ПЕРСПЕКТИВА

Когда ИИ есть у всех, именно ваша операционная модель выделит вас среди остальных

5 МИНУТ НА ЧТЕНИЕ

6 октября 2026 г.

Кратко

По мере того как ИИ становится более функциональным и широко внедряемым, конкурентное преимущество переходит от владения технологией к операционной модели, которая заставляет ее работать.
Ценность создается благодаря решениям, определяющим направление работы, достигаемым бизнес-результатам, а также эффективному взаимодействию людей и агентов.
Обучение на каждом решении формирует кумулятивное преимущество, которое конкуренты, использующие те же модели ИИ, не смогут просто так купить.

Сегодня операционная модель определяет предельный уровень отдачи от ИИ. Технология появилась, но организация вокруг нее не успела за ней измениться.

Операционная модель — это то, как организации превращают стратегию в показатели эффективности. Она объединяет элементы, заставляющие стратегию работать: структуру, процессы и управление, лидерство, таланты, метрики и вознаграждения, а также данные и технологии. Эти элементы функционируют как единая система, поэтому изменение технологии без адаптации остальных окружающих элементов может ограничить реальные выгоды.

Большинство операционных моделей были созданы для мира с дефицитом интеллектуальных ресурсов, последовательными рабочими процессами и преимущественно человеческим исполнением. ИИ изменил все три составляющие. Прежде всего, он разрывает связь между численностью персонала и объемом выпускаемой продукции: теперь производительность может расти без соразмерного увеличения фонда оплаты труда.

Многие давние компромиссы определялись стоимостью координации людей и работы. Например, компаниям часто приходилось жертвовать гибкостью ради масштаба или минимизировать различия в погоне за эффективностью. Достижения в области ИИ снизили эти издержки координации, поэтому подобные компромиссы больше не стоят так остро, хотя их по-прежнему необходимо решать. Теперь компании могут добиваться большего масштаба, не жертвуя гибкостью, и большей эффективности, не отказываясь от уникальности. Результат: диапазон возможностей значительно расширился.

Возможности ИИ становятся доступны каждому. Лидеров от остальных участников рынка будет отличать их операционная модель, а также то, насколько эффективно она объединяет технологии с человеческим суждением и проприетарными данными для улучшения бизнес-результатов.

Наши исследования и практическая работа по масштабированию ИИ с клиентами и в рамках Accenture указывают на пять изменений в том, как компаниям необходимо вести свою деятельность. Эти сдвиги дополняют друг друга.

Опирайтесь на принятие решений

В большинстве операционных моделей задачи по-прежнему рассматриваются как единица создания ценности. По мере того как исполнение становится все более автоматизированным, бо́льшая доля создания ценности начинает зависеть от решений, которые задают направление, распределяют ресурсы и разрешают противоречия. Поскольку ИИ берет на себя все больше задач по исполнению, ключевым фактором дифференциации становятся решения, определяющие объем работ, а также стоящие за ними проприетарные данные и человеческий опыт.

Наиболее важные решения — это те, которые напрямую влияют на клиентов и бизнес-результаты: какую цену предложить, какой объем запасов разместить или какую площадку для клинических испытаний выбрать. Правильный выбор в одном из таких вопросов может оказать существенное влияние на результат, зачастую несопоставимый с ценностью от оптимизации сопутствующих процессов. Это делает само решение особо важным источником ценности в организации, использующей ИИ.

Следовательно, компаниям необходимо выявить относительно небольшое число наиболее важных решений и определить, как люди и ИИ должны их принимать. Сегодня операционные модели в основном строятся вокруг того, как выполняются задачи. Этот сдвиг придает решениям, направляющим эту работу, больший вес при проектировании операционной модели.

Для каждого решения руководители должны указать ожидаемый результат, зону ответственности и роль ИИ. Как показано на рисунке 1, правильный режим принятия решений (то есть то, как люди и ИИ делят между собой эту работу) зависит от уровня риска и сложности. Руководителям также следует учитывать, в каких случаях людям необходимо сохранять контроль по соображениям этики, подотчетности, легитимности или развития персонала. Четкие правила техники безопасности помогают сделать решения прозрачными и проверяемыми.

Рисунок 1: Структура режимов принятия решений

Правильный баланс ролей человека и ИИ зависит от конкретного решения.

