Как компании могут помочь своим ИИ-агентам учиться друг у друга

В Microsoft мы ежедневно общаемся с бизнес-лидерами о том, что превращение в компанию рубежного типа (Frontier Firm) означает создание самоподдерживающейся системы обучения во всей организации. Они понимают эту концепцию. Что они хотят знать, так это как применить ее на практике: как это выглядит в моей компании? Что на самом деле делают организации, ушедшие дальше всех? И как узнать, что мы добиваемся прогресса?

До сих пор исследования, предлагающие практические рекомендации по масштабной трансформации компаний, были ограничены. Новое исследование, запущенное Microsoft в сотрудничестве с глобальной технологической и консалтинговой фирмой Keystone, оценило текущее положение крупных предприятий и выявило закономерности, которые указывают на перспективные пути для остальных.

Суть в следующем: многие компании уже создают агентов и задействуют их в работе. По мере того как агенты берут на себя все больше задач, главной проблемой становится то, как ими управлять и как учиться на их опыте. Один из способов справиться с этой задачей — информационный стержень (knowledge spine): общая система, которая хранит и обновляет контекст, используемый агентами, а также исправления, тесты и уроки, извлекаемые из работы агентов. Среди компаний, участвовавших в исследовании, те, у которых было внедрено больше практик, измеренных исследователями (включая элементы информационного стержня), также показали более значительный рост операционной маржи и рентабельности активов в период с 2022 по 2025 год. То, чему учатся агенты компании в процессе работы, представляет собой ценную аналитическую информацию, которая принадлежит исключительно этой компании.

Только 3% компаний из выборки развернули базовые компоненты для создания информационного стержня, но они демонстрируют подход, которому могут следовать другие организации. Тем не менее, еще ранний этап, и это исследование показывает корреляцию, а не причинно-следственную связь, что означает наличие дополнительной работы и необходимость узнать больше о пути трансформации, по которому мы все идем вместе.

Об исследовании

Чтобы выяснить, какие практики выделяют эти компании среди остальных, исследовательская группа сначала опросила руководителей 29 организаций с передовыми внедрениями ИИ, включая 18 стартапов с искусственным интеллектом в основе, для выявления операционных сходств. Затем они перевели эти выводы в подробную анкету и использовали ее для оценки более чем 200 других предприятий, как частных, так и государственных. Каждое предприятие в выборке насчитывает более 1000 сотрудников, и вместе они охватывают такие сектора, как финансовые услуги, производство, здравоохранение, розничная торговля и технологии. Все компании уже использовали ИИ, поэтому выборка не представляет экономику в целом. Анкета оценивала каждую компанию по практикам, которые она использует для создания, запуска, координации, проверки своих агентов и обучения на их основе.

Платформа для трансформации

Чтобы обеспечить основу для понимания корпоративной трансформации, исследователи разделили компании на четыре стадии на основе их баллов по анкете. Компании на первой стадии демонстрируют лоскутное одеяло из пилотных проектов ИИ и часто не имеют внедрений ИИ за пределами чата. Эти усилия лишены координации, не связаны с реальными бизнес-процессами и, судя по всему, демонстрируют минимальное влияние на бизнес.

На второй стадии компании используют агентов для решения реальных бизнес-задач. Они ориентируются на конкретные рабочие процессы в различных функциональных областях, но им не хватает систем управления и оркестрации. Вместо этого они создают команды и комитеты для расстановки приоритетов в инвестициях в ИИ, обеспечения системы сдержек и противовесов и управления разрозненными усилиями. По сути, люди координируют агентов и проверяют их работу. Неудивительно, что человеческую оркестрацию трудно масштабировать, из-за чего получение отдачи может быть затруднено.

Третья стадия — это поворотный момент. Компании начинают использовать системы, а не людей, для координации агентов (некоторые — путем совместного использования общей базы знаний, другие — путем тщательного мониторинга работы агентов), причем бизнес-результаты определяют, какую работу берут на себя агенты. Исследователи услышали от некоторых компаний, что это происходит в основном в отдельных частях бизнеса, таких как один отдел или несколько рабочих процессов, с чего и практично начать.

На четвертой стадии эти практики объединяются. В большинстве из них внедрена оркестрация, управление и информационный стержень, а многие передают уроки из работы агентов обратно в общую базу знаний и тесты, на которые они полагаются. Таково направление движения: единая агентная операционная модель, в которой системы берут на себя большую часть координации и обучения.

Четыре стадии корпоративной трансформации

Компании, участвовавшие в исследовании, были разделены на четыре стадии зрелости ИИ. Третья стадия знаменует собой начало ключевого прорыва: перенос координации работы с людей на системы.

