Я не умею писать посты.

Серьёзно.

Хотя пишу всю профессиональную жизнь – уже шестнадцать лет. Уставы проектов, письма регуляторам, слайды для правления.

А постов за это время не написала ни одного.

Этот текст я тоже не писала с пустого листа: надиктовала идею голосом, первый AI-агент собрал черновик, второй отредактировал, третий вычеркнул «в эпоху перемен» и ещё четыре штампа.

Теперь знакомимся.

Я Елена Ли. Директор по трансформации. Банки, финтех, телеком.

Моя работа обычно начинается там, где много участников, ограничений и противоречивых интересов. И почти всегда кто-нибудь говорит:

«Так не получится. Это невозможно».

Нужно соединить бизнес, продукты, процессы, технологии и людей, найти решение и довести изменения до результата, который можно измерить.

Если коротко, я превращаю сложность в работающую систему.

Ещё я бегаю. Марафон в моей жизни пока один, но его хватило, чтобы понять: «стена» на тридцатом километре и середина большой трансформации – примерно одно и то же место.

До неё все обсуждают цель, маршрут и красивый финиш. После становится понятно, кто действительно готов идти дальше.

Этот канал – мой публичный эксперимент.

Не в том, может ли AI собрать связный текст. Это уже не вопрос.

Мне интереснее другое: может ли управленец, который никогда не вёл канал, с помощью AI превратить свой опыт и идеи в живой текст, сохранить собственный голос и не сделать ведение канала второй работой.

Писать буду о том, чем живу и занимаюсь сама: трансформациях и сложных управленческих решениях, AI в реальном бизнесе и профессиональных поворотах.

Иногда – с марафонскими параллелями.

Всё, что выходит в этом канале, проходит через меня.

Мысли – мои.
Текст собирается вместе с AI.
Ответственность не делегируется.

Заметите AI-клише – пишите в комментариях.

Цензор будет уволен.

Самая полезная мысль про AI пришла ко мне не за компьютером, а на пробежке.

Летом в Москве по-прежнему отключают горячую воду. Я купила проточный водонагреватель и в первый же день отключения попросила ChatGPT объяснить, как его установить.

Инструкция была прекрасная. Подробная, последовательная и совершенно бесполезная на одном конкретном шаге:

«Возьмите дрель, просверлите отверстия, установите дюбели и закрепите водонагреватель на стене».

Проделывать всё это ради двух недель без горячей воды я не собиралась. Дрели у меня тоже не было.

Следующий час мы с ChatGPT искали способ обойтись без сверления. Перебрали верёвки, стяжки, присоски, хомуты и ещё несколько вариантов.

Одни выглядели ненадёжно, другие - небезопасно, третьи были сложнее самой установки.

Потом мне нужно было идти на тренировку. Я вышла на пробежку и почти всё время продолжала крутить задачу в голове.

Решение оказалось элементарным: обычный шоппер.

Я прорезала внизу отверстия для шлангов, поместила водонагреватель внутрь, а сам шоппер повесила на крючок на душевой штанге.

Прибор не просто был прислонён или кое-как привязан - он висел и оставался в вертикальном положении, как и требовал производитель.

Через несколько минут всё заработало.

И вот здесь мне стало интересно.

ChatGPT неплохо решал задачу «как закрепить водонагреватель без дрели». Но всё равно оставался внутри привычной конструкции: прибор нужно к чему-то прикрутить, привязать или приклеить.

Человеческое решение появилось в тот момент, когда я фактически поменяла сам вопрос:

не «как закрепить прибор», а «что может удерживать его в нужном положении».

Мне кажется, в этом пока и остаётся одна из важных ролей человека при работе с AI: не только выбирать лучший ответ, но и замечать, когда система упорно решает не ту задачу.

На всякий случай: это не инструкция по установке водонагревателя. Скорее напоминание, что иногда нужно перестать улучшать промпт и пойти побегать.

Можно ускорить работу человека на 50% и почти ничего не изменить в результате компании.

Именно этот вывод больше всего зацепил меня в исследовании «Яков и Партнёров» об AI и агентных технологиях.

Цифры выглядят парадоксально:
• 88% компаний уже используют AI хотя бы в одной функции;
• заметный эффект на EBIT получают только 6%;
• в лабораторных условиях AI ускорял выполнение задачи разработчиком на 55,8%;
• а в реальном рабочем репозитории опытные разработчики с AI, наоборот, справились на 19% медленнее, хотя сами были уверены, что работают быстрее.

Авторы называют это «каскадом затухания»: чем дальше мы идём от отдельной операции к процессу, результату подразделения и финансовому эффекту компании, тем меньше становится первоначальное ускорение.

