ПЕРСПЕКТИВА

Когда ИИ станет доступен каждому, именно ваша операционная модель будет выгодно отличать вас от других

5 МИНУТ ЧТЕНИЯ

24 сентября 2026 г.

Кратко

По мере того как ИИ становится повсеместным, конкурентное преимущество переходит от владения технологией к операционной модели, которая заставляет ее работать.
Ценность создается решениями, которые направляют работу, результатами, на которые они работают, и смешанной рабочей силой, состоящей из людей и агентов.
Извлечение уроков из каждого решения формирует кумулятивное преимущество, которое конкуренты, использующие те же модели ИИ, не смогут просто купить.

Операционная модель все чаще становится ограничителем для получения отдачи от ИИ. Большинство операционных моделей были созданы для мира с дефицитом интеллекта, последовательными рабочими процессами и преимущественно человеческим исполнением. ИИ изменил все это. Самое очевидное: ИИ разрывает связь между численностью персонала и объемом выпускаемой продукции: теперь мощность может расти без соразмерного увеличения фонда заработной платы.

Многие давние компромиссы определялись стоимостью координации людей и работы. Компаниям, например, часто приходилось жертвовать гибкостью ради достижения масштаба или мириться с меньшей дифференциацией в погоне за эффективностью. Достижения в области ИИ снизили эти затраты на координацию, сдвинув границу эффективности наружу.

Теперь компании могут стремиться к большему масштабу, не жертвуя при этом гибкостью, и к большей эффективности, не отказываясь от дифференциации. Результат: диапазон возможного расширился. И по мере того как возможности ИИ становятся доступными для всех, именно операционная модель и то, насколько успешно она сочетает технологии с человеческим суждением и собственными данными, будут отделять лидеров от их соперников.

Наши исследования и работа с организациями, внедряющими ИИ, указывают на пять сдвигов в том, как компаниям необходимо работать: в принятии решений, рабочих процессах, управлении персоналом, оценке стоимости результатов и организационном обучении.

Эти сдвиги дополняют друг друга, и компании могут начать воплощать эти изменения уже сейчас, даже по мере эволюции своих операционных моделей.

Сделайте принятие решений единицей конкурентного преимущества

Большинство операционных моделей по-прежнему рассматривают задачи как единицу создания ценности. По мере того как исполнение становится все более автоматизированным, большая доля создания ценности начинает зависеть от решений, которые определяют направление, распределяют ресурсы и разрешают противоречия. Поскольку ИИ берет на себя все больше задач по исполнению, дифференциатором становятся решения, определяющие, что именно делается, а также стоящие за ними собственные данные и человеческий суд.

Наиболее важные решения часто представляют собой выбор, который напрямую влияет на ключевые бизнес-результаты: какую цену предложить, какой объем запасов разместить или какой центр для клинических испытаний выбрать. Правильное принятие одного такого решения может оказать существенное влияние на результат, часто непропорциональное ценности, получаемой от оптимизации сопутствующей работы. Это делает само решение особенно важным источником ценности в организации, использующей ИИ. Поэтому компаниям необходимо определить относительно небольшое количество наиболее важных решений и решить, как люди и ИИ должны их принимать.

Для каждого решения руководители должны четко определить результат, на который оно направлено, кто несет ответственность и каким должен быть вклад ИИ в принятие решения. Как показано на Рисунке 1, правильный режим принятия решений (то есть то, как люди и ИИ разделяют работу по принятию решения) зависит от его уровня риска и сложности. Руководители также должны учитывать, в каких случаях людям необходимо сохранять контроль по таким причинам, как этика, подотчетность, легитимность или развитие талантов. Назначенные ответственные лица из числа людей и четкие правила помогают сделать решения прозрачными и доступными для аудита.

Рисунок 1: Структура режимов принятия решений

Правильный баланс ролей человека и ИИ зависит от принимаемого решения.

ИИ также может изменить время принятия решений. Вместо прохождения периодических контрольных точек по мере того, как различные подразделения предоставляют свою информацию, команды могут все чаще работать на основе общей информации и принимать решения по мере развития событий.

Faculty

Faculty, глобальная компания по прикладному ИИ, приобретенная Accenture в начале этого года, помогла NHS England разработать систему раннего предупреждения (Early Warning System — EWS) во время пандемии Covid-19, которая прогнозировала загрузку больничных коек примерно на три недели вперед. Модель оказывала поддержку в принятии решений, в то время как руководители NHS сохраняли за собой все полномочия и ответственность.

