Устранение разрыва в ИИ-трансформации: как подготовить бизнес к агентному ИИ

На фоне ажиотажа вокруг искусственного интеллекта из поля зрения часто упускают ключевую тему: разрыв в ИИ-трансформации.

Сегодня компании любого масштаба испытывают необходимость внедрять ИИ. Отдельные сотрудники действительно становятся продуктивнее — быстрее пишут тексты, создают код и анализируют данные.

Но стали ли компании в целом работать ощутимо продуктивнее от того, что их сотрудники используют языковые модели (LLM)? Пока нет. Согласно исследованию PwC, открывается в новой вкладке, лишь 12% генеральных директоров отмечают ощутимую окупаемость инвестиций в генеративный ИИ, а по данным исследования MIT, открывается в новой вкладке, 95% пилотных проектов не дают измеримого результата.

Несмотря на рост бюджетов на ИИ и повышение персональной продуктивности, большинство организаций не получают ожидаемой отдачи. Причина проста: продуктивность отдельных сотрудников не гарантирует продуктивность всей компании.

Как же добиться системных результатов, которые обещает ИИ-трансформация?
Оказывается, устранение разрыва в ИИ-трансформации зависит не от мощности ИИ-инструментов или количества пользователей. Главное — переосмыслить реальное устройство ваших рабочих процессов.

Что такое ИИ-трансформация?

ИИ-трансформация — это комплексный процесс, при котором организация интегрирует искусственный интеллект (ИИ) во все аспекты своей деятельности, продуктов и услуг. ИИ-трансформация может включать внедрение различных видов ИИ, например генеративного ИИ для создания текстов, изображений и контента, а также агентного ИИ, способного выполнять задачи автономно.

Большинство компаний планируют использовать ИИ для автоматизации задач, обобщения информации, ускорения принятия решений, улучшения клиентского опыта и создания продуктов.

ИИ-трансформация не ограничивается покупкой нескольких сервисов — это фундаментальная смена бизнес-стратегии, операционных процессов и корпоративной культуры. Именно поэтому она дается так сложно. Чтобы перестроить бизнес, необходимо глубоко понимать его процессы — однако большинству компаний этого понимания не хватает.

Разберем это подробнее.

С какими главными сложностями сталкивается ИИ-трансформация?

Главные сложности ИИ-трансформации возникают при попытке масштабировать ИИ за пределы отдельных сотрудников или отделов. Команда может быстрее писать код, проводить исследования и генерировать идеи, но эта польза остается изолированной. Она не суммируется и не объединяется в общую систему.

К счастью, с подобным вызовом история уже сталкивалась при прошлых технологических скачках, и эти уроки применимы и сегодня.

В 1890-х годах фабрики работали на паре, используя сложную систему ремней и шкивов. Когда появилось электричество, владельцы заменили паровой двигатель на электродвигатель, но оставили прежнюю планировку. Хотя новые технологии ускорили работу отдельных станков, общая продуктивность фабрик почти не росла на протяжении 30 лет.

Рост продуктивности начался только тогда, когда кто-то переосмыслил сам процесс производства и перестроил цеха так, чтобы максимально использовать преимущества электродвигателя.

Сегодня с ИИ происходит то же самое: компании «поменяли двигатель», но еще не перестроили саму фабрику.

Чтобы перестроить бизнес под ИИ (особенно агентный ИИ), нужно четко видеть структуру: где происходят передачи задач, где возникают узкие места и как принимаются решения. Только понимание реального устройства процессов позволяет оптимизировать их и получить максимальную пользу от ИИ.

Однако, согласно свежему исследованию Lucid, открывается в новой вкладке, большинству компаний не хватает документации для полноценного понимания своего бизнеса:

• 49% офисных сотрудников отмечают, что текущие операционные процессы компании задокументированы слабо или почти не описаны.
• 60% утверждают, что половина или более рабочих процессов их команды опираются на неформальные знания или конкретных людей.
• 80% полагаются на устный опыт коллег и внутренний контекст для выполнения работы.

Главный вывод: ИИ-трансформация не раскроет свой потенциал, пока текущие корпоративные процессы, рабочие потоки, архитектура, потоки данных и методы совместной работы не будут наглядно описаны и задокументированы.

Три этапа ИИ-трансформации

В недавней статье a16z подробно описан разрыв между персональным и корпоративным ИИ. При этом большинство компаний испытывают трудности именно при переходе от первого ко второму. Почему? Потому что между текущим состоянием и конечной целью упускается важнейший этап. Рассмотрим его подробнее.