Где проявляется отдача

Команда сравнила финансовые результаты с 2022 по 2025 год для более чем 100 публичных компаний, участвовавших в исследовании, оценив показатели компаний из верхних двух квартилей по баллам анкеты по сравнению с компаниями из нижних квартилей. Компании, попавшие в верхний квартиль, улучшили операционную маржу более чем на 5 процентных пунктов по сравнению с компаниями из нижнего квартиля, а рентабельность активов — примерно на 2 процентных пункта. Проще говоря, чем выше балл компании, тем сильнее имела тенденцию расти ее маржа. Эти финансовые результаты охватывают период времени, предшествующий большинству современных агентских систем. Таким образом, исследование не может утверждать, что именно агенты обеспечили такую маржу, а лишь то, что компании с самыми высокими баллами уже делали что-то правильно. Планируются дополнительные исследования для проверки причинно-следственных связей.

Почему маржа почти не изменилась у компаний из нижних двух квартилей? Исследователи указывают на идею, которую экономисты называют J-кривой: при появлении крупной новой технологии окупаемость может упасть или затормозиться, пока компании реорганизуют работу вокруг нее, а затем вырасти, как только эти изменения принесут плоды. В случае с агентами задержка может быть связана с тем, что их развертывание происходит быстрее, чем создание систем для их координации. Тем не менее, если окупаемость может задерживаться, то, как компания управляет расходами на ИИ в процессе, имеет значение.

Многие фирмы начинают с предоставления сотрудникам широкого доступа к ИИ. Около половины из них затем устанавливают лимиты на токены или расходы для команд или задач. Некоторые идут дальше и привязывают расходы к результатам, например, заставляя активных пользователей обосновывать более высокий лимит. Использование меньшего количества токенов не обязательно является самоцелью. Главное — знать, во сколько обходится каждый хороший результат. А значительной статьей расходов может быть проверка людьми работы агентов, и здесь на помощь приходит информационный стержень.

С информационным стержнем исправление ошибки не ограничивается агентом, который ее совершил, — другие агенты учатся на этом взаимодействии. Агенты компании опираются на одни и те же проверенные знания о бизнесе, и эти знания могут улучшаться с каждым исправлением. Принцип прост, и именно эта идея лежит в основе нашего слоя корпоративного интеллекта Microsoft IQ: обновляйте общие знания в одном месте и позволяйте каждому агенту использовать их. Это высвобождает для компании возможность сосредоточиться на той части информационного стержня, которую может создать только она сама: на исправлениях, тестах и уроках из собственной работы.

Экосистема информационного стержня

Как связанные действия агентов могут превратить совместное обучение в проприетарные ноу-хау.

Как построить информационный стержень для агентов

Предприятия, создающие информационную основу (knowledge spine), используют четыре практики, которые другие компании могут рассмотреть для внедрения в рамках одной команды или всей организации: во-первых, собирать контекст о бизнес-операциях из различных источников — приложений для чатов, учетных систем, внутренней документации — и хранить его централизованно, чтобы агенты могли использовать самую свежую информацию. Во-вторых, относиться к исправлениям как к информации. Когда кому-то приходится исправлять результат работы агента, превращайте эту ошибку в тестовый пример для следующей версии. В-третьих, объединять всю эту информацию для формирования действий агента. Не ограничивайтесь исправлением ответа; измените то, как агент справляется с подобной работой. Наконец, назначьте владельца информационной основы. Кто-то должен нести ответственность за то, на какие источники должны опираться агенты, что происходит, когда эти источники противоречат друг другу, и когда устаревшую информацию следует заменять.

В основе этих четырех практик лежит общий принцип: наблюдаемость. Перед тем как выпустить агента в работу, компания создает набор тестовых примеров с четко определенными ожидаемыми результатами, включая случаи, основанные на прошлых ошибках. Это ваш золотой набор данных — надежный способ проверить, соответствует ли работа агента вашим стандартам. Компании на более продвинутых стадиях также собирают подробную операционную телеметрию по каждому действию и попытке агента, что позволяет им легче определять, почему агентам требуются исправления и как их реализовать.

Когда записи показывают, что агент все делает правильно, вы можете расширить круг задач, которые этот агент может выполнять самостоятельно. Когда агент совершает ошибку, вы можете ограничить его действия. Агенты заслуживают свою автономность на основе доказательств.

С чего начать

Создание этой системы на уровне всего предприятия — задача сложная, и лишь немногие компании сделают это сразу целиком. Практичный путь — начать с одного подразделения бизнеса: создать информационную основу для отдельной команды или нескольких связанных рабочих процессов, доказать ее работоспособность, а затем масштабировать. Конечной целью по-прежнему остается система на уровне всей фирмы, где агенты учатся друг у друга в масштабах всей организации. Но вы можете начать с малого и двигаться к этой цели.

Три вопроса помогут вам и вашей команде понять свое текущее положение: когда кто-то исправляет агента, доходит ли этот урок до какого-либо другого агента? Есть ли у вас общий стандарт качественной работы, который совершенствуется при возникновении каждой ошибки? И знаете ли вы, кто владеет информацией, на которую полагаются ваши агенты? Ответ «нет» на любой из этих вопросов — хороший повод начать.

