ИИ, инструменты и трансформация: почему «раздать всем чат-бот» не масштабируется
Типичная крупная американская компания сегодня использует сотни, а то и тысячи программных продуктов: «большие» системы учёта вроде SAP и Workday, сотни вертикальных SaaS-приложений, а поверх них — ещё сотни воркфлоу, скриптов, автоматизаций и баз данных, вплоть до 10-мегабайтной таблицы Excel, на которой держится целый отдел. Зачастую компания даже не знает точно, сколько у неё всего этого, что реально используется и за что она платит. И при всём этом изобилии ПО компания полна скучных, повторяющихся задач.
Это разбор эссе Бен Эванса «AI, tools and transformation» — о том, почему обещание «ИИ автоматизирует всё» разбивается о то, как на самом деле устроены компании и откуда берётся софт.
ИИ делает инструменты почти бесплатными
Соблазн очевиден. Есть старая шутка: инженер — это человек, который потратит час на написание инструмента для автоматизации задачи, занимающей 10 минут. С ИИ теперь этот инструмент создаётся за пять минут, причём не обязательно инженером и не обязательно кодом. Можно просто попросить модель сделать инструмент — или, радикальнее, выполнить саму задачу. Вместо создания инструментов по одному софт может стать динамичным, генеративным, спонтанным: гораздо больше задач автоматизируется гораздо меньшим количеством софта.
Для строителей инструментов — а в Кремниевой долине все строители инструментов — это опьяняющая идея. Но, считает Эванс, она неверно понимает, откуда берётся софт, как им пользуются и как меняются компании.
Большинство людей — не строители инструментов
Отличный бракоразводный юрист весь день думает о своих делах и клиентах, а не о том, каким должен быть идеальный софт для юридического discovery. Отличный enterprise-продавец думает о продукте, клиентах и конкурентах, а не о том, как sales-enablement-софт повысит его продуктивность.
Продукты вроде Excel пытаются преодолеть этот разрыв онбордингом, ассистентами и шаблонами — всё, что вы видите в меню «Файл / Создать», это подсказка, что можно сделать. Но каждый такой шаблон в итоге превращался в отдельную компанию. То же с «Claude for X»: полезно, но не ответ.
Отсюда и идея «forward-deployed engineer» — человека-строителя, который знает, что может построить ИИ, и «просто» ходит по юридической фирме или архитектурному бюро, замечая возможности, лежащие на столе, которые юрист или архитектор не видят.
Автоматизация никогда не была очевидной
Более глубокая проблема: большая часть того, что мы автоматизировали за последние десятилетия, не была очевидной — даже для строителей инструментов. Все пользуются вещами, на которые первая реакция была «зачем мне это?». Часто непонятно, что проблема вообще существует, а часто она встроена, сшита или спрятана внутри чего-то другого. И даже увидев проблему, правильный способ её решить неочевиден: решение часто требует переопределить или «распаковать» задачу. У многих успешных софтверных компаний было по полдюжины неудачных попыток до того, как нашёлся верный подход.
Ничего из этого не решается тем, что писать код стало легче. Сложная часть — понять, что для этого вообще нужен инструмент, и что он должен делать.
Проблема координации
И даже дойдя до этой точки, надо заставить всех остальных этим пользоваться. Многие воркфлоу, которые хочется автоматизировать, затрагивают 50 или 500 человек в пяти отделах, трёх системах учёта и четырёх регуляторных режимах. У вас может быть отличная идея, как иначе обрабатывать кредиторскую задолженность, но вы сами не можете изменить, как это делает вся компания. Это должна быть закупка, решение и 18-месячный процесс продаж.
Институционализированное против импровизированного
Софт в компании живёт на спектре от top-down до bottom-up: компания покупает SAP, пользователь делает табличку. Полезно думать об этом как о спектре от институционализированного к импровизированному.
Есть задачи, которые удобно делать в уже имеющихся специализированных инструментах — SAP, Carta, Rippling. Эти воркфлоу институционализированы: люди в компании-поставщике и в вашей потратили много времени, чтобы выработать правильный способ выполнения задачи, и важно, чтобы все делали её одинаково. А есть граничные случаи, исключения и разовые вопросы, которые в этих инструментах делать трудно или невозможно. Их пользователи решают снизу, в размытом импровизированном пространстве Excel, email, общих папок, Tableau, Powerpoint, CSV, скриншотов, PDF и конференц-звонков.
Как только задача начинает выполняться постоянно, одним и тем же способом, большим числом людей и с привязанными к ней выручкой и рисками, компания вынуждена её институционализировать: появляются аудит, безопасность, поддержка и ответственность. Вы мостите «тропу желания» и платите за то, чтобы выложить её камнем.
