AI связывает общую картину. Люди задают направление, приносят контекст и отвечают за решения.
На днях я размышлял об эволюции компаний и организационных структур. О том, как ИИ может изменить процессы, кто от этого выиграет и как будет устроена компания будущего. Из этих размышлений получилось эссе. Для меня оно ценно: здесь меняется сам взгляд на то, зачем компании нужна привычная нам структура. Предлагаю прочитать вдумчиво и примерить эту картину к своему бизнесу.
Сейчас ИИ чаще всего достраивают к тому, что уже есть. У сотрудника появляется помощник, тексты готовятся быстрее, разработчик меньше времени тратит на рутину. Компания получает пользу, но устроена по-прежнему: те же отделы, согласования, планерки, передача информации снизу вверх и решений сверху вниз.
Меня интересует следующий шаг: компания, в которой ИИ поддерживает общую картину бизнеса и координирует работу, для которой сегодня нужна цепочка руководителей.
Почему у компании столько уровней
У внимания руководителя есть предел. Нельзя одинаково глубоко понимать работу любого количества людей, помнить все договоренности и вовремя замечать каждое изменение. В управлении это называют span of control, нормой управляемости. Она зависит от задач, самостоятельности команды и цены ошибки.
Когда людей и связей становится больше, компания добавляет уровни. Менеджер собирает контекст у команды, передает директору, директор сводит его с другими направлениями. Решение возвращается обратно. Эта конструкция помогает работать в масштабе, но за нее приходится платить временем и потерей подробностей.
Представьте: продажи пообещали клиенту срок, производство перегружено, а на закупку не хватает денег. Каждый знает свою часть. Чтобы получить общую картину и изменить обещание, нужно соединить несколько разговоров. Пока это происходит, кто-то продолжает действовать по старым вводным.
Часть управленческой работы и состоит в том, чтобы снова и снова собирать компанию в одну картину. Эту функцию мне хочется отделить от должности человека, который сейчас ее выполняет.
Компания как непрерывно обновляемая модель мира
Вместо цепочки пересказов можно строить общий слой, который получает события из разных частей бизнеса: заказы, платежи, изменения загрузки, обращения клиентов, результаты экспериментов. Он связывает их и обновляет представление о происходящем.
Под моделью мира я понимаю рабочее представление компании о себе и своем окружении. Какие обязательства она взяла, где ограничены ресурсы, чего хотят клиенты, на каких предположениях держится план. Это больше, чем дашборд: важно понимать связи и использовать их в работе. Такая картина всегда неполна, поэтому система должна различать подтвержденный факт, предположение и неизвестное.
Похожую идею сформулировали Джек Дорси и Рулоф Бота в эссе Block «From Hierarchy to Intelligence» от 31 марта 2026 года. Они предлагают строить компанию как интеллект, или mini-AGI, передав системе функции координации, которые выполняла иерархия. Авторы пишут, что Block находится на раннем этапе перехода и отдельные части еще будут ломаться. Для меня это направление мысли, а не доказательство, что универсальная конструкция уже найдена.[1]
В такой архитектуре AI оказывается в центре, а люди располагаются по периметру. Это схема связей, а не шкала человеческой ценности. Люди приносят идеи, контекст, информацию, отношения с клиентами. Система связывает эти сигналы и возвращает каждому нужный контекст, чтобы действовать без длинной цепочки посредников.
Общий центр не обязан быть одной нейросетью или базой, открытой всем. Это согласованная среда работы с памятью, понятными источниками и разными правами доступа. Специалисту нужен контекст для своей задачи, а не все чужие данные.
Человек задает направление и отвечает за последствия
Люди решают, ради чего существует компания и на что она не готова идти ради результата. Они принимают решения там, где мало опыта, конфликтуют интересы или высока цена ошибки. Есть и то, что трудно получить из рабочих записей: доверие клиента, напряжение в разговоре, еще не оформленная идея. Человек замечает это, вносит в общую картину и может оспорить вывод системы.
Здесь меняется место приложения внимания. Меньше сил уходит на пересказ статусов и восстановление контекста. Больше остается на выбор направления, работу с людьми и сложные решения. Руководитель, который развивает команду или берет ответственность в неопределенности, не становится ненужным. Сокращается потребность в человеке как передаточном звене.
Ответственность при этом нельзя оставить «на AI». У решения с последствиями должен быть человеческий владелец. Иначе вместо освобождения от бюрократии получится способ не отвечать за результат.
Модели можно менять. Система работы остается активом
Сегодня одна модель лучше пишет код, другая разбирает документы, завтра соотношение изменится. Мне близка мысль, что модели стоит проектировать как заменяемые компоненты. Замена требует проверки: у них отличаются поведение и качество на конкретных задачах.