В этом заключается масштабный сдвиг в корпоративном ИИ: от моделей к системам, от возможностей ИИ к инфраструктуре ИИ, от изолированного интеллекта к скоординированному. Модели будут продолжать меняться. Уроки, которые агенты компании извлекают из собственной работы, остаются с ней — и это преимущество, которое стоит начать создавать уже сейчас. Мы рассматриваем это исследование как первый шаг в помощи нашим клиентам понять, что работает и как это построить. По мере появления новых данных мы продолжим делиться ими здесь. Чтобы глубже вникнуть в выводы и методологию, прочтите рабочий документ Keystone для Гарвардской школы бизнеса «Organizing AI at Enterprise Scale.»

Sarkar, E., Abudurexiti, D., Beltinger, E., Daubenspeck, J., and Iansiti, M. (2026). “” Harvard Business School Working Paper No. 27-038, October 2026. Исследование частично финансировалось Microsoft и Keystone. Microsoft также поделилась полевыми наблюдениями, которые легли в основу гипотез, исследованных в ходе первоначальных интервью; все остальные аспекты исследования проводились независимо от Microsoft.

Sarkar et al. (2026), Раздел 5.4 и Рисунок 5. Финансовые результаты за 2022–2025 годы сравнивались по группам баллов опросника для публичных компаний, участвовавших в исследовании. Практики измерялись в 2026 году, после этого периода, поэтому результаты показывают связь с прошлой производительностью, а не причину и следствие.

Sarkar et al. (2026), Раздел 5.2 и Таблица B5. Шесть из 202 компаний (3%) сообщили о применении всех четырех практик, объединяющих операции ИИ: автоматически обновляемый реестр агентов, оценки, инициируемые производственными сигналами, повторное использование паттернов прошлых ошибок при тестировании и выбор моделей под конкретные задачи.

Sarkar et al. (2026), Раздел 4.1 и Таблица A1. Интервью с руководителями 29 организаций, включая 18 AI-native стартапов и 11 зрелых предприятий, легли в основу опросника.

Sarkar et al. (2026), Раздел 4.2. Подготовленные интервьюеры опрашивали лиц, принимающих решения в сфере ИИ на 202 предприятиях США с более чем 1000 сотрудников в США в период с июня по сентябрь 2026 года: 42 в финансовых услугах, 41 в обрабатывающей промышленности, 30 в сфере программного обеспечения, 29 в здравоохранении и науках о жизни, 21 в розничной торговле и 39 в других отраслях. Все участники активно использовали ИИ, поэтому выборка не представляет все компании США.

Sarkar et al. (2026), Разделы 5.2 и 6.1 и Рисунок 6. Статистический анализ выделил пять групп компаний со схожими практиками, которые исследователи интерпретируют как предлагаемую четырехуровневую структуру зрелости, описываемую здесь как четыре стадии, с двумя конфигурациями на третьем уровне. Уровни описывают различия между компаниями в определенный момент времени; в статье переход между ними рассматривается как гипотеза для будущего тестирования.

Sarkar et al. (2026), Таблицы B2 и B4. Среди компаний четвертой стадии 86% сообщили о наличии работающего слоя оркестрации, 76% — о слое общего контекста и 90% — о назначенном владельце результатов работы агентов; 66% расширяют свои наборы для оценки за счет новых производственных сбоев, а 33% автоматически передают уроки работы агентов обратно в общий контекст.

Sarkar et al. (2026), Раздел 5.4, Рисунок 5 и Таблица C3. Финансовые данные из Capital IQ, 2022–2025 гг., охватывающие 113 публичных компаний по рентабельности активов и 97 по операционной марже, с поправкой на размер компании и отрасль. Компании из двух верхних квартилей по баллам улучшили операционную маржу примерно на 5,4 процентных пункта больше, чем компании из нижних квартилей, а рентабельность активов — примерно на 2,3 пункта больше. В разрезе квартилей операционная маржа изменилась примерно на +5,8 процентных пункта в верхнем квартиле по сравнению с примерно +0,4 в нижнем; рентабельность активов изменилась примерно на +2,3 по сравнению с примерно 0,0.

Sarkar et al. (2026), Рисунок 5 и Раздел 6.2. Скорректированные изменения операционной маржи от низшего квартиля баллов к высшему составили примерно +0,4, −0,3, +5,1 и +5,8 процентных пункта. Исследователи описывают это как J-образный паттерн, но отмечают, что статистические тесты не подтвердили его точную форму.

Sarkar et al. (2026), Таблица B3. 76% компаний из верхнего квартиля по баллам сообщили о наличии доступных для поиска записей активности агентов по сравнению с 8% в нижнем квартиле.