Команда начала с решений, которые необходимо было принимать пользователям, и двигалась в обратном направлении, чтобы определить, какой анализ улучшит эти решения. В одном случае EWS и другие модели предсказали всплеск заболеваемости Covid в городе в регионе Мидлендс. Но более детальный анализ показал, что рост был сосредоточен в одной больнице без широких признаков распространения инфекции в обществе. Эти данные побудили начать расследование передачи вируса внутри больницы, а не вводить немедленный локальный карантин. В данном случае ИИ предоставил информацию для принятия решения, но окончательный выбор все равно сделали люди.

Сделайте потоки создания ценности подотчетными за результаты

Большинство компаний потратили годы на улучшение показателей в рамках отдельных функций. Теперь, когда решения стали более четко определенными, основные возможности лежат на уровне всей организации, где передача задач от одного отдела к другому создает задержки, дублирование и разочарование клиентов. Компании могут реализовать эту ценность, организовав работу вокруг результатов, охватывающих несколько функций.

Компании могут уделять больше внимания горизонтальным потокам создания ценности, или «мегапроцессам», которые пронизывают различные функции. Степень их внедрения может быть различной: от полностью ресурсных потоков создания ценности с собственными бюджетами и подотчетностью до более сбалансированной модели. В любом случае этот сдвиг выходит за рамки линий подчинения и затрагивает саму операционную модель, включая структуру, процессы, таланты и стимулы. Путь клиента и сквозные потоки (такие как от сигнала до полки, от коммерческого предложения до поступления средств, от претензии до урегулирования и от пациента до результата) становятся еще одним способом организации и управления работой.

Внутри каждого потока создания ценности работа организуется вокруг общего результата, а не приоритетов отдельных функций. Как показано на Рисунке 2, люди и ИИ могут играть разные роли в принятии решений на этом пути, в то время как большая часть процессов выполнения автоматизируется. При этом функции по-прежнему отвечают за стратегию, стандарты и экспертизу, от которых зависит поток создания ценности.

Рисунок 2: Внутри потока создания ценности

В операционных моделях на базе ИИ потоки создания ценности пересекают различные функции, в то время как за функциями сохраняются их основные обязанности

ИИ укрепляет позиции горизонтальных потоков создания ценности по двум направлениям. Он делает межфункциональную координацию более дешевой и быстрой, устраняя одну из главных причин, по которым сквозная реорганизация исторически представляла собой сложную задачу. Он повышает цену бездействия при отказе от реорганизации, поскольку агенты, работающие в неизменной среде, выявят неэффективность, которую функциональная отчетность никогда не обнаруживала.

Рассмотрим нашу работу с глобальной компанией, предоставляющей промышленные решения. Компания применяет этот принцип к своему потоку создания ценности «от лида до поступления средств», реорганизуя процесс от начала до конца, а не просто надстраивая ИИ над существующими межфункциональными стыками. Новая модель взаимодействия человека и ИИ обеспечила 70% обработки поступлений средств без участия человека и, по оценкам, высвобождает 39% мощностей, создавая возможности для перенаправления сотрудников на более ценную работу.

Управляйте людьми и агентами как единым персоналом

По мере того как работа перестраивается вокруг ИИ, компаниям также необходимо пересмотреть распределение труда. ИИ-агенты уже выполняют значимую работу во многих предприятиях: решают проблемы клиентов и управляют задачами и процессами в цепочках поставок. Фактически почти каждая крупная компания в прошлом году внедрила как минимум одного агента. Однако у большинства агентов нет назначенного владельца, четкой линии подотчетности или места в плане развития персонала. По мере того как агенты берут на себя больше работы и большую долю рутинных решений, пробелы в управлении собственностью затрудняют контроль за их производительностью, урегулирование исключительных ситуаций и определение того, кто в конечном счете отвечает за результат.

Это будет все труднее поддерживать по мере того, как компании будут перераспределять больше работы между людьми и ИИ. В нашем недавнем опросе 3000 руководителей уровня C-suite из некоторых крупнейших компаний мира 58% руководителей заявили, что их организации планируют изменить распределение работы между людьми и ИИ в ближайшие 12 месяцев, что более чем вдвое превышает долю тех, кто сказал то же самое в начале 2026 года.

