Последние месяцы я всё чаще вижу одну и ту же картину.
Компания покупает сотрудникам доступ к нейросети. Проводит обучение. Иногда даже пишет регламент: здесь можно использовать AI, здесь нельзя.
Через месяц отдельные люди действительно начинают работать быстрее. Кто-то быстрее пишет письма, кто-то готовит протоколы, кто-то собирает презентации.
А компания в целом почти не меняется.
Те же согласования. Те же узкие места. Те же потерянные договорённости. Тот же руководитель, к которому по-прежнему стекаются все исключения.
Просто теперь старый процесс иногда делает остановку у ChatGPT))
Недавно я увидел исследование HBS AI Institute на 515 стартапах. Всем компаниям дали доступ к передовым моделям, техническое обучение и ресурсы для использования AI. Но части компаний дополнительно показали, как бизнесы, изначально устроенные вокруг AI, перестраивают не отдельную операцию, а производственную цепочку, команду и модель работы.
Именно эти компании росли быстрее без пропорционального роста труда и капитала.
Для меня здесь важен не сам факт, что «учёные снова доказали пользу AI».
Важна другая мысль.
Сам по себе доступ к AI уже перестаёт быть преимуществом.
Преимущество появляется у тех, кто готов изменить сам способ работы.
В другой работе HBS — «Delegating to AI» — мысль сформулирована ещё жёстче: AI не реорганизует компанию за руководителя. Нужно самому решить, где перестроить работу, что делегировать модели и где оставить человека.
Добавить AI и построить AI-first процесс — не одно и то же
Добавить AI — значит взять существующую операцию и сделать её немного быстрее.
Менеджер сам ищет запись звонка, сам загружает расшифровку, сам просит нейросеть подготовить выводы, сам переносит их в CRM, сам решает, что делать дальше.
Нейросеть помогла. Но процесс по-прежнему держится на памяти, дисциплине и свободном времени менеджера.
AI-first начинается с другого вопроса:
Если бы этот процесс сегодня создавался с нуля и AI изначально был одним из его исполнителей, как бы мы его построили?
Тогда меняется не инструмент. Меняется вся цепочка.
Звонок записывается автоматически. Расшифровка сама попадает в обработку. AI обновляет досье клиента, выделяет потребности, участников, обязательства и риски. Следующий шаг предлагается ответственному. Человек подтверждает критичное решение или подключается по исключению. Результат остаётся в CRM, а исправление возвращается в правила системы.
Это уже не «нейросеть помогает менеджеру написать отчёт».
Это новый процесс работы после звонка.
Я сам пришёл к этому не из теории
Несколько месяцев назад у меня было много записей встреч, заметок, чатов и проектов. Я мог после встречи попросить нейросеть сделать хорошее резюме.
Но хорошее резюме не решало мою проблему.
Через неделю мне всё равно нужно было вспомнить, кто что обещал, какое решение мы приняли, где появился риск и почему проект остановился.
Поэтому я не стал просто добавлять AI к конспектированию встреч.
Я начал строить вокруг него другой управленческий процесс.
Теперь запись проходит путь от расшифровки к проектной памяти. Система отдельно показывает, какое решение принято, кто что пообещал, где упомянуты деньги и какой риск появился. После моего подтверждения всё это попадает в карточки проектов, досье и управленческий дашборд. Из подтверждённых решений появляются исполнительные задачи.
Я оставил себе то, что нельзя делегировать: определить правила, увидеть последствия, принять решение и взять за него ответственность.
AI взял механику удержания контекста и поиска связей.
В какой-то момент в моём штабе стало одиннадцать AI-агентов. И очень быстро выяснилось, что дать им красивые имена недостаточно))
Им понадобилась обычная оргструктура: роли, полномочия, источники данных, границы, маршруты передачи результата и правила остановки.
Потому что AI-команда без процесса воспроизводит тот же хаос, что и человеческая. Только быстрее.
Ещё один пример — контроль коммуникаций
Первоначальная идея выглядела просто: оценивать звонки менеджеров с помощью AI.
Но сама по себе оценка звонка почти ничего не меняет.
Можно получить красивый отчёт, положить его в папку и продолжить терять клиентов ровно так же, как раньше.
Поэтому мы сузили первый сценарий до конкретного результата:
звонок → актуальное досье клиента → риск или обязательство → предложенное действие → подтверждение владельца
Здесь AI не является добавкой к контролю качества.
Он становится штатным участником процесса после каждого звонка.
Причём первый результат оказался слабым. На одном из пилотов руководитель оценил отчёт примерно на 3 из 10.
И это был полезный провал.
Он показал: модель может прочитать звонок, но не может сама придумать, что именно эта компания считает хорошей продажей. Нужен владелец процесса, который задаст критерии, разметит ошибки и откалибрует правила.
AI-first не означает «убрать человека».
Он означает по-другому распределить работу между человеком, AI и обычной автоматизацией.
Человек задаёт цель, правила и цену ошибки.
AI работает там, где нужно понимать смысл, находить связи и разбирать большое число неодинаковых ситуаций.
Обычный код проверяет статусы, сроки, права, арифметику и факт выполнения.
Человек возвращается в процесс для решения, исключения и ответственности.
Как понять, что вы всё ещё просто добавили нейросеть
Есть простой тест.
Если завтра сотрудник перестанет открывать чат с AI, процесс вернётся к старому виду — вы добавили инструмент.
Если AI выдаёт результат, но этот результат никто не обязан использовать — вы добавили ещё один отчёт.
Если все ошибки и спорные случаи снова приходят к руководителю — вы не перестроили управление.
Если после работы AI данные остаются в истории чата — у компании не появилось ни памяти, ни актива.
И если вы измеряете только сэкономленные часы, но не видите изменения срока цикла, качества, пропускной способности или денег — эффект пока не доказан.
С чего я бы начинал AI-first трансформацию
Не с покупки лицензий всей компании.
И не с большого «универсального агента», который якобы умеет всё.
Я бы выбрал один повторяющийся сквозной процесс, где уже есть заметная боль. Нашёл бы его владельца. Зафиксировал исходное состояние. И спроектировал новый путь от события до результата:
- что AI получает на входе;
- какую роль выполняет;
- какой проверяемый результат оставляет;
- где решение принимает человек;
- что происходит при ошибке;
- как исправление возвращается в правила;
- какая метрика должна измениться.
После этого — короткий пилот на реальных данных.
Не чтобы показать красивую демонстрацию.
А чтобы купить одно важное знание: этот новый процесс действительно работает лучше старого или нет.
Главная ошибка сейчас — пытаться поставить реактивный двигатель на телегу и радоваться, что одно колесо стало крутиться быстрее.
AI-first — это не про количество нейросетей в компании.
Это про готовность заново ответить на вопрос: как вообще должна выполняться эта работа, если интеллект теперь можно встроить в сам процесс?
И уже вокруг этого ответа собирать людей, правила, данные и системы.