По мере того как ИИ принимает все больше решений, управление должно стать более прозрачным. Многое из этого раньше никогда не фиксировалось письменно, потому что люди умели чувствовать ситуацию: они понимали, какие вопросы находятся в их ведении, когда следует посоветоваться с другими и когда ситуация кажется настолько подозрительной, что работу нужно остановить. У агентов нет такого чутья, поэтому права на принятие решений, ограничения и точки эскалации должны быть установлены до того, как решение будет принято, включая те случаи, когда неопределенность требует участия человека. Это меняет процессы, систему управления и роль лидеров: полномочия заранее закрепляются за командами, отвечающими за решения, вместо согласований происходит эскалация исключений, а лидеров судят скорее по качеству принятых решений, чем по сопутствующей активности.

Это также меняет время принятия решений. Вместо прохождения периодических этапов, когда различные подразделения предоставляют свою информацию, команды могут все активнее работать с общими данными и принимать решения по мере развития событий. Неизменным остается лишь то, кто несет ответственность за окончательный вердикт. Именно так выглядит проектирование с ориентацией на принятие решений на практике.

Faculty

Глобальная компания в области прикладного 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 руководство NHS сохраняло за собой полномочия и ответственность.

Команда начала с решений, которые необходимо было принимать людям, и обратилась к истокам, чтобы определить, какой анализ поможет их улучшить. В одном из случаев система EWS и другие модели предсказали всплеск заболеваемости Covid в одном из городов Мидлендса. Однако более детальный анализ показал, что рост был сосредоточен в одной конкретной больнице без более широких признаков распространения инфекции в обществе.

Эти данные побудили провести расследование внутри самой больницы, а не вводить немедленный локальный карантин. В данном случае ИИ предоставил информацию для решения, но окончательный вердикт все равно вынесли люди.

Организуйте работу вокруг результатов

Большинство компаний потратили годы на повышение эффективности отдельных подразделений. Теперь, когда решения стали более четко определенными, основные возможности лежат в плоскости всей организации, где передача задач между отделами создает задержки, дублирование и недовольство клиентов. Компании могут извлечь эту выгоду, организовав работу вокруг результатов, охватывающих несколько функций.

Начните с определения от пяти до восьми сквозных потоков создания ценности или мегапроцессов, которые наиболее важны для клиентов и обеспечивают максимальные бизнес-результаты; например, от получения сигнала до поступления товара на полку, от коммерческого предложения до получения оплаты, от претензии до ее урегулирования или от поступления пациента до выздоровления. Затем задокументируйте рабочие процессы и ключевые решения внутри каждого из них. Эти решения обычно находятся на стыках подразделений, из-за чего функции редко видят их от начала и до конца. Дальше начинается более сложная часть, поскольку потоки создания ценности обретают реальные полномочия только тогда, когда вместе с ними передаются ответственность, права на принятие решений и бюджет.

Матрица никуда не исчезает, и глубина ее трансформации — это осознанный выбор компании. Некоторые организации наделяют потоки создания ценности большей ответственностью за результаты, в то время как функциональные подразделения обеспечивают стратегию, стандарты и экспертные знания. Другие проводят перебалансировку более постепенно, распределяя ответственность между ними. В любом случае изменения затрагивают не только цепочки подчинения, но и саму операционную модель, включая структуру, процессы, кадры и систему мотивации.

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 каждом этапе, в то время как все большая часть процессов выполнения автоматизируется.

Рисунок 2: Внутри потока создания ценности

В операционных моделях на базе ИИ потоки создания ценности пронизывают функции, при этом функции сохраняют свои ключевые обязанности

ИИ усиливает аргументы в пользу горизонтальных потоков создания ценности по двум причинам. Он делает координацию между функциями проще и быстрее, устраняя одну из главных причин, почему сквозной редизайн исторически представлял собой сложную задачу. Он повышает цену бездействия при отказе от редизайна, поскольку агенты, работающие в неизменной среде, выявляют неэффективность, которую функциональная отчетность никогда не обнаруживала.

Глобальная компания по поставке промышленных решений

Рассмотрим наш опыт работы с глобальной компанией, поставляющей промышленные решения. Компания внедрила единую корпоративную операционную модель и переопределила порядок выполнения работы в девяти мегапроцессах, включая сквозной процесс от лида до поступления выручки (lead-to-cash). Она находится на пути к развертыванию более чем 100 ИИ-агентов для координации принятия решений в рамках этого процесса. В направлениях, которые уже функционируют, включая управление зачислением платежей, обработку заказов до выставления счетов и управление основными данными, компания достигла примерно 70% бесконтактной обработки и сократила задержки на срок до трех дней.

