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?»

85% строк кода уже генерирует AI. Что тогда остаётся инженеру?

На Yandex Deep Tech Night прозвучала цифра, которая сама по себе могла бы стать заголовком:

в Яндексе уже 85% строк кода генерируется нейросетями.

Но меня зацепила не столько сама цифра, сколько то, что происходит дальше.

По словам спикера, вопрос внедрения AI-агентов внутри компании фактически уже решён. Ими ежедневно пользуются практически все.

В какой-то момент показатель использования даже превысил 100%: сотрудники продолжали работать с агентами во время отпуска – для личных проектов и автоматизаций.

AI применяется почти на всём цикле разработки: в новых продуктах, работе с легаси, миграциях, аналитике, поддержке и устранении последствий инцидентов.

Компания измеряла экономию времени и сравнивала сотрудников, использующих AI, с теми, кто им не пользуется.

Но теперь сравнивать практически не с кем.

Людей, которые совсем не используют AI, почти не осталось.

И вот здесь начинается самое интересное.

Когда всё большую часть кода пишет AI, само написание кода постепенно перестаёт быть главным ограничением.

На первый план выходят постановка задачи, качество контекста, архитектура, проверка результата и ответственность за него.

Поэтому меняется и роль инженера.

Раньше граница между руководителем и исполнителем выглядела довольно понятно.

Руководитель определял, что и зачем нужно сделать, декомпозировал задачу, координировал участников, проверял результат и отвечал за него.

Исполнитель в первую очередь должен был хорошо выполнять свою часть работы.

Теперь, когда значительную часть исполнения можно передать AI-агенту, специалисту самому нужны навыки, которые раньше считались преимущественно управленческими.

Он должен уметь сформулировать задачу, дать агенту необходимый контекст, определить ограничения, проверить результат и понять, решена ли исходная проблема.

То есть инженер не обязательно становится руководителем людей.

Но ему всё чаще приходится управлять работой AI-агентов.

И на этом фоне особенно заметен разрыв между компаниями.

В Яндексе уже почти не осталось сотрудников, которые не используют AI.

А небольшой опрос в моём канале показал совсем другую картину.

Из 16 ответивших 44% выбрали варианты «доступы есть, правил нет» или «официально AI нет». Ещё 19% вообще не понимают, что происходит с AI внутри их компании.

Только 31% осторожно строят внутренний контур или уже ведут системное внедрение.

Конечно, 16 ответов – это не исследование рынка. Но контраст получился наглядным.

Одни компании уже обсуждают, как меняется роль специалиста, когда основную часть исполнения берёт на себя агент.

Другие ещё не решили, нужен ли им AI, или не видят, как сотрудники уже используют его самостоятельно.

Мне интересно наблюдать, будет ли этот разрыв сокращаться по мере того, как технологии становятся доступнее. Или дело уже не в доступе к AI, а в способности компании перестроить под него работу.

Разработку ускорили более чем на 20%. Почему бизнес этого не почувствовал?

В прошлом посте я рассказывала, что в Яндексе уже 85% строк кода генерируется с помощью AI.

В комментариях Владимир заметил:

«Реальная выборка, пусть и не репрезентативная, лучше и вернее рекламной отчётности».

Я ответила, что замечание совершенно точное: разработка здесь сама себе хозяин, а про пользу для бизнеса в докладе не прозвучало ни слова.

И пообещала следующим постом рассказать про опыт Авито.

Там на вопрос о бизнес-эффекте ответили прямо.

С начала года AI-агенты помогли более чем на 20% сократить цикл выпуска изменений в продакшен.

Результат хороший. Но явного влияния этого ускорения на бизнес-метрики в Авито пока не увидели.

Можно выпускать больше изменений. Но это ещё не означает, что они принесут продуктовый результат.

Код – только один участок создания продукта.

До него нужно сформулировать гипотезу, провести discovery, подготовить дизайн и техническое решение. После – сделать ревью, тестирование и выпуск.

