Сооснователь a16z: в эпоху агентов каждый станет менеджером

Авторы: Бен Хоровиц, Майкл Макгиннесс

Перевод: Jiahua, ChainCatcher

Если ИИ сможет напрямую запрашивать состояние бизнеса, выполнять задачи и отслеживать результаты, сколько уровней отчетности останется в компании? Как изменится повседневная работа сотрудников?

Сооснователь a16z Бен Хоровиц на примере Databricks отмечает, что общая корпоративная система данных позволит рядовым сотрудникам действовать напрямую, а управленческая работа перестанет быть монополией узкой группы профессиональных менеджеров. Способность компании встраивать накопленный опыт принятия решений в собственные системы определит ее долгосрочную конкурентоспособность.

Примечание: Databricks входит в портфель a16z, Бен Хоровиц также является членом ее совета директоров. Материалы, связанные с этой компанией, отражают точку зрения инвестора и не являются инвестиционной рекомендацией. Далее следует основной текст.

В ближайшие 20 лет многие аспекты нашей жизни изменятся. Одним из пяти главных вопросов наверняка станет: «Чем вы занимаетесь на работе каждый день?»

Вокруг этого вопроса грядут два важных прорыва. Первый — автоматизация с помощью агентов: «Опишите задачу, которую мы сейчас выполняем, и позвольте ей выполняться автоматически». Второй — предоставление сотрудникам возможности действовать проактивно. Те, кто ближе всего к проблеме, смогут все чаще самостоятельно разбираться в ситуации и использовать возможности, не дожидаясь, пока информация и полномочия спустятся сверху вниз.

Оба прорыва коренным образом улучшат повседневную работу каждого. Но есть важная предпосылка: организация должна действительно суметь перейти к этому новому способу работы.

«Чем человек занимается каждый день» во многом ограничено корпоративными системами данных и принятия решений, которые использует работодатель. А сама эта система, в свою очередь, ограничена используемыми технологиями баз данных и их возможностями. О последнем уровне редко кто задумывается.

Эта история состоит из четырех частей:

1) Что именно делает Databricks? Что такое «Lakehouse» и «Lakebase», которые вы могли видеть на рекламных щитах? Почему их считают своевременным архитектурным прорывом?

2) Что такое «корпоративная система данных» (system of record, SoR)? Почему для того, чтобы агенты могли работать в реальных компаниях, принимать реальные решения и пополнять базу знаний компании, нужна новая корпоративная система данных?

3) Что такое предприятие по своей сути? Что произойдет с компанией, если соотношение агентов и людей достигнет 1000:1? Как компания сможет дифференцироваться и создавать ценность?

4) Чем люди будут заниматься на работе каждый день в этом новом мире? ИИ в рабочем контексте часто рекламируют как средство, «дающее обычным людям способности инженера-программиста». Но в долгосрочной перспективе перемены могут привести не к тому, что «все станут инженерами», а к тому, что «все станут менеджерами».

Возможно, это самая глубокая часть. Мы наблюдаем постепенный распад управленческой модели, сформировавшей XX век. Джеймс Бернхем описал эту модель в своей классической работе «Революция менеджеров».

85 лет назад он описал, как информационные технологии и организационная сложность породили модель корпоративного управления, при которой небольшая группа профессиональных менеджеров сосредоточила в своих руках право принятия решений внутри компании. Сегодня новая волна технологических изменений возвращает ответственность рядовым специалистам, и мы все от этого выиграем.

От Spark к агентам

В последнее время некоторые описывают Databricks как «компанию данных, оседлавшую волну ИИ». Но компания была основана за десять лет до появления этой волны.

Изначально Databricks решала простую задачу: у предприятий становилось все больше данных, но обрабатывались они слишком медленно. В 2009 году Али Годси, занимаясь исследованиями в Беркли, заметил, что интернет-компании используют огромные массивы данных для прогнозирования поведения пользователей. Однако распространенные тогда инструменты плохо подходили для повторяющихся вычислений, необходимых машинному обучению.

