Оснащение рабочих мест средствами ИИ сулит серьезный прирост эффективности, обещая принести компании дополнительные активы, однако выбор неверной стратегии обернется лишь расходами.

Основных стратегий внедрения ИИ три: ИИ-чат в качестве персонального ассистента ('AI-account'); работа через человека-«оркестратора» с корпоративными данными ('AI-assisted'); мультиагентная архитектура ('AI-first'), независимая от человека.

Все пропало или просто еще не началось?

Исследователи из MIT обнаружили, что при внедрении ИИ в самые разные бизнесы и административные системы лишь 5% попыток успешны [1]. Означает ли это конец хайпа ИИ?

Отчасти да.

Конечно, нельзя отрицать, что искусственный интеллект все еще находится в зоне неопределенности — нормы работы с ним не сложились, а искусственные нейронные сети все еще ведут себя как малоизученный объект, требуя специальных способов объяснения результатов своей работы [2]. В этой ситуации любой, кто пытается внедрить ИИ, надеясь получить осязаемый результат, не должен доверять техноэнтузиастам, обещающим при любых обстоятельствах многократный рост эффективности бизнеса.

Пока есть немного успешных ИИ-проектов, которые позволили выявить результативные практики работы с ИИ. Например, использование умных чат-ботов снижало когнитивную нагрузку (NASA TLX, Task Load Index) на 32%, увеличивало долю правильных ответов с 63,8% до 86,2% и повышало общую продуктивность на 60% [3]. Это особенно заметно в сферах, требующих работы с многоаспектными данными: товарами на маркетплейсах, информацией в электронных таблицах и т. п. Вместо скрупулезной и долгой расстановки галочек в фильтрах теперь возможен естественный рабочий процесс — пользователь прямо формулирует запрос, а система без промежуточных этапов строит ответ, который можно уточнять в диалоге. Так, ретейлер Walmart в 2025 году встроил LLM-ассистента в свое мобильное приложение — покупатель формулирует задачу («ужин на четверых без глютена», «недельное меню по бюджету 100 долл.»), а система подбирает корзину товаров. В результате конверсия у этой торговой сети выросла на 12%, а средний чек — на 9%. Подобные, хотя и немногочисленные проекты показывают, что даже простое снижение когнитивной нагрузки в коммуникации дает бизнес-эффект, сопоставимый с крупными стратегическими изменениями, такими как реорганизация, внедрение ERP-систем или переход компании на новую модель обслуживания клиентов.

Счастливчики, вошедшие в те самые 5%, сумели воспользоваться преимуществами интеграции ИИ в свой бизнес, а чтобы и остальные смогли пополнить эти ряды, рассмотрим один принцип и один прием навигации, которые помогут не промахнуться в выборе стратегии.

Рис. 1. Пространство включения ИИ в деятельность компании

Лицу, принимающему решение, надо всегда одновременно думать в трех плоскостях (рис. 1): объективация деятельности, постоянный анализ современных решений ИИ и экономический расчет. Выбранные инструменты ИИ не должны требовать от организации чрезмерных и недоступных дополнительных навыков описания, объективизации и нормирования своей деятельности. Цена разработки и использования ИИ должна быть точно посчитана и либо быть дешевле уже предпринимаемых альтернативных действий, либо предоставлять новые источники прибыли. Дальнейшая навигация по трем разным уровням взаимодействия ИИ и человека — это три разных сшивки этих пространств. Для простоты будем говорить о ситуациях, где требуются коммуникация с потребителем или другим контрагентом и формирование рабочих текстов для решения деловых задач.

Есть надежда, что для тех, кто будет придерживаться предлагаемой системы координат, еще ничего не пропало — их путь к ИИ только начинается.

Основные типы технологических систем «ИИ — человек»

Как приготовить и подать ИИ?
Рис. 2. Три уровня включения ИИ в деятельность компании

По степени замещения человека решения ИИ можно расположить по следующим уровням (рис. 2).

'AI-account' — прямой доступ к LLM, например ChatGPT. Пользователь пишет запрос в чат и получает ответ на основе собственных представлений нейронной сети, без учета других данных. Порог входа минимален, эффект быстрый, но неизбежны ошибки и галлюцинации. Чаще всего именно так сотрудники сегодня начинают самостоятельно пробовать ИИ — без инфраструктуры и без согласований с работодателем. Чат можно использовать как библиотеку, редактор и референт.