Этап 1. Персональный ИИ

На этапе персонального ИИ сегодня находится большинство компаний. Сотрудники индивидуально используют ChatGPT, Copilot, Claude и другие ИИ-сервисы для ускорения текущих задач. На рабочих местах производительность растет, но в масштабах всей организации ничего не меняется.

Персональный ИИ — важный этап обучения и экспериментов, однако он имеет четкий предел пользы для компании в целом.

Этап 2. Прозрачность и моделирование

Как бы компании ни старались, совершить мгновенный скачок от персонального ИИ к корпоративному невозможно. Существует ключевой промежуточный этап, который многие упускают: сделать невидимое видимым.

Конечная цель — перестроенная организация, оптимизированная под ИИ. Но прежде чем что-либо менять, нужно оценить текущее состояние. Поэтому второй этап полностью посвящен документированию — моделированию процессов, систем и зависимостей. Перенеся знания из голов сотрудников в общую визуальную модель, гораздо проще оптимизировать процессы и найти точки, где ИИ принесет наибольшую пользу.

При этом наглядные схемы работы бизнеса нужны не только людям. Чтобы ИИ-агенты могли взаимодействовать с системами и процессами компании, им требуется точный контекст. Эксперты Forrester отмечают: «ИИ-агентам необходимы пошаговые инструкции по выполнению задач. Однако в большинстве современных компаний эти знания хранятся в разрозненных рабочих процессах, незадокументированных данных и неформальных процедурах». (Блог Forrester, «Autonomy Is The Future, But AI Agents Still Deliver Value Today», июль 2025 г.).

Этап 3. Корпоративный ИИ

Корпоративный ИИ — это конечная цель: перестроенные процессы с приоритетом ИИ, повышающие продуктивность всей организации. На этом этапе ключевые процессы полностью обновлены для работы с ИИ-агентами. ИИ перестает быть персональной утилитой и становится управляемым системным ресурсом, соединенным со стратегическими целями компании.

Как устранить разрыв в ИИ-трансформации

На втором этапе, который служит мостом между персональным и корпоративным ИИ, я рекомендую сделать три шага: визуализировать текущее состояние, согласовать стратегию и осуществить внедрение на основе контекста.

Оцените текущее состояние

Первый шаг к устранению разрыва в ИИ-трансформации — получить наглядную картину того, как работа выполняется на самом деле, а не только по регламентам из устаревшей корпоративной базы знаний. Учтите негласные правила, компромиссы и нюансы каждого процесса. Сбор всего контекста в общем визуальном пространстве создает основу для готовности к внедрению ИИ.

После этого можно оценить текущие рабочие процессы и системы, чтобы понять их готовность к интеграции ИИ. Ведь добавление ИИ в неэффективные процессы лишь усугубит проблемы. Важно определить, какие направления готовы к ИИ, а какие требуют предварительной оптимизации.

Ключевые действия на этом шаге:

• Фиксация неформальных знаний на наглядных картах процессов, открывается в новой вкладке и схемах систем, открывается в новой вкладке
• Оценка текущего состояния для поиска приоритетных сценариев использования агентного ИИ, открывается в новой вкладке
• Выявление системных зависимостей и точек интеграции в рабочих процессах

Обеспечьте согласованность в компании

Затем необходимо объединить команды вокруг ИИ-стратегии, которая сформирует общее видение, определит новые процессы и установит правила контроля для безопасного внедрения. Ответьте на вопросы: Как будут перестроены процессы? Где сотрудники и ИИ-агенты будут работать совместно? К каким системам требуется доступ? Как обеспечить участников актуальной информацией?

Разработка корпоративной ИИ-стратегии, открывается в новой вкладке похожа на создание продуктов. Руководителям необходимо единое пространство для генерации идей, планирования и сбора обратной связи в реальном времени или асинхронно. А командам нужен доступ к централизованной и актуальной документации с контролем версий.

Этот процесс обычно включает:

• Проведение стратегического планирования, открывается в новой вкладке для расстановки приоритетов вложений в ИИ на основе целей, рисков и ожидаемой отдачи
• Перепроектирование процессов и распределение ролей между людьми и ИИ-агентами с помощью матриц RACI, открывается в новой вкладке и диаграмм с дорожками, открывается в новой вкладке
• Внедрение правил контроля, процессов согласования и стандартов соответствия для ИИ-инициатив

Создавайте будущее

Понимая текущее состояние и имея план на будущее, вы можете эффективно внедрять и масштабировать ИИ. Этот шаг включает координацию задач, развертывание агентов в обновленных процессах, а также доработку и масштабирование решений в командах.

