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

Однако очень скоро начался кошмар. Первыми, кто выразил недовольство, стали рабочие на производстве. Многие из них проработали в компании уже двадцать–тридцать лет и привыкли полагаться на опыт и интуицию при работе со старыми, хорошо знакомыми машинами. Столкнувшись с внезапно появившимися в цехе новыми системами и роботами, они испытывали не восторг, а страх и отторжение. Сложные интерфейсы систем, инструкции по эксплуатации, написанные полностью на английском языке, а также огромное давление, связанное с тем, что «одна ошибка в управлении может привести к остановке всей производственной линии», заставили их растеряться. Один из опытных слесарей по прозвищу Старый Ван в частной беседе сетовал: «Эти вычурные штуковины не так хороши, как мои руки, которые тридцать лет щупали детали.«Раньше я устранял неисправность за полчаса, а теперь приходится ждать, пока какой-нибудь молодой парень из ИТ-отдела прибежит и полдня возится с этим, но так и не сможет починить». Негативное настроение распространилось по цеху: рабочие начали пассивно относиться к работе и даже намеренно обходили новую систему, продолжая работать по-старому.

Вскоре возникли проблемы и у менеджеров среднего звена. На протяжении десятилетий система KPI завода строилась на «сдельной оплате» и «коэффициенте загрузки оборудования». Новая интеллектуальная система же нацелена на плавную работу и оптимизацию всей производственной линии в целом, а не на предельный режим работы отдельного оборудования. Это привело к прямому конфликту между старой и новой логикой управления. Например, чтобы обеспечить поставку материалов для последующих этапов производства, система планирования на базе искусственного интеллекта может временно снизить скорость или остановить какое-либо оборудование на начальном этапе. В рамках старой системы оценки это означало бы ухудшение показателей эффективности руководителя, ответственного за данное оборудование. В результате начальники цехов начали искать способы «обмануть» новую систему, вручную переопределяя команды искусственного интеллекта, чтобы показатели в своей зоне ответственности выглядели «привлекательно». В результате согласованность работы всей производственной линии была полностью нарушена, «узкие места» стали хаотично возникать на разных этапах, а весь производственный процесс погрузился в беспрецедентный хаос.

В конечном итоге «Проект Маяк» потерпел крах из-за полного разрыва на организационном уровне. ИТ-отдел считал, что успешно внедрил самую передовую систему, а проблема заключалась в том, что производственный отдел «не хотел принимать изменения»; производственный отдел, в свою очередь, считал, что эти «игрушки», придуманные ИТ-отделом, совершенно не соответствуют производственной реальности и являются «теоретическими размышлениями»; а генеральный директор Джон, находящийся далеко в здании штаб-квартиры, видел лишь постоянно мигающие красные сигналы тревоги на панели управления данными и неуклонно снижающуюся прибыль в финансовых отчетах. Он не мог понять, почему, вложив столько денег и привлекая столько экспертов, результаты становились всё хуже и хуже. Через два года «Проект Маяк», исчерпав бюджет, был отложен на неопределённый срок. Большинство роботов, на которых когда-то возлагались большие надежды, простаивали в углах складов, покрываясь пылью, а в цехах вновь воцарились прежняя суматоха и шум, словно ничего и не произошло. Однако компания «Вершина» не только потеряла десятки миллионов долларов инвестиций, но и упустила ценное окно возможностей для трансформации, в результате чего в гонке с конкурентами она значительно отстала.

Трагедия компании «Вершина» — это микрокосм бесчисленных примеров неудачной трансформации в «эпоху инструментов». Она наглядно демонстрирует фундаментальные ограничения «инструментального мышления»:

Противостояние «инструментального мышления» и «мышления операционной системы»

Характеристики

Приоритет инструментов (Tool-First)

Приоритет проблемы (Problem-First)

Отправная точка

«Какой инструмент искусственного интеллекта нам следует приобрести?»

«Каково наше самое актуальное узкое место в бизнесе?»

