14 — AI-нативная компания: от ручной работы к архитектуре системы

Статус: drafted

Спикер / автор: Степан Гершуни

Описание

Доклад четвёртого дня конференции «Управление 2026» о переходе от ручного исполнения к проектированию AI-нативной системы: как LLM и агенты меняют экономику компаний, почему роль человека смещается от выполнения задач к архитектуре контекста и валидации результатов, и как смотреть на организацию как на единую среду данных, коммуникаций и решений.

Короткий комментарий по статусу

есть canonical links, slides.pdf (4.2.pdf), chat.pdf (Chat4.pdf), transcript.raw.json, transcript.md, девять chunk-файлов, содержательный summary-jarvis.md, честный comparison.md; Gemini-слой явно помечен как not run

Полезные ссылки

Что уже собрано

Четырнадцатый talk по текущей структуре/очереди — это доклад Степана Гершуни «AI-нативная компания: от ручной работы к архитектуре системы».

По этой карточке теперь собраны: - canonical source links (YouTube + Teachable); - slides.pdf (4.2.pdf) из описания YouTube; - chat.pdf (Chat4.pdf) из описания YouTube; - transcript.raw.json через youtube-transcript-api; - transcript.md с 2-минутной нарезкой; - 9 chunk-файлов по ~8 минут; - содержательный summary-jarvis.md; - честный comparison.md без выдуманного Gemini; - summary-gemini-raw.md и summary-gemini.md как явные placeholders со статусом not run.

Смысловой результат

Главная мысль доклада в текущем semantic-pass собрана так: AI-нативность — это не внедрение отдельных AI-инструментов, а пересборка компании как системы контекста, агентов, обратной связи и управляемого самоулучшения.

Из полезного остатка особенно выделяются: - переход от AI как «софта» к AI как организационной среде; - идея компании как потока токенов, сигналов и решений; - смещение роли человека от исполнения к спецификации, оркестрации и валидации; - практическая важность общей памяти, ontology и насыщенного контекста для агентной работы.

Практические замечания

  • В описании YouTube для этого ролика явно указаны 4.2.pdf и Chat4.pdf, так что привязка локальных slides.pdf и chat.pdf выглядит твёрдой.
  • youtube-transcript-api на этом ролике сработал успешно (1710 сегментов, длительность около 01:05:20).
  • На этом проходе не понадобился обход через Innertube player / ANDROID client: обычный reproducible path через youtube-transcript-api уже отдал рабочий transcript.
  • Gemini-слой в этом packaging-pass сознательно не запускался; отсутствие второго summary отражено явно, а не замаскировано.

Оценка готовности

Для текущего staged-пайплайна карточка сейчас выглядит как уверенный drafted: - артефактный слой собран; - основной смысловой слой поднят через уже существующий summary-jarvis.md; - отсутствие Gemini-pass отмечено честно; - возвращаться сюда нужно только если понадобится отдельный реальный Gemini/enrichment-проход.

Выжимка

О чём доклад

Степан Гершуни разбирает не «использование ChatGPT в компании», а более жёсткий и системный сдвиг: AI меняет компанию не в момент появления отдельных AI-инструментов, а в момент, когда под возможности моделей и агентов перестраивается сама архитектура работы. Главный тезис доклада радикальный: в ближайшие годы любая компания пройдёт через AI-трансформацию, а те, кто останутся в логике старой операционки, будут проигрывать в скорости, стоимости и способности адаптироваться.

Доклад построен как переход: - от разговора об AI как о «софте»; - к разговору об AI как о новой организационной среде; - и дальше — к компании как к кибернетической системе, где данные, агенты, люди и контуры обратной связи образуют единый производственный механизм.

Почему это происходит именно сейчас

Гершуни объясняет текущий перелом через сочетание нескольких факторов: - десятилетия развития AI и deep learning наконец упёрлись в достаточный объём данных и вычислений; - качество моделей быстро растёт, а цена использования падает; - компании и фонды вливают в AI-инфраструктуру беспрецедентные деньги; - прогресс носит экспоненциальный, а не линейный характер, поэтому человеческая интуиция систематически недооценивает скорость сдвига.

Отдельно он вводит рамку scaling laws: модели улучшаются не по одному каналу, а сразу по нескольким: 1. через рост training compute, данных и параметров; 2. через post-training и reinforcement learning; 3. через увеличение «времени на размышление» модели; 4. через агентные связки и оркестрацию нескольких моделей/ролей.

Плюс поверх этого возникает идея self-improvement: автоматизируется уже не только исполнительская работа, но и сам цикл исследования, улучшения и перепроектирования систем.

Что такое AI-нативная компания

Центральная модель доклада: компания — это поток токенов.

На входе: - все разговоры, - письма, - сообщения, - документы, - сигналы клиентов, - рыночные данные, - регуляторные изменения, - внутренняя операционная информация.

