Павел Потеев, эксперт по ИИ- и организационной трансформации: Первые шаги в бизнес-применении ИИ-агентов

Триггером для этого материала послужила колонка из New York Times, в которой Джули Аверилл, директор по информационным технологиям, пишет о текущем состоянии дел в применении ИИ в компаниях.

Оценка не радует: ожидание волшебной палочки, желание топ-менеджеров «срубить» баллы по-быстрому на хайпе и «быстрых победах». Цена вопроса: кладбище пилотов, необдуманные увольнения, потерянное время и деньги.

Для руководителя, который работает в области технологий, понятны возможности ИИ, но также понятна и «полоса препятствий», которую при этом необходимо пройти: разрозненные и противоречивые данные, исключения в процессах, неструктурированное принятие решений.

Куда нанять агента: взгляд на прошлый опыт

Интернет полон объявлений «завайбкодим вашего первого агента за полчаса». Вы видите слайды, где агенты сами пишут письма, проверяют договоры, строят прогнозы. Если за вами P&L-ответственность, правильным будет вопрос: «А где здесь деньги?». Они не в агенте, а в метрике, на которую агент работает. И если мы не можем назвать ее до найма агента, значит не трансформируем ничего.

Хочу сразу подчеркнуть: для финансового директора здесь важна одна аналогия: агент – не «новая ИТ-система». Это в какой-то степени сотрудник. У него есть роль, зона ответственности, доступ к определенным данным, правила, ограничения и владелец. Если таких рамок нет – это не агент, а чат с амбициями. И относиться к нему надо как к сотруднику: ставить задачу, проверять работу, нести конечную ответственность за результат.

Алгоритм

1. Начинаем выбор не с процесса, а с вопроса: «Какой показатель уровня компании не устраивает?» Выручка, маржа, оборачиваемость, простои, доля возвратов. Если начать с чего-то подобного «давайте автоматизируем отчёты», то ускорим работу отдельных людей, но результата на уровне компании не заметим.

2. Строим цепочку: какой процессный показатель влияет на показатель уровня компании. Шаблон формулировки. «Значение метрики Х с запуском агента меняется с N до М за срок Т, в деньгах или иных эффектах – это Y». Если цепочка рвётся или теряется, значит, ищем не там.

Примеры:

• Срок подготовки коммерческого предложения: от трёх дней до одного часа. Конвертируется в снижение оттока клиентов и ускорение поступлений оплат. Эффект – видимые деньги.
• Период онбординга нового сотрудника (ИИ-наставник плюс база знаний): от трёх месяцев до одного. Найм начинает окупаться на два месяца быстрее.
• Доля договоров, прошедших риск-проверку: от 15% выборочно до 100%. Результат – предотвращённые споры, потери, судебные издержки.

3. Тест номер один: если метрика улучшится, а это заметит только владелец процесса – возвращаемся к первому пункту и ищем дальше.

4. Проверяем природу узкого места: оно должно быть в операциях. Ожидание, перенос данных, поиск, ручная проверка, количество ошибок. Если узкое место – физика (скорость обработки материала на станке, срок сушки бетона), агент там не поможет, как ни старайся.

5. Тест номер два: три признака, что метрику можно использовать. Значение измеримо до внедрения; изменение метрики достигается за недели, а не за год, это изменение можно строго связать с агентом, а не с иными факторами.

Общий признак: в каждом примере агент делает «мелочь» – быстрее считает, раньше замечает, проверяет все. Мелочь «сидит» в узком месте, через которое проходит экономика. Киллер-метрика (та, с которой не поспоришь) – это всегда операционный параметр (скорость, охват, количество ошибок), соединённый с деньгами одним звеном.

6. Тест номер три: область применения агента годится, если данных для работы достаточно или их качество достигается за недели, а не за годы; если недостаток знаний закрывается владельцем агента (да, такой должен появиться) и точками подтверждения; если ошибки первых месяцев обратимы – агент не подписывает, не платит, не отгружает без человека.

Куда нанять агента: барьеры настоящего

Если стратегию внедрения ИИ завершить на этом шаге (назовем его «поиск надоевших процессов»), то мы получим службу эффективности и оптимизации, усиленную ИИ. Неплохо, но на этом не стоит останавливаться.

Следующий контрольный вопрос: на что в организации сейчас не хватает времени/денег/компетенций и что можно получить с помощью ИИ. Назовем это «разблокированное настоящее».