Основные моменты

Технологии, функциональные возможности, поставщики

Бизнес, процессы, ценность для клиента

Способ внедрения

Внедрение «сверху вниз» под руководством ИТ-отдела

Межфункциональное сотрудничество команд, руководство со стороны бизнес-подразделений

Показатели эффективности

Коэффициент внедрения системы, степень охвата функциональных возможностей

Улучшение ключевых показателей эффективности (KPI), рентабельность инвестиций (ROI)

Влияние на организацию

Укрепление существующих процессов, возможное усиление межведомственных барьеров

Перестройка бизнес-процессов, преодоление организационных барьеров

Долгосрочные результаты

Ограниченное повышение эффективности или даже возникновение новой неразберихи

Коренное решение проблемы и формирование способности к постоянным инновациям

(обоснованное предположение на основе имеющихся данных)

Чтобы вырваться из притяжения «эпохи инструментов», необходимо провести радикальную «замену операционной системы». Эта новая операционная система — это организация, изначально построенная на ИИ. Она не является обновленной версией 2.0 существующих цифровых моделей, а представляет собой совершенно новый вид. Ее ядром больше не является разрозненный набор инструментов, а живая система, в которой три основные компонента — «интеллектуальный агент (Agent) — данные — рабочий поток» — тесно взаимосвязаны и совместно развиваются. Эти три основные компонента подобны шестерням в точном механизме: отсутствие или смещение любого из них приведет к выходу всей системы из строя. Механизм их взаимодействия составляет систему «метаболизма» организации, построенной на ИИ, которая гарантирует, что организация, подобно живому организму, способна мгновенно воспринимать изменения в окружающей среде и давать на них разумный ответ.

Давайте на примере конкретной ситуации разберем, как эти три основные компонента тесно взаимодействуют, образуя динамическую замкнутую систему. Представьте себе клиентку по имени Эмили (Emily), у которой в выходные внезапно вышел из строя купленный ею умный термостат. В традиционной компании ей, вероятно, пришлось бы долго ждать на линии, повторно описывать проблему разным сотрудникам службы поддержки, а затем ждать в неопределенности, когда к ней приедут мастера. Однако в компании, специализирующейся на умных домах и использующей технологии искусственного интеллекта, опыт Эмили будет совершенно иным.

Первая сцена: уровень данных (Data Fabric) — «Всё можно оцифровать»

Сначала Эмили попыталась перезапустить устройство через мобильное приложение, но безуспешно. Она немного раздражилась и сказала голосовому помощнику в приложении: «Мой термостат сломался, экран черный, он вообще не реагирует!»

В этот момент запускается «система чувств» организации, построенной на ИИ — «Data Fabric». Она улавливает гораздо больше, чем просто слова Эмили. Начинается сбор данных в режиме реального времени по всем каналам:

Неструктурированные данные: речь Эмили была мгновенно преобразована в текст с помощью механизма преобразования речи в текст (Speech-to-Text), а модель анализа эмоций присвоила этой речи метку «негативная — экстренная».

Данные телеметрии оборудования: последние данные журнала, отправленные термостатом за секунду до сбоя, показывают аномальные колебания напряжения в устройстве.

Данные о взаимоотношениях с клиентами: система CRM показывает, что Эмили является ценным клиентом, приобретшим полный набор продуктов для умного дома, а уровень её удовлетворённости в течение последних двух лет неизменно составлял пять звёзд.

Данные об окружающей среде и исторические данные: система обнаружила, что в районе проживания Эмили за последние 24 часа были зарегистрированы работы по обслуживанию электросети; при этом исторический показатель отказов термостатов данной модели при аналогичных колебаниях напряжения в электросети составляет 5 %.

Все эти данные, полученные из разных источников и представленные в разных форматах, с помощью стандартизированного протокола Model Context Protocol (MCP) быстро очищаются, систематизируются, сопоставляются и объединяются в структурированный «отчет о ситуации с неисправностью», готовый для подачи в «нейронную сеть» организации.

