Всем привет!
Меня зовут Александр, я COO в SaaS-платформе аналитики данных. Делюсь полезными материалами, которые считаю стоят внимания. В основном про AI, изменение процессов, тренды и продуктовое видение.
У себя в телеграм-канале делюсь сжатыми и структурированными саммери статей.
Сегодняшний перевод исследования от McKinsey. Полный отчет (28 страниц) здесь.
Ключевая мысль статьи — внедрение ИИ-агентов требует не просто автоматизации задач, а полной перестройки бизнес-процессов.
Это означает переход от вопроса: «Где я могу использовать ИИ в этой функции?» к вопросу: «Как будет выглядеть эта функция, если агенты будут выполнять 60 процентов ее работы?». Например, переосмысление работы колл-центра вокруг автономных агентов снижает время разрешения проблем до 90%, тогда как простая автоматизация даёт лишь 5-10% прироста.
Важно, что это сможет сделать только CEO, т.к только он обладает необходимым влиянием и видением.
Мы находимся в моменте, когда генеративный ИИ вошел в каждый совет директоров, но для многих предприятий он все еще остается на периферии реального влияния. Многие CEO дали зеленый свет экспериментам, запустили копайлотов и создали многообещающие прототипы, но лишь немногие увидели, как сдвинулась стрелка в отношении доходов или влияния. Этот отчет доходит до сути этого парадокса: широкое распространение при ограниченной отдаче.
Текущий диагноз таков: сегодня ИИ является «дополнительной опцией». Но чтобы обеспечить реальное влияние, он должен быть интегрирован в основные процессы, становясь катализатором трансформации бизнеса, а не вспомогательным инструментом. Большинство текущих внедрений используют ИИ поверхностно — как помощника, который находится рядом с существующими рабочими процессами, а не как глубоко интегрированного, вовлеченного и мощного агента трансформации.
Агентский ИИ — это катализатор, который может сделать этот переход возможным, но для этого необходима стратегия и план для успешной реализации этой трансформации. Агенты — это не просто волшебные «подключи и работай» компоненты. Они должны работать в разных системах, рассуждать в условиях неопределенности и взаимодействовать с людьми — не просто как инструменты, а как сотрудники. Это означает, что CEO должны задавать другие вопросы: не «Как нам добавить ИИ?», а «Как мы хотим, чтобы принимались решения, как текла работа и как люди взаимодействовали в среде, где программное обеспечение может действовать?».
Переопределение того, как принимаются решения, как выполняется работа и как люди взаимодействуют с технологиями, требует согласования целей, инструментов и людей. Это согласование может произойти только тогда, когда открытость, прозрачность и контроль являются центральными элементами вашей технологии и реализации — когда разработчики имеют открытую, расширяемую и наблюдаемую инфраструктуру, а пользователи могут легко создавать и использовать агентов с уверенностью в том, что работа агентов безопасна, надежна и под их контролем. Это согласование создает доверие и эффективность, которые являются валютой масштабируемой трансформации, приносящей результаты, а не сожаления.
Технологии для создания мощных агентов уже существуют. Возможность теперь заключается во внедрении агентов таким образом, чтобы они были тесно связаны с тем, как создается ценность и как работают люди. Это требует архитектуры, которая является модульной и устойчивой, и, что более важно, операционной модели, ориентированной на людей — не только как на пользователей, но и как на соавторов систем, с которыми они будут жить и работать.
В этом отчете представлен план не для доработок, а для переосмысления. ROI приходит от сильного намерения: определить результаты, глубоко встроить агентов в основные рабочие процессы и переработать операционные модели вокруг них. Организации, которые добьются успеха, будут сочетать четкую стратегию с жесткими циклами обратной связи и дисциплинированным управлением, используя агентов для переосмысления того, как принимаются решения и как выполняется работа — превращая новизну в измеримую ценность.
Парадокс Gen AI: широкое внедрение, минимальное влияние
Ключевые моменты
Почти восемь из десяти компаний внедрили генеративный ИИ в той или иной форме, но примерно такое же количество сообщают об отсутствии существенного влияния на доходы. «Состояние ИИ: как организации перестраиваются для извлечения ценности», McKinsey, 12 марта 2025 года. Мы называем это «парадоксом генеративного ИИ».
Основная проблема заключается в дисбалансе между «горизонтальными» и «вертикальными» вариантами использования. Первые, такие как копайлоты для сотрудников и чат-боты, получили широкое распространение, но приносят разрозненные выгоды, в то время как более эффективные вертикальные, или специфичные для функций, варианты использования редко выходят за рамки пилотной фазы из-за технических, организационных, данных и культурных барьеров.
Если компании не преодолеют эти барьеры, трансформационный потенциал генеративного ИИ останется в значительной степени нереализованным.
Генеративный ИИ повсюду — кроме отчета о прибылях и убытках компаний
Еще до появления генеративного ИИ искусственный интеллект уже занял ключевое место на предприятиях, обеспечивая расширенные возможности прогнозирования, классификации и оптимизации. И оценочный потенциал стоимости этой технологии уже был огромен — от 11 до 18 триллионов долларов по всему миру — в основном в области маркетинга (обеспечивая такие возможности, как персонализированный таргетинг по электронной почте и сегментация клиентов), продаж (оценка потенциальных клиентов) и цепочек поставок (оптимизация запасов и прогнозирование спроса). Тем не менее, ИИ был в основном уделом экспертов. В результате внедрение среди рядовых сотрудников, как правило, шло медленно. Например, с 2018 по 2022 год внедрение ИИ оставалось относительно статичным: около 50 процентов компаний использовали эту технологию только в одной бизнес-функции, согласно исследованию McKinsey (Схема 1).
Генеративный ИИ расширил охват традиционного ИИ в трех прорывных областях: синтез информации, генерация контента и общение на человеческом языке. McKinsey оценивает, что технология имеет потенциал для разблокировки от 2,6 до 4,4 триллиона долларов дополнительной стоимости сверх потенциала стоимости традиционного аналитического ИИ.
Через два с половиной года после запуска ChatGPT генеративный ИИ изменил подход предприятий к ИИ. Его потенциально трансформационная сила заключается не только в новых возможностях, которые предлагает генеративный ИИ, но и в его способности демократизировать доступ к передовым AI-технологиям в организациях. Эта демократизация привела к повсеместному росту осведомленности и экспериментов с ИИ: согласно последнему глобальному опросу McKinsey по искусственному интеллекту, более 78 процентов компаний сейчас используют генеративный ИИ как минимум в одной бизнес-функции (по сравнению с 55 процентами годом ранее).
