Руководители компаний всё больше увлечены обещаниями ИИ-трансформации и вкладывают в неё соответствующие ресурсы. Большинство крупных компаний запустили сотни пилотных проектов.
Многие из этих пилотов оказались успешными по отдельности — они сэкономили время и деньги, повысили эффективность процессов. Но эти улучшения не масштабировались на всю организацию. Лишь немногим компаниям удалось по-настоящему перестроить свои операционные и бизнес-модели вокруг ИИ.
Источник данных для выводов этой статьи
Чтобы исследовать будущее бизнеса для компаний, перестроивших работу вокруг передовых возможностей ИИ, институт Digital Data Design (D^3) и Microsoft основали Frontier Firm Initiative (FFI) при Гарвардской школе бизнеса. FFI объединяет строгие организационные исследования Гарварда с данными Microsoft о внедрении технологий. Цель — изучить, как компании выходят за рамки простой автоматизации и переходят к агентным процессам, меняющим способ создания ценности.
Недавно FFI провела закрытый саммит. Задача — выявить конкретные организационные барьеры, мешающие ИИ-пилотам стать корпоративными операционными моделями. Пригласили руководителей высшего звена из дюжины глобальных организаций — из здравоохранения, банковского сектора и промышленного производства. Они обсудили конкретные точки, в которых их трансформации застопорились. Во-первых, чтобы понять вызовы и текущие подходы. Во-вторых, чтобы обсудить новые возможности и альтернативные стратегии.
Участники саммита — энтузиасты ИИ. У многих уже сотни активных ИИ-решений и почти поголовное использование инструментов продуктивности: M365 Copilot, ChatGPT Enterprise или специализированных сред вроде GitHub Copilot для инженерных команд. Однако эти инструменты повышают индивидуальную отдачу, оставаясь лишь редкими «очагами продуктивности». Превратить их в масштабируемые и надёжные корпоративные системы — сложно.
По мнению участников саммита, главное препятствие — не качество моделей и не доступность данных. Проблема — в «последней миле» трансформации — в самом сложном этапе, где технические возможности должны совпасть с организационным дизайном. FFI выявили семь структурных барьеров, мешающих переходу от локальных ИИ-экспериментов к единой операционной модели, построенной вокруг ИИ. А также — зарождающийся план действий для лидеров, готовых выйти за рамки пилотной фазы.
Выводы про эти барьеры и способы их преодоления основаны на текущих исследованиях FFI, на лонгитюдных исследованиях цифровой трансформации компаний из Fortune 500 и на прямых свидетельствах руководителей на саммите.
Семь барьеров на пути трансформации
1. Множество пилотов без интеграции
Многие организации оказываются в ситуации, когда пилотных проектов запущено множество, но реальных изменений мало.
- Глобальный инвестиционный банк задокументировал более 250 приложений, связывающих LLM с его корпоративными системами.
- Продовольственная компания успешно запустила ИИ-пилоты в 185 странах.
- А глобальный производитель одежды автоматизировал более 18 000 финансовых процессов.
Несмотря на впечатляющие цифры, руководители на саммите отметили: то, что работает в локальной демонстрации, редко становится стандартом для всей компании. Пилоты не перерастают в масштабную ценность. Отсутствует воспроизводимый путь от proof-of-concept к стандартной операционной модели.
2. Рост продуктивности, не доходящий до финансовых показателей
Прирост продуктивности хорошо заметен на индивидуальном уровне, но редко отражается в финансовых показателях.
- В глобальной платёжной сети более 99% сотрудников активно используют копайлоты.
- Крупный промышленный производитель зафиксировал двузначный рост продуктивности у тысяч инженеров, работающих с ИИ-инструментами для кодирования.
Однако когда финансовые директора ищут, где именно эта отдача проявляется — в сокращении штата или ускорении циклов, — ответы неочевидны. Выигрыш остаётся «запертым» в индивидуальных рабочих процессах.
Руководству нужно целенаправленно перестраивать роли и бюджеты, чтобы «собрать» высвободившееся время. Без этого сэкономленные часы поглощаются малоценной активностью — лишними совещаниями и ненужной перепиской... вместо того чтобы направляться на более стратегическую работу через пересмотр ролей.