Исследователи из Беркли разработали Spark, ускоривший выполнение таких задач до 10 раз. В 2013 году Али, Матей Захария и еще шесть исследователей основали Databricks, чтобы создать платформу, которую предприятия могли бы использовать напрямую, не занимаясь самостоятельным построением и обслуживанием сложных систем.

Spark ускорил обработку данных, но корпоративные данные по-прежнему оставались разрозненными в разных системах. Хранилища данных содержали организованные, надежные данные, используемые в основном для бизнес-аналитики и отчетности; озера данных хранили разнообразные необработанные данные — файлы, изображения, записи, журналы — с меньшими затратами, но часто без должной организации и гарантий качества.

Обе системы имели свое назначение, но создавали изолированные хранилища между разными командами. Инженеры и специалисты по данным в основном использовали озера данных, аналитики — хранилища. Когда одной стороне требовались данные другой, кто-то должен был заниматься их переносом и обслуживанием, что приводило к накоплению множества копий данных и противоречивых бизнес-определений.

В 2020 году Databricks объединила оба подхода, представив архитектуру «Lakehouse». Она позволила предприятиям выполнять бизнес-аналитику и машинное обучение на одних и тех же данных: сохраняя способность озер данных дешево хранить разнообразные данные и обеспечивая управленческую надежность и быстрые запросы, необходимые хранилищам данных.

Таким образом, инженеры, специалисты по данным и аналитики смогли использовать одни и те же данные, сократив дублирующую работу по копированию и переносу данных между системами.

Рисунок: Lakehouse объединяет озеро данных и хранилище данных, позволяя одним и тем же данным одновременно обслуживать бизнес-аналитику, машинное обучение и ИИ.

Однако часть данных оставалась неинтегрированной. Повседневные операции предприятий, такие как платежи и вход пользователей в систему, зависели от другого типа баз данных. Эти базы по-прежнему требовали отдельного подключения и обслуживания, чтобы передавать данные в аналитические системы. По мере изменения бизнеса работа по соединению этих систем продолжалась.

В 2025 году Databricks приобрела Neon и на ее основе представила Lakebase, расширив интеграцию на повседневные бизнес-базы данных. Когда данные в бизнес-системах меняются, они могут автоматически синхронизироваться для использования аналитиками, инженерами и агентами, сокращая работу по переносу данных между системами.

Для агентов Lakebase также предоставила важную возможность: быстрое создание изолированных копий данных из действующих бизнес-операций. Даже для очень больших баз данных такие копии можно подготовить за считанные секунды. Агенты могут экспериментировать в них и выбрасывать после использования, не копируя каждый раз всю базу данных с нуля.

Это заложило основу для изменения способов использования программного обеспечения. Десятилетиями корпоративное ПО разрабатывалось небольшим числом инженеров, а остальные сотрудники им пользовались. Сегодня люди движутся к новому способу работы: сначала сформулировать желаемый результат, а затем позволить программному обеспечению самому найти способ его достичь.

Предприятия больше не ограничиваются ситуацией, когда тысячи сотрудников читают и записывают данные в несколько баз, управляемых центральной командой. Вместо этого могут появиться тысячи баз данных, с которыми работают миллионы агентов. Возможность совместного использования данных, их обновления в реальном времени и удобной работы агентов с ними становится все более важной.

Корпоративная система данных, ориентированная на агентов

Рисунок: Генеральный директор Databricks Али Годси выступает на саммите Data + AI Summit 2026 года.

В июне Али стоял перед примерно 30 000 участников саммита Data + AI Summit и попросил поднять руки тех, кто считает, что общий искусственный интеллект уже наступил. По его оценке, руки подняли около 10% аудитории.

«Мы верим, что AGI уже наступил», — сказал он, отметив, что современные передовые модели способны ответить более чем на половину вопросов «человеческого выпускного экзамена». Этот тест включает 2 500 вопросов, составленных экспертами из более чем 100 областей, и изначально считалось, что ни один ИИ не сможет на них ответить.