Однако этот энтузиазм еще не привел к ощутимым экономическим результатам. Более 80 процентов компаний по-прежнему сообщают об отсутствии существенного вклада в прибыль от своих инициатив в области генеративного ИИ. Более того, только 1 процент опрошенных нами предприятий считают свои стратегии в области генеративного ИИ зрелыми. Назовем это «парадоксом генеративного ИИ»: несмотря на всю энергию, инвестиции и потенциал, связанные с этой технологией, масштабируемый эффект для большинства организаций еще не реализовался.
В основе парадокса генеративного ИИ лежит дисбаланс между горизонтальными и вертикальными вариантами использования
Многие организации внедрили горизонтальные варианты использования, такие как корпоративные копайлоты и чат-боты; например, почти 70 процентов компаний из списка Fortune 500 используют Microsoft 365 Copilot. Эти инструменты широко рассматриваются как рычаги повышения индивидуальной производительности, помогающие сотрудникам экономить время на рутинных задачах, а также более эффективно получать и синтезировать информацию. Но эти улучшения, хоть и реальные, как правило, незначительно распределены между сотрудниками. В результате они не так заметны в показателях выручки или прибыли.
Напротив, вертикальные варианты использования — те, что встроены в конкретные бизнес-функции и процессы — демонстрируют ограниченное масштабирование в большинстве компаний, несмотря на их более высокий потенциал прямого экономического воздействия (Схема 2). Менее 10 процентов внедренных вариантов использования когда-либо выходят за рамки пилотной стадии, согласно исследованию McKinsey. New at McKinsey Blog, «Экосистема стратегических альянсов McKinsey приносит мощь генеративного ИИ клиентам», 2 апреля 2024 года. Даже при полном внедрении эти варианты использования обычно поддерживали только отдельные шаги бизнес-процесса и работали в реактивном режиме при запросе человека, а не функционировали проактивно или автономно. В результате их влияние на производительность бизнеса также было ограничено.
Чем объясняется этот дисбаланс? Во-первых, горизонтально развернутые копайлоты, такие как Microsoft Copilot или Google AI Workspace, являются доступными, готовыми решениями, которые относительно легко внедрить. (Во многих случаях активация Microsoft Copilot так же проста, как включение расширения к существующему контракту Office 365, не требуя перепроектирования рабочих процессов или значительных усилий по управлению изменениями.) Быстрое развертывание корпоративных чат-ботов также было обусловлено соображениями снижения рисков. Поскольку сотрудники начали экспериментировать с внешними большими языковыми моделями (LLM), такими как ChatGPT, многие организации внедрили внутренние, безопасные альтернативы для ограничения утечки данных и обеспечения соответствия корпоративным политикам безопасности.
Ограниченное развертывание и узкий охват вертикальных вариантов использования, в свою очередь, можно объяснить шестью основными факторами:
Разрозненные инициативы. Во многих компаниях вертикальные варианты использования были выявлены с помощью восходящего, высокодетализированного подхода в рамках отдельных функций. Фактически, менее 30 процентов компаний сообщают, что их генеральные директора напрямую спонсируют их повестку дня в области ИИ. Это привело к распространению разрозненных микроинициатив и распылению инвестиций в ИИ с ограниченной координацией на уровне предприятия.
Отсутствие зрелых, готовых решений. В отличие от готовых горизонтальных приложений, таких как копайлоты, вертикальные варианты использования часто требуют индивидуальной разработки. В результате команды часто вынуждены создавать с нуля, используя новые, быстро развивающиеся технологии, с которыми у них ограниченный опыт. Хотя многие компании инвестировали в специалистов по данным для разработки AI-моделей, им часто не хватает MLOps-инженеров, которые критически важны для индустриализации, развертывания и обслуживания этих моделей в производственных средах.
Технологические ограничения LLM. Несмотря на свои впечатляющие возможности, первое поколение LLM столкнулось с ограничениями, которые значительно сдерживали их развертывание в масштабах предприятия. Во-первых, LLM могут выдавать неточные результаты, что затрудняет доверие к ним в средах, где точность и повторяемость имеют решающее значение. Более того, несмотря на свою мощь, LLM по сути пассивны; они не действуют, пока их не попросят, и не могут самостоятельно управлять рабочими процессами или принимать решения без инициации человеком. LLM также испытывали трудности с обработкой сложных рабочих процессов, включающих несколько шагов, точек принятия решений или логику ветвления. Наконец, многие текущие LLM имеют ограниченную постоянную память, что затрудняет отслеживание контекста с течением времени или согласованную работу в течение длительного взаимодействия.
Разобщенные AI-команды. Центры компетенции ИИ сыграли решающую роль в повышении осведомленности и ускорении экспериментов во многих организациях. Однако во многих случаях эти команды работали изолированно — разрабатывая AI-модели независимо от основных ИТ, данных или бизнес-функций. Эта автономия, хотя и полезная для быстрого прототипирования, часто затрудняла масштабирование решений из-за плохой интеграции с корпоративными системами, фрагментированных конвейеров данных или отсутствия оперативной согласованности.
Пробелы в доступности и качестве данных. Эти пробелы, как правило, существуют как для структурированных, так и для неструктурированных данных, причем неструктурированный материал остается в значительной степени неуправляемым в большинстве организаций.
Культурная настороженность и организационная инерция. Во многих организациях внедрение ИИ сталкивалось с неявным сопротивлением со стороны бизнес-команд и среднего менеджмента из-за страха перед изменениями, неопределенности в отношении влияния на рабочие места и отсутствия знакомства с технологией.
Несмотря на ограниченное влияние на прибыль до сих пор, первая волна генеративного ИИ была далеко не напрасной. Она расширила возможности сотрудников, позволила провести обширные эксперименты, ускорила знакомство с ИИ в различных функциях и помогла организациям создать необходимые возможности в области промпт-инжиниринга, оценки моделей и управления. Все это заложило основу для более интегрированной и трансформационной второй фазы — наступающей эпохи AI-агентов.
От парадокса к выгоде: как агенты могут масштабировать ИИ
Ключевые моменты
Автоматизируя сложные бизнес-процессы, агенты раскрывают весь потенциал вертикальных вариантов использования. Прогрессивные компании уже используют возможности агентов для трансформации основных процессов.