Управление людьми и ИИ как единой рабочей силой начинается с подотчетности. У каждого агента должен быть назначенный владелец из числа людей, который несет конечную ответственность за его действия. Политики и защитные механизмы также должны применяться одинаково к людям и машинам, с четкой фиксацией того, как делегируются полномочия.

Помимо подотчетности, меняется и планирование. Команда, а не отдельный человек, всегда была реальной единицей производительности, и ее состав всегда имел большее значение, чем возможности любого отдельного участника. Что добавляет ИИ, так это новый уровень, который необходимо учитывать: команда теперь представляет собой сочетание людей и агентов, и это сочетание должно быть спроектировано, а не предполагаться. Как только руководители узнают результаты и решения, за которые отвечает команда, они могут установить баланс между человеческим суждением и машинной мощностью, чтобы обеспечить масштабируемую работу. Внутри команды человеческий труд концентрируется там, где он незаменим: в знании того, когда доверять системе, когда вмешиваться и когда эмпатия важнее всего.

Moderna

Масштабное управление такой комбинированной рабочей силой также поднимает вопрос о том, где находится ответственность за нее. Moderna предлагает один из ответов.

В 2025 году фармацевтический лидер объединил свои функции управления персоналом и ИТ под руководством единого директора по персоналу и цифровым технологиям. Сам по себе этот шаг не означал создания полностью интегрированной модели работы людей и агентов, но он помог решить растущую структурную проблему: ответственность за комбинированную рабочую силу больше не может оставаться в разрыве между HR и технологиями.

Замените экономику численности персонала на стоимость за результат

Поскольку человеческие и машинные мощности управляются совместно, компаниям также нужен более совершенный способ измерения стоимости этих мощностей. Однако большинство финансовых систем и систем управления персоналом по-прежнему планируют бюджет мощностей в двух колонках: заработная плата и подрядчики.

Хотя ИИ-агенты стали третьим источником производительной мощности, их затраты ведут себя иначе, чем затраты на сотрудников и подрядчиков.

Труд сотрудников — это в значительной степени обязательные затраты, тогда как машинная мощность основана на потреблении: она может расширяться и сжиматься в зависимости от использования. Ее экономика больше напоминает облачную инфраструктуру, чем фонд оплаты труда. Расходы на ИИ также не масштабируются предсказуемо в зависимости от численности персонала. В недавнем исследовании Accenture, посвященном внедрению ИИ, менее 10% пользователей и рабочих процессов обеспечивали подавляющее большинство расходов на ИИ. В результате две сопоставимые по размеру рабочие силы могут иметь очень разные затраты на ИИ в зависимости от того, где и насколько интенсивно используется ИИ. Однако большинство систем планирования по-прежнему строятся вокруг численности персонала и не предназначены для учета переменных затрат ИИ, основанных на использовании, или неравномерного распределения расходов на ИИ по всей рабочей силе.

Поскольку все больше работы организуется вокруг критически важных решений и горизонтальных потоков создания ценности, затраты следует измерять относительно результатов, которые обеспечивают эти потоки. Таким образом, правильным показателем является стоимость за результат: чего достигла организация и сколько это стоило?

Измерение стоимости за результат требует, чтобы люди, агенты и выводы ИИ находились на более сопоставимых условиях в системах планирования. В более широком смысле, все пять изменений, описанных в этой статье, зависят от того, чего сегодня есть у немногих предприятий: связанного представления о людях и агентах, выполняющих работу, о решениях, которые ее формируют, о том, сколько эта работа стоит, и об управлении ею.

Без этой связи руководители не могут надежно определить стоимость результата или сделать обоснованный выбор в отношении сочетания человеческих и машинных мощностей, стоящих за ним. Это одновременно проблема операционной модели и финансовый вопрос, поэтому CHRO и CTO должны решать ее вместе с CFO. Пока у них нет общего представления, экономика операционной модели остается невидимой.

Amazon

Использование робототехники в Amazon показывает, как численность персонала становится все более слабым показателем производительной мощности.

Количество посылок, обработанных компанией от начала до конца в расчете на одного сотрудника, выросло примерно со 175 в 2015 году до 3870 в 2024 году. К 2025 году Amazon развернула более 1 миллиона роботов в своих операциях. Ее модель DeepFleet координирует движение роботов по центрам выполнения заказов, повышая эффективность перемещения роботов на 10%. В своем центре выполнения заказов нового поколения Amazon сообщает, что время обработки заказов сократилось до 25%, а целевое улучшение стоимости обслуживания в пиковые периоды составляет 25%.