Когда в 2022 году впервые был выпущен ChatGPT, он мог справляться с задачами программирования, эквивалентными примерно 30 секундам работы человека. Сегодня передовые агенты способны выполнять задачи программирования, на которые у опытного инженера уходит целый рабочий день.

Независимая оценочная организация METR с 2019 года отслеживает, как долго разные модели могут самостоятельно выполнять задачи, и обнаружила, что это время удваивается примерно каждые семь месяцев. В последнее время прогресс ускорился, и аналогичные тенденции появились за пределами программирования. Если эта тенденция сохранится до начала 2030-х годов, агенты смогут выполнять задачи, на которые у людей уходят годы.

Рисунок: «Новый закон Мура» для ИИ-агентов.

Однако в большинстве современных компаний люди по-прежнему не верят, что ИИ способен надежно обновлять записи в Salesforce (программном обеспечении для управления клиентами).

«Проблема ИИ не в интеллекте, а в контексте», — пояснил Али. Даже самый умный человек, не имея доступа к данным компании, полномочий на действия, обратной связи и знаний, хранящихся в головах других сотрудников, оказался бы почти столь же беспомощным. Ответ Али — то, что он называет «корпоративной системой данных, ориентированной на агентов».

Возможно, вы видели фрагменты выступлений генерального директора Palantir Алекса Карпа о бизнес-онтологии. Он утверждает: «Вся ценность на рынке будет перетекать к чипам и тому, что мы называем бизнес-онтологией. Бизнес-онтология позволяет взять большую языковую модель, использовать ее, улучшать и применять на предприятии». Что именно это означает на практике, обычно оставляют на усмотрение зрителей.

У каждой компании есть собственная бизнес-онтология — модель, описывающая, какие сущности существуют внутри компании, как они связаны между собой, что означают различные термины и какому источнику информации следует отдавать приоритет при конфликте двух источников. Часть этой модели существует в базах данных, панелях мониторинга, политиках и документах, но значительная часть — только в головах опытных сотрудников.

И эта модель никогда не бывает фиксированной. Контракты меняются, временные обходные решения становятся процессами, исключения — правилами, а формальные записи постепенно расходятся с реальной практикой. Кто что решает и какие решения впоследствии оказываются верными, также постоянно меняется: полномочия на принятие решений и критерии оценки, как и бизнес-онтология, часто не имеют письменного оформления.

Люди незаметно заполняют эти пробелы в повседневной работе. Вице-президенту по продажам нужно знать, что крупнейшая сделка, которая, как считалось, вот-вот закроется, застопорилась, потому что ключевой человек со стороны клиента, продвигающий сделку, тайно проходит собеседования на другую работу; ему также нужно знать, что заявленная продавцом вероятность закрытия «90%» на самом деле составляет лишь 50%, и скорректировать ее в сторону понижения, прежде чем докладывать прогноз генеральному директору.

Чтобы агенты могли действовать автономно, значительная часть знаний бизнес-онтологии, полномочий на принятие решений и критериев оценки, которые сейчас находятся в головах людей, должна быть интегрирована в системы данных компании. Ставка Databricks на системы lakehouse — естественный выбор для размещения этих данных, поскольку остальные данные компании уже хранятся и управляются там.

«Сегодня система lakehouse стала корпоративной системой данных, — сказал Али. — Я называю ее SORA, то есть системой записей для агентов (System of Record for Agents)».

Сотрудники могут взаимодействовать с этой корпоративной системой данных через Genie. Genie — это интерфейс на естественном языке, представленный Databricks в 2024 году, который позволяет любому сотруднику компании задавать вопросы о корпоративных данных и все чаще создавать агентов поверх этих данных.

Ядро этой системы записей должно охватывать все предприятие и постоянно отвечать на четыре вопроса. Databricks последовательно решает каждый из них:

Что является истиной? Lakehouse и Lakebase хранят текущее состояние бизнеса предприятия.

Что означает эта информация? Чтобы ИИ не приходилось каждый раз при получении вопроса заново искать ответы в корпоративных данных, Genie Ontology от Databricks постоянно строит граф знаний организации, например, как рассчитывается выручка или что обсуждалось в протоколах совещаний на прошлой неделе.

