Матрица бизнеса: архитектура компаний в эпоху ИИ

Если лет 6 назад ИИ-трансформация была доступна только корпорациям, то сегодня она по силам любой компании, которая хочет оставаться конкурентоспособной в новой экономике. Одни компании проходят трансформацию успешно, другие — с трудом. Поэтому расскажу о главных проблемах и как их решить на основе практического опыта.

Цель трансформации проста: внедрить ИИ во все процессы компании, чтобы снизить издержки и увеличить масштабируемость операций. Конечно, технологии накладывают свои ограничения, но главная сложность в том, что оргструктура часто не готова к изменениям, а люди сопротивляются работать по-новому. Функционально-организационная структура и корпоративная культура — две стороны одной медали. Без системного взгляда на компанию и инновационной культуры о глубокой ИИ-трансформации не может идти речи.

Компания состоит из вертикальных функций, которые формируются в горизонтальные процессы. Разработка, маркетинг, HR — каждая функция решает свои задачи. Но ценность для клиента рождается на стыке: «от лида до оплаты» или «от вакансии до оффера». Именно в повторяемых задачах есть смысл внедрять ИИ — сначала автоматизируя отдельные операции, потом объединяя их в сквозные процессы.

Чтобы деятельность компании не превратилась в хаос, я делю ее на три уровня:

• Run-процессы — операционка. Здесь работают KPI: скорость отклика или стоимость операции. Минимальная неопределенность — идеальная зона для автоматизации.

• Change-проекты — изменения. Управляем через OKR. Пример: «сократить время найма на 30%» или «увеличить продажи на 50%». Здесь ИИ-инструменты усиливают людей. На практике скорость разработки увеличивается от 20-40% до двух раз.

• Disrupt-продукты — новые бизнес-модели. Высокая неопределенность: нужны симуляции, быстрые MVP и стресс-тесты. Управляем через North Star и SMART-цели.

Любая инициатива начинается как проект и постепенно едет по выстроенным рельсам процесса разработки. Так мы одновременно поддерживаем текущий бизнес и адаптируемся к переменам, совершая бизнес-прорывы.


ИИ-трансформация состоит из трех основных шагов:

1. Перестроить оргструктуру. Переход от жесткой иерархии к матрице. Функции становятся центрами компетенций (гильдиями), которые отвечают за стандарты, обучение и инструменты, а кросс-функциональные команды доставляют ценность клиенту. Метрики строятся как дерево: от North Star до KPI процессов.

2. Оцифровать процессы. Сделать их прозрачными на уровне данных, чтобы каждая операция стала навыком ИИ-агента. Тут помогает дата-платформа, но о ней поговорим в другой раз.

3. Внедрить ИИ. В итоге операции превращаются в навыки ИИ-агентов: один обрабатывает резюме, другой делает скоринг клиентов. Со временем агенты объединяются в цепочки, которые закрывают сквозные процессы. Люди принимают решения, а агенты берут на себя всю рутину. Так из ИИ-процессов формируется новое операционное ядро компании.

Структура — это половина дела. Вторая — культура. Без нее трансформация превращается в автоматизацию ради автоматизации. Лидеры должны быть готовы к переменам: CEO вкладывает ресурсы и выдает мандаты, CTO перестраивает разработку, CAIO формирует ИИ-стратегию и внедряет агентов, а лиды делятся кейсами — как успешными, так и провальными.

Ошибки становятся не поводом для наказаний, а базой для улучшений. Там, где не боятся экспериментировать, трансформация идет естественно. Культура — катализатор перемен. Если люди боятся брать инициативу, то никакие агенты не помогут.

ИИ меняет не только процессы, но и роль человека. Сотрудники перестают быть винтиками системы и становятся драйверами трансформации. Лидерство — это не только стратегическое видение, но и личный пример использования новых инструментов в работе. Когда есть конкретные демки, вопрос «нужно ли меняться» отпадает сам собой.