Чтобы реализовать потенциал агентов, компаниям необходимо переосмыслить методы выполнения работы — изменить потоки задач, переопределить роли людей и построить агент-центричные процессы с нуля.
Для этого потребуется новая парадигма архитектуры ИИ — агентская AI-сеть — способная интегрировать как кастомные, так и готовые агентские системы. Но более серьезная проблема будет не технической. Она будет человеческой: завоевание доверия для стимулирования внедрения и установление надлежащих протоколов управления.
Прорыв: автоматизация сложных бизнес-процессов раскрывает весь потенциал вертикальных вариантов использования
LLM произвели революцию в том, как организации взаимодействуют с данными, обеспечивая синтез информации, генерацию контента и взаимодействие на естественном языке. Но, несмотря на свою мощь, LLM были по сути без контекста и изолированными от корпоративных систем, в значительной степени неспособными сохранять память о прошлых взаимодействиях или контекст между сессиями или запросами. Их роль в основном ограничивалась повышением индивидуальной производительности за счет изолированных задач. AI-агенты знаменуют собой значительную эволюцию в корпоративном ИИ — расширяя генеративный ИИ от реактивной генерации контента до автономного, ориентированного на цель выполнения. Агенты могут понимать цели, разбивать их на подзадачи, взаимодействовать как с людьми, так и с системами, выполнять действия и адаптироваться в реальном времени — все это с минимальным вмешательством человека. Они делают это, сочетая LLM с дополнительными технологическими компонентами, обеспечивающими возможности памяти, планирования, оркестровки и интеграции.
Благодаря этим новым возможностям AI-агенты расширяют потенциал горизонтальных решений, превращая универсальных копайлотов из пассивных инструментов в проактивных членов команды, которые не просто реагируют на запросы, но и отслеживают дашборды, запускают рабочие процессы, отслеживают открытые действия и предоставляют релевантные инсайты в реальном времени. Но настоящий прорыв происходит в вертикальной области, где агентский ИИ позволяет автоматизировать сложные бизнес-процессы, включающие несколько шагов, участников и систем — процессы, которые ранее были за пределами возможностей инструментов генеративного ИИ первого поколения.
Агенты обеспечивают больше, чем просто эффективность — они значительно повышают операционную гибкость и открывают новые возможности для получения дохода
В операционной сфере агенты берут на себя рутинные, связанные с большим объемом данных задачи, чтобы люди могли сосредоточиться на более ценной работе. Но они идут дальше, трансформируя процессы пятью способами:
Агенты ускоряют выполнение, устраняя задержки между задачами и обеспечивая параллельную обработку. В отличие от традиционных рабочих процессов, которые полагаются на последовательную передачу, агенты могут координировать и выполнять несколько шагов одновременно, сокращая время цикла и повышая отзывчивость.
Агенты обеспечивают адаптивность. Постоянно получая данные, агенты могут корректировать потоки процессов на лету, перестраивая последовательности задач, переназначая приоритеты или выявляя аномалии до того, как они перерастут в сбои. Это делает рабочие процессы не только быстрее, но и умнее.
Агенты обеспечивают персонализацию. Адаптируя взаимодействия и решения к индивидуальным профилям или поведению клиентов, агенты могут динамически адаптировать процесс для максимального удовлетворения и результатов.
Агенты придают операциям эластичность. Поскольку агенты являются цифровыми, их производительность может увеличиваться или уменьшаться в реальном времени в зависимости от рабочей нагрузки, сезонности бизнеса или неожиданных всплесков — чего трудно достичь с фиксированными моделями человеческих ресурсов.
Агенты также повышают устойчивость операций. Отслеживая сбои, перенаправляя операции и эскалируя только в случае необходимости, они обеспечивают бесперебойную работу процессов — будь то цепочки поставок, преодолевающие задержки в портах, или рабочие процессы обслуживания, адаптирующиеся к сбоям системы.
Например, в сложной среде цепочки поставок AI-агент мог бы действовать как автономный слой оркестрации в операциях по закупкам, складированию и дистрибуции. Подключенный к внутренним системам (таким как система планирования цепочки поставок или система управления складом) и внешним источникам данных (таким как прогнозы погоды, данные поставщиков и сигналы спроса), агент мог бы непрерывно прогнозировать спрос. Затем он мог бы выявлять риски, такие как задержки или сбои, и динамически перепланировать транспортные и инвентарные потоки. Выбирая оптимальный вид транспорта на основе стоимости, времени выполнения заказа и воздействия на окружающую среду, агент мог бы перераспределять запасы по складам, напрямую взаимодействовать с внешними системами и эскалировать решения, требующие стратегического вмешательства. Результат: улучшение уровня обслуживания, снижение затрат на логистику и сокращение выбросов.
Агенты также могут способствовать росту выручки за счет усиления существующих потоков доходов и открытия совершенно новых:
Увеличение существующих доходов. В электронной коммерции агенты, встроенные в интернет-магазины или приложения, могли бы проактивно анализировать поведение пользователя, содержимое корзины и контекст (например, сезонность или историю покупок) для предоставления предложений по допродаже и перекрестным продажам в реальном времени. В финансовой сфере агенты могли бы помогать клиентам находить подходящие финансовые продукты, такие как кредиты, страховые планы или инвестиционные портфели, предоставляя индивидуальные рекомендации на основе финансовых профилей, жизненных событий и поведения пользователя.
Создание новых потоков доходов. Для промышленных компаний агенты, встроенные в подключенные продукты или оборудование, могли бы отслеживать использование, обнаруживать пороговые значения производительности и автономно разблокировать функции или запускать действия по обслуживанию — позволяя создавать модели дохода, основанные на оплате за использование, подписке или производительности. Аналогично, сервисные организации могли бы инкапсулировать внутренний опыт — юридические рассуждения, налоговую интерпретацию и лучшие практики закупок — в AI-агентов, предлагаемых в виде инструментов «программное обеспечение как услуга» или API клиентам, партнерам или небольшим предприятиям, не имеющим внутренней экспертизы.
Короче говоря, агентский ИИ не просто автоматизирует. Он переопределяет то, как организации работают, адаптируются и создают ценность.
Больше не научная фантастика: прогрессивные компании используют возможности агентов
Следующие примеры из практики демонстрируют, как QuantumBlack помогает организациям создавать агентские рабочие группы — с результатами, выходящими далеко за рамки повышения эффективности.