Управление динамичным персоналом

Поскольку работа перестраивается вокруг ИИ, компаниям также необходимо переосмыслить распределение трудовых ресурсов. Например, ИИ-агенты уже выполняют значимый объем работы во многих компаниях, разрешая проблемы клиентов и управляя задачами и процессами цепочки поставок. По сути, почти каждая крупная компания в прошлом году развернула хотя бы одного агента. Тем не менее у большинства агентов нет конкретного владельца, четкой зоны ответственности или места в плане развития персонала. По мере того как агенты берут на себя все больше работы и принимают все больше рутинных решений, пробелы в ответственности затрудняют контроль их эффективности, разрешение исключительных ситуаций и определение того, кто в конечном итоге отвечает за результат.

Устранить эти пробелы будет сложнее по мере того, как компании перераспределяют работу между людьми и ИИ. В нашем недавнем опросе 3000 руководителей высшего звена из крупнейших компаний мира 58% респондентов заявили, что их организации планируют изменить распределение работы между людьми и ИИ в ближайшие 12 месяцев — это более чем в два раза превышает показатель начала 2026 года.

Управление людьми и ИИ как единым штатом сотрудников начинается с ответственности. У каждого агента должен быть конкретный человек-владелец, который несет полную ответственность за его действия. Политики и ограничения также должны одинаково применяться как к людям, так и к машинам, с четкой фиксацией того, как делегируются полномочия. Кроме того, агенты должны быть отражены в плане персонала наравне с людьми, с таким же уровнем прозрачности в отношении их возможностей и эффективности, чтобы лидеры могли планировать и управлять совокупным штатом как единым целым. Это затрагивает как кадровые ресурсы, так и поддерживающие их системы, ни одна из которых изначально не была рассчитана на работу с обоими компонентами.

Помимо ответственности, меняется и планирование. Команда всегда была реальной единицей измерения эффективности, и ее состав всегда имел большее значение, чем возможности любого отдельного участника. С появлением ИИ команда теперь представляет собой гибрид из людей и агентов, и этот состав необходимо проектировать, а не оставлять на волю случая. Как только руководители определяют результаты и решения, за которые отвечает команда, они могут настроить баланс человеческого суждения и машинных мощностей для достижения масштабных результатов. Внутри команды человеческий труд концентрируется там, где он незаменим: в понимании того, когда доверять системе, когда вмешиваться и когда эмпатия имеет решающее значение.

Эффективная работа такого смешанного штата в масштабах всей компании также поднимает вопрос о том, кто именно несет за него ответственность.

Moderna

В 2025 году фармацевтический гигант объединил функции управления персоналом и ИТ под руководством единого директора по персоналу и цифровым технологиям. Само по себе это решение не создало полностью интегрированную модель персонала, состоящую из людей и агентов, но оно помогло решить растущую структурную проблему: ответственность за объединенный штат больше не должна оставаться в слепой зоне между HR и технологиями. В дальнейшем совместное управление инвестициями в технологии и людей будет иметь критически важное значение.

Переосмысление новой экономики

Поскольку человеческие и машинные мощности управляются совместно, компаниям также нужен более эффективный способ оценки стоимости этих мощностей. Тем не менее большинство финансовых систем и систем учета персонала по-прежнему планируют затраты в двух графах: заработная плата и подрядчики.

Хотя ИИ-агенты стали третьим источником производственных мощностей, их затраты имеют другую природу по сравнению с расходами на сотрудников и подрядчиков и часто управляются отдельно через ИТ-бюджеты, а не через бюджеты на персонал. Труд сотрудников — это в основном фиксированные издержки, в то время как машинные мощности зависят от потребления: они могут увеличиваться или уменьшаться в зависимости от использования. Их экономика больше напоминает облачную инфраструктуру, чем фонд оплаты труда. Расходы на ИИ также не масштабируются линейно в зависимости от численности персонала. Согласно недавнему исследованию Accenture, посвященному внедрению ИИ, менее 10% пользователей и рабочих процессов генерируют подавляющую часть расходов на ИИ. В результате два штата сопоставимого размера могут иметь совершенно разные затраты на ИИ в зависимости от того, где и насколько широко он применяется. Это также означает необходимость точного подбора возможностей ИИ под конкретные задачи, поскольку использование более мощных моделей, чем требуется для задачи, приводит к лишним затратам.