Это означает, что AI-нативной компания становится только тогда, когда максимально оцифровывает и токенизирует всё релевантное для бизнеса. Не часть знаний, не отдельные отчёты, а весь значимый контекст, на котором вообще принимаются решения.

Дальше поверх этого потока строятся агентные процессы: - кто-то анализирует, - кто-то пишет код, - кто-то готовит коммуникацию, - кто-то помогает в продажах, - кто-то собирает отчётность, - кто-то мониторит рынок.

На выходе компания тоже производит токены — то есть решения, действия, артефакты и управленческие сигналы: что отгружать, что деплоить, кому писать, что менять в продукте, какую гипотезу тестировать.

Ключевая мысль: организация — это машина обработки информации и принятия решений, а значит даже офлайн-бизнесы в управленческом слое могут быть описаны как информационные системы.

Почему агентная модель выгоднее классической

Гершуни называет четыре базовые причины, почему агентные процессы начинают выигрывать:

1. Дешевле

Агенты снижают стоимость типовых операций. В докладе звучит пример, где операция HR-обработки заявки выполняется агентом быстрее, дешевле и с меньшим числом ошибок, чем человеком.

2. Быстрее

Агенты позволяют строить процессы, которые просто невозможны при человеческой скорости исполнения. Например, массово тестировать множество вариантов страниц, коммуникаций или решений там, где руками это экономически бессмысленно.

3. Иная пропускная способность управления

У человека есть ограничения на число прямых связей, объектов внимания и подчинённых. У агентных команд топология иная: один человек может оркестрировать намного большее количество исполняющих единиц, а один агент — координировать множество других.

4. Масштабирование

Сильная сторона агента — не «человечность», а воспроизводимое масштабируемое исполнение. Он не устаёт, не ждёт, не требует отпусков и при правильной постановке процесса становится всё более дешёвым и полезным.

При этом доклад подчёркивает важную оговорку: AI — не просто автоматизация. Автоматизация существовала и раньше. AI нужен там, где к задаче требуется интеллект, но человеческий интеллект слишком медленный или дорогой, чтобы использовать его в нужном масштабе.

Главный организационный сдвиг: не делать работу, а проектировать её

Одна из самых сильных линий доклада — смена роли сотрудника.

Раньше человек: - сам делал работу, - сам производил артефакт, - сам тащил исполнение от начала до конца.

Теперь человек всё чаще должен: - писать спецификацию, - задавать критерии результата, - проектировать процесс, - оркестрировать агентов, - ревьюить выход, - валидировать качество.

То есть вместо «написать отчёт» нужно уметь описать: - какие источники взять, - как структурировать материал, - что включить, - в каком виде вернуть результат, - как проверить корректность.

Вместо ручного построения финансовой модели — описать, что считать хорошей моделью. В разработке — не просто кодить, а формулировать спеку, проводить архитектурное ревью, задавать рамки и ограничения.

Отсюда вытекает тезис: постановка задачи становится ключевым управленческим навыком.

Как меняется разработка и знаниевая работа

На примере разработки Гершуни проводит важное различие: - написание кода всё быстрее уходит агентам; - ценность человека смещается в спецификацию, архитектурные решения, ревью, контроль качества и деплойные правила.

Он приводит идею из сильных инженерных компаний: месяцы могут уходить не на код, а на обсуждение и уточнение спецификации. Если спецификация хороша, исполнение можно всё сильнее отдавать агентам.

При этом он признаёт реальную проблему: человек уже не может физически прочитать весь объём кода, который создают модели. Значит, нужен не только человек-ревьюер, но и агентная прослойка для ревью и подсветки рисков, чтобы человеку показывали не весь массив, а критические места.

Похожая логика переносится на маркетинг, HR, финансы, саппорт и операционную деятельность: - линейный сотрудник всё чаще становится автором спек; - его работа всё больше похожа на тестирование и контроль поведения системы; - многие профессии частично превращаются в роль QA для агентных процессов.

Компания как кибернетическая система

Гершуни фактически предлагает смотреть на организацию через кибернетику: - есть цель; - есть поток сигналов и данных; - есть исполнительные механизмы; - есть сенсоры результата; - есть обратная связь; - есть механизм перенастройки поведения системы.

В такой рамке AI-нативная компания — это не набор разрозненных «внедрений», а замкнутый контур самоулучшения. Система действует, измеряет результат, интерпретирует сигнал и перестраивает себя дальше.

Это и есть более глубокий смысл доклада: AI-нативность — не про отдельные productivity hacks, а про способность организации постоянно учиться на собственной деятельности.

Как меняется структура компании

Доклад предполагает несколько структурных сдвигов: - компании становятся более плоскими; - снижается потребность в классическом среднем менеджменте; - растёт роль мультидисциплинарных людей, умеющих держать бизнес-контекст и управлять агентами; - roadmap радикально ускоряется, а долгие циклы планирования начинают выглядеть подозрительно для цифровых продуктов.