Пример из практики 1: Как банк использовал гибридные «цифровые фабрики» для модернизации устаревших приложений
Проблема: Крупному банку требовалась модернизация его устаревшей основной системы, состоящей из 400 программных компонентов — масштабная задача с бюджетом более 600 миллионов долларов. Большие команды программистов занимались проектом, используя ручные, повторяющиеся задачи, что приводило к трудностям в координации между подразделениями. Они также полагались на часто медленную, подверженную ошибкам документацию и кодирование. Хотя инструменты генеративного ИИ первого поколения помогли ускорить отдельные задачи, прогресс оставался медленным и трудоемким.
Агентский подход: Сотрудники были переведены на надзорные роли, руководя командами AI-агентов, каждый из которых вносил свой вклад в общую цель в определенной последовательности (Схема 3). Эти команды задним числом документируют устаревшее приложение, пишут новый код, проверяют код других агентов и интегрируют код в функции, которые затем тестируются другими агентами перед поставкой конечного продукта. Освобожденные от повторяющихся, ручных задач, руководители-люди направляют каждый этап процесса, повышая качество результатов и сокращая количество спринтов, необходимых для внедрения новых функций.
Влияние: Сокращение времени и усилий более чем на 50 процентов в командах раннего внедрения.
Пример из практики 2: Как исследовательская фирма улучшила качество данных для получения более глубоких рыночных инсайтов
Проблема: Фирма, занимающаяся исследованием рынка и аналитикой, выделяла значительные ресурсы на обеспечение качества данных, полагаясь на команду из более чем 500 человек, чьи обязанности включали сбор, структурирование и кодификацию данных, а также генерацию индивидуальных инсайтов для клиентов. Процесс, выполняемый вручную, был подвержен ошибкам, причем ошеломляющие 80 процентов ошибок были выявлены самими клиентами.
Агентский подход: Многоагентное решение автономно выявляет аномалии данных и объясняет изменения в продажах или доле рынка. Оно анализирует внутренние сигналы, такие как изменения в таксономии продуктов, и внешние события, выявленные с помощью веб-поиска, включая отзывы продукции или суровые погодные условия. Наиболее влиятельные факторы синтезируются, ранжируются и готовятся для лиц, принимающих решения. Благодаря расширенному поиску и контекстному рассуждению агенты часто выявляют инсайты, которые было бы трудно обнаружить человеческим аналитикам вручную. Хотя система еще не введена в эксплуатацию, она полностью функциональна и продемонстрировала большой потенциал для освобождения аналитиков для более стратегической работы.
Влияние: Более чем 60-процентный потенциальный прирост производительности и ожидаемая экономия более 3 миллионов долларов в год.
Пример из практики 3: Как банк переосмыслил процесс создания отчетов о кредитных рисках
Проблема: Менеджеры по работе с клиентами (RMs) розничного банка тратили недели на написание и доработку отчетов о кредитных рисках, чтобы помочь в принятии кредитных решений и выполнении нормативных требований (Схема 4). Этот процесс требовал от RMs вручную проверять и извлекать информацию как минимум из десяти различных источников данных и разрабатывать сложные, нюансированные обоснования для взаимозависимых разделов — например, совместной эволюции кредита, доходов и денежных средств.
Агентский подход: В тесном сотрудничестве с экспертами банка по кредитным рискам и RMs был разработан прототип для преобразования рабочего процесса подготовки кредитных отчетов с использованием AI-агентов. Агенты помогают RMs, извлекая данные, составляя разделы отчетов, генерируя оценки достоверности для приоритизации проверки и предлагая соответствующие последующие вопросы. В этой модели роль аналитика смещается от ручного составления к стратегическому надзору и обработке исключений.
Влияние: Потенциальное повышение производительности на 20-60%, включая улучшение сроков обработки кредитов на 30%.
Максимизация ценности от AI-агентов требует переосмысления процессов
Реализация полного потенциала ИИ в вертикальной области требует большего, чем простое внедрение агентов в устаревшие рабочие процессы. Вместо этого требуется изменение мышления в отношении проектирования — от автоматизации задач в рамках существующего процесса к переосмыслению всего процесса с участием сотрудников-людей и агентов. Это связано с тем, что, когда агенты встраиваются в устаревший процесс без редизайна, они обычно служат более быстрыми помощниками — генерируют контент, извлекают данные или выполняют заранее определенные шаги. Но сам процесс остается последовательным, основанным на правилах и ограниченным человеческими возможностями.
Переосмысление процесса вокруг агентов означает нечто большее, чем наложение автоматизации поверх существующих рабочих процессов — оно включает в себя перестройку всего потока задач с нуля. Это включает переупорядочивание шагов, перераспределение обязанностей между людьми и агентами, а также проектирование процесса для полного использования преимуществ агентского ИИ: параллельного выполнения, сокращающего время цикла, адаптации в реальном времени, реагирующей на изменяющиеся условия, глубокой персонализации в масштабе и эластичности ресурсов, мгновенно подстраивающихся под спрос.
Рассмотрим гипотетический центр обработки вызовов. До внедрения AI-агентов, учреждение использовало инструменты генеративного ИИ для помощи персоналу поддержки, извлекая статьи из баз знаний, обобщая истории обращений и помогая составлять ответы. Хотя эта помощь улучшила скорость и снизила когнитивную нагрузку, сам процесс оставался полностью ручным , а сотрудники по-прежнему управляли каждым этапом диагностики, координации и разрешения. Потенциал повышения производительности был скромным, обычно улучшая время разрешения и производительность на 5–10 процентов.
Теперь представьте, что колл-центр внедряет AI-агентов, но в основном сохраняет существующий рабочий процесс — агенты добавляются для помощи на определенных этапах без перенастройки того, как работа направляется, отслеживается или разрешается от начала до конца. Агенты могут классифицировать обращения, предлагать вероятные первопричины, пути решения и даже автономно разрешать частые, несложные проблемы (например, сброс пароля). Хотя здесь можно увеличить эффект — это, по оценкам, экономия времени на 20–40 процентов и сокращение отставания на 30–50 процентов — трение при координации и ограниченная адаптивность препятствуют достижению настоящих прорывных результатов.
