Будущее компаний: от людей к агентам
Ключевые тезисы:
- Компании будущего — AI First компании, где бизнес-процессы выполняются в основном AI-агентами, а не людьми.
- Скиллы (skills) — это ключевые строительные блоки для автоматизации. Их могут создавать нетехнические эксперты с помощью вайпкодинга (голосового программирования).
- Масштабирование автоматизации требует разделения труда: одна команда создаёт мощное агентское ядро, а множество других команд (включая бизнес-экспертов) создают бизнес-скиллы.
- Главный выигрыш — кратное ускорение процессов и повышение производительности, но только если заменить людей не только на этапе выполнения, но и на этапе проверки (evals).
- Будущее за цифровыми сотрудниками — персонализированными агентами (например, "Нейровася из бухгалтерии"), которые становятся частью организационной структуры.
Что такое AI First компания?
Это компания, где сотни бизнес-процессов (от запуска продукта до маркетинговой кампании) выполняются и координируются AI-агентами. Люди в такой парадигме не исчезают, но их роль смещается с исполнения на обучение, настройку и контроль агентов.
Эволюция разработки агентов
Раньше автоматизация была точечной и медленной: программисты месяцами "вышлифовывали" один процесс. Сейчас парадигма меняется:
- Общее агентское ядро: Одна сильная команда разрабатывает и поддерживает централизованную платформу (харнес).
- Распараллеливание разработки: Десятки других команд (не обязательно программистов) создают бизнес-скиллы, используя это ядро.
Что такое скиллы и как их создавать?
Скилл — это модуль, который учит агента выполнять конкретную бизнес-задачу (например, "выбор сегмента для маркетинговой кампании").
Процесс создания скилла с экспертом:
- Инфраструктурные скиллы: Сначала программисты создают базовые скиллы для доступа к внутренним системам компании (базы данных, тикеты, документы).
- Извлечение экспертизы: Вы садитесь с бизнес-экспертом (например, маркетологом) и просите его голосом объяснить свой рабочий процесс ассистенту.
- Вайпкодинг: На основе этого диалога агент генерирует код скилла. Эксперт и разработчик вместе его дорабатывают.
- Использование: Готовый скилл устанавливается. Теперь эксперт может просто дать команду ("проанализируй потенциал кампании в Саратове"), и агент выполнит всю цепочку действий.
Пример: Маркетолог за 1.5 месяца "натаскивает" виртуального помощника, который автоматизирует часть её работы, как будто она наняла джуниора.
Где скрыта настоящая магия?
Автоматизация отдельных этапов процесса даёт прирост в ~20%. Настоящий прорыв происходит, когда убирают "человека-проверяющего":
- Проблема: Агент сделал задачу за 15 минут, но она легла в очередь к живому сотруднику, который посмотрит её только на следующий день.
- Решение: Нужно создавать скиллы-валидаторы (evals) или настраивать модели так, чтобы агенты могли сами проверять качество своей работы и исправлять ошибки.
- Результат: Процесс, который длился 4 недели, может быть выполнен за 2 дня.
Кто будет двигать трансформацию?
На пересечении двух компетенций рождаются будущие лидеры:
- Глубокий опыт (7-8 лет в профессии).
- AI-грамотность (AI fluency) — умение разговаривать с агентами, выбирать модели, создавать скиллы. Этот навык можно развить за ~2 месяца.
Внедряя инструменты в команду из 10 человек, вы получите примерно такую картину:
- 5 человек проигнорируют.
- 3 попробуют и бросят.
- 2 станут локальными "чемпионами", которые смогут увеличить свою производительность в 5 раз. Таких сотрудников нужно ценить и удерживать.
Критические вызовы и возражения
Высокая начальная стоимость: Работа с самыми мощными (и дорогими) моделями на старте необходима для результата. Оптимизацией стоимости токенов можно заняться позже.
Технический долг и контроль: Вайпкодинг может создавать плохо поддерживаемый код. Нужны процессы для аудита и валидации действий агентов, особенно в регулируемых сферах.
Сопротивление людей: Не всех можно и нужно заставлять. Часть сотрудников не примет изменения. Важно находить и мотивировать тех, у кого "загораются глаза".
Суверенные модели: Если регуляторы запретят зарубежные модели, выход — развивать собственные или использовать российские SaaS-решения.
Потеря экспертизы: Есть риск, что эксперты, передав знания агентам, сами "разучатся". Важно вовлекать в процесс молодых специалистов без опыта, но с энтузиазмом, чтобы создать непрерывный цикл передачи знаний.
Выводы:
- Трансформация неизбежна: Компании, которые не начнут внедрять AI-агентов в свои основные процессы, рискуют быть обойдёнными более гибкими конкурентами.
- Ключ к масштабированию — дать инструменты бизнес-экспертам, а не полагаться только на программистов.
- Будущее организации — гибридная среда, где цифровые и человеческие сотрудники сосуществуют, а ценность человека определяется его способностью управлять и усиливать работу агентов.