Сегодня компании конкурируют не только продуктами, а оргструктурой и культурой. Процессы собираются как конструктор, а единственное устойчивое преимущество — это люди, встроенные в правильные ИИ-процессы. Те, кто делает это сегодня, задают новые правила игры.

#кейсы

AI Product Engineer: кто это и почему за ним будущее

Представьте, что вы можете создать полноценный продукт и вывести его на рынок быстрее, чем целая команда. Сегодня это возможно не только благодаря ИИ‑инструментам, но и появлению новой роли — AI Product Engineer.

AI Product Engineer совмещает компетенции продакт‑менеджера, дизайнера, разработчика и ИИ‑инженера. Эта роль создана, чтобы ускорить вывод продуктов на рынок: быстрые проверки гипотез и частые итерации — залог успешного бизнеса.

Как работает AI Product Engineer:

1. Валидация идеи — ее нужно провести еще до начала разработки.

Все начинается с Product Discovery: анализ трендов и конкурентов при помощи Deep Research. Затем следует Customer Development: генерация вопросов и проведение симулированных интервью, используя цифровые портреты пользователей и популяционные модели (можно применять и LLM, но они хуже аппроксимируют поведение реальных людей).

Далее идея оформляется в формате Lean Canvas: генерируются и ранжируются гипотезы (например, по методологии RICE), определяются требования к продукту (PRD) — все это также с помощью ИИ. После этого создаются лендинги и запускаются смоук‑тесты для проверки гипотез.

2. Разработка прототипа — на этом этапе важно проверить техническую реализуемость продукта.

Можно сразу воспользоваться ИИ‑инструментами вроде Replit или Loveable для автоматической генерации дизайна и кода на основе требований, но результат может не устроить. Тогда определяют архитектуру, декомпозируют задачи, исследуют необходимые библиотеки, а дизайн интерфейса создают в Figma AI.

Такие no‑code‑инструменты, как n8n, нужны для создания «мозга» продукта, агенты типа OpenAI Codex — для бэкенда, а ИИ‑IDE вроде Cursor помогают в программировании. Симулированные пользователи отлично подходят для тестирования интерфейса.

3. Проверка MVP — «долина смерти» продуктов: на этом этапе становится понятно, готов ли клиент купить продукт.

AI Product Engineer настраивает базовую продуктовую аналитику, идет продавать свой продукт и получает обратную связь для дальнейшей доработки.

Если клиенты покупают продукт, то далее формируются дорожная карта его развития и стратегия выхода на рынок. Важно помнить, что процессы итеративные: после MVP всегда можно откатиться на шаг‑два назад и доработать решение.

Что дальше после валидации MVP? Конечно, можно продолжить самостоятельно дорабатывать и оптимизировать продукт, но рано или поздно это приведет к перегрузке и ограничению в развитии.

Лучший путь — передать функции другим специалистам: ИИ-продактам и ИИ-инженерам, чтобы масштабироваться и сфокусироваться на стратегических задачах или запустить новый продукт.

Главное преимущество AI Product Engineer — скорость и автономность на ранних этапах. Использование ИИ-инструментов позволяет быстро проверять гипотезы, экономить ресурсы и мгновенно реагировать на обратную связь от пользователей.

Вот несколько советов для начинающих AI Product Engineer’ов:

• Любая сложная система эволюционировала из простой. Поэтому первая задача — сделать кривой, но работающий продукт сегодня, а не идеальный через месяц.

• Выберите пару ежедневных задач и попробуйте автоматизировать их. Даже небольшие автоматизации суммируются в значительную экономию времени за год.

• Решая собственные боли, вы автоматом создаете MVP, проверенный на практике и готовый к выходу на рынок.

AI Product Engineer — не просто новая профессия, это новый подход к созданию продуктов. Она идеально подходит людям, которые могут мыслить одновременно и стратегически, и системно, а также умеют эффективно пользоваться ИИ-инструментами.

Думаю в ближайшие годы именно такие специалисты будут определять успех продуктовых компаний и стартапов. Если вы уже знакомы с продакт-менеджментом или ИИ-инженирингом, то сейчас самое время стать тем, кто будет создавать продукты завтрашнего дня.