Мне кажется, это очень точно описывает одну из главных проблем корпоративного внедрения AI.

Компании автоматизируют отдельную задачу и ждут трансформационного результата.

Сотрудник быстрее подготовил документ. Разработчик быстрее написал код. AI обработал обращение, проанализировал данные или собрал презентацию.

Но что происходит дальше?

Документ по-прежнему нужно согласовать с несколькими подразделениями. Код - проверить, встроить в систему и выпустить. Анализ - передать следующему участнику процесса, который примет решение в прежнем темпе.

В итоге одна операция действительно ускорилась, а весь процесс - нет. Иногда узкое место просто переезжает на следующий этап.

Проблема не в том, что AI недостаточно хорош. Новый инструмент пытаются встроить в конструкцию работы, которая создавалась без него.

Я сама столкнулась с этим, когда с помощью вайбкодинга собрала инструмент и захотела вывести его в прод.

Инструмент для быстрой разработки есть. Интерес к таким решениям есть. А процесса, по которому подобный прототип может пройти необходимые проверки и попасть в промышленную эксплуатацию, просто не существовало.

И это, честно говоря, нормально.

Технологии и способы разработки меняются быстрее, чем корпоративные процессы. Невозможно заранее предусмотреть правила для инструментов, которых ещё недавно не было.

Но отсутствие готового процесса не должно становиться финальной точкой для хорошей идеи.

В моём случае следующим шагом стало не бросить инструмент, а инициировать создание такого маршрута - с учётом существующих требований и ограничений. Чтобы следующие подобные решения уже не проходили весь путь с нуля.

Мне кажется, именно здесь и начинается настоящая трансформация.

Не в тот момент, когда кто-то быстро собрал работающий прототип. А когда вслед за ним меняется сама система: появляются понятный маршрут, роли, проверки, критерии и ответственность.

Тогда ускоряется уже не отдельная операция. Меняется способность компании доводить новые решения до реального результата.

Однажды я решила провести небольшой эксперимент и задала двадцати людям один вопрос:

«Что, по твоему мнению, я умею делать круто? Или за что ты бы заплатил мне деньги?»

Я ожидала увидеть переговоры, организацию, анализ, управление командами и трансформациями. Всё это действительно повторялось в ответах. Но гораздо интереснее оказалось то, как именно люди описывают мою ценность:

«Резюмировать, видеть главное и второстепенное».

«Начинать движение вперёд, когда остальные ещё стоят и думают».

«Делать большие бизнес-трансформации».

«Красиво и эстетично упаковывать результат».

Отдельно меня удивили наблюдения про живое и немелочное мышление, открытость неожиданным знаниям и фактам, умение продавать мысли и быстро переходить от доброжелательности к жёсткости, когда этого требует ситуация.

А мой личный фаворит:

«Держать длинную волю лидера, видеть горизонт и не теряться на пути достижения цели».

Когда я собрала все ответы вместе, они сложились не в список отдельных компетенций, а в цельную конструкцию: увидеть масштаб ситуации, выбрать правильный уровень детализации, услышать разные позиции, сформулировать свою, собрать людей и ресурсы - и довести всё до результата.

Многое из этого я долго воспринимала как само собой разумеющееся. Просто как свой обычный способ думать и работать. Но то, что для одного человека привычно, для другого может быть именно той ценностью, за которую он готов платить.

Поэтому вместо очередного вопроса «В чём мои сильные стороны?» я бы задала другой:

Что люди получают именно от взаимодействия со мной - и какие задачи благодаря этому становятся решаемыми?

Кажется, ответ на него говорит о нашей ценности гораздо больше, чем очередной список компетенций.

По следам сегодняшней конференции Urban ML.

На ней была дискуссия с участием лидеров рынка в Data Science: говорили о развитии AI, ограничениях технологий и о том, какие решения бизнес уже готов передавать машинам.

В какой-то момент из зала спросили:
• Кому вы больше доверяете: AI или человеку?

Один из участников ответил:
• Доверие возникает, когда есть ответственность. Если машина ошиблась, непонятно, с кого спрашивать.

Другой с ним не согласился:
• Я бы вообще не говорил о доверии. Есть выгода. Нам либо выгодно что-то делать, либо нет.

И дальше разговор ушёл в кредитование, такси и беспилотные автомобили.

Мы ведь не требуем от человека абсолютной безошибочности. Банки выдают кредиты, хотя часть заёмщиков не вернёт деньги. Мы садимся в такси, хотя водитель тоже может ошибиться. Решение принимается потому, что в среднем это работает.

С AI, мне кажется, будет так же.