Один из алгоритмов инженеры назвали OntoRank, отдавая дань уважения PageRank от Google. Он оценивает авторитетность знаний на основе таких атрибутов, как создатель, широта использования и время последнего изменения. В тестах Databricks использование бизнес-онтологии предприятия в качестве основы для агентов повысило точность ответов примерно с 50% до 84,5%.

Что разрешено? Раньше у каждого сотрудника была модель доступа с учетной записью, что работало, пока все сотрудники были людьми. Но когда сотрудник может ежедневно запускать сотни агентов, такая модель перестает работать. «Невозможно предоставлять каждому агенту доступ к каждой проприетарной, изолированной базе данных по отдельности», — пояснил Али.

Unity Gateway от Databricks назначает каждой модели, агенту и ИИ-инструменту в компании идентификатор, бюджет и операционные ограничения, а также отслеживает журнал каждой операции, позволяя компании видеть, что делают ИИ-системы, к каким данным они обращаются и сколько это стоит.

Удалось ли добиться успеха? Databricks предлагает два способа создания агентов для предприятий. Бизнес-команды создают их в Genie, превращая текстовую подсказку в агента, которым можно поделиться, который рассуждает на основе корпоративных данных и все чаще действует в таких приложениях, как Slack или Salesforce. Инженеры могут использовать Agent Bricks для создания более специализированных агентов для реальных производственных сред.

В любом случае Databricks позволяет командам разрабатывать собственные «экзамены», определяя, какие результаты приемлемы, а какие ошибки абсолютно недопустимы, а затем предоставляет инструменты для оптимизации каждого агента под конкретные задачи предприятия. Так формируется цикл обратной связи ИИ.

Рисунок: Как ИИ формирует цикл обратной связи: подтверждение фактов, понимание смысла, уточнение полномочий, выполнение и оценка, а затем запись опыта обратно в систему записей, контролируемую предприятием.

Каждая смена платформы в области корпоративных вычислений вызывает новый виток конкуренции вокруг корпоративных систем данных. IBM доминировала в эпоху мейнфреймов; Oracle и SAP стали основой клиент-серверной архитектуры; Salesforce, Workday и ServiceNow создали SaaS-системы данных в области продаж, управления персоналом и ИТ соответственно. Агенты принесут следующий виток трансформации.

Но то, как агенты изменят сами предприятия, — более важный вопрос, чем то, какой поставщик победит.

Природа фирмы

Экономист Рональд Коуз в своей статье 1937 года «Природа фирмы» задал вопрос: почему существуют фирмы? Если рынок может координировать экономическую деятельность через цены и контракты, зачем собирать людей в компании, чтобы менеджеры руководили их работой?

Его ответ сводился к транзакционным издержкам. Поиск подходящих людей, достижение согласия о том, что делать и по какой цене, контроль всего процесса — все это требует времени и денег. Фирма заменяет часть повторяющихся рыночных транзакций договоренностями, которые не предписывают заранее каждую конкретную задачу, позволяя менеджерам распределять ресурсы в согласованных пределах.

Однако организация работы внутри фирмы не бесплатна. По мере роста компании больше информации должно проходить через большее число людей. В конечном итоге стоимость организации транзакции внутри компании сравняется со стоимостью покупки на рынке. Согласно объяснению Коуза, фирма будет расширяться до тех пор, пока эти два вида издержек не сравняются.

Спустя 40 лет Герберт Саймон, один из немногих, кто получил и Нобелевскую премию, и премию Тьюринга, обнаружил, что централизация памяти фирмы позволяет децентрализовать принятие решений. Он писал, что общие компьютерные записи «позволяют различным децентрализованным точкам принятия решений действовать независимо», поскольку система автоматически проверяет эти действия и координирует их с общими записями.

Например, билетному агенту в Бостоне не нужно обзванивать всех остальных агентов, прежде чем продать последнее место на рейс в Чикаго. Ей достаточно посмотреть запись; когда она продает это место, запись, видимая всем, обновляется. Централизованное управление состоянием бизнеса делает децентрализованные действия более безопасными, поскольку люди могут координироваться через общие записи, не общаясь с каждым по отдельности.