Проведите личный хакатон в эти выходные, чтобы создать приложение для автоматизации своих задач, и попробуйте продать его, чтобы сразу проверить ценность.

Главное — просто начать, а в комментариях можете поделиться своими успехами.

#мысли

Трое в лодке, не считая человека: как новые ИИ-агенты для программирования меняют правила игры

Еще вчера мы спорили, способен ли ИИ без ошибок дописать пару строк кода, а сегодня он уже сам разрабатывает целые фичи и пишет тесты. На рынок почти одновременно вышли три агента для кодинга: OpenAI Codex, GitHub Copilot Coding Agent от Microsoft и Google Jules. Разбираемся, что они умеют и какие инсайты появились у меня после использования.

OpenAI Codex

• Агент внутри ChatGPT;
• Разворачивает среду, клонирует репозиторий, прогоняет тесты, открывает PR и пишет логи;
• Работает на базе модели codex-1;
• Доступен подписчикам ChatGPT Pro/Team/Enterprise;

GitHub Copilot Coding Agent

• Надстройка над Copilot’ом прямо в GitHub;
• Достаточно назначить задачу - агент создает среду, коммитит в отдельную ветку и ждет ревью;
• Используется модель GPT-4, заточенная под GitHub;
• Открытое превью на тарифах Copilot Pro Plus/Enterprise;

Google Jules

• Асинхронный агент из Google Labs в публичной бете;
• Клонирует код в репозиторий на виртуальной машине, генерирует тесты, чинит баги, обновляет зависимости;
• Под капотом Gemini 2.5 Pro;
• Показывает пошаговый план и дает аудио-дайджест изменений (Codecast);

В целом, все три агента берут задачу и кодят без постоянных уточнений, изменения всегда приходят через PR-ветку - это безопасно, а код крутится не на вашей машине.

Что я отметил после использования:

• Task engineering вместо prompt engineering. В Codex, Copilot Agent и Jules уже не нужно общаться с моделью правильными промптами - важнее сформулировать задачу так, чтобы агент сам нашел оптимальный план.

• Появление функции AIOps/AgentOps. Кто-то должен следить за сессиями, лимитами, токенами, расходами и безопасностью агентов. Это не совсем классический DevOps, а скорее оператор мультиагентных ИИ-систем - в больших командах такая функция уже появляется.

• Артефакт-driven разработка. Агенты генерируют не только код, но и логи, планы, тесты, даже аудио-дайджесты. Умение быстро просматривать эти артефакты и понимать суть становится важным навыком.

• Ценность интеграционных тестов. Чем богаче система тест-кейсов, тем смелее можно пускать агента «гулять» по проекту. Инвестировать в тесты сегодня = ускорять работу агентов завтра.

• Риск «снежного кома зависимостей». Агенты любят обновлять зависимости до свежих версии. Через пару месяцев можно обнаружить зоопарк несовместимых библиотек. Нужен оператор (человек или другой агент), который смотрит на общую архитектуру.

• Безопасность = изоляция + детерминизм. В продакшн-репозитории все чаще требуют, чтобы агент работал в воспроизводимой виртуальной среде с задокументированным скриптом поведения. Это уже новое требование в ряде крупных финтех-компаний.

• Новая метрика производительности - review-latency. Скорость, с которой человек успевает проверить и смержить PR агента, становится бутылочным горлышком в процессе разработки.

Главный же вывод такой: отдача от агентов растет не линейно, а ступенчато - с каждым слоем зрелости процессов (тесты, CI/CD и т.д.) вы открываете новый уровень автоматизации. Чем больше в проекте порядка, тем лучше будет результат.

Куда все идет? OpenAI сначала представили ИИ-оператора для браузера, затем ИИ-исследователя, а теперь и ИИ-программиста. Вместе они образуют мультиагентную систему, способную автономно провести исследование рынка, сформулировать требования к продукту, разработать и развернуть веб-приложение - а затем самостоятельно протестировать его прямо в браузере.