Превратите циклы обучения в конкурентное преимущество

Такое связанное представление также создает условия для чего-то более ценного: организации, которая становится умнее с каждым принятым решением. Большинство организаций фиксируют результаты, но редко фиксируют контекст, стоящий за ними, включая то, что знали менеджеры, чего они ожидали, что рекомендовал ИИ, почему люди приняли или отклонили эту рекомендацию и что произошло в результате.

Институциональные знания живут в головах опытных людей, а не в окружающих их системах. ИИ может изменить экономику организационного обучения, упрощая сбор, обмен и применение этих знаний. Действительно, теоретики менеджмента давно утверждают, что организации совершенствуются за счет непрерывного обучения и исправления ошибок: Питер Сенге популяризировал идею «обучающейся организации», а философ Карл Поппер подчеркивал прогресс через проверку идей и извлечение уроков из ошибок.

ИИ может сделать эти принципы более практичными в масштабе, помогая организациям сохранять то, что они узнают, и применять это к будущим решениям и работе. «История решений» — накопленная запись контекста, рекомендаций, суждений, действий и результатов, связанных с ключевыми решениями, — может информировать как будущих лиц, принимающих решения, так и будущие системы ИИ.

Mastercard

Возьмем Mastercard. Компания использует систему принятия решений по борьбе с мошенничеством, которая оценивает примерно 159 миллиардов транзакций в год.¹⁰ Каждая транзакция и ее результат вносят вклад в историю, доступную для оценки будущих транзакций, помогая системе адаптироваться по мере изменения моделей мошенничества.¹¹

Генеративный ИИ с тех пор удвоил скорость, с которой Mastercard обнаруживает скомпрометированные карты.

Хотя большинство крупных компаний со временем получат доступ к аналогичным фундаментальным моделям, агентным платформам и вычислительной инфраструктуре, у них не будет одинаковой истории взаимодействия с клиентами, операционных исключений, управленческих решений и результатов. История решений компании — это источник преимущества, которое усиливается с каждым принятым решением; организации, которые начнут фиксировать и изучать свои решения уже сейчас, создадут преимущество, которое со временем станет всё труднее воспроизвести другим.

С чего начать

Это масштабные структурные сдвиги, но лидерам не нужно ждать годы, чтобы понять, что они работают. Они могут начать с оценки того, где ценность под угрозой, а трение максимально, и выстроить дорожную карту исходя из этого. В течение 90 дней первые шаги покажут, начинает ли операционная модель приживаться.

Назначьте ответственных владельцев для тех немногочисленных клиентоориентированных потоков создания ценности, которые важнее всего, — каждый с чётким показателем, который нужно улучшить, и реальными полномочиями по компромиссам, которые сегодня уходят в комитеты.

Сигнал на 90-й день: эти решения теперь направляются владельцу, которого оценивают по результату.

Внутри каждого потока распределите значимые решения по тому, как их должны принимать люди и ИИ, — каждое с назначенным ответственным человеком, ограничениями и триггером для эскалации.

Сигнал на 90-й день: живой реестр решений, показывающий, где предполагаемый режим принятия решений отличается от фактически используемого.

Относитесь к людям и агентам как к единой рабочей силе. Дайте каждому агенту назначенного ответственного человека и отслеживайте людей и агентов в одном месте — по возможностям, стоимости и производительности.

Сигнал на 90-й день: первый набор агентов появляется в представлении рабочей силы, каждый с ответственным владельцем.

Установите базовый показатель стоимости за результат для одного потока создания ценности, объединив людей, агентов и инференс на общих условиях и привязав их полную стоимость к тому, что поставляет поток.

Сигнал на 90-й день: базовый показатель существует, и лидеры видят, как стоимость соотносится с результатом, который ожидается от потока создания ценности.

Замкните один цикл обучения. Фиксируйте контекст, суждение и результат для одного класса повторяющихся решений и передавайте их в следующий цикл.

Сигнал на 90-й день: цикл работает, и результаты влияют на следующее решение.

Если эти сигналы видны через 90 дней, операционная модель меняется. Если не видно ни одного — это всё ещё просто развёртывание.

Это пять сдвигов, лежащих в основе эффективной операционной модели в эпоху ИИ. И именно они отличают компании, которые просто внедряют ИИ, от тех, кто превращает его в устойчивую производительность.