Бизнес не станет ждать момента, когда модели перестанут ошибаться. Он начнёт передавать им задачи там, где выгода уже превышает возможный ущерб.

Поэтому вопрос «доверяем ли мы AI?» для бизнеса слишком абстрактный.

Гораздо полезнее спросить:
• сколько стоит ошибка;
• как часто она может происходить;
• кто её заметит;
• где нужен контроль человека;
• кто отвечает за итоговое решение;
• перекрывает ли полученная выгода оставшийся риск.

Для такого расчёта нужны люди, которые хорошо знают конкретный бизнес.

Технический специалист может оценить качество модели. Но только вместе с предметным экспертом можно понять, допустима ли ошибка именно в этом процессе и что произойдёт с клиентом, деньгами и компанией, если система ошибётся.

Поэтому я бы не ставила вопрос так: «AI заменит человека или нет?»

Вопрос другой: какие решения мы уже готовы ему передать - и на каких условиях?

«Ты намного жёстче, чем сама про себя думаешь».

Такой вывод сделал ChatGPT, проанализировав историю наших разговоров.

Сначала я не очень поняла, о чём речь. Изнутри я совсем не ощущаю себя такой уж жёсткой.

Я могу долго сомневаться. Перепроверять свою реакцию. Искать другие объяснения. Давать ещё один шанс человеку, идее или решению.

Но AI посмотрел не на мои сомнения, а на то, чем они обычно заканчиваются.

• Если аргументация слабая, я её не принимаю. Даже когда вывод сделан в мою пользу.

• Если текст искажает мою позицию, я возвращаю его на переработку. Иногда из-за одной фразы, которая немного, но всё-таки сдвигает смысл.

• Если слова расходятся с действиями, я сначала собираю факты и проверяю свои ощущения. Но убедить себя, что всё нормально, только потому, что так спокойнее, у меня не получается.

• Если я не согласна, уверенный тон сам по себе для меня ничего не доказывает. Мне нужна логика.

Получается интересное расхождение.

Изнутри я вижу сомнения, переживания и попытки не ошибиться.

Со стороны виден результат: достаточно жёсткая внутренняя планка, ниже которой я в итоге не соглашаюсь опускаться.

И жёсткость здесь не про грубость или категоричность.

Она про способность не принять слабое решение только потому, что в него уже вложено много сил. Не оставить красивую формулировку, если она искажает смысл. Не согласиться с чужой оценкой только потому, что она высказана уверенно.

Наверное, сама я воспринимаю себя мягче, потому что знаю, сколько внутренних проверок предшествует каждому такому решению.

Другие видят только финальную часть:

«Нет, так не пойдёт. Давайте переделаем».

В этом и оказался самый интересный эффект эксперимента. AI не открыл обо мне скрытую правду. Он просто сопоставил десятки разговоров и заметил повторяющийся паттерн, который изнутри выглядит совсем иначе.

Если хотите провести такой же эксперимент, напишите в комментариях. Пришлю последовательность запросов, которую использовала сама.

Кто на самом деле должен владеть AI-трансформацией?

Самый удобный ответ – тот, у кого в названии должности есть AI.

Мне кажется, именно здесь и начинается первая ошибка.

В компании создают AI-офис, нанимают сильную команду и передают ей задачу: найти кейсы, запустить пилоты, показать эффект.

Бизнес ждёт инициативы от AI-команды.
IT отвечает за архитектуру и безопасность.
AI-офис пытается убедить всех попробовать новое.

Пилоты появляются. А бизнес не меняется.

Потому что AI-офис не может владеть чужой бизнес-задачей.

Он может помогать находить кейсы, проверять гипотезы, собирать портфель инициатив, давать методологию и соединять участников. Но отвечать за результат должен тот руководитель, в чьём процессе этот результат возникает.

Если AI должен сократить время обслуживания клиента, владелец – руководитель клиентского сервиса.

Если повысить конверсию продаж – коммерческий блок.

Если уменьшить срок вывода продукта – тот, кто отвечает за продукт и его экономику.

Простой вопрос: чей показатель должен измениться, если решение заработает?

Вот этот человек и есть владелец AI-кейса.

У IT при этом остаётся своя ответственность – архитектура, интеграции, данные, безопасность и промышленная эксплуатация.

У AI-офиса – экспертиза, правила, координация и общий портфель инициатив.

У топ-команды – выбор приоритетов и ответственность за то, чтобы AI не остался набором разрозненных экспериментов.

А у бизнеса – задача, решение и измеримый результат.

Проблемы начинаются, когда всё это пытаются передать одному подразделению. Тогда бизнес становится внутренним заказчиком, IT – исполнителем, AI-офис – продавцом технологий. И каждый формально сделал свою часть, но процесс в компании остался прежним.