Пример из личной практики: я получил запрос руководителя на анализ и разработку рекомендаций, направленных на оптимизацию и упрощение организационной структуры. У меня и во всей компании не было консультанта по организационному дизайну, который как раз решает эти задачи.

Мы с коллегами создали сеть агентов (обладающих компетенциями, которых у нас – сотрудников-людей – не было). Агенты смоделировали несколько вариантов целевой структуры; выявили лишние уровни; малое количество подчиненных в организационных единицах; дисбалансы производственного и непроизводственного персонала; предложили сценарии изменений.

Куда нанять агента: проектирование будущего

Но и в точке настоящего останавливаться также нет смысла. Любая организация так или иначе проектирует свое будущее либо в виде формальной стратегии, либо в виде адаптивной последовательности мероприятий. Возникают требования к будущей организации, пониманию ролей и функций, которых в компании ещё нет. Для них мы можем рассмотреть применение агентов как «относительно недорого нанятые роли». Таким образом минимизируем дорогую ошибку найма. Сперва нанимаем агента. А через месяц видно: то, что он делает, нам действительно необходимо или нет. После этого можно решить: оставить агента, нанять человека или закрыть роль вовсе.

Раньше такую «пробную сборку» никто не мог себе позволить. Рассмотрим несколько примеров такого найма. Каждый привязан к типовой стратегической ставке, под конкретную стратегию набор агентов будет своим, но сохраняется логика их проектирования.

1. Стратегический радар – компетенция «видеть сдвиги среды внутри стратегического цикла».

Ставка стратегии: выход в новые продуктовые сегменты или регионы, где ошибка позиционирования дорога.

Что делает агент: непрерывно следит за сигналами – законопроекты, тендеры, бизнес-новости, патенты, наймы и увольнения у конкурентов, смена поставщиков в отрасли. Раз в неделю делается бриф из 5-7 сигналов с трассировкой до источника и оценкой «какое из наших стратегических допущений это ломает».

Почему это найм, а не подписка на новости: компетенция – это не сбор, а связывание сигнала с собственной стратегией. Людей, умеющих это делать регулярно, на рынке почти нет, а агента можно настроить.

Условие провала: нет мероприятия, где бриф обсуждается и превращается в решения. Без него радар за два месяца станет рассылкой, которую не открывают.

2. Сценарный экономист, его компетенция «считать последствия решений до их принятия».

Ставка стратегии: портфельные решения, инвестиции, поглощения – всё, где цена ошибки считается в серьезной доле от выручки.

Что делает агент: держит модель экономики компании и её направлений. К каждой стратегической сессии готовит 3-4 просчитанных сценария по вопросам повестки: «а если цена упадёт на 15%», «а если запуск сдвинется на два квартала». Решение принимают люди, но на столе будут уже посчитанные последствия.

Почему найм: такой моделью часто владеет один сильный финансист, и поэтому она умирает с его уходом. Агент делает компетенцию собственностью компании.

Условие провала: если фактические данные о себестоимости и выручке не собираются в системах, модель будет красивой и ложной, поскольку агент не заменяет учёт, он его потребляет.

3. Хранитель клиентского знания: компетенция – знать клиента независимо от ответственного менеджера.

Ставка стратегии: рост в ключевых сегментах, повышение доли выручки в бюджете клиента.

Что делает агент: собирает всю историю взаимодействий с клиентом – переписка, встречи, отгрузки, претензии в единый профиль; сигналит о риске оттока за 2-3 месяца до того, как это увидит менеджер; готовит контекст к каждому контакту.

Почему найм: сегодня это знание живёт в головах менеджеров и уходит вместе с ними. Компетенция «институциональная память о клиенте» у большинства компаний отсутствует.

Условие провала: менеджеры воспринимают агента как контроль и перестают фиксировать контакты. Без решения вопроса мотивации агенту будет нечего хранить.

В этом материале мы подняли ряд вопросов, которые, на мой взгляд, имеет смысл задать до того, как начнется «вайбкодинг первого агента».

Организационная сложность на этом не заканчивается и в будущих материалах мы рассмотрим следующие вопросы: как обучать агента, как построить системный подход к распределению того, кто принимает решения, и какие из них можно отдать ИИ. А также обсудим, как изменится роль и применение традиционных инструментов моделирования и анализа процессов и организационной структуры – таких как процессные модели, архитектурные модели, process mining и task mining.

Павел Потеев, эксперт по ИИ- и организационной трансформации.