a16z Сооснователь: Компании эпохи Agent, каждый станет управляющим

Автор：Бен Хоровиц, Майкл Макинесс

Составитель: Цзя Хуань, ChainCatcher

Если ИИ сможет напрямую запрашивать информацию о бизнесе, выполнять задачи и отслеживать результаты, сколько уровней отчетности еще потребуется компании? Как изменится работа сотрудников каждый день?

Сооснователь a16z Бен Хоровиц на примере Databricks указывает, что общая корпоративная система данных позволит сотрудникам на передовой действовать напрямую, управление работой больше не будет монополией небольшого числа профессиональных менеджеров; а способность компании закрепить опыт принятия решений в своей системе определит ее долгосрочную конкурентоспособность.

Примечание: Databricks является портфельной компанией a16z, Бен Хоровиц также является ее директором, информация о компании в статье имеет точку зрения инвестора и не является инвестиционной рекомендацией. Далее следует основной текст.

В следующие 20 лет многие аспекты нашей жизни изменятся. Одним из вопросов, который определенно войдет в пятерку лучших, будет: "Что вы делаете на работе каждый день?"

Вокруг этого вопроса произойдут два значительных прорыва. Первый — это автоматизация через Агентов: "Опишите задачу, которую мы сейчас выполняем, и позвольте ей выполняться автоматически." Второй — это предоставление сотрудникам возможности активно действовать. Люди, находящиеся ближе всего к проблеме, все больше смогут напрямую исследовать ситуацию и использовать возможности, не дожидаясь передачи информации и полномочий через многоуровневую управленческую систему.

Оба этих прорыва коренным образом улучшат повседневную работу каждого. Но есть одно большое условие: организация действительно должна перейти к этому новому способу работы.

"Что делает человек на работе каждый день", в значительной степени зависит от корпоративной системы данных и принятия решений, используемой работодателем. А эта система, в свою очередь, зависит от используемых технологий баз данных и того, что эти технологии могут реализовать. Очень немногие задумываются о последнем уровне.

Эта история делится на четыре части:

1) Что именно делает Databricks? Что такое "Lakehouse" и "Lakebase", которые вы, возможно, видели на рекламных щитах? Почему говорят, что это архитектурные прорывы, пришедшиеся как раз вовремя?

2) Что такое "корпоративная система данных" (system of record, SoR)? Если Агенты должны работать в реальных компаниях, принимать реальные решения и вносить вклад в корпоративную базу знаний, почему нужна новая корпоративная система данных?

3) Что такое корпорация? Если соотношение Агентов и людей достигнет 1000:1, как изменится корпорация? Как корпорации могут создавать различия и создавать ценность?

4) Что люди делают на работе в этом новом мире? ИИ в рабочих сценариях часто рекламируется как "дающий обычным людям способности программистов". Но в долгосрочной перспективе изменения, которые он принесет, могут быть не "каждый станет инженером", а скорее "каждый станет менеджером".

Это, возможно, одна из самых глубоких частей. Мы наблюдаем, как управленческие методы, сформировавшие 20-й век, постепенно разрушаются. Джеймс Бернэм зафиксировал этот управленческий подход в своем знаменитом произведении "Революция менеджеров".

85 лет назад он описал, как информационные технологии и организационная сложность порождают модель корпоративной деятельности: небольшая группа профессиональных менеджеров сосредоточивает в своих руках право принятия решений внутри компании. Сегодня новая волна технологических изменений позволяет специалистам на передовой вновь взять на себя ответственность, и мы все от этого выиграем.

От Spark до Агентов

Недавно кто-то описал Databricks как "компанию данных, которая успела за волной ИИ". Но еще за 10 лет до прихода этой волны исследователи ИИ основали эту компанию.

Первоначальная задача Databricks была очень простой: у компаний было все больше данных, но обрабатывать их было слишком медленно. В 2009 году Али Гходси, проводя исследования в Беркли, увидел, как интернет-компании используют огромные объемы данных для прогнозирования поведения пользователей. Но тогдашние основные инструменты не подходили для многократных вычислений, необходимых для машинного обучения.

Исследователи Беркли затем разработали Spark, который увеличил скорость обработки таких задач до 10 раз. В 2013 году Али, Матей Захария и еще 7 исследователей основали Databricks, создав платформу, которую компании могут использовать напрямую, избавляя их от необходимости строить и поддерживать сложные системы.

Spark ускорил обработку данных, но данные компаний по-прежнему были разбросаны по различным системам. В частности, хранилища данных хранят обработанные и надежные данные, которые в основном используются для бизнес-анализа и составления отчетов; в то время как озера данных хранят различные сырые данные, такие как документы, изображения, записи и журналы, но эти данные часто не структурированы, и их качество трудно гарантировать.