Вторая сцена: уровень интеллектуальных агентов (Agent Network) — совместная диагностика «команды экспертов по ИИ»

Этот «отчет о ситуации с отказом» немедленно передается в систему оркестрации ИИ (AI Orchestrator). Она действует как опытный менеджер проектов и сразу же формирует временную «группу экспертов по ИИ» для решения этой задачи:

1. Агент сортировки (Triage Agent) в первую очередь принимает отчет, назначает данному событию наивысший приоритет на основании меток «высокоценный клиент» и «негативный — срочный», а также прогнозирует, что время ожидания клиента не превысит 15 минут.

2. Агент диагностики (Diagnostic Agent) приступает к работе. Он, сопоставив журналы оборудования, информацию о колебаниях в электросети и исторические данные о частоте отказов, исключает вероятность программных проблем и делает предварительный вывод, что причиной неисправности является «повреждение блока питания в результате кратковременного скачка напряжения», с вероятностью 95 %.

3. Агент решений (Solution Agent) на основе диагностических выводов немедленно сгенерировал три варианта решения: A) проинструктировать клиента по самостоятельной замене запасного модуля питания (вероятность успеха 30 %, время выполнения 10 минут); B) немедленно направить ближайшего инженера по техническому обслуживанию на место для замены (вероятность успеха 99 %, время выполнения 2 часа);C) немедленно отправить клиенту новый термостат с ближайшего склада с доставкой в течение 1 часа с помощью экспресс-логистики, а также проинструктировать клиента об отправке старого оборудования обратно (вероятность успеха 100 %, оптимальный клиентский опыт).

4. Агент принятия решений (Decision Agent) сравнил три варианта. Учитывая, что Эмили является ценным клиентом, а неисправность не возникла по её вине, с целью максимизации долгосрочной ценности клиента и лояльности к бренду он отклонил варианты A и B и выбрал вариант C, который был самым дорогостоящим, но обеспечивал наилучший клиентский опыт.

Весь процесс, от получения данных до принятия решения, занял менее 500 миллисекунд. Все интеллектуальные агенты выполняют свои функции, ведя через MCP «диалог» и «взаимодействие» с точностью до миллисекунд, причём их эффективность несопоставима с эффективностью любой команды людей.

Акт третий: Уровень рабочих процессов (Workflow Engine) — плавный переход от «принятия решения» к «действию»

Как только решение принято, «исполнительная система» организации — движок рабочих процессов — начинает автоматически выполнять ряд операций:

Склад и логистика: рабочий поток отправляет команду на отгрузку в ближайший городской склад, новый терморегулятор упаковывается и передается курьеру платформы мгновенной доставки. Одновременно создается заказ на обратную логистику с предоплаченной доставкой для отправки старого оборудования.

Взаимодействие с клиентами: «интеллектуальная система коммуникации» автоматически генерирует SMS-сообщение, полное извинений и заботы, и отправляет его Эмили: «Дорогая Эмили, мы очень сожалеем, что у вас возникли проблемы с термостатом. По предварительной диагностике, вероятно, произошел сбой в блоке питания. Не беспокойтесь, совершенно новый термостат уже отправлен с нашего склада и, по прогнозам, будет доставлен вам в течение 58 минут. В этот момент просто передайте старое устройство курьеру. Мы приносим свои искренние извинения за доставленные неудобства; на ваш аккаунт уже зачислен подарочный ваучер на 100 юаней без ограничений по сумме покупки».

Внутренняя координация: в рамках рабочего процесса в систему менеджера по работе с клиентами было отправлено напоминание с просьбой уделить внимание дальнейшему опыту Эмили; в базу данных отдела продукции была занесена запись о случае «уязвимости блока питания при колебаниях напряжения в электросети» для использования при совершенствовании будущих продуктов.

