. Данные между различными отделами словно разделяет невидимая стена: информация из отдела маркетинга не может беспрепятственно поступать в отдел дизайна, а данные цепочки поставок с трудом синхронизируются в режиме реального времени с бюджетной системой финансового отдела.