Такой подход становится новым стандартом в разработке продуктов. Меняются ожидания от продактов и разработчиков - теперь ценится способность охватить весь цикл разработки от идеи до прода. В новой реальности выигрывают те, кто умеет не просто писать код или ставить задачи, а мыслить о продукте целиком на уровне ценности и архитектуры - формулировать гипотезы и быстро превращать в работающие решения с помощью ИИ-агентов.

#новости

Deep Research от OpenAI: Прорыв в автоматизации глубоких исследований

Вчера OpenAI представила Deep Research – автономного ИИ-агента, способного самостоятельно проводить многоступенчатые исследования в интернете. Deep Research доступен в тарифе Pro с 100 запросами в месяц.

В отличие от обычных поисковых систем, которые возвращают короткие ответы или ссылки за считанные секунды, Deep Research «рассуждает» до 30 минут, проводя глубокий анализ сотен источников, агрегируя данные и синтезируя их в единую, детально задокументированную работу. Такой подход, в теории, позволяет системе выдавать отчеты, сопоставимые по качеству с результатами труда профессионального аналитика.

В основе работы Deep Research лежит принцип автономного планирования исследования. Пользователь вводит запрос, после чего система задает уточняющие вопросы для сбора необходимых деталей. Это позволяет агенту точно понять задачу и разработать план поиска.

После утверждения плана Deep Research последовательно проводит поиск по сотням сайтов, просматривает текст, изображения и PDF-файлы, анализирует и агрегирует найденные данные, а в итоге синтезирует информацию в виде структурированного отчета со ссылками и цитатами. Такой подход кардинально отличается от обычного поиска, где выдача основывается лишь на ранжировании ссылок без детального анализа содержимого и контекста.

Deep Research сочетает в себе возможности веб-браузинга, выполнения Python-скриптов для численного анализа и создания визуализаций, а также анализа прикрепленных пользователем файлов. Это позволяет агенту находить нужные данные, обрабатывать их, строить графики и таблицы, что значительно повышает качество итогового отчета.

Помимо конечного результата, пользователю доступен «сайдбар», в котором отображается цепочка рассуждений агента. Такой уровень прозрачности помогает в фактчекинге.

В тесте Humanity’s Last Exam (более 3 000 вопросов от лингвистики до ракетостроения), Deep Research показал точность 26,6 %. Для сравнения, модели, такие как Grok-2 и GPT-4o, набрали всего 3,8 % и 3,3 % соответственно, а конкурирующая модель Gemini Thinking – 6,2 %. Впечатляющий прогресс.

Вспомните недавний релиз Оператора для выполнения рутинных действий в браузере от OpenAI. Сейчас компания фокусируется на развитии основных агентов, применяемых в практических задачах. Deep Research, Operator и будущие специализированные агенты будут интегрированы в единую мультиагентную систему.

Неужели OpenAI готовят продвинутого агента-программиста, способного самостоятельно обучать ИИ-модели?

Если все эти агенты объединятся в мультиагентную систему, которая сможет проводить исследования, писать код и действовать в интернете как единое целое, мы, возможно, увидим первые признаки общего ИИ (AGI).

Это будет система, способная самостоятельно обучаться, открывать новые знания и действовать в самых разнообразных сферах жизни, а главное, по версии Microsoft, – автономно зарабатывать миллиарды долларов.

Конечно, всем агентам придется пройти «путь становления» по отдельности, но, судя по дорожной карте AGI от OpenAI, Оператор будет «пробивать» третий уровень (автономность), а Deep Research четвертый (инновационность), останется последний (организованность).

Поэтому Deep Research – это не просто инструмент для поиска информации, а фундаментальный шаг к созданию автономных ИИ-агентов, которые могут вывести качество исследований на новый уровень.

Остается только ожидать более массовое появление воплощенных (embodied) агентов, которые будут искать и анализировать информацию не только в интернете, но и в реальном мире в форме роботов.