Amazon

Использование робототехники компанией Amazon показывает, что численность персонала становится все менее надежным показателем производственной мощности. Количество упаковок, 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 компания Amazon задействовала в своих операциях более 1 миллиона роботов. Ее модель DeepFleet координирует перемещение роботов по фулфилмент-центрам, повышая эффективность их передвижения на 10%. Согласно отчетности Amazon, в ее фулфилмент-центрах нового поколения время обработки заказов сократилось на 25%, а целевой показатель снижения стоимости обслуживания в периоды пиковых нагрузок составил 25%.

Поскольку все больше работы организуется вокруг ключевых решений и горизонтальных потоков создания ценности, затраты следует оценивать по результатам, которые приносят эти потоки. Правильным показателем является стоимость в расчете на результат: чего достигла организация и во сколько это обошлось. Практической отправной точкой является установка базовых показателей для отдельного потока создания ценности, в котором люди, агенты и инференс оцениваются по единым критериям, а полные затраты привязываются к тому, что производит этот поток.

То, как компании используют высвободившиеся мощности — это стратегический выбор. Их можно рассматривать как экономию средств или направить на рост, улучшение сервиса или инновации. Лидер по издержкам и премиальный игрок могут сделать разные выборы. Своевременное принятие такого решения помогает гарантировать, что мощности будут направлены на достижение запланированных бизнес-результатов.

Измерение стоимости за результат требует, чтобы люди, агенты и инференс находились в более сопоставимых условиях в системах планирования. В более широком смысле, все пять сдвигов, описанных в этой статье, зависят от того, чего сегодня не хватает большинству компаний: единого представления о людях и агентах, выполняющих работу, решениях, которые ее формируют, стоимости этой работы и системе управления ею.

Без такой связи руководители не могут достоверно определить стоимость результата или сделать осознанный выбор в пользу определенного соотношения человеческих и машинных ресурсов. Это проблема как операционной модели, так и финансовой сферы, поэтому CHRO и CTO должны решать ее совместно с CFO. До тех пор пока у них нет общего видения, реальная экономика операционной модели остается невидимой.

Сделайте обучение кумулятивным

Как только компании смогут связать важные решения с людьми и агентами, выполняющими работу, а также со стоимостью этой работы, у них появится фундамент для чего-то более ценного: извлечения уроков из каждого решения. 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 эту рекомендацию или отклонили ее, и что произошло в результате.

Институциональные знания хранятся в головах опытных сотрудников, а не в окружающих их системах. ИИ может изменить экономику организационного обучения, облегчая сбор, совместное использование и применение этих знаний. Действительно, специалисты по менеджменту уже давно утверждают, что организации совершенствуются за счет непрерывного обучения и исправления ошибок: Питер Сенге популяризировал идею «обучающейся организации», в то время как философ Карл Поппер подчеркивал прогресс через тестирование идей и извлечение уроков из ошибок.

ИИ может сделать эти принципы более практическими в масштабе, помогая организациям сохранять то, чему они научились, и применять это в будущих решениях и работе. «История решений», представляющая собой накопленный отчет о контексте, рекомендациях, суждениях, действиях и результатах, связанных с ключевыми решениями, может информировать как будущих лиц, принимающих решения, так и будущие системы ИИ. Создание такого архива решений в рамках каждого потока создания ценности превращает обучение в способность, а не в архив. Это меняет системы, в которых хранится этот архив, процессы, замыкающие цикл, и требования, предъявляемые к людям. Теперь их суждения должны фиксироваться как часть архива, чтобы они могли определять будущие решения.

Mastercard

Компания использует систему принятия решений о мошенничестве, которая оценивает примерно 159 миллиардов транзакций в год.¹⁰ Каждая транзакция и ее результат пополняют историю, доступную для оценки будущих транзакций, помогая системе адаптироваться по мере изменения схем 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 базовым моделям, платформам агентов и вычислительной инфраструктуре, у них не будет идентичной истории взаимодействия с клиентами, операционных исключений, управленческих решений и результатов. История решений компании является источником преимущества, которое становится сильнее с каждым принятым решением. Поскольку это преимущество накапливается, разрыв между теми, кто начинает сейчас, и теми, кто ждет, увеличивается с каждым циклом. Чем дольше компании ждут, тем труднее может быть преодолеть этот разрыв.