По расчётам Авито, в создании одного продуктового инкремента в среднем участвует около десяти ролей.

Можно ускорить работу каждого участника. Но между ними останутся передача задачи, повторное погружение в контекст, согласования и ожидание.

В итоге разработчик пишет код быстрее, а путь от идеи до результата по-прежнему может занимать месяцы.

Поэтому сейчас Авито экспериментирует уже не только с AI-инструментами, но и с пересборкой самих команд.

Первый подход – full-cycle-инженеры.

Инженер с помощью агентов может реализовать изменение сразу на нескольких платформах: backend, frontend, iOS и Android. Задачу не нужно каждый раз передавать следующему специалисту и заново восстанавливать контекст.

Второй – небольшие builder-команды.

В них сохраняются необходимые экспертные роли, но каждый участник закрывает большую часть цикла, а команда отвечает за результат от начала до конца.

Третий – быстрое прототипирование.

Продакт или инженер может за один спринт довести гипотезу до работающего MVP в изолированном контуре, проверить её и только потом передать в полноценную разработку.

Во всех трёх подходах меняется не только скорость отдельного человека.

Уменьшается количество передач между людьми и пересобирается сама конструкция работы.

Здесь продолжается мысль из прошлого поста про сближение ролей руководителя и исполнителя.

Специалисту уже недостаточно качественно выполнить свой фрагмент. Нужно удерживать задачу целиком: понимать продуктовую цель, управлять работой агентов, проверять результат и отвечать за него.

При этом Авито пока не называет новую модель гарантированно работающей.

Не все роли легко объединить. Специалисту из одной функции сложно качественно оценить результат в незнакомой области. А переход к ответственности за весь цикл требует других навыков и способа мышления.

Поэтому ускорение разработки на 20% – ещё не бизнес-эффект.

Пока AI помогает каждому участнику быстрее выполнять свою операцию, компания получает локальное улучшение.

Чтобы изменился результат бизнеса, приходится пересобирать весь путь от идеи до работающего продукта: процессы, состав команды, роли и ответственность.

Кажется, пора нормально представиться.

Меня зовут Елена Ли. Я директор по трансформации. За 16+ лет прошла путь от бизнес-аналитика до директора департамента. Работала в Сбере и билайне.

Если коротко, моя главная экспертиза – превращать хаос, постоянное давление и противоречивые интересы в работающие системы с измеримым бизнес-результатом.

Совокупный эффект реализованных проектов – более 1,5 млрд рублей.

Среди них – первая на рынке телекома биометрическая верификация для нерезидентов и трансформация B2B-эквайринга, где онбординг клиента сократился с пяти дней до 30 минут.

Моя работа обычно начинается там, где много участников и ограничений, высокое давление, нет готового решения и в какой-то момент обязательно звучит:

«Это невозможно».

Тогда нужно пересобрать процесс, соединить бизнес и IT, договориться со стейкхолдерами и довести изменения до промышленного запуска.

Во многом этот канал появился благодаря друзьям.

Мы постоянно обсуждали бизнес, управление, технологии и AI. Я делилась кейсами и инструментами. В какой-то момент они спросили:

«Почему ты рассказываешь всё это только нам?»

Поэтому здесь я пишу о сложных трансформациях и управленческих решениях, делюсь личным опытом и собственной позицией.

Отдельный фокус – AI на практике: в работе и повседневной жизни. Рассказываю, как сама осваиваю инструменты, собираю прототипы, проверяю гипотезы и использую AI для трансформации процессов, создания продуктов и решения собственных задач.

За пределами работы – более 30 стартов в триатлоне, беге, плавании и велоспорте. Сейчас мой основной фокус – марафонские дистанции.

Дисциплина важна для меня во всём. Она помогает выдерживать длинную дистанцию и доводить начатое до результата – и в спорте, и в работе.

Если вы отвечаете за продукты, процессы, AI или сложные изменения, думаю, нам будет о чём поговорить.