Через час Эмили получила новый термостат. Она была удивлена столь быстрым и внимательным обслуживанием, что её первоначальное раздражение полностью испарилось, и она даже опубликовала пост в социальной сети, похвалив компанию. Все данные об этом инциденте, включая итоговую оценку удовлетворённости Эмили, были занесены в базу данных в качестве новой информации для оптимизации суждений и решений всех будущих интеллектуальных систем. Это и есть полный, непрерывный замкнутый цикл «восприятие — принятие решения — действие — обратная связь».

Однако замена операционной системы — дело не из лёгких. Многие компании на пути к «AI-native» сталкиваются с новыми, более скрытыми препятствиями. Эти препятствия больше не связаны с технологиями или капиталом, а коренятся в инерции, глубоко укоренившейся внутри организации. Когда ИИ доводит эффективность на уровне исполнения до предела, пропускная способность и задержки внутреннего информационного потока в организации становятся «новым слабым звеном», определяющим скорость её эволюции. Мы можем проанализировать эти новые препятствия с помощью количественной модели. Предположим, что эффективность принятия решений (D) в организации определяется тремя переменными: скоростью получения информации (I), качеством модели принятия решений (M) и эффективностью организационной координации (C). Их взаимосвязь можно выразить формулой: D = I × M × C.

В традиционных организациях: передача информации осуществляется криками, принятие решений — на основе интуиции, а межведомственное взаимодействие — посредством совещаний. Все три переменные — I, M и C — находятся на крайне низком уровне. Если принять значения всех переменных равными 1, то D = 1 × 1 × 1 = 1.

В эпоху инструментов: благодаря внедрению систем ERP, CRM и т. д. предприятия в первую очередь повысили скорость получения информации (I), а эффективность передачи информации значительно возросла; предположим, что значение I увеличилось с 1 до 10. Однако модель принятия решений (M) по-прежнему зависит от опыта людей, а организационная координация (C) также не претерпела коренных изменений. В этом случае D = 10 × 1 × 1 = 10.Эффективность выросла в 10 раз — именно в этом заключалась основная выгода цифровизации последних двадцати лет.

В эпоху «AI-native»: появление крупных моделей и интеллектуальных систем значительно повысило качество модели принятия решений (M). ИИ может на основе огромных массивов данных выносить точные суждения, значительно превосходящие человеческий опыт; предположим, что значение M подскочило с 1 до 100. В этом случае, если эффективность организационной координации (C) по-прежнему остается на уровне 1, то D = 10 × 100 × 1 = 1000.Кажется, что эффективность выросла в 1000 раз, но «узкое место» полностью переместилось на показатель C.Система ИИ может за несколько секунд сгенерировать идеальный план расширения рынка (очень высокое значение M), но если этот план должен пройти утверждение в пяти отделах и на десяти уровнях, а его внедрение занимает несколько недель, то огромные преимущества, предоставляемые ИИ, полностью нивелируются «высокой задержкой» и «высокими потерями» внутри организации. В этом случае C становится тем решающим «1».

Эта простая модель раскрывает глубокую истину: когда прогресс в области технологий (I и M) достигает определенной критической точки, эффективность организационной координации (C) становится единственным узким местом, сдерживающим общее развитие. Конкуренция между организациями в будущем по сути будет конкуренцией за эффективность организационной координации. Чтобы повысить C с 1 до 10 или даже 100, необходимо коренным образом перестроить структуру, культуру и механизмы мотивации организации, превратив её из жёсткой иерархической системы, основанной на «команде и контроле», в гибкую сетевую структуру, основанную на «доверии и делегировании полномочий». Это означает разрушение межведомственных барьеров и создание динамичных команд, ориентированных на выполнение задач; это означает реформу ключевых показателей эффективности (KPI) с перехода от оценки индивидуальных результатов к стимулированию командной работы; это означает переосмысление лидерства, чтобы руководители превратились из «надсмотрщиков» в «помощников». Именно это и является единственным путем к организации, изначально ориентированной на ИИ, а также организационной революцией, более глубокой и сложной, чем технологическая.