3. Процессный долг, который вскрывает ИИ
ИИ часто работает как диагностический инструмент, обнажая хрупкие процессы, переполненные исключениями. Во многих компаниях они накапливались десятилетиями через поглощения, но от этой проблемы в той или иной степени страдают все.
- У крупного медицинского страховщика рабочие процессы оказались настолько фрагментированными, что ИИ находил несоответствия быстрее, чем мог их устранить.
- Сервисная компания, работающая в более чем 170 странах, обнаружила: один и тот же процесс выполняется десятками разных способов в зависимости от географии.
В таких условиях задача — перепроектировать сам рабочий процесс, чтобы ИИ мог работать надёжно. Для этого нужно техно-функциональное лидерство: люди, которые понимают и бизнес-логику, и технические ограничения достаточно глубоко, чтобы перестроить процессы с нуля.
4. Скрытые знания как узкое место
Серьёзный барьер для реального использования ИИ — зависимость от скрытых знаний в головах опытных сотрудников. В таких сферах, как инфраструктура и профессиональные услуги, эти знания редко документируются. Более того, их часто оберегают, потому что они дают статус. Но именно этот контекст определяет, как компания работает на самом деле.
Инженерная консалтинговая компания описала это как проблему идентичности людей, а не их переобучения. Десятилетиями экспертом считался «человек, который знает». Теперь ИИ просит тех же людей формализовать своё знание и суждение, чтобы заложить его в системы. Поэтому сотрудники боятся стать менее незаменимыми для компании. Пока этот сдвиг профессиональной идентичности не будет проработан, инициативы будут буксовать.
5. Пробелы в управлении агентными системами
По мере перехода к агентам, которые сами выполняют действия — обновляют системы, координируют работу между приложениями, — традиционное управление становится узким местом.
- Глобальный банк отметил нарастающий разрыв в ответственности. Механизмы human-in-the-loop (с участием человека), работающие в изолированных сценариях, ломаются при мультиагентных архитектурах.
- Крупная компания по обслуживанию активов, уже использующая более 100 агентов, планирует масштабирование до десятков тысяч.
Руководителям теперь приходится задавать вопросы, больше похожие на HR, чем на ИТ. Как «нанять» цифрового работника? Как его оценивать, обеспечить безопасность и, в конце концов, «уволить»?
6. Фрагментация платформ
Большинство компаний работают с мозаичным набором ИИ-инструментов от разных облачных провайдеров и стеков приложений. Это создаёт стратегическое противоречие между привязкой к одной платформе ради скорости и мультивендорным подходом ради гибкости.
- Глобальный производитель одежды описал, сколько месяцев потребовалось, чтобы наладить надёжное взаимодействие агентов между средами SAP, Microsoft и Google.
- Крупный промышленный производитель заметил: платформы эволюционируют быстрее, чем завершаются проекты. Это соблазняет команды перезапускать инициативы каждый раз, когда появляется новая модель.
7. Ловушка эффективности
Изначальное позиционирование ИИ как инструмента снижения затрат стало ограничением для многих компаний. Несколько организаций сравнили раннее позиционирование ИИ с новой формой аутсорсинга. Это спровоцировало оборонительную реакцию среднего менеджмента и сузило масштаб трансформационных амбиций топ-менеджеров.
Консалтинговая компания в области данных и аналитики предупредила: чрезмерный фокус на эффективности рискует выхолостить человеческие компетенции, которые отличают высокоценную работу — суждение (judgement) и сторителлинг. Советы директоров требуют ROI, но наибольшие выгоды, скорее всего, принесёт переосмысленное создание ценности, а не экономия минут на существующих задачах.
План действий для передовых компаний
Несмотря на эти барьеры, организации с наибольшей степенью внедрения ИИ сходятся в общей модели операционного дизайна, включающей несколько стратегий. Нижеуказанный план — это попытка прийти к тому, что мы называем «передовой компанией» (frontier firm). Стратегии синтезированы из двух источников: опыт глобальных организаций на гарвардском саммите и исследования института D^3 в области бизнес-моделей, построенных на ИИ.
Их следует воспринимать как прямые структурные противовесы выявленным барьерам: для каждого узкого места «последней мили» здесь есть соответствующая стратегия.