Реляционные базы данных распространили этот принцип на все предприятие. Задачи, которые раньше требовали отчетов, совещаний и передачи управления, теперь можно выполнить одним запросом к общей записи. Это позволило компаниям координировать больше продуктов, мест, людей и транзакций без пропорционального увеличения числа менеджеров.

К 1990-м годам интернет позволил внешнему миру записывать информацию в записи предприятий, что дало возможность онлайн-рынкам координировать транзакции, запасы и платежи между миллионами незнакомцев.

По мере снижения как внутренних, так и внешних транзакционных издержек эпоха баз данных не привела к тому, что все предприятия стали одинаково крупнее или мельче. Вместо этого она позволила существовать более разнообразным формам предприятий. Крупные компании могли управлять гораздо более сложными операциями, а малые — арендовать или покупать возможности, которые раньше требовали целого отдела.

ИИ, вероятно, пойдет по аналогичному пути. Внутри компании агенты могут снизить издержки координации за счет автоматизации создания отчетов, поиска и рутинных операций. Внешне они могут помогать находить и оценивать поставщиков, согласовывать стандартные условия и отслеживать результаты.

Как и предыдущие базы данных, ИИ позволит предприятиям и рынкам поддерживать более сложную деятельность. Но его более глубокое влияние, возможно, заключается в изменении организационной формы предприятий.

Типичное предприятие XX века было пирамидальным, потому что иерархия была их системой обработки информации. Факты передавались вверх через отчеты и совещания, решения поэтапно спускались вниз, а потоки информации соответствовали организационной схеме. Руководство решало, какие данные стоит собирать и распространять, а это означало, что самопознание компании зависело от того, какую информацию менеджеры решали собирать.

Базы данных изменили эту структуру, но лишь частично. Общие записи позволили людям напрямую получать доступ к информации и действовать более независимо, но они по-прежнему часто были ограничены процессами, разработанными другими.

На протяжении большей части компьютерной эпохи относительно небольшое число менеджеров, операционных команд и инженеров определяло структуры данных, показатели, приложения и рабочие процессы компании. Число сотрудников, использующих эти системы, намного превышало число тех, кто участвовал в их разработке.

Это ограничивало не только то, что люди могли делать, но и то, что организация могла знать. Например, представитель службы поддержки может слышать одну и ту же жалобу несколько раз в неделю, но если ее руководитель не напишет отчет, компания никогда не узнает то, что знает она. А решить эту проблему — уже совсем другая задача.

Сегодня технологические барьеры для получения информации и принятия мер снижаются одновременно.

Как сказал Андрей Карпатый в 2023 году: «Самый горячий новый язык программирования — английский». Интерфейсы на естественном языке позволяют большему числу экспертов в предметных областях напрямую запрашивать корпоративные данные, не дожидаясь, пока кто-то, знающий SQL или Python, додумается до этих вопросов или ответит за них.

В Novo Nordisk, глобальной медицинской компании со столетней историей, ученым раньше приходилось ждать, пока инженеры по данным напишут запросы. Теперь им достаточно попросить Genie «показать все данные, связанные с ожирением», и он немедленно найдет соответствующие испытания, результаты исследований и визуализации.

В рамках определенных полномочий сотрудники также могут самостоятельно создавать решения, экономя часы и даже дни работы. В производителе электромобилей Rivian финансовый аналитик без опыта работы с SQL использовал Genie для создания панели мониторинга выручки для финансового директора; аналитик цепочки поставок разработал приложение для отслеживания входящих перевозок.

Это не означает, что каждый может получить доступ ко всем корпоративным данным или ресурсам без одобрения. По мере того как работа становится более распределенной, общая бизнес-онтология, системы полномочий и механизмы подотчетности становятся еще более важными. Корпоративная система данных централизованно управляет состоянием бизнеса и операционными границами, одновременно позволяя большему числу людей задавать вопросы, разрабатывать рабочие процессы и действовать.