Обе системы имеют свои цели, но также разделяют различные команды. Инженеры и дата-сайентисты в основном используют озера данных, тогда как аналитики в основном используют хранилища данных. Если одной стороне нужны данные другой, кто-то должен заниматься их переносом и поддержкой, и в результате компании накапливают множество дубликатов данных и конфликтующие бизнес-определения.

В 2020 году Databricks объединил обе системы, представив архитектуру "Lakehouse". Она позволяет компаниям одновременно проводить бизнес-анализ и машинное обучение на одной и той же базе данных: сохраняя способность озера данных хранить различные данные по низкой цене, а также обеспечивая надежное управление и быструю возможность запроса, необходимые для хранилищ данных.

Таким образом, инженеры, дата-сайентисты и аналитики могут использовать одну и ту же базу данных, сокращая работу по многократному копированию и переносу данных между различными системами.

Рисунок: Архитектура Lakehouse объединяет озеро данных и хранилище данных, позволяя одной и той же базе данных одновременно служить для бизнес-анализа, машинного обучения и ИИ.

Но еще одна часть данных не была интегрирована. Компании, обрабатывающие платежи, вход в систему пользователей и другие повседневные операции, зависят от другого типа баз данных. Эти базы данных все еще требуют дополнительных соединений, которые нужно строить и поддерживать, чтобы отправлять данные в системы для анализа. Бизнес постоянно меняется, и работа по соединению этих систем продолжается.

В 2025 году Databricks приобрела Neon и на его основе представила Lakebase, что позволило еще больше интегрировать повседневные бизнес-базы данных. Когда данные в бизнес-системах изменяются, они могут автоматически синхронизироваться для использования аналитиками, инженерами и Агентами, сокращая работу по переносу данных между различными системами.

Для Агентов Lakebase также предоставляет важную возможность: быстрое создание изолированных копий данных, не связанных с официальным бизнесом. Даже если объем базы данных велик, такие копии могут быть подготовлены за считанные секунды. Агенты могут экспериментировать с ними, а затем выбрасывать, не копируя каждый раз всю базу данных с нуля.

Это создает основу для изменения способа использования программного обеспечения. На протяжении десятилетий корпоративное программное обеспечение в основном разрабатывалось небольшим числом инженеров, а другие сотрудники отвечали за его использование. Сегодня люди переходят к новому способу работы: сначала определяют желаемый результат, а затем позволяют программному обеспечению найти способ его достижения.

Компании больше не просто заставляют тысячи сотрудников читать и записывать данные в несколько баз данных, управляемых центральной командой, а могут иметь тысячи баз данных, которые читаются и записываются миллионами Агентов. Возможность совместного использования данных, их своевременного обновления и удобного использования Агентами становится все более важной.

Корпоративная система данных, ориентированная на Агентов

Рисунок: Генеральный директор Databricks Али Гходси на сцене компании на саммите Data + AI Summit 2026 года.

В июне Али стоял перед примерно 30 000 зрителей на саммите Data + AI Summit и попросил тех, кто считает, что универсальный искусственный интеллект уже пришел, поднять руки. Он оценил, что поднявшие руки составляют около 10%.

"Мы считаем, что AGI уже здесь." Он сказал зрителям, что современные передовые модели уже могут ответить на более половины вопросов в "последнем экзамене для человечества". Этот тест включает 2500 вопросов, составленных экспертами из более чем 100 областей, которые изначально считались слишком сложными для любого ИИ.

Когда ChatGPT только появился в 2022 году, он мог обрабатывать программные задачи, которые в среднем занимали бы у человека 30 секунд. Сегодня передовые Агенты уже могут выполнять программные задачи, на которые опытному инженеру потребовался бы целый рабочий день.

Независимое оценочное учреждение METR отслеживало, сколько времени разные модели могут самостоятельно выполнять задачи с 2019 года, и обнаружило, что это время примерно удваивается каждые 7 месяцев. В последнее время прогресс идет даже быстрее, и аналогичные тенденции наблюдаются и в других областях, помимо программирования. Если эта тенденция сохранится до начала 2030-х годов, Агенты смогут выполнять задачи, на которые людям потребовались бы годы.

Рисунок: "Новый закон Мура" для ИИ Агентов.

Тем не менее, в большинстве компаний сегодня люди все еще не верят, что ИИ может надежно обновлять записи в Salesforce (программное обеспечение для управления клиентами).

"Проблема ИИ не в интеллекте, а в контексте," объясняет Али. Даже самые умные люди, если у них нет доступа к корпоративным данным, полномочий для действий, обратной связи и понимания знаний, которые есть у других сотрудников, почти так же беспомощны. Ответ, который предлагает Али, — это то, что он называет "корпоративной системой данных, ориентированной на Агентов".

Возможно, вы видели, как генеральный директор Palantir Алекс Карп говорит о бизнес-онтологии. Он считает: "Вся ценность на рынке будет направлена на чипы и то, что мы называем бизнес-онтологией. Бизнес-онтология позволяет вам взять большую языковую модель, использовать ее, улучшать и затем применять в бизнесе." Что это на практике означает, обычно остается на усмотрение слушателей.