AI-трансформацией нельзя владеть в одиночку. Но в каждом AI-кейсе должен быть один конкретный владелец бизнес-результата.

Иначе у инициативы будет модель, команда, презентация и даже красивый пилот.

Не будет только человека, который отвечает на главный вопрос: что именно изменилось в бизнесе?

Самая интересная ценность AI – не скорость.

Мы привыкли оценивать его пользу именно так: сколько времени сэкономили, сколько операций автоматизировали, насколько быстрее получили результат.

Это важно. Но AI умеет ещё одну вещь – показывать бизнесу то, чего он раньше не видел.

На одной из конференций мне запомнились два кейса.

Первый – AI в премиальной недвижимости.

Вместо одного универсального чат-бота компания создала нескольких AI-специалистов с разными ролями и памятью. Ценность оказалась не только в скорости ответа.

Диалоги помогли увидеть, какие вопросы действительно волнуют клиентов, где им не хватает информации и что влияет на доверие.

В представленном кейсе конверсия из посетителя в лид выросла с 1,4% до 4,6%.

Второй кейс – нейродизайн подарочных карт.

Формально AI генерировал изображения. Но одновременно бизнес получал исследование предпочтений в реальном времени.

Люди выбирали животных, внутренние шутки и, неожиданно, грызунов. То, что в обычном исследовании могло показаться случайностью, здесь проявилось в реальном выборе клиентов.

Средний номинал подарочной карты вырос на 7%.

Для меня главное в этих кейсах даже не цифры.

AI даёт бизнесу новый способ видеть клиента: замечать повторяющиеся вопросы, сомнения, эмоциональные реакции и неожиданные сценарии выбора.

Сам по себе AI не превращает эти сигналы в решение. Но он даёт продуктовой и управленческой команде материал, которого раньше просто не было.

Поэтому самые сильные AI-кейсы возникают на стыке продукта, процессов, клиентского опыта и управления.

Автоматизация никуда не исчезает. Но следующий уровень ценности – способность компании быстрее замечать реальность и точнее на неё реагировать.

А вам AI уже показывал что-то, чего вы раньше не замечали?

Через семь часов ожидания в аэропорту ChatGPT помог мне сделать то, чего не смогла авиакомпания: понять, что происходит, и принять решение.

У нас был ночной рейс.

Сначала нас посадили в самолёт. Через два часа высадили обратно в аэропорт и дальше начали каждый час переносить время вылета.

Никакой ясной информации не было. Что случилось с самолётом? Когда он сможет вылететь? Есть ли смысл продолжать ждать или пора искать другой вариант?

Через семь часов я спросила ChatGPT уже не о правах пассажира и положенной компенсации.

Мне нужно было понять, как официально получить информацию о состоянии рейса, если представители авиакомпании её не дают.

ChatGPT нашёл контакты круглосуточной транспортной прокуратуры и подсказал, к кому можно обратиться по конкретному аэропорту.

Через этот канал удалось выяснить главное: у самолёта техническая неисправность, а понятных сроков ремонта нет.

Самолёт от этого, конечно, не починился. Но у меня наконец появилась информация, на основании которой можно было принимать решение.

Мы снялись с рейса и купили билеты другой авиакомпании.

Дальше возник второй вопрос: как вернуть деньги за первый билет.

ChatGPT помог собрать и сформулировать заявление на возврат. Деньги вернулись ещё до того, как вылетел наш новый рейс.

В этой истории AI не решил проблему за меня. Он вернул мне возможность действовать.

Сначала помог найти не очередной общий совет, а того, у кого должна быть достоверная информация.

Потом превратил принятое решение в конкретный следующий шаг и снял часть административной работы.

Мне кажется, это один из самых практичных сценариев использования AI в ситуации неопределённости.

Не просить его угадать, что произойдёт.

А использовать, чтобы быстрее понять:

– кто располагает нужной информацией;

– куда обращаться;

– какие варианты есть;

– что делать после принятого решения.

Иногда ценность AI не в готовом ответе. А в том, что он сокращает путь от беспомощного ожидания до действия.

За два дня я собрала AI-помощника на шести языках. И именно тогда поняла, где заканчивается вайбкодинг.

Всё началось с простого Telegram-бота.

Я хотела проверить, нужен ли такой помощник мигрантам, которым сложно разобраться с вопросами по IMEI телефона, его уникальному идентификационному номеру.

Показала бота людям из целевой аудитории и получила положительную обратную связь.

После этого с помощью вайбкодинга собрала внутренний MVP с базой знаний и поддержкой шести языков. На всё ушло два дня. Дальше для пилота выбрали два кейса.

