AI-First и AI-Native
— да что это такое на самом деле?

Можно внедрить сто ИИ-агентов, ускорить каждого сотрудника и при этом не сделать компанию быстрее. Потому что компания — не сумма индивидуальных задач, а цепочка процессов, решений и ответственности.

Я много лет занимаюсь внедрением ИИ в бизнес и регулярно сталкиваюсь с одной проблемой. Компании покупают новые инструменты, запускают прототипы, обучают сотрудников, но продолжают работать по-старому. Меняются технологии, а не организация работы.

В одном из проектов я занимался ИИ-трансформацией разработки международной финтех-компании, где работали около 500 инженеров. Устаревшие системы, миграция банковского ядра, сложные интеграции, регуляторные требования и огромное количество зависимостей между командами. Просто раздать разработчикам ИИ-агентов для написания кода означало бы ускорить написание кода, но оставить нетронутыми проблемы с требованиями, тестированием, согласованиями и выпусками.

Поэтому предлагаю смотреть на ИИ не через количество внедрённых инструментов, а через четыре уровня: AI-Enabled, AI-Driven, AI-First и AI-Native. Они помогают понять, кто выполняет работу, насколько самостоятельна система и где именно создаётся ценность.

От помощника до основы бизнеса

Возьмём один пример — маркетинговое агентство. Клиент хочет исследовать рынок, разработать стратегию, запустить рекламу и привлечь покупателей. Посмотрим, что меняется на каждом уровне.

AI-Enabled: человек работает с ИИ

Маркетолог использует ChatGPT, дизайнер — генератор изображений, аналитик — ИИ для работы с таблицами. Каждый делает свою работу быстрее. Но контекст собирается вручную, а результаты по-прежнему передаются между сотрудниками. Если исследование готово за десять минут, а дизайнер приступит к работе завтра, общий процесс почти не ускорится.

AI-Enabled — ИИ помогает выполнять отдельные задачи, не меняя саму организацию бизнеса.

AI-Driven: ИИ анализирует и рекомендует

Агентство подключает модели к системе учёта клиентов, рекламным кабинетам и аналитике. Система прогнозирует конверсии, рекомендует бюджеты, выявляет неэффективные кампании и автоматизирует отдельные действия. ИИ становится частью процессов, но человек по-прежнему координирует основные решения и исполнение.

AI-Driven — ИИ помогает компании принимать решения и частично автоматизировать процессы.

AI-First: ИИ выполняет работу по умолчанию

Теперь агенты получают запрос клиента, собирают данные, изучают конкурентов, разрабатывают кампании, готовят материалы и выполняют разрешённые действия через интеграции. Люди устанавливают цели, ограничения, управляют качеством и подключаются к сложным ситуациям.

Это уже не ускорение отдельных сотрудников, а перестройка операционной модели.

И это изменение способа мышления. В AI-First компании сотрудник первым делом думает не о том, как сделать работу, а о том, как делегировать её ИИ.

AI-First — компания, где ИИ становится основным исполнителем стандартной операционной работы, а человек управляет интеллектуальной системой.

AI-Native: ИИ — основа самой ценности

Следующий шаг: агентство превращает свою экспертизу в платформу. Клиент самостоятельно подключает данные, задаёт цели и получает результат через ИИ-систему. ИИ не просто помогает специалистам агентства: именно его способности определяют, что компания предлагает рынку.

AI-Native — бизнес, у которого ИИ составляет фундамент ценностного предложения. Без него основная функция продукта или услуги становится невозможной либо принципиально другой.

Сравнение четырёх типов ИИ-компаний

Главное различие: работа компании или ценность для клиента?

Услуга или продукт? Вопрос не в наличии человека

В примере агентства AI-First выглядит как автоматизированная услуга, а AI-Native — как самостоятельный продукт. Но это не универсальное правило.

Согласно методологии Jobs-To-Be-Done, люди покупают продукты и заказывают услуги, чтобы решить конкретную задачу. Бизнес-стратегию можно получить у консультанта или через ИИ-систему. В обоих случаях клиенту нужен результат, хотя способ выполнения работы различается.

Услуга может предоставляться автоматически, а программный продукт — требовать участия человека. Программы также можно продавать по подписке. Поэтому правило «услуга — это человек, продукт — это автономность» не подходит для определения уровня ИИ-зрелости.

Появляется и модель «услуга как программная система», которую описывает Гартнер: компания коммерциализирует выполнение бизнес-задачи ИИ-системой, продавая результат, а не только лицензию на инструмент.

💡 Клиенту не нужен ИИ-агент. Клиенту нужна выполненная работа.

AI-Native не означает компанию без людей. ИИ может быть фундаментом медицинского продукта, но врач сохраняет ответственность за решение. Главное — что ценность такого продукта принципиально опирается на возможности ИИ.

Одинаковые инструменты. Разный результат.

В марте 2026 года исследователи из Гарварда представили работу «Как встроить ИИ в работу компаний: полевой эксперимент».