'AI-assisted' — человек выполняет роль оркестратора аккаунтов. Здесь применяется RAG (Retrieval-Augmented Generation) — база данных со специальным поиском, встроенным в работу нейросети. В запрос подставляются корпоративные документы, а LLM отвечает уже не только из своей «головы», но и на основе конкретных данных. Человек-оркестратор формирует системные промпты (для этого в аккаунтах LLM часто имеется отдельное «системное окно»), направляет вопросы в разные модели и вручную сводит результаты. Например, при подготовке ответа на тендер система подтягивает требования и прошлые кейсы из базы, ChatGPT собирает текст, Claude проверяет логику, Gemini адаптирует под нормативные акты, Mistral считает цены, а человек сводит финальную версию. В отличие от первого уровня, здесь в работе полноценно используются корпоративные данные; в отличие от третьего — согласование по-прежнему делает человек, за которым остается главная интеллектуальная функция.

'AI-first' — самостоятельные мультиагентные системы. Человека-оркестратора заменяет инфраструктура агентов: один общается с пользователем, другой ищет в базе, третий проверяет факты, четвертый фильтрует риски. Над ними работает агент-оркестратор, управляющий всей связкой. Сильная сторона такого подхода — гибридность: языковые модели работают вместе с алгоритмами для расчетов и проверок. Это дает точность выше 95% и возможность честно сказать «не знаю», что нереально для обычных аккаунтов даже с системными промтами. Важно, что ответственность за ошибку теперь лежит не на человеке, а на системе, поэтому проектировщик обязан четко разложить сам акт рассуждения и коммуникации на роли и шаги. От качества такого разложения будет зависеть архитектура мультиагента и, что очень важно, правила работы автоматического оркестратора.

Все три уровня кардинально различаются по степени объективации деятельности, автоматизируемой с помощью ИИ.

Насколько сложна структура интеллектуального действия и как она проецируется на архитектуру агентов [4]?

Коммуникации для человека — это не просто «что-то сказать»

Особое внимании следует обратить на коммуникацию, поскольку первый яркий эффект от ИИ ожидается именно здесь — по своей природе современный ИИ является в наибольшей степени коммуникативной, разговорной, текстовой технологией [5], поэтому залогом успешного проектирования становится модель анализа коммуникации человека.

В сфере исследований коммуникации — области на стыке лингвистики, психологии и философии — создано множество теорий, объясняющих, как именно люди понимают и строят высказывания. Одни ученые рассматривают общение как систему функций языка — от передачи информации до воздействия на собеседника. Другие исследователи описывали его как действия, совершаемые словами, — например, просьбы, обещания, утверждения. Третьи изучали правила кооперации, благодаря которым диалог остается понятным и результативным. Российская методологическая школа понимает коммуникацию как организованное совместное действие — каждый акт общения разбирается через роли и операции его участников [6].

Вместе подобные модели показывают, что коммуникация гораздо сложнее простого обмена информацией и даже один индивидуальный акт общения имеет сложную внутреннюю структуру, раскладывается на взаимосвязанные операции и роли. Еще до того, как человек что-то сказал, он проводит многофакторную оценку ситуации, выбирает стиль и содержание реплики, обращается к своей памяти, координирует слова с поставленной задачей и т. д. Безусловно, создатели продвинутых чат-ботов так или иначе разобрались в механизме формирования реплик и сумели передать машине нужную структуру.

Рассмотрим роль коммуникаций на примере структуры ролей мультиагента в реальном бизнес-проекте «Сомелье — подбор и продажа вина». Проект прошел тестирование у конкретного потребителя и у профессиональных сомелье. В акте коммуникации в проекте задействованы следующие роли: «говорилка» — формулирует речевые ответы; «интент» — определяет направление запроса («подарок» или «ужин с рыбой»); «эксперт» — проверяет полноту и корректность запроса; «цензор» — следит за соблюдением норм общения; «диалогист» — решает, нужно ли уточнить детали у клиента; «продажник» — подбирает мотивационные и продающие формулировки; «калькулятор» — считает цены, сроки и скидки; «классификатор» — делает выборки по сортам, регионам, вкусовым профилям; «энциклопедист» — добавляет контекст (например, традиции подачи); «историк» — хранит историю взаимодействий; «аккаунт-менеджер» — подстраивает предложение под конкретного клиента; «завскладом» — проверяет наличие товара; «контролер качества» — оценивает полноту и соответствие ответа; «агент-босс» — выполняет финальную сверку результата с исходным запросом. Плюс к этим ролям имеется еще «агент-оркестратор», управляющий всей связкой: запускает роли в нужной последовательности; инициирует повторный цикл, если «контролер качества» или «агент-босс» фиксируют несоответствие; обеспечивает, чтобы финальный результат отвечал запросу клиента. Без такого агента система может выдавать неподходящие ответы, которые придется многократно перерабатывать.