Этот год для ИИ-агентов обещает быть жарким.

#новости

Как придумать идею для успешного стартапа с помощью ИИ

Создание любого продукта начинается с определения проблемы клиента, поэтому в первую очередь важно провести кастдев (Customer Development), прежде чем что-то разрабатывать. Иначе может оказаться, что рынку не нужно ваше решение, и вы зря потратите деньги и — что критичнее — время.

Кастдев сопряжен с рядом сложностей: нужно найти респондентов (не все согласятся тратить на вас время), а также нужно правильно формулировать вопросы (часто предприниматели задают наводящие вопросы и получают «нечестные» ответы). Также проведение кастдевов занимает много времени.

Чтобы оптимизировать этот процесс, мы проделали следующее упражнение:

1. Поиск трендов. Взяли список последних стартапов из YC и загрузили его в ChatGPT, чтобы выявить сегменты клиентов. Также можно закинуть результаты маркетинговых исследований, чтобы понять общие тренды. На выходе мы получили большой список сегментов.

2. Определение сегментов. Затем попросили ChatGPT предложить топ-10 сегментов, на которых нам стоит нацелиться. Копипастить чужие идеи из YC мы не хотим (хотя это тоже вариант), поэтому важно было найти свою нишу. ChatGPT выдал несколько потенциально интересных сегментов, среди которых оказались солопренеры (solopreneurs или “ИПшники”).

3. Проверка сегментов. Мы нашли исследования рынка солопренеров и обнаружили, что он растет. Например, в США в 2023 году было создано свыше 5,5 млн новых бизнесов, и 84% из них управляет один человек. Но в чём их основные проблемы и можем ли мы помочь им всем?

4. Детализация сегментов. Мы попросили ChatGPT детальнее определить потенциальные сегменты в формате ICP (Ideal Customer Profile). ИИ выделил несколько более узких групп солопренеров: от налоговых консультантов и психологов до фитнес-тренеров и фотографов.

5. Создание цифровых персон. Далее с ChatGPT сгенерировали по три подробных цифровых портрета для каждой профессии, указав возраст, пол, образование, локацию, ценности, мотивацию, страхи, а также проблемы и каналы коммуникации. К примеру, для психолога мы получили двух молодых женщин арт- и гештальт-терапевтов и одного зрелого мужчину-психоаналитика. Все они продвигают свои услуги в соцсетях, работают на себя и не имеют команды.

6. Формулировка вопросов. Теперь нужно составить вопросы для каждого сегмента, чтобы узнать, как они привлекают клиентов, какими инструментами пользуются и какие барьеры видят в продвижении своих услуг. Конечно, эту задачу мы также поручили ChatGPT.

7. Симулированные интервью. Далее ChatGPT провел «виртуальные» интервью с каждым из симулякр (лучше всего это делать в отдельных контекстных окнах). Также попросите ИИ задавать уточняющие вопросы, чтобы глубже понять процессы их работы.

8. Анализ результатов. ChatGPT выделил основные общие проблемы: повышение цифрового присутствия в качестве эксперта, увеличение конверсии в продажу услуг и ведение записи клиентов. Оказалось, что все солопренеры хотят развивать личный бренд, чтобы их клиенты больше доверяли их экспертизе и охотнее записывались на консультации. При этом им не хватает времени и навыков для регулярного создания контента и управления клиентской базой.

9. Генерация решений. Далее ИИ сгенерировал потенциальные решения этих проблем в формате Lean Canvas. Мы получили множество гипотез: от рекомендаций по контент-плану и созданию коротких видео, до автоматического сбора обратной связи из комментариев и автоответов на сообщения. Но что из этого следует тестировать в первую очередь?

10. Приоритизация гипотез. В итоге ChatGPT отранжировал идеи по методу RICE. Так мы получили приоритетный список гипотез (подробности не раскрою). Далее можно провести «smoke»-тест: сделать лендинг, запустить на него трафик и понять, действительно ли это интересно клиентам. При необходимости повторять весь процесс итеративно.

