Почему компанию нельзя «сделать AI-native» одним внедрением

В разговоре об AI часто появляется знакомая просьба: «Нам бы кого-то, кто придёт, поставит агентов, подключит автоматизации, и всё заработает. Мы в детали вникать не хотим».

Понимаю, откуда она берётся. Владелец не обязан разбираться в архитектуре моделей, разнице между API и чатом или в том, как устроен агент. Но он не может передать наружу ответственность за то, какую работу компания меняет, какие решения остаются за людьми и как она заметит ошибку.

AI-native не покупается как CRM или телефония. Это не сущность, которую можно поставить в компанию. Это способ работать, который постепенно появляется в людях, процессах, данных и управленческих решениях.

У McKinsey есть близкая логика, но не та, которую иногда пересказывают в соцсетях. В их свежей модели три горизонта: enablement, automation и reinvention. Сначала люди получают инструменты для своих задач, затем компания меняет сквозные процессы, а потом пересобирает работу, роли и операционную модель вокруг возможностей AI.

Моя рабочая шкала

Ниже моя рабочая шкала из четырёх уровней. Это не сертификация и не попытка поставить компании оценку. Она нужна, чтобы не перепрыгивать через фундамент и понимать, какой следующий шаг действительно имеет смысл.

Уровень 1. Личные пробы

На этом уровне AI уже появился в компании, но компании как системы в этом пока нет.

Кто-то пишет с помощью ChatGPT письма. Кто-то делает конспекты встреч. Кто-то просит модель собрать таблицу или подготовить черновик презентации. У одних получается заметно быстрее, другие пару раз попробовали и решили, что «оно врёт».

Это нормальное начало. Не надо запрещать людям пробовать инструменты, пока не готова большая корпоративная программа. Именно в личном использовании часто всплывают первые полезные сценарии.

Проблема начинается, когда личную пробу называют внедрением. У каждого свой набор сервисов, свои способы давать контекст, свои представления о допустимых данных и качестве результата. Полезные находки не становятся общими. Ошибки тоже остаются личными.

Как узнать этот уровень

• AI используют отдельные люди, а не согласованные команды.
• Польза измеряется ощущением «стало быстрее», а не изменением конкретного процесса.
• Нет понятного правила, какие данные можно передавать инструменту.
• Руководитель слышит про десяток интересных применений, но не видит, что из этого можно повторить.

Что делать дальше

Не строить центр компетенций из презентаций. Найти три-пять повторяющихся рабочих задач с невысокой ценой ошибки. Например, первая разборка входящих обращений, подготовка структуры встречи, поиск противоречий в документе, группировка пользовательских цитат.

Для каждой задачи полезно зафиксировать четыре вещи: вход, ожидаемый результат, человека-проверяющего и место, где останется итог. Так личный опыт перестаёт растворяться в чатах и начинает превращаться в материал для общего процесса.

Уровень 2. Осмысленное применение

Здесь важнее всего не умение написать эффектный промпт. Важнее способность не принимать ответ AI за готовую истину.

Модель может звучать уверенно, когда не знает ответа. Может потерять важное ограничение в длинном документе. Может построить гладкое объяснение там, где в данных есть только совпадение. Если команда не умеет замечать эти вещи, она просто производит ошибки быстрее и с лучшей подачей.

Осмысленное применение начинается, когда человек умеет задать модели нормальную работу и нормально проверить результат.

Он различает исходные факты, предположения и вывод. Знает, какой источник должен быть первичным. Понимает, что в ответе нужно перепроверить вручную. Не пытается получить у модели окончательное решение там, где цена ошибки высока.

Как узнать этот уровень

• В команде спрашивают «на чём это основано?», а не только «как звучит?».
• У важных материалов есть путь к источникам и правила проверки.
• Люди умеют остановить работу AI фразой «данных недостаточно».
• Встречаются не только хорошие промпты, но и критерии плохого результата.

Что делать дальше

Договориться не о едином идеальном промпте, а о базовых привычках. Что нельзя отправлять в публичные модели. Какие решения нельзя отдавать на автомат. Кто проверяет результаты по клиентам, деньгам, доступам, персональным данным и репутационным рискам.

Уровень 3. Рабочие контуры

На третьем уровне AI перестаёт быть индивидуальным ускорителем и входит в конкретный процесс команды.

Не в «отдел маркетинга вообще» и не в «продукт целиком». В конкретную цепочку с понятным началом и концом. Например: запись встречи превращается в проверяемые решения и черновики задач. Поток обращений клиентов сначала классифицируется, а сложные случаи уходят человеку. Исследовательские материалы собираются в карточки с источниками, статусом проверки и связью с продуктовой гипотезой.