На этом месте очень легко решить, что продукт почти готов.

Он работает. Отвечает на вопросы. Люди видят в нём пользу.

Кажется, что осталось немного доработать и можно запускать.

Но работающий прототип и промышленное решение – это два разных этапа.

Прототип помог ответить на первые вопросы:

– можем ли мы быстро собрать такое решение;

– есть ли у него ценность для целевой аудитории;

– стоит ли развивать эту гипотезу дальше.

При переходе в production появляются другие:

– как обновлять базу знаний и контролировать качество ответов;

– к каким данным AI может иметь доступ и как их защищать;

– как встроить помощника в реальный процесс и передать диалог человеку, если он не справился;

– кто будет отвечать за сопровождение, стоимость и результат после запуска.

И это уже не решается одним промптом или ещё одним вечером вайбкодинга.

Главная ценность вайбкодинга не в том, что теперь любой продукт можно создать за два дня.

Он меняет порядок работы.

Раньше команда могла несколько месяцев описывать требования, считать бюджет и обсуждать решение, которое в итоге оказалось бы никому не нужным.

Теперь можно быстро собрать прототип, показать его реальным пользователям и получить ответ на главный вопрос: стоит ли вообще вкладываться в полноценный продукт.

Вайбкодинг не сокращает путь до production до двух дней.

Он сокращает путь до решения, нужно ли туда идти.

MVP, собранный за два дня, – не почти готовый продукт. Это работающая проверка гипотезы.

А дальше начинаются процессы, данные, безопасность, интеграции, экономика и ответственность.

Именно там заканчивается вайбкодинг и начинается прод.

«Ты обязательно должен звучать».

Недавно услышала эту фразу в подкасте, и она мне очень откликнулась.

Неважно, какую должность ты занимаешь и сколько у тебя формальных полномочий. Если на встречах ты не обозначаешь свою позицию, не задаёшь неудобные вопросы и не участвуешь в принятии решений, тебя как будто нет.

Но есть и другая сторона.

В некоторых командах формируется культура постоянного согласия. Все со всем согласны, никто не спорит, встречи проходят спокойно. Внешне это может выглядеть как слаженная работа.

На деле такая среда довольно быстро превращается в болото. Из постоянного согласия редко рождается что-то новое.

Во всех сложных проектах, которыми я занималась, были дискуссии, противоречия и конфликты. Люди спорили, доказывали, сопротивлялись, иногда откровенно ставили палки в колёса.

И в этом была энергия.

Сопротивление часто означает, что человеку небезразлично происходящее. Он защищает свои интересы, привычный способ работы, ресурсы или собственное представление о правильном решении.

Задача руководителя не в том, чтобы убрать любое сопротивление. Важно понять, что за ним стоит, и направить эту энергию в результат.

Когда-то я пришла в новое подразделение, где мне нужно было работать с очень влиятельным коллегой. На личностном уровне он меня сильно раздражал. Мы не совпадали по ценностям, мне было сложно с ним общаться, но избегать взаимодействия было невозможно: он участвовал в принятии важных решений.

В какой-то момент я поняла, что трачу огромное количество энергии на раздражение. И решила направить её не на борьбу с человеком, а на собственное усиление.

Я нашла сильную программу по переговорам и пошла разбираться, как договариваться со стейкхолдерами, с которыми невозможно установить естественный контакт, но необходимо работать.

Коллега не изменился.

Изменилась я.

Я освоила новый навык, выстроила с ним рабочие отношения и в целом стала гораздо сильнее в переговорах. То, что начиналось как деструктивная агрессия в адрес одного человека, превратилось в компетенцию, которой я потом пользовалась во множестве других ситуаций.

Мне кажется, это и есть одна из важных задач руководителя: не подавлять конфликт и не пытаться сделать так, чтобы все со всем согласились. А замечать, какая энергия уже есть в системе, и искать для неё продуктивное применение.

И самому продолжать звучать.

Не громче всех. Не ради спора.

А для того, чтобы в комнате появилась ещё одна аргументированная позиция, без которой решение могло бы оказаться слабее.

Официально AI в компании может не быть. Но фактически он уже там.

Последние месяцы я много общаюсь с компаниями разного масштаба и наблюдаю, как по-разному они подходят к внедрению искусственного интеллекта.

Не по презентациям и заявлениям, а по тому, что происходит внутри.

Пока в моей выборке повторяются шесть моделей.

1. «Пользуйтесь, только быстрее»

Собственник или руководитель активно продвигает AI. Сотрудникам говорят пробовать, внедрять и показывать результат.