Но настоящий сдвиг происходит на третьем уровне, когда процесс колл-центра переосмысливается с учетом автономии агентов. В этой модели AI-агенты не просто отвечают — они проактивно обнаруживают распространенные проблемы клиентов (такие как задержки поставок, неудачные платежи или сбои в обслуживании), отслеживая закономерности по каналам, предвидят вероятные потребности, автоматически инициируют шаги по разрешению (например, выдачу возмещений, повторный заказ товаров или обновление данных учетной записи) и напрямую общаются с клиентами через чат или электронную почту. Человеческие агенты перемещаются на роль менеджеров по эскалации и надзирателей за качеством обслуживания, которые подключаются только тогда, когда агенты обнаруживают неопределенность или исключения из типичных шаблонов. Влияние на этом уровне является трансформационным. Это может привести к радикальному улучшению производительности службы поддержки клиентов. До 80 процентов распространенных инцидентов могут быть разрешены автономно, с сокращением времени до разрешения на 60–90 процентов (Схема 5).
Конечно, не каждый бизнес-процесс требует полного переосмысления. Простая автоматизация задач достаточна для высокостандартизированных, повторяющихся рабочих процессов с ограниченной изменчивостью — таких как обработка заработной платы, утверждение командировочных расходов или сброс паролей, — где выгоды в основном обусловлены сокращением ручного труда. Напротив, процессы, которые являются сложными, кросс-функциональными, подвержены исключениям или тесно связаны с производительностью бизнеса, часто требуют полного перепроектирования. Ключевые индикаторы, требующие переосмысления, включают высокие затраты на координацию, жесткие последовательности, задерживающие реагирование, частое вмешательство человека для принятия решений, которые могли бы быть основаны на данных, и возможности для динамической адаптации или персонализации. В этих случаях перепроектирование процесса вокруг способности агента к оркестровке, адаптации и обучению обеспечивает гораздо большую ценность, чем простое ускорение существующих рабочих процессов.
Для оркестрации ценности в эпоху агентского ИИ требуется новая парадигма архитектуры ИИ — агентская AI-сеть
Чтобы масштабировать агентов, компаниям потребуется преодолеть тройную задачу: управление новыми рисками, которые приносят AI-агенты, смешивание кастомных и готовых агентских систем, а также сохранение гибкости в условиях быстро развивающихся технологий (избегая при этом привязки к поставщику).
Управление новой волной рисков. Агенты вводят новый класс системных рисков, с которыми традиционные архитектуры генеративного ИИ, разработанные в основном для изолированных LLM-центричных вариантов использования, никогда не были рассчитаны на работу: неконтролируемая автономия, фрагментированный доступ к системе, отсутствие наблюдаемости и прослеживаемости, расширяемая поверхность атаки, а также распространение и дублирование агентов. То, что начинается как интеллектуальная автоматизация, может быстро превратиться в операционный хаос — если оно не построено на основе, которая ставит во главу угла контроль, масштабируемость и доверие.
Сочетание кастомных и готовых агентов. Чтобы полностью реализовать трансформационный потенциал AI-агентов, организациям необходимо выйти за рамки простой активации агентов, встроенных в программные пакеты. Эти готовые агенты могут оптимизировать рутинные рабочие процессы, но они редко обеспечивают стратегическое преимущество. Реализация полного потенциала агентского ИИ потребует разработки кастомных агентов для высокоэффективных процессов, таких как сквозное разрешение проблем клиентов, адаптивная оркестровка цепочки поставок или комплексное принятие решений. Эти агенты должны быть глубоко согласованы с логикой компании, потоками данных и рычагами создания стоимости — что делает их трудновоспроизводимыми и исключительно мощными.
Сохранение гибкости в условиях быстро развивающихся технологий. Агентский ИИ — это новая область технологий, и решения развиваются очень быстро. Агенты должны будут поддерживать рабочие процессы в нескольких системах и не должны быть жестко привязаны к определенной платформе. Поэтому необходима эволюционная и вендоронезависимая архитектура.
Эти проблемы нельзя решить простым добавлением новых компонентов, таких как хранилища памяти или движки оркестровки, поверх существующих стеков генеративного ИИ. Хотя такие возможности необходимы, их недостаточно. Требуется фундаментальный архитектурный сдвиг: от статической, LLM-центричной инфраструктуры к динамической, модульной и управляемой среде, созданной специально для интеллектуальных систем на основе агентов — агентской AI-сети.
Агентская AI-сеть — это компонуемая, распределенная и вендоронезависимая архитектурная парадигма, которая позволяет множеству агентов рассуждать, сотрудничать и действовать автономно в широком спектре систем, инструментов и языковых моделей — безопасно, в масштабе и с возможностью развития вместе с технологией. В основе этой парадигмы лежат пять взаимоусиливающих принципов проектирования:
Компонуемость. Любой агент, инструмент или LLM может быть подключен к сети без переделки системы.
Распределенный интеллект. Задачи могут быть декомпозированы и решены сетями сотрудничающих агентов.
Многоуровневая декомпозиция. Логика, память, оркестровка и функции интерфейса декомпозируются для максимальной модульности.
Вендорная нейтральность. Все компоненты могут быть независимо обновлены или заменены по мере развития технологий, избегая привязки к поставщику и обеспечивая перспективность архитектуры. В частности, предпочтение отдается открытым стандартам, таким как Model Context Protocol (MCP) и Agent2Agent (A2A), а не проприетарным протоколам.
Управляемая автономия. Поведение агентов проактивно контролируется посредством встроенных политик, разрешений и механизмов эскалации, которые обеспечивают безопасную и прозрачную работу.
Семь взаимосвязанных возможностей агентской AI-сети
Развивающаяся архитектура для агентского ИИ опирается на семь взаимосвязанных возможностей:
Обнаружение агентов и рабочих процессов поддерживает динамический каталог всех организационных агентов и рабочих процессов, обеспечивая повторное использование в командах и соблюдение политик использования агентов.
Реестр AI-активов централизует управление системными промптами, инструкциями для агентов, конфигурациями LLM, определениями инструментов и золотыми записями, создавая при этом политики контроля версий и доступа.
Наблюдаемость обеспечивает сквозное отслеживание рабочих процессов, охватывающих агентские и процедурные системы, посредством стандартизированных метрик, журналов аудита и диагностических возможностей.
Аутентификация и авторизация обеспечивают детальный контроль доступа для связи между агентскими системами, процедурными системами и LLM, обеспечивая соблюдение политик безопасности и ограничивая «радиус поражения» скомпрометированных систем или агентов.
Оценки обеспечивают всестороннее тестирование конвейеров агентов для обеспечения точности и соответствия с течением времени.
