Сэм Альтман и Meta признали проблему ИИ. FDEs её решают

FDE помогают компаниям встроить ИИ в реальные процессы

Сэм Альтман признал, что внедрение ИИ оказалось медленнее, чем он ожидал. По его словам, пока не произошло «момента iPhone» — перехода от использования технологии как отдельного инструмента к работе, полностью построенной вокруг неё. Причину он видит в экономической инерции: люди сопротивляются изменениям.

На следующий день стало известно, что Meta тихо отказалась от плана перестроить штат вокруг ИИ-агентов. Внутренний проект OT — например, сокращение от «преобразование офисной работы» — должен был уменьшить некоторые команды на 60% и заменить их небольшими группами сотрудников, наблюдающих за ИИ-системами. Марк Цукерберг остановил этот план.

Два крупных игрока отрасли почти одновременно признали одну проблему: внедрение ИИ сложнее, чем это выглядит в презентациях.

Больше материалов — не всегда больше ценности

Это не отменяет возможностей самой технологии. ИИ каждую неделю создаёт всё больше материалов и кода. Например, Delivery Hero заявила, что её команда агентов для программирования HeroGen выдаёт объём, сопоставимый примерно со 130 разработчиками.

Но больший объём кода ещё не означает большую ценность. ИИ генерирует больше текста, писем и других материалов, однако часто не принимает решений. У системы нет собственной уверенности в выборе. Победят, по мысли автора, компании, которые превращают хаотичную работу в надёжные рабочие процессы, а не те, кто показывает самые эффектные демонстрации.

ИИ нужно встроить в операционную модель

Речь не о том, что ИИ бесполезен. Автор последние три года применял его в продвижении и электронной торговле и ранее писал об ошибках брендов, которые пытаются внедрять технологию без ясной цели.

При правильной настройке ИИ упрощает рабочие процессы. То, на что у команды уходили недели, начинает выполняться полуавтономно. Компания получает возможность управлять большим количеством продуктов и более разнообразными каналами, чем позволяла ручная работа.

Компании, которые получают результат, используют ИИ для выхода в новые каналы и создания операционной модели с поддержкой ИИ. Простое добавление ИИ к уже существующим процессам работает хуже.

Почему эксперимент Meta провалился

Причина связана с тем же недоверием к ИИ-агентам. Согласно обзору Harvard Business Review за 2026 год, только 6% компаний готовы полностью поручить им ключевые бизнес-процессы.

Похожую картину показывают данные Германии. Институт Ifo выяснил, что доля компаний, использующих ИИ, за год выросла с 40,9% до 54,5%. Это не выглядит как массовая замена сотрудников ИИ. Компании используют технологию, но делают это постепенно: они пока не готовы ей доверять.

Альтман, по мнению автора, верно объясняет причину. Проблема не обязательно в самих моделях. Сложность возникает при переносе ИИ в рабочий процесс, потому что почти в каждом процессе есть множество незафиксированных исключений — неофициальных обходных решений, которыми сотрудники пользуются, но которые никогда не попали в стандартную инструкцию.

Чтобы ИИ действительно помогал, нужно подробно сопоставить реальные действия компании с тем, что система умеет выполнять. Это требует большой ручной работы, которая редко выглядит привлекательно.

Чему научили беспилотные автомобили

Раньше автор думал, что его детям не придётся учиться водить, но развитие беспилотных машин заняло больше времени, чем ожидали. Ранние автомобили быстро осваивали правила дорожного движения, но не могли нормально встроиться в поток на настоящей автомагистрали.

Люди водят не только по правилам. На поведение влияют привычки, вежливость и множество мелких исключений. Поэтому инженерам приходилось снова и снова находиться в машине и наблюдать за происходящим, чтобы описать реальные действия водителей и научить систему справляться с дорогой.

Кто такие FDE

Теперь у такой работы есть отдельное название — FDE, или инженеры, работающие непосредственно у клиента. Количество вакансий для специалистов этого профиля выросло на 729% за год.

По сути, это развитие роли инженера по решениям, адаптированное под машинное обучение. Palantir одним из первых сформировал такой подход. Сейчас FDE массово нанимают OpenAI, Anthropic, Google, Salesforce и OMMAX.

FDE работает внутри компании-клиента. Его задача — не просто внедрить универсальный продукт, а достаточно долго наблюдать за реальным процессом, чтобы увидеть то, чего не отражают организационная структура и договоры с поставщиками.

Как будет меняться роль

Уже идёт обсуждение того, сколько FDE нужно компаниям по сравнению с обычными инженерами.

В случае с беспилотными автомобилями сначала за рулём должен был находиться обученный инженер. Он не управлял машиной постоянно, а наблюдал, исправлял ошибки и передавал системе данные о реальном поведении людей. Одних данных о вождении было недостаточно: разрыв между правилами и реальными ситуациями оказался слишком большим, поэтому инженеры меняли саму систему, учитывая каждый редкий случай.

По мере развития технологии в машине требовалось меньше инженерной работы и больше обычного человеческого суждения. Автор приводит похожий пример после разговора об автономных боевых системах с Алексом Финком из Swarmer: вопрос заключается не в выборе между ИИ и полным отказом от ИИ, а в том, какой уровень автономности нужен системе. Это относится и к бизнес-агентам, и к боевым дронам.

Вероятно, FDE будут развиваться по той же траектории. Сейчас, чтобы закрыть разрыв между рабочим процессом компании и ИИ-системой, нужен специалист, близкий по профилю к инженеру по машинному обучению.

Когда инструменты и уровни управления станут лучше, такой роли потребуется меньше чисто инженерных навыков и больше отраслевой экспертизы: специалист по продвижению, обученный работе с ИИ, или специалист по финансам с подготовкой в области ИИ, а не инженер по машинному обучению, которого привлекли со стороны.

Вывод

Пока неизвестно, смогут ли FDE или специалисты, которые придут им на смену, полностью закрыть разрыв между возможностями ИИ и его внедрением.

Но история с Альтманом и Meta показывает, какой подход не работает: нельзя просто предположить, что модель сама возьмёт на себя работу, а организационная структура перестроится вокруг неё.

Идея снизить затраты и открыть больше каналов остаётся достижимой. Сейчас самый реалистичный путь к ней проходит через специалиста, который работает внутри конкретного процесса и выполняет ту ручную настройку, которую сама платформа за компанию не сделает.