Повышение эффективности организационного взаимодействия (C) не происходит в одночасье — для этого требуются системные преобразования. В первую очередь речь идет о «децентрализации» организационной структуры. Традиционная пирамидальная структура, в которой информация передается сверху вниз, а полномочия по принятию решений высоко централизованы, по своей природе характеризуется большими задержками и высокими потерями. Организация, построенная на основе ИИ, нуждается в более плоской и сетевой структуре, в которой фиксированные подразделения заменяются небольшими, но эффективными и наделенными полными полномочиями «оперативными группами».

Эти группы создаются для решения конкретных проблем клиентов или достижения бизнес-целей, обладают полномочиями по принятию решений и распределению ресурсов на всех этапах, и после выполнения задачи могут быть расформированы или реорганизованы. Во-вторых, механизмы мотивации должны быть «ориентированы на ценность». Традиционная оценка по KPI часто приводит к «эффекту силоса» и «ведомственному подходу». Новые механизмы мотивации должны быть построены вокруг ценности, создаваемой для клиента, и поощрять межкомандное сотрудничество и обмен знаниями. Например, можно ввести «проектные премии» или «премии за успех клиента», чтобы интересы всех участников были тесно увязаны с конечными бизнес-результатами.

И наконец, самое главное — это «психологическая безопасность» в корпоративной культуре. В эпоху искусственного интеллекта, полную неопределённости, пробы и ошибки, а также инновации являются нормой. Если организационная культура не терпит неудач, сотрудники будут склонны избегать рисков и слепо следовать установленным правилам. Руководителям необходимо создать атмосферу, в которой «допускаются ошибки и поощряются эксперименты», чтобы сотрудники осмеливались выдвигать революционные идеи и бросать вызов существующим процессам. Только когда организация обладает такой структурой, системой мотивации и культурой, она сможет по-настоящему преобразовать мощный потенциал ИИ (M) в устойчивый и масштабируемый рост бизнеса, что позволит ей выделиться на фоне жесткой конкуренции.

Глава 2.

Превращение организации из «машины должностей» в «машину намерений»

В одну из сред в конце лета 2025 года в воздухе уже чувствовался легкий дух осени. В шанхайской компании «OceanData», занимающейся разработкой решений в области искусственного интеллекта, директор по маркетингу Ли Цзин переживала не самый легкий профессиональный кризис. Она только что закончила острую перепалку с генеральным директором (CEO), директором по продуктам и директором по продажам. Поводом для встречи стала крупная маркетинговая кампания, которую она возглавила на прошлой неделе: хотя само мероприятие было грандиозным и привлекло внимание СМИ, количество высококачественных лидов, полученных в результате, составило менее трети от ожидаемого. Директор по продажам без обиняков заявил на встрече: «Нам не нужен этот ложный расцвет, нам нужны клиенты, которые напрямую приведут к заключению контрактов!» Директор по продукту, в свою очередь, жаловался, что в ходе маркетинговой кампании были даны чрезмерные обещания относительно функций продукта, которые ещё не были полностью реализованы, что привело к несоответствию ожиданий клиентов и реальности. В конце концов генеральный директор принял окончательное решение: он потребовал от Ли Цзин приостановить все новые маркетинговые планы, представить подробный отчёт с анализом ситуации и разработать план, который обеспечит «тесную взаимосвязь между маркетинговыми мероприятиями и результатами продаж».