В марте Джек Дорси опубликовал манифест под названием «От иерархии к интеллекту», в котором рассказал, как его компания Block начала экспериментировать с более радикальной версией этой концепции. Он писал: «Впервые в истории система может постоянно поддерживать актуальную модель всего предприятия и координировать работу на ее основе. В прошлом эта работа требовала передачи информации людьми через многочисленные уровни управления».

Концепция Али «корпоративной системы данных, ориентированной на агентов» похожа на то, что Джек называет «мировой моделью» предприятия: постоянно обновляемые модели, отражающие работу организации, принятие решений, возможности и приоритеты. Рядовые сотрудники поддерживают связь модели с реальностью, а модель предоставляет общий контекст, необходимый для действий.

«Люди могут проникать в области, недоступные модели, — пояснил Дорси. — Они воспринимают то, что модель не может: интуицию, четкое суждение о направлении, культурный контекст, изменения в доверительных отношениях и атмосферу на месте. Они выносят суждения, которые модель не должна выносить самостоятельно, особенно в этических решениях, совершенно новых ситуациях и критических моментах, когда ошибка может поставить под угрозу существование предприятия».

Таким образом, предприятия могут координировать работу с меньшим числом уровней управления, при этом работа становится более распределенной, что позволяет руководителям яснее видеть положение дел.

По мнению Дорси, конкурентное преимущество этой новой структуры — в скорости. «Компания работает быстро или медленно в зависимости от того, как течет информация, — сказал он. — Иерархия и среднее звено управления препятствуют потоку информации».

Али в целом согласен с Дорси, но с одной оговоркой. «Философски я согласен с Джеком Дорси, — сказал он. — Вопрос в том, применимо ли это также к организационной структуре сотрудников-людей». Он считает, что люди путают две вещи: организационную структуру компании и способ движения информации внутри компании.

«Десять или двадцать лет назад это действительно было одно и то же». Тогда, чтобы понять, что происходит в компании, нужно было спрашивать по цепочке организационной структуры: вы спрашиваете своих подчиненных, затем они спрашивают своих. Но теперь все иначе.

Компаниям по-прежнему нужны менеджеры, но уже не так много людей, отвечающих за передачу информации. Обучение сотрудников, помощь командам в определении приоритетов, замечание, что кто-то подавлен, — все это по-прежнему требует человеческого внимания.

Поэтому, хотя их мнения о том, насколько сократится управленческое звено, расходятся, оба согласны, что ИИ возьмет на себя передачу информации. В XX веке именно потому, что компании стали слишком сложными и зависели от этой координационной работы, менеджеры получили огромную власть.

Вторая управленческая революция

85 лет назад, сразу после Великой депрессии, Джеймс Бернхем написал «Революцию менеджеров». Эта книга предсказала серьезные изменения в том, как работают предприятия, и даже в самом капитализме.

После Великой депрессии была популярна точка зрения, что предпринимательский капитализм исчерпал себя и на смену ему должна прийти какая-то новая система. Среди популярных тогда вариантов были социалистическая коллективная организация и национализация.

Бернхем понимал, что происходит. Он предложил третью возможность. Это была не просто корпоративная структура, а совершенно новый общественный порядок, который он назвал «управленческим обществом». В этой системе решающим правящим классом были не традиционные владельцы капитала и не рабочие, а профессиональные менеджеры, планировщики, бюрократы и руководители, управляющие крупными предприятиями и государственными учреждениями.

Он утверждал, что современные институты стали технически слишком сложными, чтобы ими могли командовать отдельные капиталисты. Ни один генеральный директор не может знать все, что происходит в компании со 100 000 сотрудников; поэтому контроль постепенно перейдет от владельцев и отраслевых экспертов к административным менеджерам.

Ко второй половине XX века управленческая модель, в которой доминировали профессиональные менеджеры, одержала почти полную победу. «Большинство руководителей компаний из списка Fortune 500 не были экспертами в своих областях и, конечно, не были основателями этих компаний, — сказал Марк Андриссен.