Через многое из этого прошёл переход на SaaS — ещё один порядок величины в количестве софта, с новой операционной моделью и новым циклом, убивший немало инкумбентов. Это непрерывный органический процесс бандлинга и анбандлинга. Все SaaS-приложения делают то, что можно было бы делать в SAP, Excel или email — Carta, компания стоимостью $4 млрд, управляет одной таблицей для вашего CFO — и иногда задачи движутся обратно: консультант Эванса говорил, что половина его работы — уговаривать людей перейти с Excel на базу данных, а вторая половина — наоборот.
Если вы PwC и нанимаете 3–4 тысячи выпускников в год, вы управляете этим специализированным институционализированным софтом. Если вы маленькая фирма и нанимаете пять-десять человек — email, общая папка и Google Sheets. Подрастёте — переедете в Notion или SME-SaaS. Но и маленькая команда внутри PwC может вести таблицу кандидатов в Google Sheets, потому что Workday слишком негибок — анбандлинг начинается снова.
ИИ двигает пороги, а не отменяет вопросы
ИИ раскатывается поверх всей этой картины. Он расширяет существующие приложения, появляются новые вертикальные продукты, а Excel, Tableau, Google Sheets, email и прочие свободные пространства для импровизации получают новые возможности. Сам чат-бот — новое свободное пространство рядом с Excel и email: он забирает у них задачи и приложения, но и сам теряет задачи в пользу приложений.
Маленькая компания теперь может засидеться в Google Sheets дольше, потому что ИИ делает его масштабируемым. Но ИИ не меняет сам вопрос: он создаёт новые варианты выбора и сдвигает пороги, после которых задачу надо институционализировать.
Почему «раздать всем Copilot» не работает
Три года enterprise-внедрения ИИ показывают это на практике. Каждая крупная компания выдала всем Copilot (или ChatGPT, или Claude). Небольшое число людей пользуется этим много (некоторые реально выросли в продуктивности), большая группа — пару раз в неделю, а заметная часть компании вообще не пользуется.
Это отчасти проблема change management и обучения, но в основном — та же проблема, которая была бы у компании, раздавшей всем PC и Lotus 1-2-3 в 1983-м или интернет и браузер в 1997-м. Да, вы дали всем PC — но именно так вы не перестроили обработку счетов. Да, вы дали всем браузер — но именно так вы не перестроили supply chain вокруг интернета, и уж точно не так ритейлер сделал e-commerce.
Влились и пилоты — испытания продуктов, использующих новые возможности ИИ для автоматизации процессов, которые раньше автоматизировать не удавалось. Около половины из них срабатывает — как обычно, и именно поэтому они и есть пилоты. Но это всё тот же старомодный разговор CIO про use cases, lighthouses, пилоты, героев и измеримые результаты. А CEO и совет директоров чешут затылки: «У нас сотни воркфлоу и пять-десять пилотов. Это как-то не масштабируется».
Три вопроса для каждой компании
С каждой трансформирующей технологией каждая компания обязана задать три типа вопросов:
- Как это покупать, строить и внедрять? Пилоты? Брать бандл от Microsoft/Google/Oracle, строить самим, платить за разработку или покупать у стартапа?
- Насколько это меняет операции? Что email значит для нас? Ответ радикально разный для страховой и юридической фирмы.
- Создаёт ли это новые вызовы экономике бизнеса, конкурентное давление или экзистенциальную угрозу?
Ни на один из этих вопросов не отвечает «выдать всем Claude for X». Зато всё это — почва для новых питчей профессиональных сервисов: внедрение LLM-аналитики в колл-центре? Позвоните Accenture. У больших лабораторий свои «deploycos», а «forward deployed engineer» — это, возможно, любой, кого OpenAI наняла из системного интегратора. Стартапу, который не может продать ИИ-софт юридическим фирмам, предложат открыть «ИИ-юридическую фирму» — если только это не как открывать «PC-юридическую фирму» в 1980-х. А совет директоров, пытающийся понять, экзистенциальная это угроза или огромная возможность, подумает о Bain, BCG и McKinsey.
Старая работа быстрее — или новые вещи
И самая простая рамка напоследок. С каждой новой технологией мы сначала используем её для уже имеющейся работы — просто быстрее и больше. Но со временем мы начинаем делать совершенно новые вещи. ИИ действительно будет автоматизировать широкие классы задач внутри существующих воркфлоу и компаний — хотя, как показывает Эванс, это окажется несравнимо больше работы, чем просто выдать всем модель. Но с каждой предыдущей сменой платформы по-настоящему важным было то, что раньше было невозможно даже представить.