Больше ценности накапливается вокруг модели. В инженерном языке эту обвязку называют харнессом: оркестрация задач, инструменты, память, права доступа, правила работы, обратная связь и передача решения человеку. Это превращает ответ нейросети в работу компании. Система знает, откуда взять сведения, что ей разрешено, как проверить результат и когда остановиться.
Вместе с собственными данными и каналами дистрибуции такая среда становится активом. Конкурент может купить доступ к той же модели. Получить ваши связи с клиентами, историю решений и работающий способ координации одной подпиской он не сможет.
Действия дают другой сигнал, чем отчеты
Если кормить ИИ только презентациями и статусами «все по плану», он быстрее соберет аккуратный пересказ этих статусов.
Транзакционные данные интересны тем, что за ними стоит действие с реальной ценой. Человек купил, вернул товар, перевел деньги. Это отличается от ответа на вопрос, купил бы он продукт когда-нибудь. Дорси и Бота опираются на сочетание данных о покупателях Cash App и продавцах Square.[1]
Но деньги не равны всей правде о человеке. Транзакция фиксирует действие, а не объясняет все его причины. Клиент мог купить от безвыходности, не вернуться из-за плохого опыта или вообще не попасть в ваши данные. Доверие и долгосрочные последствия не всегда видны в выручке. Финансовый сигнал нужно соединять с обращениями, наблюдениями и человеческим контекстом.
Ценность возникает, когда компания замечает противоречия. В отчете клиент доволен, а повторных заказов нет. Продажи растут вместе с возвратами. Общая модель должна помогать разобраться в расхождении, а не сгладить его ради красивого вывода.
Скорость появляется в обратной связи
В этой конструкции меня привлекает сокращение пути от наблюдения до изменения работы: новый сигнал, обновление картины, действие, проверка результата. Затем следующий круг.
Для отдельных процессов такой цикл можно сделать короче, чем еженедельный отчет и последующее согласование. Например, система замечает изменение спроса, сопоставляет его с остатками и предлагает поправить закупку. Человек проверяет предложение там, где этого требует сумма или неопределенность. Результат возвращается в общую картину. Так мог бы быть устроен процесс; это не обещание, что любой бизнес уже можно перевести на такой режим.
Ошибочная модель тоже способна быстро согласовать действия, причем сразу во многих местах. Поэтому скорость полезна вместе с проверкой, возможностью отмены и границей самостоятельности. Я бы ставил на компании, которые быстрее учатся на реальности и умеют ограничивать цену ошибок. Особенно если обратная связь приходит от своих клиентов через свои каналы и каждый цикл добавляет знание, которого нет у конкурентов.
Кто выиграет
Небольшая команда сможет координировать больше работы без пропорционального роста управленческих слоев. У крупной компании есть шанс использовать накопленные данные и отношения с клиентами, не теряя их между подразделениями. Ни размер, ни внедрение ИИ сами по себе победу не гарантируют: нужно менять способ работы и уметь признавать, что текущая картина ошибочна.
Сотрудник может выиграть от меньшего количества согласований и доступа к нужному контексту. Клиент — от того, что не придется рассказывать свою историю заново каждому отделу. Но это зависит от целей владельцев и руководителей. Если целью сделать только сокращение затрат, система может усилить контроль и нагрузку вместо освобождения внимания людей.
Привычная оргструктура во многом выросла из ограничений человеческого внимания и передачи информации. Теперь часть этой работы можно пробовать организовать иначе. Ограничение смещается к качеству общей картины, надежности системы действий и способности людей вовремя ее поправить.
Компания будущего в моем представлении постоянно уточняет свою модель мира. Модели ИИ сменяются, а знания о клиентах, память решений, инструменты и связи накапливаются. Люди работают ближе к реальности и меньше времени тратят на доставку этой реальности по этажам. Именно в такой форме совместной работы я вижу следующий большой шаг. Посмотрите на свою компанию: сколько сил уходит на саму работу, а сколько на то, чтобы все наконец узнали, что происходит.
Скопируйте агенту: короткая промт-инструкция
Примерить идею к своей работе можно с разбора одного процесса.
Помоги разобрать один рабочий процесс: где теряется контекст при передаче между людьми? Сначала уточни цель, участников, доступные источники и цену ошибки. Не запрашивай секреты и персональные данные, используй обезличенное описание. Покажи путь информации и предложи схему общей обновляемой картины: нужные факты, неизвестное, исправление ошибок, права доступа и решения, за которые отвечает человек. Предложи один тестовый сценарий без реальных действий. Пока ничего не меняй в системах и не отправляй сообщения. Любое рискованное действие сначала предложи для отдельного подтверждения.