Управление обратной связью обеспечивает непрерывное улучшение посредством автоматизированных циклов обратной связи, которые собирают метрики производительности для развития конфигураций агентов.
Управление соответствием и рисками включает встроенные элементы управления политиками, агентов соответствия и этические ограничения для обеспечения соответствия рабочих процессов нормативным и институциональным стандартам.
Агентская AI-сеть действует как связующий и оркестрирующий слой, который позволяет крупномасштабным интеллектуальным агентским экосистемам работать безопасно и эффективно, а также непрерывно развиваться. Она позволяет компаниям координировать специально разработанных и готовых агентов в рамках единой структуры, поддерживать многоагентное сотрудничество, позволяя агентам обмениваться контекстом и делегировать задачи, а также снижать ключевые риски, такие как распространение агентов, дрейф автономии и отсутствие наблюдаемости — все это при сохранении гибкости, необходимой для быстрого технологического развития
Фундаментальные модели для агентов: Пять требований
Несколько характеристик являются ключевыми для поставщиков LLM в эпоху агентского ИИ:
Низкая задержка вывода для отклика в реальном времени. Агенты, встроенные в рабочие процессы (например, операции обслуживания или ИТ-оповещения), требуют времени отклика в пределах доли секунды с предсказуемой задержкой, даже при ограниченных вычислительных ресурсах. Иллюстративные примеры релевантных моделей включают Mistral Small (Mistral AI), Llama 3 8B (Meta), Gemini Nano (Google) и Claude Haiku (Anthropic).
Тонкая настройка и управляемость для предметно-ориентированных агентов. Агентам, работающим в регулируемых или наукоемких областях (таких как финансы, право и здравоохранение), нужны LLM, которые могут быть тонко настроены, основаны на корпоративных знаниях и оснащены внешними инструментами (такими как RAG и API). Иллюстративные примеры релевантных моделей: Mistral Small и Mistral 8x7B (открытый вес и возможность тонкой настройки, Mistral AI), а также Llama 3 8B и 70B (возможность тонкой настройки, Meta).
Легкое развертывание для встроенных и периферийных агентов. В таких случаях, как Интернет вещей, полевые устройства или среды, чувствительные к конфиденциальности, агенты должны быть встроены непосредственно в программное или аппаратное обеспечение с минимальным потреблением вычислительных ресурсов и памяти. Иллюстративные примеры релевантных моделей включают Mistral Small (Mistral AI), Gemini Nano (Google), Llama 3 8B (Meta) и Phi-2 (Microsoft).
Масштабируемая многоагентная оркестровка в масштабах предприятия. Предприятия, развертывающие сотни или тысячи агентов, требуют LLM, которые могут масштабироваться эффективно и экономично, в идеале используя разреженные архитектуры или смесь экспертов. Иллюстративные примеры релевантных моделей включают Mixtral (Mistral AI), Grok-1 (xAI), GPT-3.5 Turbo (OpenAI) и Command R+ (Cohere).
Суверенитет, аудируемость и геополитическая устойчивость для автономных агентов. Агенты, встроенные в основные операции — особенно в государственном, финансовом и критически важном секторах инфраструктуры, — должны обеспечивать соответствие требованиям, суверенитет данных, отслеживаемость и геополитическую автономию. Это включает избегание зависимости от API, размещенных за рубежом, обеспечение резидентности данных и сопротивление экстерриториальному юридическому воздействию (например, OpenAI или Anthropic, подпадающие под действие судебных повесток США). Иллюстративные примеры релевантных моделей включают Mistral Small/Mixtral (Mistral AI), Falcon 180B (TII UAE) и BloomZ/Bloom (BigScience).
Помимо этой архитектурной эволюции, организациям также придется пересмотреть свои LLM-стратегии. В основе каждого кастомного агента лежит фундаментальная модель — механизм рассуждения, который обеспечивает восприятие, принятие решений и взаимодействие. В эпоху агентского ИИ требования к LLM значительно меняются. Агенты — это не пассивные копайлоты, а автономные, постоянно действующие, встроенные системы. Это создает пять критических категорий требований к LLM, каждая из которых соответствует определенным контекстам развертывания, для которых будут актуальны различные типы моделей
Наконец, чтобы действительно масштабировать внедрение агентов по всему предприятию, сами корпоративные системы также должны развиваться.
В краткосрочной перспективе API — протоколы, которые позволяют различным программным приложениям обмениваться данными и взаимодействовать — останутся основным интерфейсом для взаимодействия агентов с корпоративными системами. Но в долгосрочной перспективе одних API будет недостаточно. Организации должны начать переосмысливать свои ИТ-архитектуры вокруг модели «агент в первую очередь» — модели, в которой пользовательские интерфейсы, логика и слои доступа к данным изначально разработаны для машинного взаимодействия, а не для навигации человека. В такой модели системы больше не организуются вокруг экранов и форм, а вокруг машиночитаемых интерфейсов, автономных рабочих процессов и потоков принятия решений под управлением агентов.
Этот сдвиг уже происходит. Microsoft встраивает агентов в ядро Dynamics 365 и Microsoft 365 через Copilot Studio; Salesforce расширяет Agentforce до многоагентного слоя оркестровки; SAP перестраивает свою Business Technology Platform (BTP) для поддержки интеграции агентов через Joule. Эти изменения сигнализируют о более широком переходе: будущее корпоративного программного обеспечения не просто дополнено ИИ — оно является изначально агент-ориентированным.
Главная проблема будет не технической — она будет человеческой
По мере того, как агенты эволюционируют от пассивных копайлотов до проактивных акторов — и масштабируются по всему предприятию — сложность, которую они привносят, будет не только технической, но в основном организационной. Настоящая проблема заключается в координации, рассудительности и доверии. Эта организационная сложность наиболее заметно проявится в трех измерениях: как люди и агенты сосуществуют в повседневных рабочих процессах; как организации устанавливают управление над системами, которые могут действовать автономно; и как они предотвращают неконтролируемое распространение по мере того, как создание агентов становится все более демократизированным.
Сосуществование человека и агента. Агенты не просто будут помогать людям — они будут действовать рядом с ними. Это вызывает тонкие вопросы о взаимодействии и сосуществовании: когда агент должен проявлять инициативу? Когда он должен уступать? Как мы поддерживаем человеческое участие и надзор, не замедляя при этом те самые преимущества, которые приносят агенты? Установление ясности в отношении этих ролей займет время, потребует экспериментов и культурной адаптации. Доверие будет зависеть не только от технических характеристик — оно будет зависеть от того, насколько прозрачно агенты общаются, насколько предсказуемо они себя ведут и насколько интуитивно они интегрируются в повседневные рабочие процессы.