При этом стратегии, правил безопасности и общего контура нет. Всё держится на энтузиастах, которые используют собственные подписки и самостоятельно решают, какие данные можно загружать во внешние сервисы.

2. «Мы купили сотрудникам доступ»

Компания оплачивает нейросети и считает, что AI уже внедрён.

Но нет единых правил использования, обучения, реестра кейсов и понимания, с какой корпоративной информацией сотрудники работают через эти инструменты.

Лицензии появились. Управляемого внедрения нет.

3. «У нас с AI ничего не происходит»

Руководство ещё не решило, нужны ли компании инвестиции в это направление.

Но сотрудники решения уже не ждут. Они пишут письма, анализируют документы, готовят презентации и работают с данными через личные аккаунты.

Возникает теневое использование AI, которого компания не видит и не контролирует.

4. «Мы пока изучаем рынок»

Такое встречается и в крупных компаниях. Они месяцами собирают информацию, сравнивают подходы и пытаются решить, стоит ли вообще начинать.

Но пока компания изучает рынок, инструменты и практики успевают измениться. В какой-то момент исследование становится способом откладывать решение.

5. «Движемся осторожно»

Компания постепенно развивает внутренние инструменты, определяет правила безопасности, обучает сотрудников и распространяет новые способы работы.

Возможно, движение идёт не очень быстро. Зато появляется управляемый контур и собственная компетенция.

6. «Строим системную AI-трансформацию»

Есть стратегия, портфель кейсов, владельцы результатов, требования к данным и безопасности, обучение, метрики и механизм масштабирования.

Таких компаний в моей выборке пока заметно меньше.

Главный вывод: наличие доступа к нейросети ещё ничего не говорит об уровне AI-зрелости компании.

И запрет сам по себе не означает, что AI не используется. Если компания не предложила безопасную альтернативу, использование часто просто становится невидимым.

Поэтому первый вопрос AI-трансформации сегодня звучит не так:

«Используют ли наши сотрудники AI?»

Скорее так:

«Понимаем ли мы, как они его используют, и умеем ли этим управлять?»

Хочу дальше разобрать эти модели подробнее: с чего начинать, как соединить скорость и безопасность, чему обучать сотрудников и как отличить настоящее внедрение от набора разрозненных экспериментов.

Но сначала интересно сверить мои наблюдения с вашей практикой.

На каком этапе сейчас находится ваша компания?

AI-трансформация начинается не с AI.

Я по образованию математик, поэтому многие вещи продолжаю видеть через математическую логику.

В математике каждый новый уровень опирается на предыдущий.

Нельзя полноценно решать дифференциальные уравнения, не освоив производные и интегралы. Сначала появляется инструментарий. Затем с его помощью можно переходить к более сложным задачам.

С трансформацией компании происходит примерно то же самое.

Первый уровень — процессная трансформация.

Нужно понять, зачем вообще существует процесс, какой результат он создаёт и где в нём возникают лишние действия, ручные передачи, согласования и контрольные точки.

Часть операций, возможно, нужно убрать. Какие-то этапы объединить. Изменить роли участников или само правило принятия решения.

Второй уровень — цифровая трансформация.

Пересобранный процесс можно переводить в цифровые каналы, интегрировать системы, убирать бумагу и автоматизировать действия, которые выполняются по понятным правилам.

И иногда уже этого достаточно.

Если задачу можно надёжнее и дешевле решить обычной автоматизацией, AI там не нужен.

Третий уровень — искусственный интеллект.

Он создаёт ценность там, где жёстких алгоритмов недостаточно: нужно работать с неструктурированными данными, понимать текст и контекст, находить закономерности, прогнозировать или обрабатывать большое количество вариативных ситуаций.

Попытка начать сразу с AI часто приводит к автоматизации хаоса.

Модель ставят поверх процесса с лишними этапами, противоречивыми правилами, плохими данными и размытыми зонами ответственности. А потом ожидают, что она сама во всём разберётся и создаст эффект.

Но AI не исправляет слабую управленческую конструкцию.

Чаще он делает её быстрее и менее прозрачной.

При этом трансформация идёт не по прямой, а по спирали:

процесс → цифровизация → AI → новый процесс.

После внедрения AI меняются роли людей, точки принятия решений, контроль, скорость и сама логика работы. Поэтому к процессу приходится возвращаться и пересобирать его уже на следующем уровне.

Это не означает, что три этапа всегда проходят строго последовательно. Они могут пересекаться, идти параллельно и возвращать команду на предыдущий шаг.

Но перепрыгнуть через понимание процесса не получится.

Для меня один из признаков зрелой AI-трансформации заключается именно в этом: компания не пытается поставить AI в каждый процесс.