Сегодня на рынке уже имеются мультиагентные платформы (CrewAI, AutoGen, LangGraph, H2A.dev, AgentKit), позволяющие реализовать распределенную структуру ролей и оркестрацию их взаимодействия. Однако они не воспроизводят внутреннюю структуру конкретной коммуникации — ее надо конструировать самостоятельно.

Разработка набора ролей и правил их взаимодействия — это отдельная, новая область на стыке ИИ и анализа действий человека в бизнес-ситуациях. Сегодня здесь фактически формируется профессия проектировщика архитектур мультиагентных систем (Multi-Agent Systems) — эффективность всей системы зависит от качества описания действий человека и построения их адекватной ролевой структуры. Важно, что удачные архитектуры мультиагентных систем могут быть перенесены на новые задачи, например структура, разработанная для подбора вина в мультиагенте «Сомелье», адаптируется к задачам подбора туристических маршрутов и образовательных курсов. Для этого достаточно лишь перенастроить отдельные роли и подключить соответствующие базы знаний, сохранив общую логику взаимодействия агентов.

Мультиагентные системы работают в разных сферах: в такси и доставке они распределяют заказы без диспетчера; в проектировании электронных компонентов стек Synopsys раскладывает процесс на оптимизаторы и проверяющие модули и т. п. Еще в 2024 году банк Unicredit с трех дней до шести часов сократил время обработки кредитных договоров, снизив ошибки на 40%. В Китае проекты Manus, Genspark и Flowith за месяцы вышли на миллионы пользователей: первый — универсальный ИИ-агент для автоматизации задач, второй — поисковый агрегатор на основе LLM, третий — визуальная платформа для работы со знаниями и многозадачными потоками.

Успех подобных решений зависит не столько от технологий, сколько от точности декомпозиции процесса на роли агентов. При этом один и тот же класс задач может оказаться как успешным, так и убыточным. Например, проект «Сомелье» до выхода на стадию промышленной эксплуатации прошел несколько итераций: команда пересматривала конфигурацию ролей внутри мультиагента, чтобы снизить стоимость платформных сервисов и количество обрабатываемых токенов, обеспечивающих его работу. В итоге проект был сбалансирован по трем ключевым осям — методам описания деятельности, возможностям современных инструментов ИИ и экономике совершаемых действий (рис. 1).

Какой уровень выбрать?

Сегодня появилась возможность достаточно точно рассчитывать стоимость интеллектуальных операций — современные аккаунты (например, доступы к большим нейронным сетям: OpenAI GPT-4, Claude 3, Gemini 1.5, Anthropic API, Mistral API и специализированные сервисы: OpenAI API Dashboard, Azure OpenAI Monitoring, AWS Bedrock, Hugging Face Endpoints, а также локальные инструменты вроде LM Studio или Ollama с метриками токенов) фиксируют не только последовательность действий, но и их реальную стоимость. Это позволяет рассматривать работу ИИ как экономически измеримую систему, где каждая операция (запрос, генерация, вызов модели) имеет свой прозрачный денежный эквивалент, сопоставимый с затратами на человеческий труд.

'AI-account' или эксперт с «референтом». Достаточно просто учесть оплату доступа в большую нейронную сеть.

'AI-assisted' или человек-оркестратор. Затраты включают зарплату специалиста, подписку на несколько LLM и RAG-сервис, а также скрытые расходы на рабочее время — от написания системных промтов до ручного сведения противоречий.

'AI-first' или самостоятельный мультиагент. Цена складывается из подписки на LLM, оплаты транзакций (токенов), вычислительных мощностей, поддержки векторных баз и интеграции с корпоративными сервисами. Разработчики таких решений борются за сокращение транзакций: используют общий буфер памяти; объединяют шаги в пакеты; кэшируют данные; переносят тяжелые операции в алгоритмические модули; вводят специальные роли, отсекающие лишние действия. Например, отдельная роль, отвечающая за «рефлексию», стоит денег, но при правильной настройке способна остановить избыточное действие еще до того, как оно породит ненужные транзакции.