Ли Цзин чувствовала себя одновременно обиженной и растерянной. Как директор по маркетингу, в её должностной инструкции (Job Description) чётко указано, что она отвечает за повышение узнаваемости бренда, управление маркетинговыми мероприятиями и создание резонанса на рынке. Она и её команда всегда ориентировались на эти показатели и добросовестно выполняли каждую задачу. Они разработали изысканные рекламные материалы, пригласили авторитетных экспертов отрасли для выступлений и получили освещение в более чем 50 СМИ — с любой традиционной точки зрения маркетинга это была успешная кампания. Однако теперь критериями оценки её работы стали «качество лидов» и «коэффициент заключения договоров с клиентами» — показатели, на которые она не может напрямую повлиять. Она чувствует себя как запрограммированная машина, работающая в строгом соответствии с инструкциями (должностной инструкцией), но конечный результат (маркетинговый эффект) не соответствует конечным требованиям к продукту (результатам компании). В чём проблема? Это её вина? Или сама должностная инструкция неверна?

Тем временем, на другом конце земного шара, в Маунтин-Вью, Калифорния, финтех-компания «Fintellect», специализирующаяся на искусственном интеллекте, работает совершенно по-другому. Руководительница «команды роста» этой компании, молодая женщина по имени Эмили (Emily), только что дала своей команде новое задание. Однако это задание не представляет собой ни подробный план мероприятий, ни набор конкретных показателей эффективности, а представляет собой структурированный текст, который они называют «намерением» (Intent).

Основная цель этого намерения заключается в следующем: «К четвертому кварталу 2025 года повысить коэффициент конверсии контрактов с клиентами из числа малых и средних предприятий на рынке США на 15 %, при этом обеспечив, чтобы средняя пожизненная ценность новых клиентов не опускалась ниже 5000 долларов США».» В рамках этой основной цели предусмотрено несколько ключевых «ограничений» (Constraints), например: «Общий маркетинговый бюджет не должен превышать 200 000 долларов», «запрещается использование телефонного маркетинга в любой форме», «все маркетинговые материалы должны проходить автоматическую проверку системой обеспечения соответствия». Кроме того, предусмотрено несколько «предпочтений» (Preferences), например: «отдавать приоритет привлечению клиентов из сферы высоких технологий и розничной торговли», «предпочитать контент-маркетинг и рекомендации партнеров, а не платную рекламу». И, наконец, четко сформулированы «критерии приемки» (Acceptance Criteria): «цель считается достигнутой, когда количество квалифицированных лидов (MQL), помеченных в системе управления взаимоотношениями с клиентами (CRM) как «Q4-Intent-Driven», достигнет 500, при этом 15 % из них успешно заключат контракт в течение 90 дней, а данные бэк-офиса покажут, что среднее значение прогнозной модели жизненного цикла клиента (LTV) для этой группы превышает 5 000 долларов США».

После того как Эмили сформулировала эту задачу, она не стала, как Ли Цзин, организовывать затянутые межведомственные совещания. Её смешанная команда, состоящая из нескольких человек и более десятка интеллектуальных агентов, немедленно приступила к самостоятельной работе. Один из «интеллектуальных агентов по рыночному анализу» начал сканировать данные во всей сети в поисках групп потенциальных клиентов и маркетинговых каналов, соответствующих заданным ограничениям и предпочтениям. Другой «интеллектуальный агент по генерации контента» на основе результатов анализа приступил к созданию белых книг и статей для блогов, ориентированных на технологический и розничный секторы.

Еще один «интеллектуальный агент по партнерским отношениям» автоматически отобрал потенциальных блогеров-партнеров и отраслевые ассоциации, а также подготовил черновики писем с предложением о сотрудничестве. Роль человеческих коллег, в свою очередь, больше напоминает роль экспертов и лиц, принимающих решения: они отвечают за проверку ключевого контента, сгенерированного интеллектуальными системами, выносят суждения в тех неоднозначных ситуациях, где системы не могут принять решение самостоятельно (например, стиль контента какого блогера-партнера наиболее соответствует бренду компании), а также ведут деловые переговоры, требующие сложных межличностных взаимодействий. Вся команда похожа на слаженный живой организм, все действия которого точно направлены на достижение четкой и измеримой цели. Здесь никого не интересует, «сколько мероприятий было проведено» или «сколько внимания уделили СМИ» — единственный критерий оценки заключается в том, эффективно ли мы достигаем эту общую цель?