Некоторые организации могут начать со столпов, решающих самые острые проблемы — будь то управление или процессный долг. Но долгосрочный успех требует синхронных усилий по всем четырём направлениям. Воспринимайте их не как технические обновления, а как дорожную карту для руководителей, готовых переосмыслить, как их компания создаёт ценность в агентном мире.
1. Проектирование процессов с чистого листа
Передовые компании вышли за рамки «прикручивания» ИИ к унаследованным процессам. Вместо этого они рассматривают технологию как триггер для мышления с чистого листа. Проектирование с чистого листа означает полный отказ от старых процессов и вопрос: «Если бы мы строили этот процесс сегодня с ИИ-агентами — как бы он выглядел?» Этот подход реализуется через картирование «внешнего контура» стратегического планирования и «внутреннего контура» исполнительных задач ещё до написания первой строки кода.
- Например, крупная организация здравоохранения перепроектирует процессы короткими кросс-функциональными спринтами.
- А глобальная финансовая организация переосмысливает свои базовые сервисы так, как если бы они создавались сегодня с агентами как полноценными участниками. Цель — определить, какие шаги вообще существовали бы, если бы работа проектировалась с нуля в ИИ-нативной среде.
Компании используют «агентоцентричное» картирование: где ИИ-агент может выступать исполнителем, а где человек должен оставаться оркестратором — с бесшовными передачами между ними.
2. Извлечение скрытых знаний
Организации, которые двигаются быстро, относятся к знаниям, накопленным внутри команд, как к стратегическому активу. При работе с ИИ это означает фиксацию «предварительного» контекста (правила и логика, необходимые до начала задачи) и «исполнительного» контекста (нюансированные данные, передаваемые между агентами в ходе задачи).
Несколько компаний системно выявляют процессы, зависящие от экспертизы, и объединяют старших специалистов с дизайнерами процессов для формализации их опыта. Эксперты принимают этот подход, когда он позиционируется не просто как «создание наследия», но и как кодификация уникального опыта в цифровую систему, которая освобождает от рутины ради самых сложных и статусных задач. Этот подход подаётся как усиление экспертизы: он снижает выгорание и открывает путь к более высокостатусным ролям, таким как архитекторы ИИ-процессов и хранители знаний.
3. Фреймворки управления агентами
Управления моделями уже недостаточно; новый рубеж — управление агентами. Дальновидные организации проектируют панели управления, определяющие: кто может создавать агентов, какие действия им доступны и кто несёт ответственность, когда что-то идёт не так.
Ключевой принцип: агентов следует рассматривать как управляемую рабочую силу, а не как набор программных скриптов. Для этого внедряются агентные панели управления — централизованные дашборды, отслеживающие производительность агентов, права доступа и точность. По сути, это аналог HR-системы управления эффективностью.
4. Кадровая архитектура для агентной эры
По мере того как ИИ берёт на себя исполнительские задачи, человеческие роли должны смещаться в сторону проектирования, оркестрации и интерпретации. Без этой осознанной перестройки внедрение ИИ ощущается как размывание карьеры, а не её развитие.
Растёт спрос на людей, которые направляют и проверяют результаты ИИ, а не выполняют работу вручную. Новые описания должностей ищут «способность к обучению», «глубокую экспертизу», чёткое владение «оркестрацией агентов».
- Инженерные компании движутся к ролям вокруг системного мышления, архитектуры и контроля качества.
- Консалтинговые — к навыкам сторителлинга для контекстуализации ИИ-результатов.
- Финансовые организации начинают назначать менеджеров для цифровых работников — так же, как для человеческих команд.
Заключение
Опыт передовых организаций, выявленный на гарвардском саммите, показывает: «последняя миля» ИИ-трансформации тормозится не технологиями. Реальную выгоду от ИИ блокируют нерешённые вопросы операционных моделей, управления и идентичности сотрудников.
Контуры операционной и бизнес-модели передовых компаний уже видны. Исполнение всё больше автоматизируется. Но самый дефицитный ресурс — лидерская способность взять на себя обязательство управлять компанией по-другому, чем привыкли. Главный вызов для сегодняшних руководителей — решить, готовы ли они перестроить организацию, чтобы наконец реализовать потенциал технологий, которые они уже купили.