Довольно часто в проектах мультиагентных систем обсуждаются чисто технические метрики, например CPC Score (Communication Planning Coordination Score), применяемый в бенчмарках T‑Eval, UltraTool и MARBLE, измеряющих, насколько система способна:

  • передавать информацию между агентами без потерь и противоречий (communication);
  • разрабатывать общий план действий, распределяя задачи (planning);
  • выполнять их согласованно во времени и логике (coordination).

Все такие метрики описывают, насколько система верно выстраивает коммуникацию между агентами, планирует шаги и координирует действия [7].

Для бизнеса к этим метрикам добавляется еще одна — эффективность эксплуатации: нагрузка, скорость отклика и стоимость транзакций, непосредственно влияющие на экономику использования ИИ.

Обычно эксперты и даже рядовые сотрудники уже имеют свои аккаунты — уровень «человек с референтом» ('AI-account') не требует специальных сложных решений со стороны руководителей. На следующем шаге для принятия решения о более глубоком включении ИИ в деятельность компании необходимо сделать выбор между уровнями 'AI-assisted' и 'AI-first'. На практике оказывается, что такой выбор достаточно трудно оценить только в деньгах — нужны дополнительные основания для выбора. Дело в том, что на начальном этапе (в течение первого года внедрения) затраты на системы второго (человек-оркестратор, 'AI-assisted') и третьего уровня ('AI-first') сопоставимы. Решения второго уровня обходятся примерно в 200–2000 долл. на технические затраты в месяц плюс зарплата специалиста. Мультиагентные решения начинаются примерно от 1 тыс. долл. технических затрат в месяц плюс разработка пилотной версии — от 5 тыс. долл. Итого в первый год стоимость '-assisted' и 'AI-first' может быть практически одинакова — примерно 20 тыс. долл. в год. Существенная разница в стоимости владения появляется только при масштабировании — стоимость мультиагентов может доходить в среднем до 10 тыс. долл. в месяц, но именно тогда и становится заметна отдача от них.

Однако при почти одинаковых стартовых расходах ключевым фактором становится не цена вопроса, а стратегия компании — оставить все на человеке-оркестраторе или инвестировать в формализацию процессов и их передачу машине, превращая накопленные данные в стратегический актив.

Суть различия стратегий такова — и первый 'AI-account' (личный аккаунт в большой языковой модели у эксперта), и второй уровень 'AI-assisted' (человек-оркестратор с RAG) остаются в логике усиления конкретного сотрудника. Плюсы — гибкость и быстрый запуск. Минусы — не формируется накопленная корпоративная память и воспроизводимая архитектура: связка инструментов и логика остаются у человека-оркестратора; деятельность не раскладывается на точные операции и роли, потому что системе это не требуется.

Самостоятельный мультиагент реализует стратегию 'AI-first', которая требует более глубокой, чем у человека-оркестратора ('AI-assisted'), объективизации и формализации процессов. В этой стратегии устраняются скрытые шаги и неявные компетенции человека, поскольку они переносятся на роли и в мультиагенте. ИТ-система при этом обучается и накапливает разнородные данные, в том числе память о своих собственных действиях. Каждое действие фиксируется и журналируется, формируя воспроизводимую память, которая позволяет оптимизировать процессы на каждом цикле. Эти данные становятся стратегическим активом компании: их можно масштабировать, переиспользовать и при необходимости монетизировать. Само название 'AI-first' говорит о том, что от такого включения ИИ существенно перестраивается сама деятельность людей.

При сопоставимых стартовых расходах стратегия 'AI-assisted' направлена на усиление людей, а 'AI-first' на перестройку структуры работ и превращение точных данных о функционировании в стратегический ресурс компании [8].

Безусловно, там, где компания мало продвинулась на плоскости описания и объективации своей деятельности, стратегия 'AI-first' будет безуспешной даже при наличии технических решений и невысокой цене разработки и пользования. Неточность описания деятельности неизбежно приведет к попаданию в уже упомянутые 95% неудач. Поэтому очень остро стоит вопрос о том, как именно начинать движение в технологиях ИИ.

С чего начать?

Первый шаг — решить, что ближе компании: использовать режим 'AI-account' и 'AI-assisted' (сотрудники работают через LLM вроде ChatGPT) или переходить к 'AI-first' и мультиагентной архитектуре. Усиление сотрудников подходит там, где процессы еще не формализованы — это быстро и недорого. Но если деятельность уже достаточно структурирована и компания готова усилить команды, которые умеют описывать и нормировать работу, то тогда мультиагенты позволяют закреплять и воспроизводить операции, создавая основу для масштабирования.