В эксперименте участвовали 515 новых компаний. Все получали техническое обучение, доступ к моделям и оплаченным средствам для их использования. Но одной группе дополнительно показывали реальные примеры того, как компании перестраивают продукты и процессы вокруг ИИ.

Эта группа находила больше вариантов применения ИИ, выполняла больше задач и чаще приобретала платящих клиентов. При этом потребность во внешнем капитале снижалась, а заявленный спрос на сотрудников существенно не менялся.

Авторы назвали ключевое ограничение проблемой поиска применений ИИ: компаниям трудно обнаружить, где именно ИИ создаёт ценность и как перестроить под него взаимосвязанные процессы. Доступ к моделям ещё не означает умения использовать их в нужном месте.

Например, разработчик стал писать код вдвое быстрее. Но требования согласуются неделями, тестирование выполняется вручную, а выпуск зависит от нескольких команд. Ускорился один этап, но ограничение просто переместилось в другое место.

Главное — не больше агентов, а другая работа

В июне 2026 года BCG опубликовала материал «Как перестроить операционную систему работы вокруг ИИ». Основной вывод: компании получают наибольший эффект, когда перестраивают сквозные процессы, а не просто добавляют ИИ поверх прежней организации.

BCG приводит пример европейского банка, который внедрил OpsAI Agent в розничное кредитование. Система распознаёт документы, извлекает и сверяет данные, проводит проверки и проверяет договоры. Изменился не отдельный инструмент специалиста, а способ прохождения заявки через всю операционную цепочку.

Банк продолжает предоставлять традиционные финансовые услуги. Он не обязан становиться AI-Native, чтобы радикально изменить исполнение. Это хороший пример AI-First трансформации.

Человек здесь не исчезает. Он определяет цели, ограничения, контролирует качество и принимает критические решения. Но ему больше не нужно вручную соединять все этапы процесса.

💡 AI-First начинается там, где мы перестаём автоматизировать действия сотрудников и начинаем перепроектировать работу всей компании.

Почему AI-Native — не просто следующий процент автоматизации

В исследовании «Компании, построенные вокруг ИИ» исследователи описывают два канала влияния ИИ на компанию.

В выборке исследователей AI-native новые компании Y Combinator имели примерно на 25% меньше сотрудников, чем сопоставимые молодые компании, при сопоставимых оценках стоимости бизнеса. Это статистическая связь, а не обещание, что внедрение ИИ сократит штат на четверть.

Но главное наблюдение сильнее цифр: организационные различия объясняются не только применением ИИ-инструментов сотрудниками, но и тем, что интеллектуальная работа переносится в сам продукт.

Но AI-Native не обязан устранять человека из каждого решения. Важнее то, что в определении Гарвардской школы бизнеса сам бизнес и его ценностное предложение проектируются вокруг ИИ. Поэтому AI-Native компания может одновременно быть AI-First по своей внутренней организации.

Два измерения: глубина и ширина

Чтобы не спорить бесконечно о названиях, я предлагаю смотреть на два измерения интеграции ИИ в бизнес.

Глубина интеграции

Глубина показывает, какую роль ИИ играет в работе: помогает человеку, анализирует и рекомендует, самостоятельно выполняет задачи, управляет сквозными процессами или становится фундаментом самого ценностного предложения. Автономность входит в глубину, а не образует третью независимую ось.

При этом автоматизация и автономность не равны. Программа может автоматически отправить тысячу писем и не принимать никаких самостоятельных решений. Агент способен исследовать ситуацию, выбрать инструмент, скорректировать план и завершить задачу.

Ширина интеграции

Ширина показывает, какую долю значимых процессов охватывает ИИ: отдельные задачи, бизнес-функции или всю клиентскую цепочку. При этом автоматизация бухгалтерии не должна иметь тот же вес, что автоматизация функции, ради которой клиент покупает продукт.

Поэтому для AI-Native особенно важен охват основной задачи клиента. Молодая компания может решить одну ключевую задачу клиента с помощью ИИ и быть AI-Native, даже если её кадровый учёт остаётся ручным.

Как четыре уровня выглядят в этих двух измерениях:

Глубина и ширина описывают фактическую интеграцию. Но важно не выдавать их за обязательную историю развития каждого бизнеса. Компания AI-Native может возникнуть сразу. А крупная AI-First компания может быть операционно более зрелой, чем молодая компания, хотя её продукт не основан на ИИ.

Как понять, насколько автономен бизнес

Представим, что система автоматически обработала девяносто клиентских запросов из ста. Но двадцать результатов оказались ошибочными и потребовали переделки. Можно ли заявить о 90% автономности? Только если считать попытки, а не успешное завершение работы.

Поэтому я предлагаю измерять не количество автоматических действий, а результат всей цепочки.

Пять показателей реальной автономности

Для финансовых, медицинских и других высокорисковых решений участие человека может быть обязательным. Это элемент правильно построенного управления рисками.

Как перейти к AI-First на практике

В моей методологии трансформация начинается с диагностики. Нельзя просто купить агентную платформу и ожидать, что она исправит разрозненные данные, неправильные роли и непрозрачные процессы.