Согласованная работа всех сдвигов

В компаниях, которые все делают правильно, работа ощущается иначе. Решения принимаются там, где сигнал сильнее всего, в режиме реального времени и в рамках четких ограничений. Рутинные вопросы решаются в рабочем порядке, поэтому эскалация требуется реже. Команды сосредоточены на результатах для клиентов и предприятия. Руководители тратят меньше времени на проверку деятельности и больше — на развитие бизнеса. Ресурсы, таланты, расходы и внимание могут быстрее направляться туда, где они необходимы. В результате получается более быстрое, плоское и ориентированное на прогнозирование предприятие.

Пять сдвигов должны происходить одновременно. Каждый из них затрагивает несколько частей операционной модели, и ни один из них не работает изолированно. Права на принятие решений не могут измениться без управления и показателей, которые их вознаграждают. Поток создания ценности не может отвечать за результат, пока стимулы по-прежнему выплачиваются за функциональные цели. Смешанной рабочей силой нельзя управлять без лежащих в ее основе данных и технологий. Когда один элемент отстает, сдвиг буксует. Новые права на принятие решений сталкиваются со старыми барьерами утверждения, и агенты могут работать без системы управления, необходимой для контроля над ними.

Объединение этих элементов также упрощает корректировку операционной модели по мере изменения условий. Руководители могут видеть, как она функционирует, и реагировать на появление новых фактов, вместо того чтобы ждать следующей программы трансформации для исправления ситуации.

С чего начать

Пять сдвигов охватывают всю операционную модель целиком, на что может потребоваться время. Лидеры могут действовать уже сегодня, начав с областей, где на кону стоит наибольшая ценность и наблюдается наибольшее сопротивление, и выстраивая дорожную карту с учетом этого приоритета. В течение 90 дней первые шаги сами по себе обеспечат ценный опыт обучения.

Назначьте ответственных владельцев для нескольких основных потоков создания ценности, ориентированных на клиента, каждый из которых имеет четкий результат для улучшения и реальные полномочия в отношении компромиссов, которые сегодня передаются комитетам.

Сигнал 90-дневного периода: эти решения теперь направляются владельцу, деятельность которого оценивается по результату.

Внутри каждого потока отсортируйте важные решения по тому, как люди и ИИ должны их принимать, закрепив за каждым решением ответственного человека-куратора, ограничения и триггер для эскалации.

Сигнал 90-дневного периода: живой реестр решений, показывающий, где предполагаемый режим принятия решений отличается от фактически используемого.

Относитесь к людям и агентам как к единой рабочей силе под руководством человека. Закрепите за каждым агентом ответственного человека-владельца и отслеживайте людей и агентов в едином месте по критериям возможностей, затрат и производительности. Разработайте комплексные метрики для совместной оценки инвестиций и окупаемости.

Сигнал 90-дневного периода: в представлении рабочей силы появляется первая группа агентов, каждый со своим ответственным владельцем, а также четкое понимание того, где автоматизация может высвободить ресурсы и как это повлияет на решения и инвестиции.

Установите базовый показатель стоимости за результат для одного потока создания ценности, объединив людей, агентов и инференс на общих условиях и увязав их полные затраты с тем, что производит этот поток.

Сигнал 90-дневного периода: базовый показатель существует, и руководители видят, как затраты соотносятся с результатом, который должен обеспечить поток создания ценности.

Замкните один цикл обучения. Зафиксируйте контекст, суждения и результат для одного класса повторяющихся решений и передайте их на следующий круг.

Сигнал 90-дневного периода: цикл запущен, результаты определяют следующее решение.

Осуществление этих сдвигов требует общекорпоративного мандата от генерального директора и исполнительной команды, которые работают с руководителями функциональных подразделений над формированием и реализацией изменений. Такой уровень ответственности помогает находить компромиссы через организационные границы и концентрировать решения на результатах для предприятия в целом.

В ближайшие месяцы и годы ИИ будет становиться все более функциональным и доступным. Именно поэтому ведущие компании уже пересматривают подходы к принятию решений, организации рабочих процессов в рамках основных цепочек создания стоимости, управлению человеческими и машинными ресурсами, оценке экономических показателей и накоплению знаний.

Это пять ключевых изменений, лежащих в основе эффективной операционной модели в эпоху ИИ. Именно они отличают компании, которые просто внедряют ИИ, от тех, кто превращает его в инструмент устойчивой эффективности.