Лучше всего начинать с пилотов на 3–6 месяцев в повторяющихся задачах, например поддержка клиентов или первичный анализ данных. Любой такой шаг описания деятельности неизбежно становится рефлексивным: невозможно передать машине задачу, не описав ее и не уточнив детали. Глубина конкретизации интеллектуальных актов часто удивляет даже в самых простых операциях. Хороший тому пример — пилотный проект в Университете имени Райхмана (Израиль, 2025). Мультиагенты помогали 1500 студентам: один отвечал на бытовые вопросы, другой анализировал прогресс, третий формировал персональные планы. За полгода нагрузка на сотрудников университета снизилась на 35%, а удовлетворенность студентов выросла на 18%.

Важно, чтобы такие проекты вели не только айтишники. Здесь нужна новая роль — AI Workflow Architect (архитектор рабочих процессов с ИИ) или AI Activity Designer (конструктор деятельности с ИИ). Это специалист, который разбирает действия людей на операции, решает, что поручить агентам, а что оставить человеку, и проектирует архитектуру взаимодействия. Без такой роли легко получить технически красивое, но методологически и экономически пустое решение. И именно такой архитектор должен уметь гармонизировать продвижение по всем трем плоскостям — объективации деятельности, современного уровня решений ИИ и экономического расчета.

***

Включение ИИ в деятельность компании — это способ не только проверить соответствующие технологические гипотезы, но и повод увидеть свой бизнес в новом свете. Руководитель, начиная эксперименты с ИИ, фактически получает лабораторию внутри собственной компании — пространство, где проверяется, не только «работает ли ИИ», но и насколько прозрачны процессы, что можно менять в стратегии, а что, наоборот, трогать не стоит.

Сегодня выбор между 'AI-assisted' и 'AI-first' — это выбор стратегии: либо усилить работу сотрудников, либо перестроить саму архитектуру деятельности организации. Первый путь дает быстрый результат, второй формирует долгосрочный актив — воспроизводимую память и формализованные роли. В любом случае самая большая ошибка — вообще откладывать любые эксперименты с искусственным интеллектом.

Литература

1. MIT NANDA Initiative. The GenAI Divide: State of AI in Business 2025. — 2025. — URL: https://mlq.ai/media/quarterly_decks/v0.1_State_of_AI_in_Business_2025_Report.pdf (дата обращения: 26.09.2025).

2. Elashkin, Andrey. Counterfactual and Robustness-Based Explanations for Reinforcement Learning Policies [Text]: thesis / Andrey Elashkin; supervisor Orna Grumberg. — Technion — Israel Institute of Technology, 2025. — URL: Web (accessed: 12.09.2025). — (topic: explainable AI).

3. Schmidhuber, S., Schlö gl, S., Ploder, C. Human-Chatbot Interaction and Cognitive Load [Электронный ресурс] // arXiv preprint. — 2021. — URL: https://arxiv.org/abs/2111.01400 (дата обращения: 31.08.2025).

4. Бхагват С. Principles of Building AI Agents: 2-е изд. — 2025. — URL: https://www.amazon.com/Principles-Building-Agents-Sam-Bhagwat/dp/B0DYH5GHDD (дата обращения: 02.09.2025).

5. Анна Елашкина. Искусственный интеллект просит подумать // Открытые системы. СУБД. — 2024. — № 4. — С. 14–18. URL: https://www.osp.ru/os/2024/04/13059028 (дата обращения: 12.11.2025).

6. Петр Щедровицкий. Представления о коммуникации в СМД-подходе: лекции. — URL: https://www.youtube.com/watch?v=VCFiisrtv3M (дата обращения: 02.11.2025).

7. Zhu K., Du H., Hong Z. и др. MultiAgentBench: Evaluating the Collaboration and Competition of LLM Agents. — 2025. — URL: https://arxiv.org/abs/2503.01935 (дата обращения: 11.10.2025).

8. Розенбуш С. AI-first компании развиваются быстрее и действуют иначе = AI-First Companies Move Faster and Differently [Текст] /пер. с англ. ред. «Технократия» // The Wall Street Journal. — 07.02.2025. — URL: https://habr.com/ru/articles/880502/ (дата обращения: 02.10.2025).

Анна Елашкина (Elashkina.anna@gmail.com) — независимый эксперт, Андрей Кукушко (a.kukushko@mail.ru) — эксперт по разработке цифровых стратегий, бизнес-дизайну и применению ИИ-инструментов, МШУ «Сколково» (Москва).