Она сначала разбирается с задачей. Убирает лишнее. Автоматизирует то, что можно автоматизировать обычными средствами. И только потом определяет, где искусственный интеллект действительно создаст дополнительную ценность.

Иногда самый зрелый вывод такого разбора звучит так:

«Здесь AI не нужен».

А в вашей компании AI чаще внедряют после пересборки процесса или поверх того, что уже есть?

У меня появилась собственная дизайн-система.

Я продумала цвета, шрифты, стиль фотографий и обложек. Думала, теперь каждый пост будет выходить с красивой картинкой и выглядеть как часть одной системы.

А потом попыталась опубликовать первый длинный текст.

Оказалось, что Telegram разрешает значительно меньше символов в подписи к изображению, чем в обычном сообщении. Поэтому выбор простой: либо сокращать текст, либо убирать картинку.

Тексты я всё-таки не хочу подгонять под технический лимит.

Так что дизайн-система будет появляться здесь не в каждом посте, а только там, где формат ей не мешает.

Но показать, что у меня получилось, всё равно хочется.

Поэтому сегодня — первая примерка на себе.

Если вам интересно, как создать собственную дизайн-систему и из чего она складывается, напишите в комментариях. Тогда сделаю об этом отдельный пост и поделюсь своим опытом.

Сегодня 1 сентября. Но пост будет не про День знаний.

Сегодня начинается массовое внедрение цифрового рубля. Крупнейшие банки должны предоставить клиентам возможность открывать цифровые кошельки, делать переводы и оплачивать покупки.

Но меня заинтересовала совсем не оплата по QR-коду.

Мы часто строим AI-трансформацию, двигаясь изнутри компании: смотрим на существующие процессы и ищем, куда встроить AI-помощника, RAG или агента.

Это понятный путь. Но, мне кажется, недостаточный.

Нужно смотреть и в другую сторону: какие новые технологии появляются на рынке и какие процессы становятся возможными, если соединить их с AI.

Не только ускорять то, что уже существует.

Создавать то, чего раньше в принципе не могло быть.

Цифровой рубль — хороший пример.

В июне Банк России представил концепцию отдельной платформы коммерческих смарт-контрактов. Предполагается, что участники рынка смогут сами разрабатывать сценарии, которые автоматически исполняют условия сделки при наступлении определённых событий.

Сам по себе цифровой рубль не делает процесс интеллектуальным.

Но он потенциально создаёт инфраструктуру, в которой правила, лимиты и условия исполнения можно связать непосредственно с расчётом.

А теперь добавим AI-агента.

Например, агент постоянно анализирует складские остатки, прогноз продаж, цены поставщиков, действующие контракты и бюджетные лимиты.

Он видит, что через восемь дней закончится определённый компонент. Запрашивает предложения у одобренных поставщиков, сравнивает условия и выбирает оптимальный вариант.

Компания заранее определила его полномочия:

– только конкретная категория товаров;

– только аккредитованные поставщики;

– сумма не выше установленного лимита;

– все исключения передаются человеку.

После поставки ERP подтверждает количество, датчик — соблюдение условий хранения, а смарт-контракт исполняет платёж.

Получается связка:

AI-агент принимает решение → система проверяет полномочия → смарт-контракт проверяет условия → цифровой рубль проводит расчёт.

AI-агент и сегодня может инициировать платёж через обычный банковский API.

Но программируемая расчётная инфраструктура потенциально позволяет связать решение, контроль условий и исполнение платежа в одну цепочку. Именно это делает возможной передачу агенту части экономических полномочий.

Речь уже не о том, чтобы виртуализировать закупщика и научить AI повторять его действия.

Речь о другом процессе, в котором обнаружение потребности, выбор поставщика, контроль исполнения и расчёт изначально спроектированы как единая технологическая система.

Такого сценария цифрового рубля пока нет. Это мой архитектурный вывод из возможностей уже появляющихся технологий.

И здесь для меня главный вывод про AI-трансформацию.

Её нельзя строить только внутри периметра AI.

Нужен технологический радар: цифровые деньги, смарт-контракты, IoT, машинная идентификация, новые платёжные и вычислительные инфраструктуры.

Потому что следующая волна трансформации может быть связана не с появлением ещё одного виртуального сотрудника, а с принципиально новыми процессами, которых раньше просто не могло существовать.

Какие новые технологии, на ваш взгляд, уже стоит рассматривать в связке с AI?

Я очень системный человек. Поэтому сама не ожидала, что мне понравится хаос.

Мне обычно нужно понимать цель, логику, последовательность действий и следующий шаг. Желательно ещё составить план, разложить всё по полочкам и предусмотреть несколько сценариев.