Главный переход здесь происходит не в модели. Он происходит в работе.

Команда решает, что автоматизирует, а что оставляет человеку. Определяет входные данные, роли, права, формат результата, сценарий исправления и метрику. Встраивает новую цепочку в уже существующий путь, а не заставляет людей параллельно жить в ещё одном сервисе.

Как узнать этот уровень

• Есть владелец процесса, а не только энтузиаст AI.
• Успех оценивается по изменению в работе: времени, качеству, числу исправлений, скорости решения или снижению риска.
• Результаты можно открыть, проверить и передать дальше.
• У процесса есть безопасный ручной режим, если автоматизация не справилась.
• После запуска команда смотрит не только на первые удачные примеры, но и на повторяющиеся ошибки.

Что делать дальше

Не масштабировать пилот только потому, что он понравился на встрече. Сначала повторить его на нескольких живых циклах, собрать исключения и проверить, что люди правда изменили привычный маршрут работы.

Если процесс стал устойчивым, его можно оформлять как рабочую процедуру: какие источники читать, какие поля обязательны, где создавать черновик, когда остановиться, как подтвердить завершение. Такой регламент для агента я называю skill. Он нужен не ради модного слова. Он не даёт каждому новому запуску начинать с нуля.

Уровень 4. Операционная перестройка

Только здесь можно всерьёз говорить об AI-native компании.

Это не офис, где в каждой вкладке открыт ассистент. И не набор из двадцати ботов, которые кто-то однажды подключил. AI становится частью того, как компания принимает решения, проектирует работу и учится.

Руководители понимают, где технология создаёт ценность, а где добавляет риск. Команды умеют пересобирать процессы, а не просто навешивать генерацию текста поверх старого порядка. Данные доступны там, где они нужны для решения, но права и границы доступа остаются ясными. У компании есть правила запуска, мониторинга и остановки автоматизаций.

McKinsey называет этот переход reinvention: организация перестаёт автоматизировать существующую работу и начинает переосмысливать роли, процессы и операционную модель вокруг AI. Это самый сложный горизонт. Он требует не только технической команды, но и способности руководителей менять правила игры.

Как узнать этот уровень

• AI-инициативы связаны со стратегией и с владельцами бизнес-результатов.
• У компании есть общий язык для ценности, риска, качества и ответственности.
• Данные, инструменты, обучение и управление изменениями не существуют отдельными проектами.
• Масштабирование не выглядит как повторение одного удачного пилота во всех отделах.
• Люди могут объяснить, кто принимает решение, когда AI ошибается и как это решение оспорить.

Даже на этом уровне не надо стремиться к автономности любой ценой. Публикация, платежи, доступы, юридически значимые действия и решения с необратимыми последствиями требуют отдельной человеческой ответственности. Хорошая система умеет не только действовать, но и вовремя останавливаться.

Почему нельзя прыгнуть сразу на четвёртый уровень

Потому что уровень четыре держится на договорённостях, которые нельзя купить внешним подрядчиком.

Внешняя команда может помочь разобрать процесс, собрать пилот, выбрать инструменты, провести обучение, настроить контур данных и контроля. Но она не может вместо компании решить, какие ошибки допустимы, кто владелец решения, какие действия можно отменить и как измерить пользу.

Если начать с большой платформы, агентов и интеграций, когда этих ответов нет, получится дорогой набор демонстраций. Он может выглядеть впечатляюще. Но после ухода внедренцев люди вернутся к перепискам, Excel и ручным договорённостям, потому что старый процесс никуда не делся.

В исследованиях McKinsey этот разрыв виден особенно ясно: почти все компании инвестируют в AI, но зрелыми на шкале внедрения себя называют только 1 процент руководителей. Проблема не в том, что всем не хватает ещё одной модели. Проблема в том, что организационное изменение значительно труднее покупки технологии.

С чего начать в ближайшие две недели

1. Выберите один повторяющийся процесс. Не «внедрить AI в продажи», а «собрать и проверить первую версию ответа на входящий запрос».
2. Назовите владельца решения и человека, который проверяет итог.
3. Опишите входные данные, допустимую ошибку и стоп-условие.
4. Пройдите процесс вручную несколько раз. Посмотрите, где на самом деле теряется время и контекст.
5. Подключите AI только к одному узкому шагу, где результат можно сравнить с ручным.
6. Сохраните итог там, где им воспользуется команда, а не в случайном чате.
7. Через несколько циклов решите: продолжать, менять или остановить.

Это медленнее, чем обещание «сделаем вас AI-native за месяц». Зато так появляются процессы, которые переживают не только эффектную демонстрацию, но и реальную работу.