Гершуни приводит жёсткую формулу: у компаний, которые по-настоящему прошли эту трансформацию, запрос от клиента может превращаться в реализацию почти в тот же день. Если компания по-прежнему мыслит категориями «два квартала на изменение», это может быть признаком несложившейся AI-операционки.

Что остаётся за человеком

Несмотря на радикальность, доклад не сводится к тезису «люди больше не нужны». Наоборот, человек остаётся в четырёх критических ролях:

1. Архитектор систем

Человек проектирует процессы, контуры, правила, спецификации и взаимодействие между агентами.

2. Носитель человеческих отношений

Продажи, переговоры, доверие, выступления, сделки, социальное присутствие, эмоциональная динамика — это пока остаётся человеческим преимуществом.

3. Валидатор

Человек проверяет качество результата, особенно в дорогих, рискованных и неоднозначных точках.

4. Носитель ответственности

Агент может предложить, исполнить и даже сработать лучше среднего исполнителя, но юридическую, управленческую и этическую ответственность несёт не модель, а человек.

Это особенно важно в финансах и других high-stakes зонах: AI может подготовить и проверить почти всё, но финальное право на критическое решение остаётся у человека.

С чего начинать practically

В конце доклада Гершуни даёт не абстрактную, а вполне прикладную стартовую рамку.

1. Собрать персональную/командную операционную систему

Складывать в единое пространство: - письма, - сообщения, - документы, - записи встреч, - контекст по проектам, - предыдущую историю коммуникаций.

Идея в том, чтобы агент работал не «с нуля», а из насыщенного контекста.

2. Сделать ежедневный брифинг

Пусть агент утром собирает: - обязательства, - долги, - важные ответы, - подготовку к встречам, - незакрытые обещания.

3. Записывать встречи и пополнять контекст

Доклад исходит из того, что незафиксированная коммуникация — это потерянный организационный капитал.

4. Настроить style/behavior guide

Если агент пишет письма, посты и ответы, ему нужен явный гайд: как звучать, как оформлять, как не скатываться в стандартный «чатботный» стиль.

5. Построить общую память компании

Нужен хотя бы простой слой памяти о том: - какие процессы существуют, - как они реально работают, - что в них изменилось, - какие правила и сущности приняты в компании.

Иначе агентная система быстро разойдётся с реальностью.

6. Описать онтологию компании

Под «онтологией» здесь понимается словарь и карта сущностей: - какие типы клиентов существуют; - какие стадии продаж есть; - чем маркетинговый отчёт отличается от финансового; - как устроены роли, процессы и артефакты.

Без этого агент не понимает внутренний язык организации.

Узкие места и ограничения

Доклад не отрицает проблем, но расставляет приоритеты жёстко.

Что ломается чаще всего: - данные не собраны в единое доступное пространство; - нет общей инфраструктуры контекста; - нет онтологии; - процесс не описан явно; - компания ждёт от AI либо поведения обычного софта, либо поведения полноценного человека, и в обоих случаях ошибается.

Гершуни отдельно спорит с избыточным фокусом на risk-management как на поводе ничего не делать. Его позиция проста: в период резкого технологического сдвига главный риск — не то, что вы что-то слишком быстро попробуете, а то, что вы останетесь в старой модели и проиграете тем, кто перестроился.

При этом он не предлагает бездумно отдавать AI всё подряд. Речь именно о селективной автономии: - больше автономии там, где низка цена ошибки и велик выигрыш по времени; - больше человеческого контроля там, где высока цена ошибки и критична ответственность.

Что он считает признаками сильной AI-трансформации

По докладу, сильная трансформация видна, когда: - компания думает не отдельными тулзами, а архитектурой; - знание о компании доступно агентам; - сотрудники умеют писать спеки и проверять поведение систем; - скорость исполнения меняется не на проценты, а на порядки; - roadmap и delivery начинают жить в другом темпе; - человек смещается из роли исполнителя в роль архитектора, оркестратора и валидатора.

Итог

Ядро доклада — в попытке переописать компанию через AI не как набор «улучшений», а как смену операционной модели.

Главные выводы: - AI-нативность — это архитектурный, а не инструментальный переход; - компания становится сильнее, когда весь релевантный контекст превращается в доступную агентам среду; - основная работа людей смещается от исполнения к проектированию, спецификации, валидации и ответственности; - агентные системы дают не просто экономию, а новый класс процессов, которые раньше были слишком дорогими или медленными; - выигрывает не тот, кто «внедрил AI», а тот, кто пересобрал организацию вокруг агентной логики и контуров самоулучшения.

В этом смысле доклад не столько про отдельные инструменты, сколько про новую теорию фирмы: компания будущего — это не иерархия людей с софтом в поддержке, а гибридная система людей, агентов, памяти, сигналов и обратной связи.