Управление автономностью. Что делает агентов мощными — их способность действовать независимо — также создает неопределенность. В отличие от традиционных инструментов, агенты не ждут инструкций. Они реагируют, адаптируются и иногда удивляют. Навигация в этой новой реальности означает столкновение с пограничными случаями: что, если агент действует слишком агрессивно? Или не эскалирует тонкую проблему? Задача состоит не в устранении автономии, а в том, чтобы сделать ее понятной и согласованной с организационными ожиданиями. Это согласование не будет статичным. Оно должно развиваться по мере обучения агентов, изменения систем и углубления доверия. Механизмы контроля также должны учитывать риск галлюцинаций, или правдоподобных, но неточных результатов, которые могут выдавать агенты.
Сдерживание распространения. Как и на ранних этапах роботизированной автоматизации процессов, существует реальный риск распространения агентов — неконтролируемого увеличения числа избыточных, фрагментированных и неуправляемых агентов в командах и функциях. Поскольку платформы low-code и no-code делают создание агентов доступным для каждого, организации рискуют столкнуться с новым видом теневого ИТ: агентами, которые размножаются в командах, дублируют усилия или работают без надзора. Как избежать фрагментации? Кто решает, что нужно создавать — а что выводить из эксплуатации? Без структурированного управления, стандартов проектирования и управления жизненным циклом агентские экосистемы могут быстро стать хрупкими, избыточными и не масштабируемыми.
Агенты раскрывают весь потенциал вертикальных вариантов использования, предлагая компаниям путь к созданию ценности, значительно превышающей повышение эффективности. Но реализация этого потенциала требует переосмысления подхода к AI-трансформации — подхода, адаптированного к уникальной природе агентов и способного устранить сохраняющиеся ограничения, которые они сами по себе не могут решить. Этот подход является предметом нашей следующей главы.
Переломный момент в AI-трансформации: мандат CEO в эпоху агентского ИИ
Ключевые моменты
Для достижения влияния в эпоху агентского ИИ организациям необходимо перейти от разрозненных инициатив к стратегическим программам; от вариантов использования к бизнес-процессам; от разобщенных AI-команд к кросс-функциональным командам трансформации; и от экспериментов к индустриализированной, масштабируемой реализации.
Чтобы масштабировать агентов, организациям также потребуется заложить новую основу, повысив квалификацию рабочей силы, адаптировав технологическую инфраструктуру и разработав новые структуры управления для агентов.
Пришло время завершить фазу экспериментов с генеративным ИИ — этот поворот может сделать только CEO.
Масштабирование влияния в эпоху агентского ИИ требует перезагрузки подхода к AI-трансформации
В отличие от инструментов генеративного ИИ, которые легко интегрировались в существующие рабочие процессы, AI-агенты требуют более фундаментального сдвига, который подразумевает переосмысление бизнес-процессов и обеспечение глубокой интеграции с корпоративными системами. У McKinsey есть проверенный подход «Перезагрузка» для AI-трансформаций. Чтобы воспользоваться возможностями агентского ИИ, организациям необходимо развивать это, фундаментально перестраивая свой подход к AI-трансформации по четырем направлениям:
Стратегия: от разрозненных тактических инициатив к стратегическим программам. В условиях, когда агентский ИИ способен переформатировать основы конкуренции, организациям необходимо выйти за рамки выявления вариантов использования «снизу вверх» и напрямую согласовать инициативы в области ИИ с их наиболее критическими стратегическими приоритетами. Это означает не только преобразование существующих целей — таких как повышение операционной эффективности, улучшение близости к клиентам или усиление соответствия требованиям — в области трансформации, решаемые ИИ, но и принятие дальновидной перспективы. Руководители должны побудить свои организации выйти за рамки текущей операционной модели и исследовать, как ИИ может быть использован для переосмысления целых сегментов бизнеса, создания новых потоков доходов и создания конкурентных преимуществ, которые определят лидерство в следующем десятилетии.
Единица трансформации: от вариантов использования к бизнес-процессам. На ранней волне внедрения генеративного ИИ большинство вертикальных инициатив были сосредоточены на внедрении решения в конкретный шаг существующего процесса — что, как правило, приносило узкие выгоды, не меняя общей структуры выполнения работы. С AI-агентами парадигма полностью меняется. Теперь возможность заключается не в оптимизации изолированных задач, а в трансформации целых бизнес-процессов путем внедрения агентов по всей цепочке создания ценности. В результате инициативы в области ИИ больше не должны ограничиваться одним вариантом использования, а вместо этого должны быть ориентированы на сквозное переосмысление полного процесса или пути персоны. В вертикальных областях это означает переход от вопроса: «Где я могу использовать ИИ в этой функции?» к вопросу: «Как будет выглядеть эта функция, если агенты будут выполнять 60 процентов ее работы?». Это включает переосмысление рабочих процессов, логики принятия решений, взаимодействий человека и системы, а также показателей производительности по всей цепочке.
Модель реализации: от разобщенных AI-команд к кросс-функциональным командам трансформации. Центры компетенции ИИ сыграли ключевую роль в повышении осведомленности об ИИ и ускорении экспериментов в организациях. Однако эта модель достигает своих пределов в эпоху агентского ИИ — когда агенты глубоко встроены в корпоративные системы, работают в сложных бизнес-процессах и полагаются на высококачественные данные как на свое основное топливо. В этом контексте инициативы в области ИИ больше не могут реализовываться изолированными, специализированными AI-командами. Для достижения масштаба организации должны перейти к кросс-функциональной модели реализации, основанной на устойчивых командах трансформации, состоящих из экспертов в предметной области бизнеса, дизайнеров процессов, AI- и MLOps-инженеров, ИТ-архитекторов, инженеров-программистов и инженеров по данным.