Примечательно, что именно на этом этапе ваша документация становится полноценной инфраструктурой. Если раньше документация служила лишь отчетом или файлом для презентаций, то теперь она формирует контекстный слой, определяющий решения ИИ-агентов. Например, команды используют Lucid для описания операционной структуры и подключают схемы Lucid напрямую к ИИ-инструментам (включая ChatGPT, Claude и Microsoft Copilot) через MCP-сервер Lucid, открывается в новой вкладке.

Масштабное внедрение ИИ включает:

• Создание гибких графиков внедрения, открывается в новой вкладке с четкими этапами, зависимостями и ответственными
• Передачу утвержденной документации по процессам напрямую в среду исполнения ИИ для руководства агентами
• Мониторинг результатов и обновление документации в едином источнике истины (например, с помощью Process Accelerator, открывается в новой вкладке в Lucid)

Примеры ИИ-трансформации

По мере того как все больше компаний стремятся перейти от персонального ИИ к корпоративному, проявляется общая закономерность: успешные внедрения опираются на четко задокументированные наглядные схемы. Вот несколько примеров компаний, идущих во главе этого процесса.

Carta: моделирование процессов агентного ИИ

Когда компания Carta решила внедрить автономных ИИ-агентов для обработки сложных бухгалтерских процессов (что в итоге сэкономило более 3500 часов в месяц), выяснилось, что секрет успешной автоматизации заключался в создании безупречной визуальной схемы.

Прежде чем ИИ-агент смог подключиться к сверке взаиморасчетов, выполнять операции и принимать решения, сотрудники должны были досконально изучить существующий процесс со всеми исключениями.

Команда Carta решила визуализировать свой процесс в Lucid. Используя диаграмму Lucid в качестве контекстного слоя, они создали агента, который теперь выполняет подавляющее большинство ручной работы под периодическим контролем человека. Если агент или команда замечали отклонения от задокументированного процесса, они корректировали схему в Lucid и обновляли настройки агента.

«ИИ уже трансформирует нашу работу в Carta, и Lucid играет ключевую роль в этих изменениях, — говорит Генри Уорд, генеральный директор Carta. — Инструменты Lucid оказались незаменимы для моделирования и доработки процессов ИИ совместно с бизнес-командами на ранних этапах, обеспечив необходимую прозрачность перед переносом процессов в другие системы. Это сотрудничество помогло нам превратить смелые идеи в практичные и масштабируемые ИИ-решения».

Uber: создание схем принятия решений для ИИ

Один из крупнейших мировых сервисов поездок, Uber Technologies, оценил эффективность визуальных схем для ускорения ключевой ИИ-инициативы и экономии миллионов долларов.

Для компании такого масштаба обработка миллионов обращений в службу поддержки каждую неделю составляет существенную статью расходов. Компания решила автоматизировать этот процесс с помощью агентного ИИ, однако для создания автоматизации требовалось передать агенту правильный контекст для точных ответов на запросы.

У Uber уже была документация в виде деревьев решений в Lucid, которой руководствовались операторы поддержки. Используя эти схемы за основу, они создали в Lucid подробную многоуровневую документацию, ставшую руководством для ИИ-агента.

Проект призван автоматизировать 70% обращений к концу 2026 года, с прогнозируемой ежегодной экономией в $500 млн.

Сделайте следующие шаги на пути к ИИ-трансформации

Преодоление разрыва между персональным и корпоративным ИИ требует прозрачности, согласованности и контроля. Некоторые инструменты предлагают базовое построение диаграмм без средств контроля, другие дают стандартизацию без удобной совместной работы. Lucid сочетает лучшее из обоих миров, балансируя между гибкостью, интеллектом и структурой, чтобы помочь вам оценить текущее состояние, перестроить процессы и управлять внедрением.

Lucid поддерживает ИИ-трансформацию благодаря:

• Более 100 интеграций с ведущими приложениями, включая MCP-сервер для подключения к популярным языковым моделям (LLM)
• Понятным и интеллектуальным функциям построения диаграмм для ускоренной визуализации процессов, систем и данных
• Расширенным дополнениям для стандартизации документации и управления ими
• Команде профессиональных услуг для создания индивидуальных решений