— Они были профессиональными менеджерами. Фактически за свою карьеру они, вероятно, управляли многими разными типами бизнеса: сначала работали в здравоохранении, затем переходили в финансовые услуги, а потом в другие отрасли».

Но эта победа исчерпывает свои преимущества. Управленческий класс, о котором писал Бернхем, принес масштабируемые управленческие способности и стабильную надежную профессиональную работу, но ценой скорости и адаптивности, особенно в периоды быстрых технологических изменений.

Марк считает, что развитая инфраструктура данных в сочетании с агентами, возможно, позволит компаниям сохранить энергию основателей и одновременно поддерживать координацию, необходимую крупным организациям.

В прошлом определенная работа по передаче информации и координации делала управление необходимым. Агенты автоматизируют часть этой работы, позволяя большему числу основателей применять эту операционную модель; системы данных компании предоставят рядовым сотрудникам контекст и полномочия, необходимые для действий.

Илон Маск развил идею Марка еще дальше. Ранее в этом году он предсказал, что компании, которые по-прежнему «сохраняют участие человека», проиграют. По его мнению, в эпоху ИИ оставлять человека в процессе — все равно что использовать электронную таблицу, но требовать, чтобы некоторые ячейки вычислялись вручную.

В конечном направлении Илон, возможно, прав. Но никто не знает, насколько мы далеки от полностью автоматизированных компаний: одни предсказывают, что это произойдет через несколько лет, другие считают, что это невозможно никогда.

До тех пор важным ироничным результатом станет то, что упадок профессиональной управленческой модели может проявиться в том, что каждый начнет выполнять управленческую работу. Не у всех будут прямые подчиненные, но больше людей будут отвечать за определение содержания работы, назначение исполнителей, проверку результатов и обновление процессов. Вторая управленческая революция — это не столько исчезновение управления, сколько конец монополии класса профессиональных менеджеров на управленческую работу.

Инженеры-программисты уже остро это ощущают: их работа превращается из собственноручного написания кода в управление группой программирующих агентов. День инженера все больше похож на день менеджера: определение проблемы, разбиение ее на задачи, назначение их параллельно работающим агентам и проверка представленных ими запросов на слияние кода — одни одобряются, другие возвращаются с комментариями.

По мере того как агенты приобретают способности в новых областях, все больше работников умственного труда переживут аналогичную трансформацию: от самостоятельного выполнения каждого шага к четкому определению требований, назначению задач и оценке результатов.

Ученые Novo Nordisk и аналитики цепочки поставок Rivian уже управляют агентами через Genie для выполнения задач, которые раньше требовали целой команды инженеров или специалистов по данным, позволяя этим командам сосредоточиться на наиболее стратегически ценных задачах.

Это хорошая новость и для производительности труда, и для заработной платы, поскольку исполнение и суждение экономически взаимодополняемы: когда ИИ снижает стоимость рутинного исполнения, спрос на способность суждения, направляющую эти задачи, растет.

Столетие назад математик Альфред Норт Уайтхед заметил: «Прогресс цивилизации измеряется тем, насколько важные операции могут выполняться без нашего размышления». То же самое относится и к предприятиям; каждый раз, когда рабочий цикл совершенствуется, это усиливает способность к автономной работе.

Каждый раз, когда кто-то исправляет рабочий цикл агента, это исправление должно улучшать следующее выполнение. Как только цикл доказал свою способность надежно выполнять четко определенную задачу, человек может выйти из этого цикла и перейти к следующей нерешенной проблеме, оставляя накопленный опыт в общих записях компании.

Однако, как заметил бы и Бернхем, для сохранения автономии компания должна владеть собственными моделями и всеми знаниями, которые рядовые сотрудники вкладывают в эти модели.

Автономное и контролируемое предприятие

В компаниях, где в операциях участвуют агенты, талантливые люди будут ценнее, чем когда-либо. Но талантливые люди приходят и уходят. Тем временем модели постоянно совершенствуются, и каждый конкурент может арендовать одни и те же модели. Так как же компании в этом новом мире создать устойчивое конкурентное преимущество?

