Источник: MIT Technology Review — https://www.technologyreview.com/2026/05/26/1137584/rethinking-organizational-design-in-the-age-of-agentic-ai/
ИИ-агенты разочаруют компании, которые воспринимают их как очередной слой корпоративного ПО. Главный вывод материала MIT Technology Review заключается в том, что сама технология развивается быстрее, чем организации успевают перестраиваться под неё.
По данным источника, 85% организаций хотят стать «agentic» в течение ближайших трёх лет. Однако их текущие процессы и инфраструктура к этому не готовы. Проблема не ограничивается технологиями: компании отмечают пробелы в подготовке сотрудников, процессах и рабочих сценариях.
Это важно, потому что речь идёт не о более удобном чат-боте. Корпоративные агенты продвигаются как системы, способные выполнять целые рабочие процессы при минимальном участии человека: координировать задачи, принимать решения, адаптироваться к изменениям и со временем повышать эффективность. Если цель именно такая, простого подключения агентов к существующей модели работы уже недостаточно.
Ошибка: внедрять агентов в модель, созданную для людей#
Прасун Шах, глобальный CTO направления workforce consulting и chief AI officer в PwC UK Consulting, описал проблему предельно прямо. По его словам, многие организации пытаются «встраивать AI-сотрудников в человеческую операционную модель». В разговоре с MIT Technology Review он сравнил это с попыткой заклеить скотчем части системы, которая уже начинает ломаться.
Это важное предупреждение. Традиционные корпоративные процессы строятся вокруг человеческих исполнителей, человеческой скорости работы, ручных согласований и жёстких границ между отделами и приложениями. ИИ-агенты ставят все эти предпосылки под вопрос. Они могут работать сразу в нескольких системах, действовать со скоростью машины и координировать шаги, которые раньше были распределены между разными ролями и командами.
Повышение эффективности при этом не гарантировано. Вместо него можно получить размытые зоны ответственности, хрупкие интеграции, плохо продуманные механизмы эскалации и менеджеров, которые отвечают за решения, но не способны полностью отследить, как они были приняты.
В качестве первых направлений внедрения источник приводит клиентскую поддержку, HR и продажи. При масштабном развёртывании ИИ-агенты могут ускорять бизнес-процессы на 30–50% и сокращать время на низкоценные задачи на 25–40%. Но эти показатели нельзя воспринимать как обещание результата. Они зависят от качества внедрения, выбранных процессов, доступа к данным и уровня управления рисками.
За новым термином скрывается реальная проблема#
В статье используется термин «agentic business transformation» (ABT), предложенный платформой корпоративных ИИ-агентов Ema совместно с HFS Research. Поскольку термин появился по инициативе поставщика технологии, к нему стоит относиться критически. Каждая новая технологическая волна приносит собственный словарь, который часто делает прежние подходы устаревшими лишь на словах.
Тем не менее различие, которое проводит CEO Ema Суроджит Чаттерджи, заслуживает внимания. В его трактовке цифровая трансформация перевела компании с бумаги на программное обеспечение. AI-трансформация добавила ИИ в существующие процессы. Copilot-системы помогают людям выполнять задачи. ABT же предполагает интеграцию ИИ-агентов непосредственно в организацию.
Именно этот тезис имеет значение. Если агенты становятся полноценными участниками работы, компании должны определить, что им разрешено делать, как оценивать результаты их работы, кто ими управляет, когда требуется эскалация и как обрабатываются ошибки. Название подхода может прижиться или исчезнуть, но сама задача никуда не денется.
Шах считает, что термин помогает вынести обсуждение на правильный уровень: операционная модель, рабочие процессы, права на принятие решений и системы оценки эффективности. Автоматизировать задачи, требующие суждения и ответственности, не меняя эти элементы, невозможно безопасно.
Технологический стек должен стать связующей тканью#
Первый элемент концепции ABT — технологический стек. Ключевая мысль источника заключается в том, что большинство корпоративных систем проектировались под сценарии, где действия выполняет человек, а приложения существуют как отдельные острова. С появлением агентов меняется сам исполнитель.
Сотрудник может открыть одну систему, интерпретировать контекст, написать другой команде, проверить таблицу, дождаться согласования и обновить запись. Процесс медленный, но значительная часть контекста существует неформально. Агенту, работающему сразу в нескольких системах, этот контекст нужно предоставить в явном виде.
Поэтому вопросы доступа, разрешений, качества данных, проектирования интеграций, аудита действий и защитных ограничений становятся архитектурными приоритетами.
Чаттерджи утверждает, что ценность агентов заключается не в создании ещё одного слоя поверх существующего стека, а в способности связывать его части между собой. Шах придерживается похожей позиции: агенты могут получать данные из разных приложений, интерпретировать их и координировать более сложные задачи. Если им хватает контекста, это может стать конкурентным преимуществом.