Процесс внедрения: от экспериментов к индустриализированной, масштабируемой реализации. В то время как предыдущая фаза справедливо фокусировалась на исследовании потенциала генеративного ИИ, организации теперь должны перейти к индустриализированной модели реализации, в которой решения изначально разработаны для масштабирования, как с технической, так и с финансовой точки зрения. Это требует от организаций предвидения полного набора технических предпосылок для корпоративного развертывания — в частности, с точки зрения системной интеграции, повседневного мониторинга и управления релизами, а также тщательной оценки будущих эксплуатационных расходов и разработки решения для их минимизации. В отличие от традиционных ИТ-систем, для которых ежегодные эксплуатационные расходы обычно составляют 10–20 процентов от первоначальных затрат на создание, решения генеративного ИИ, особенно в масштабе, могут повлечь за собой повторяющиеся расходы, превышающие первоначальные инвестиции в создание. Таким образом, проектирование для масштабируемости должно включать не только техническую надежность, но и экономическую устойчивость, особенно для высоконагруженных приложений.
Четыре критически важных фактора необходимы для эффективной работы в эпоху агентского ИИ
Переосмысление подхода к AI-трансформации является важным шагом, но его недостаточно. Чтобы полностью раскрыть свой потенциал в масштабе, организации также должны задействовать надежный набор факторов, поддерживающих структурные, культурные и технические изменения, необходимые для интеграции агентов в повседневные операции. Эти факторы охватывают четыре измерения — люди, управление, технологическая архитектура и данные — каждое из которых является основой для масштабируемого, безопасного и высокоэффективного развертывания агентов по всему предприятию.
Люди: Подготовьте рабочую силу и введите новые роли. Рабочая сила должна быть готова к новым методам работы, основанным на сотрудничестве человека и агента. Это включает формирование мышления «человек + агент» посредством культурных изменений, целевого обучения и поддержки ранних последователей в качестве внутренних чемпионов. Также должны быть введены новые роли, такие как промпт-инженеры для уточнения взаимодействий, оркестраторы агентов для управления рабочими процессами агентов и дизайнеры human-in-the-loop для обработки исключений и создания доверия.
Управление: Обеспечьте контроль автономности и предотвратите распространение агентов. С появлением автономных агентов возникает необходимость в сильном управлении для предотвращения рисков и неконтролируемого распространения. Предприятия должны определить рамки управления, которые устанавливают уровни автономности агентов, границы принятия решений, мониторинг поведения и механизмы аудита. Также должны быть формализованы политики разработки, развертывания и использования, а также системы классификации, группирующие агентов по функциям (таким как автоматизаторы задач, оркестраторы доменов и виртуальные сотрудники), каждый со своей соответствующей моделью надзора.
Технологическая архитектура: Создайте основу для взаимодействия и масштабирования. Агенты, будь то специально разработанные или готовые, должны работать в фрагментированной экосистеме систем, данных и рабочих процессов. В краткосрочной перспективе организациям необходимо развивать свою AI-архитектуру от LLM-центричных установок до агентской AI-сети. Помимо этого первого шага, организациям следует начать подготовку к своей архитектуре следующего поколения, в которой все корпоративные системы будут перестроены вокруг агентов с точки зрения пользовательского интерфейса, бизнес-логики и повседневных операций.
Данные: Ускорьте продуктивизацию данных и устраните пробелы в качестве неструктурированных данных. Наконец, агенты зависят от качества и доступности корпоративных данных. Организациям необходимо перейти от специализированных конвейеров данных к многократно используемым продуктам данных и расширить управление данными на неструктурированные данные.
CEO сталкиваются с вызовом лидерства: завершение фазы экспериментов с генеративным ИИ
Появление AI-агентов — это больше, чем просто технологический сдвиг. Агенты представляют собой стратегический переломный момент, который изменит то, как компании работают, конкурируют и создают ценность. Чтобы успешно пройти этот переход, организации должны выйти за рамки экспериментов и пилотных программ и вступить в новую фазу масштабной, общекорпоративной трансформации.
Этот поворот нельзя делегировать — он должен быть инициирован и возглавлен CEO. Он будет опираться на три ключевых действия:
Действие 1: Завершите фазу экспериментов и перенастройте приоритеты ИИ. Проведите структурированный обзор, чтобы извлечь уроки, закрыть не масштабируемые пилотные проекты и официально завершить исследовательскую фазу. Перенаправьте усилия на стратегические AI-программы, нацеленные на высокоэффективные домены и процессы.
Действие 2: Пересмотрите модель управления и операционную модель ИИ. Создайте стратегический совет по ИИ с участием бизнес-лидеров, директора по персоналу, директора по данным и директора по информационным технологиям. Этот совет должен осуществлять надзор за определением направления развития ИИ; координировать инвестиции в ИИ, ИТ и данные; и внедрять строгие механизмы отслеживания ценности на основе KPI, привязанных к бизнес-результатам.
Действие 3: Запустите первый пилотный проект трансформации и одновременно заложите технологическую основу для агентского ИИ. Запустите несколько высокоэффективных трансформаций рабочих процессов на основе агентского ИИ в основных бизнес-областях. Параллельно заложите основу для технологического фундамента агентского ИИ, инвестируя в ключевые факторы — технологическую инфраструктуру, качество данных, рамки управления и готовность рабочей силы.
Заключение
Как и любая по-настоящему прорывная технология, AI-агенты способны перетасовать карты. При правильном подходе они предлагают отстающим возможность совершить скачок и перестроить свою конкурентоспособность. При неправильном — или если не действовать вовсе — они рискуют ускорить закат сегодняшних лидеров рынка. Это момент стратегического расхождения.
Хотя технология будет продолжать развиваться, она уже достаточно зрелая, чтобы приводить к реальным, трансформационным изменениям в отраслях. Но чтобы реализовать все обещания агентского ИИ, CEO должны переосмыслить свой подход к AI-трансформации — не как к серии разрозненных пилотных проектов, а как к целенаправленным, сквозным усилиям по переосмыслению. Это означает выявление нескольких бизнес-областей с наибольшим потенциалом и задействование всех рычагов: от переосмысления рабочих процессов до перераспределения задач между людьми и машинами, а также перестройки организации на основе новых операционных моделей.
Некоторые лидеры уже действуют — не просто внедряя флотилии агентов, а перестраивая свои организации, чтобы использовать их полный разрушительный потенциал. (Moderna, например, объединила свой отдел кадров и ИТ-отдел — сигнализируя о том, что ИИ — это не просто технический инструмент, а сила, формирующая рабочую силу.) Это структурный шаг к новому типу предприятия. Агентский ИИ — это не инкрементальный шаг — это основа операционной модели следующего поколения. CEO, которые действуют сейчас, не просто получат преимущество в производительности. Они переопределят то, как их организации мыслят, принимают решения и выполняют задачи.
Время для исследований заканчивается. Время для трансформации настало.