Представьте два банка, арендующих одну и ту же передовую модель для помощи в принятии кредитных решений. Первый банк отправляет модели подсказки, получает ответы и записывает окончательные решения. Второй банк записывает, какие факты привели к ответу, какие изменения внесли люди, какие решения сработали, какие провалились, и постоянно корректирует политику на протяжении всего процесса.

Через год, когда появится более совершенная модель, только один из банков действительно продвинется вперед. Если вы замените ИИ-модель компании, и новая модель сможет унаследовать бизнес-определения компании, настройки полномочий, оцененные случаи, историю клиентов и с трудом накопленный опыт обработки особых случаев, это станет основой устойчивого конкурентного преимущества. Если новая модель, как и все конкуренты, начнет с одних и тех же подсказок, такой основы не будет.

Второй банк — это то, что начинают называть «автономным и контролируемым» предприятием. Если поставщик повысит цены, изменит условия или прекратит выпуск модели, предприятие сможет сменить поставщика, не теряя накопленного опыта. По мере того как модели становятся умнее, а компании все больше зависят от них, эта независимость будет только возрастать.

В недавней статье генеральный директор Microsoft Сатья Наделла пришел к аналогичному выводу с другой стороны. Он утверждает, что ИИ-модели постоянно впитывают экспертные знания отдельных людей и организаций и превращают их в общедоступные возможности, поэтому «каждая компания должна создавать то, что я называю человеческим капиталом и токен-капиталом».

Человеческий капитал состоит из знаний сотрудников, их суждений, межличностных отношений и креативности; токен-капитал — это ИИ-возможности, которые предприятие создает и контролирует. Оба накапливаются и растут вместе в непрерывном цикле обучения, и «этот цикл станет новой интеллектуальной собственностью предприятия».

Данные — основа токен-капитала. «Бизнес-данные каждой компании — это ее собственная золотая жила», — сказал генеральный директор NVIDIA Дженсен Хуанг аудитории на саммите Data + AI Summit 2024 года от Databricks. Он пояснил, что в NVIDIA почти каждый процесс, от проектирования чипов до цепочки поставок, начинается с цикла данных.

«Это делает нас одной из крупнейших „маленьких компаний“ в мире», — сказал он. На тот момент оценка NVIDIA превышала 3 триллиона долларов, а сотрудников было всего 30 000. «Причина, конечно, в том, что внутри компании работает множество ИИ, помогающих нам делать необыкновенные вещи». Хуанг считает, что так будет в каждой компании. «Это необыкновенная эпоха, — сказал он, — и все начинается с данных».

Будущее предприятия

Чтобы агенты надежно работали на предприятии, системы данных должны постоянно отвечать на четыре вопроса: что произошло, что означает эта информация, какие действия разрешены и эффективны ли эти действия.

Имея такую основу, и люди, и агенты могут действовать автономно, не проводя каждое решение через многочисленные уровни управления; результаты действий также возвращаются в записи, контролируемые самой компанией.

Издержки координации снизятся, что позволит компаниям выполнять больше работы с имеющимися сотрудниками. Появятся новые компании, которые раньше были коммерчески нежизнеспособны, потому что десять человек смогут выполнять работу, для которой раньше требовались тысячи. А до того как ИИ сможет делать все, что могут талантливые люди, талантливые люди станут более ценными, а не обесценятся. Этот день еще далек.

Меньше людей будет работать по процессам, разработанным другими, потому что агенты будут выполнять задачи, которые мы уже умеем делать. Больше людей перейдут к нерешенным проблемам: судить о том, что хорошо, замечать, что меняется, и решать, что создавать дальше.

Чем люди будут заниматься на работе каждый день в ближайшие десятилетия? Честный ответ: делать то, что мы еще не придумали, как делать. По мере того как агенты и предприятия автоматизируют все больше задач, которые мы уже умеем выполнять, люди вместе с этим новым интеллектом будут создавать выдающиеся новые вещи и решать проблемы, которые раньше были за пределами наших возможностей.