Но именно здесь возникает и главный риск. Чем больше систем доступно агенту, тем больше потенциальный ущерб от ошибки. Агент, который способен читать данные, изменять процессы и запускать действия, обладает серьёзными возможностями. Он также способен распространять неверные предположения быстрее, чем это сделал бы человек.
Поэтому архитектурный вопрос звучит не как «Может ли агент подключиться?», а как «Что именно агенту разрешено понимать, решать и изменять?». Компании, которые не проводят эту границу, рискуют принять интеграцию за готовность.
Перестройка команды — это не только сокращение штата#
Второй элемент модели касается сотрудников. По мнению источника, большинство современных организационных структур по-прежнему наследуют индустриальную эпоху: стандартизированные процессы, чёткое разделение задач, бизнес-подразделения и менеджеры, отвечающие за производительность подчинённых.
Agentic AI размывает эту конструкцию. Если агенты способны самостоятельно выполнять, координировать и оптимизировать задачи, менеджеры теряют часть исполнительских функций и получают новую ответственность. Им приходится управлять гибридными командами, где на результат влияют и люди, и ИИ-агенты.
Шах отдельно указывает на вопросы доверия, объяснимости решений, психологической безопасности и изменения статуса сотрудников. Это не второстепенные детали. Именно они определяют, будут ли сотрудники принимать результаты работы агентов, критически их проверять или, наоборот, слишком охотно полагаться на них там, где необходим человеческий контроль.
Есть и практический вопрос управления. Если процесс частично выполняют агенты, что именно должна измерять система оценки эффективности? Производительность людей? Пропускную способность агентов? Качество эскалаций? Снижение числа ошибок? Результаты для клиентов? Старые метрики могут поощрять неправильное поведение.
В статье также приводится прогноз McKinsey: к 2030 году три четверти существующих рабочих мест потребуют переработки, повышения квалификации сотрудников или перераспределения обязанностей. Такие прогнозы нельзя считать точным предсказанием, однако общий вектор выглядит правдоподобно. Если агенты войдут в ключевые процессы, дизайн работы будет меняться быстрее, чем названия должностей.
Метрики определяют, принесут ли агенты пользу#
Третьим элементом ABT источник называет метрики успеха. Даже по уже приведённым примерам проблема заметна.
Если измерять agentic AI исключительно количеством сэкономленного времени, компания может автоматизировать поверхностные задачи и упустить возможность глубокой перестройки процессов. Если смотреть только на сокращение затрат, можно получить хрупкую систему, которая работает до первого нестандартного случая. Если оценивать лишь уровень внедрения, сотрудники будут пользоваться инструментом без реальной бизнес-ценности.
Более полезный подход предполагает раздельный контроль нескольких показателей:
- длительность полного рабочего цикла, а не только скорость отдельных задач;
- качество работы и частоту ошибок после вмешательства агента;
- объём человеческих эскалаций и качество их обработки;
- прослеживаемость решений и полноту аудита;
- результаты для клиентов или сотрудников;
- устойчивость процессов при изменении систем или исходных предположений.
Слово «продуктивность» само по себе ничего не измеряет. Полезный агент должен улучшать конкретный процесс при заданных ограничениях, с понятными эффектами и известными сценариями отказа.
Что проверить#
Перед масштабным внедрением агентов в чувствительные процессы:
- проверьте, какие процессы действительно пересматриваются, а не просто ускоряются;
- проведите аудит систем и наборов данных, к которым получает доступ агент;
- определите, какие решения агент может принимать без согласования с человеком;
- назначьте владельцев рисков и ответственности за ошибки агента;
- настройте журналирование, аудит и процедуры пересмотра решений;
- обновите обязанности менеджеров, работающих с гибридными командами;
- внедрите метрики, которые показывают бизнес-результат, а не только скорость выполнения задач;
- мониторьте качество работы после внедрения, а не только на этапе пилота.
Практический вывод статьи не в том, что agentic AI нужно избегать. Вывод в другом: нельзя относиться к нему как к очередной функции в корпоративном ПО.
Материал MIT Technology Review частично опирается на термин, продвигаемый поставщиком технологии, и читателям стоит помнить об этом. Однако главный вывод не зависит от маркетинговой терминологии. ИИ-агенты заставляют компании решать проблему, которую можно было игнорировать при использовании copilot-инструментов: когда программное обеспечение начинает самостоятельно действовать внутри рабочих процессов, сама организация становится частью системной архитектуры.
Именно в этой точке проекты либо создают дополнительную ценность, либо вскрывают уже существующие трещины в бизнесе.