Но в свой канал я неожиданно впустила хаос.

У него есть направление, темы и понимание, зачем я его веду. Но нет контент-плана на несколько месяцев вперёд и жёстко расписанной последовательности публикаций.

Очередь постов постоянно меняется.

Я могу услышать фразу в подкасте, заметить что-то на встрече, столкнуться с интересной ситуацией или начать новый эксперимент с AI - и из этого появляется следующий текст.

Иногда утром я ещё не знаю, о чём захочу написать вечером.

Сначала мне хотелось всё упорядочить: определить рубрики, собрать длинный бэклог и превратить канал в ещё один хорошо управляемый проект.

А потом я поняла, что именно этого здесь и не хочу.

Мне нравится, что канал рождается из того, что действительно занимает меня в конкретный момент. Не потому, что на эту дату в таблице запланирована определённая тема, а потому, что мне сейчас есть чем поделиться.

Наверное, это не полный хаос.

Скорее, я оставила место для спонтанности внутри достаточно надёжной рамки.

Раньше мне казалось, что системность нужна для того, чтобы устранить хаос. Теперь я думаю, что хорошая система должна оставлять для него место.

И, кажется, я нашла свой небольшой уютный хаос — пространство, где мне необязательно заранее знать каждый следующий шаг.

А как у вас?

Если вы системный человек, в какой части жизни позволяете себе хаос? А если обычно живёте спонтанно - что у вас всегда разложено по полочкам?

После внедрения AI-системы людей не сократили. Но руководитель стал гораздо спокойнее за бизнес.

Вчера я была на встрече с Мартином Кольхаузером - управляющим партнёром венчурного фонда ЧакVC.

Мне было особенно интересно услышать, как AI меняет стартапы, продукты и бизнес-модели с точки зрения человека, который много лет работает с технологическими компаниями и принимает инвестиционные решения.

По наблюдениям Мартина, сегодня уже сложно представить стартап, который совсем не использует искусственный интеллект. Причём всё чаще AI находится не во вспомогательных процессах, а непосредственно в ядре продукта.

В качестве примера он показал внутреннюю CRM-систему фонда.

Она собирает заявки от стартапов, проводит первичный скоринг, помогает вести переписку и выполняет ещё целый набор функций.

Выглядит как полноценный внутренний продукт, для создания которого ещё недавно понадобились бы отдельный бюджет и команда разработки.

На вопрос о затратах Мартин ответил:

ноль.

Первоначальную концепцию помог собрать студент МФТИ, а дальше команда самостоятельно развивала систему с помощью AI и вайбкодинга. Весь путь занял около трёх месяцев.

Здесь, конечно, важно уточнить: «ноль» означает отсутствие отдельного бюджета на разработку. Время и работа людей всё равно имеют стоимость.

Но следующий вопрос оказался ещё интереснее:

сколько человек после внедрения этой CRM уволили или решили не нанимать?

Нисколько.

Главный эффект для Мартина оказался в другом: он стал гораздо спокойнее за процесс.

Если один аналитик заболеет, другой уедет на Бали, а третий перестанет выходить на связь, поток заявок не остановится. Система продолжит их собирать, обрабатывать и вести коммуникацию.

И мне кажется, это важное уточнение.

Разговор об AI очень быстро сводится к одному вопросу: сколько людей он позволит сократить?

Но эффект не всегда измеряется количеством высвобождённых FTE.

Иногда он заключается в том, что процесс становится меньше зависим от конкретного сотрудника. Не останавливается из-за отпуска, болезни или увольнения. Не теряет данные и не накапливает необработанные заявки.

AI в этом случае не заменяет команду. Он создаёт устойчивый операционный слой, на который люди могут опираться.

При этом на встрече был и другой пример: один из стартапов сократил команду с 12 до 4 человек, а бизнес-метрики продолжили расти.

То есть сценарии могут быть разными.

Где-то AI действительно позволяет выполнять тот же объём работы меньшей командой. Где-то помогает масштабировать бизнес без пропорционального роста штата. А где-то сохраняет людей, но снижает операционные риски и освобождает их от повторяющихся действий.

Поэтому формула «внедрили AI — уволили людей» слишком примитивна.

Сначала стоит определить, какой эффект нужен бизнесу:

– снижение стоимости процесса;

– рост пропускной способности;

– снижение зависимости от отдельных сотрудников;

– возможность масштабироваться без раздувания штата;

– освобождение людей для более сложных задач.

Возможно, один из самых зрелых вопросов при внедрении AI звучит не так:

«Сколько людей мы сможем убрать?»

А так:

«Что теперь сможет делать наша команда и насколько устойчивее станет бизнес?»