На этом всё. Теперь можно приступать к разработке продукта. Конечно, реальное общение с клиентами никто не отменял, но подобный подход помогает быстро наполнить бэклог идеями. В конце концов, одна голова — хорошо, а голова в связке с ИИ — лучше.

#кейсы

Большие популяционные модели (LPM): как ИИ симулирует социальное поведение?

В знаменитой серии «Основание» Айзека Азимова математик Хари Сэлдон создает «психоисторию» — науку, способную предсказывать будущее человечества на основе законов массового поведения. Хотя это художественная выдумка, идея отражает глубокую истину: чтобы формировать наше общее будущее, нам необходимо понимать коллективное человеческое поведение.

Сегодня мы стоим на пороге революции в изучении общества. Большие популяционные модели (Large Population Models, LPMs) предлагают нам постоянно обновляющийся портрет человечества, который отражает сложные взаимодействия миллионов отдельных людей.

Большие языковые модели (LLMs) уже продемонстрировали способность генерировать связный текст, предсказывая следующее слово (токен) в предложении. LPMs берут эту концепцию, но вместо предсказания следующего слова, они предсказывают неизвестные атрибуты людей на основе известных данных. Это позволяет моделировать поведение целых обществ, заполняя пробелы в данных и создавая более полную картину человеческого взаимодействия.

Например, если мы знаем возраст, пол и место жительства человека, модель может предсказать его уровень дохода, образование или поведенческие привычки.

Потенциальные области применения больших популяционных моделей обширны:

- Здравоохранение: В период пандемии LPMs могут помочь моделировать распространение заболеваний, основываясь на передвижениях и контактах людей;

- Социальные исследования: Предупреждение о возможных социальных волнениях или гуманитарных кризисах путем анализа настроений и поведения больших групп людей;

- Экономика: Правительства и корпорации могут использовать модели для прогнозирования экономических тенденций и адаптации политик в соответствии с динамикой местных экономик.

Недавно ученые разработали модель под названием «Кентавр». Эта модель способна предсказывать и симулировать человеческое поведение в различных экспериментах, выраженных на естественном языке. Центавр создан путем дообучения Llama 3.1 70B методом QLoRA на уникальном наборе данных Psych-101. Этот набор данных охватывает более 60 000 участников, совершивших более 10 миллионов выборов в 160 различных экспериментах.

Интересно, что дообучение модели также улучшает согласованность внутренних представлений Кентавра с нейронной активностью человека. Это означает, что модель не только предсказывает поведение, но и демонстрирует внутренние процессы, схожие с теми, что происходят в человеческом мозге. Это не просто шаг вперед в когнитивных науках, но и пример того, как большие модели могут помочь нам понять сложность человеческого поведения.

Сегодня в сфере маркетинговых исследований появляются так называемые синтетические респонденты — искусственные персоны для имитации человеческих ответов. Они могут использоваться для быстрой оценки новых продуктов или идей без необходимости проведения масштабных опросов.

Авторы этой статьи считают замену респондентов LLM привлекательной из-за скорости и дешевизны, но модели пока плохо передают сложные взаимосвязи, дают слишком однородные данные, зависят от контекста и могут искажать восприятие общественного мнения.

LPMs предлагают нам инструменты для более глубокого понимания общества для принятия обоснованных решений. Хотя такие модели могут сэкономить время и ресурсы, компании должны быть осторожны, чтобы не полагаться полностью на синтетических респондентов, а использовать их в сочетании с традиционными методами исследований.

С такой мощной технологией приходит и большая ответственность. Важно обеспечить, чтобы использование LPMs было этичным и уважало конфиденциальность людей. Цель должна быть не в том, чтобы манипулировать обществом, а в том, чтобы лучше его понимать и принимать обоснованные решения. Будущее не предопределено, поэтому с помощью LPMs у нас есть возможность формировать его в лучшую сторону, используя знания для общего блага и прогресса всего человечества.

#технологии