Первый шаг — Индекс ИИ-зрелости. Я оцениваю семь направлений организации по пяти критериям каждое — всего 35 критериев: стратегия и управление, люди и культура, инфраструктура, данные, модели, внедрение ИИ, исследования и разработки.

Это показывает, где находится ограничение. Иногда компания имеет отличные модели, но не может предоставить агентам нужный контекст. Иногда технически всё работает, но руководство не определило, кто отвечает за решения и риски.

Семь направлений индекса ИИ-зрелости

Второй шаг — аудит процессов. Сотрудники рассказывают, как выполняют работу, а анализ журналов событий показывает, как задачи действительно движутся между системами. Мы собираем текущую схему работы, находим задержки, повторения, ручные переходы и исключения.

Третий шаг — проектирование целевой схемы работы. Не переносим старый процесс в ИИ один к одному, а задаёмся вопросом, как должна выглядеть вся цепочка, если часть работы выполняется агентами. Убираем лишние согласования, связываем данные, определяем правила исполнения.

Четвёртый шаг — прототипы и проверка эффекта. Выбираем один-два значимых процесса, измеряем скорость, стоимость и качество, а затем масштабируем удачные решения.

Пятый шаг — обучение людей. Инженер по автоматизации с ИИ проектирует и автоматизирует процессы, оператор ИИ-агентов управляет агентами, архитектор ИИ-системы отвечает за архитектуру системы. Руководители учатся контролировать не только людей, но и интеллектуальных исполнителей.

💡 ИИ-агент без контекста, доступов, проверок и понятного результата
— не сотрудник, а ещё один источник ошибок.

Когда агенты становятся единой системой

Один агент работает с почтой, другой — с системой учёта клиентов, третий — с документами, четвёртый — с аналитикой. Если у каждого своя память и отдельные процессы, сотрудник снова вынужден связывать их вручную.

Поэтому я рассматриваю AI-First компанию как единую операционную ИИ-систему. Она соединяет знания компании, данные, задачи, агентов, инструменты и метрики в замкнутый цикл.

Новый клиент оставляет запрос. Система находит его историю, анализирует условия, выбирает действия и выполняет их в установленных пределах. Если возникает нестандартная ситуация, человек получает задачу вместе с контекстом и вариантами решения. Результат сохраняется в общей памяти.

Так сотрудники перестают вручную перемещать информацию между десятками инструментов. Их роль смещается к проектированию процессов, управлению агентами и ответственности за результат.

Меняется сама единица масштабирования бизнеса

В традиционном консалтинге увеличение числа клиентов обычно требует расширения команды. В AI-Enabled те же специалисты работают быстрее. В AI-Driven часть аналитики и решений выполняют модели. В AI-First агентам передаётся значительная часть стандартной работы.

А в AI-Native интеллектуальная функция может стать частью клиентского продукта. Дополнительный заказ не обязательно требует отдельного исполнителя — он потребляет вычисления, инфраструктуру и ресурсы поддержки системы.

Что масштабируется вместе с количеством клиентов

Это не означает, что производство результата становится бесплатным. Остаются расходы на модели, вычисления, интеграции, безопасность, разработку и поддержку. ИИ не гарантирует прибыльность, если стоимость ошибок и контроля превышает экономию.

Но меняется зависимость между объёмом работы и количеством исполнителей. Именно это видно и в исследованиях молодых компаний, и в примерах перепроектирования сквозных процессов.

Отдельный путь хорошо иллюстрирует пример Ranger из полевого исследования. Предприниматель начал с продажи услуги, изучил повторяемые задачи клиентов и постепенно переносил их выполнение в ИИ-системы. Так оказание услуг может становиться основой программного продукта, а потребность в крупных инвестициях на старте — снижаться.

Но ИИ способен и быстрее привести к ошибке. Если молодая компания не понимает потребностей клиентов, её основатель может за неделю построить продукт, который раньше разрабатывал бы полгода, — и обнаружить, что этот продукт никому не нужен.

💡 Если раньше основатель мог месяцами разрабатывать неправильный продукт, сегодня он способен сделать это за неделю.

Пять вопросов к своей компании

Чтобы предварительно определить свой уровень, я бы начал с пяти вопросов. Они не заменяют полноценную диагностику, но помогают увидеть, что именно нужно измерять.

Последний вопрос особенно полезен при разграничении AI-First и AI-Native. Но реальную зрелость определяют данные о процессах, качестве и экономике, а не только самооценка руководителя.

В результате важны не число агентов и не количество сокращённых должностей, а завершённые задачи, качество, себестоимость и новая возможность масштабировать интеллектуальную работу.

Для меня смысл ИИ-трансформации — дать людям возможность создавать больше ценности, не превращая масштабирование в увеличение ручного труда.

Читайте также

Все мысли

23.06.2026 10 причин провала ИИ-трансформации — и почему ИИ-компанию бывает проще запустить с нуля 01.04.2026 Что такое сознание в теории эволюционирующих саморепрезентаций 11.03.2026 О жизни и вычислениях: интеллект как свойство сложных систем 05.03.2026 Об экономике и обществе: скорость изменений превысила скорость адаптации