У каждой компании есть своя бизнес-онтология, то есть набор описаний того, какие вещи существуют в компании, как они связаны, что означают различные термины и какой источник информации следует считать верным, когда два источника конфликтуют. Часть из этого содержится в базах данных, панелях управления, процедурах и документах, но большая часть существует только в головах опытных сотрудников.

Кроме того, эта модель никогда не будет окончательной. Контракты меняются, временные обходные пути становятся процессами, исключения становятся правилами, а официальные записи постепенно отклоняются от фактических способов работы. Кто решает, что и какие решения впоследствии оказываются правильными, также не всегда записывается: полномочия для принятия решений и критерии оценки, как и бизнес-онтология, часто не фиксируются.

Люди будут незаметно заполнять эти пробелы в повседневной работе. Вице-президент по продажам должен знать, что самая большая сделка, которая изначально считалась вероятной, застопорилась, потому что ключевой человек, продвигающий эту сделку внутри клиента, тихо проходит собеседования на другие работы; ему также нужно знать, что "90%" вероятность сделки, о которой говорит один из продавцов, на самом деле составляет только 50%, и перед тем, как сообщить это прогнозирование генеральному директору, он должен его скорректировать.

Чтобы позволить агенту действовать самостоятельно, необходимо, чтобы большое количество бизнес-онтологических знаний, полномочий для принятия решений и критериев оценки, которые в настоящее время существуют в человеческом мозге, вошло в данные системы компании. Система Lakehouse от Databricks является естественным выбором для хранения этих данных, так как другие данные компании уже хранятся и управляются там.

"Сегодня система Lakehouse стала корпоративной системой данных," говорит Али, "Я называю это SORA, что означает систему записей для агентов."

Сотрудники могут взаимодействовать с этой корпоративной системой данных через Genie. Genie — это интерфейс взаимодействия на естественном языке, который Databricks запустит в 2024 году, позволяющий любому в компании задавать вопросы корпоративным данным и все больше строить агентов на основе этих данных.

На базовом уровне эта система записей должна охватывать всю компанию и постоянно отвечать на четыре вопроса. Databricks решает эти вопросы по одному:

Что является реальным? Lakehouse и Lakebase уже сохранили текущее состояние бизнеса компании.

Что означают эти данные? Чтобы избежать того, чтобы ИИ каждый раз искал ответы в данных компании, когда получает вопрос, онтология Genie от Databricks будет постоянно строить организационную карту знаний, например, как рассчитывается доход, о чем говорилось на заседании на прошлой неделе.

Инженеры назвали один из алгоритмов OntoRank в честь PageRank от Google. Он будет оценивать, какие знания более авторитетны, основываясь на таких характеристиках, как кто создал определение, насколько широко оно используется и когда в последний раз оно было изменено. В тестах Databricks агент, основываясь на бизнес-онтологии компании, повысил точность ответов с примерно 50% до 84.5%.

Что разрешено делать? Ранее у каждого сотрудника был доступ к системе через одну учетную запись, что работало, когда все сотрудники были людьми. Но когда сотрудники могут запускать сотни агентов каждый день, эта модель перестает работать. "Вы не можете по одному предоставлять агентам доступ к каждому изолированному специализированному базе данных," объясняет Али.

Unity Gateway от Databricks назначает идентичность, бюджет и операционные ограничения для каждой модели, агента и ИИ-инструмента в компании, а также отслеживает каждое действие с помощью журналов, позволяя компании видеть, что делает ИИ-система, к каким данным она обращается и сколько денег тратит.

Сработало ли это? Databricks предлагает два способа создания агентов для бизнеса. Бизнес-команды строят их в Genie, превращая набор подсказок в агента, который может делать выводы на основе корпоративных данных и все чаще действовать в таких приложениях, как Slack или Salesforce. Инженеры могут использовать Agent Bricks для создания более настраиваемых агентов для реальных производственных условий.

Независимо от того, какой способ используется, Databricks позволяет командам разрабатывать свои собственные "экзамены", четко определяя, какие результаты приемлемы, а какие ошибки недопустимы, а затем предоставляет инструменты для оптимизации каждого агента в соответствии с требованиями компании к конкретным задачам. Таким образом, ИИ формирует замкнутый цикл обратной связи.

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

Каждая платформа в области корпоративных вычислений вызывает новую волну борьбы вокруг корпоративных систем данных. IBM доминировала в эпоху мэйнфреймов; Oracle и SAP стали основой для клиент-серверной архитектуры; Salesforce, Workday и ServiceNow построили SaaS корпоративные системы данных в области продаж, человеческих ресурсов и ИТ соответственно. Агенты принесут следующий раунд изменений.

Но вопрос о том, какая компания победит, менее важен, чем то, как агенты изменят саму компанию.

Природа компании

В своей статье 1937 года "Природа компании" экономист Рональд Коуз задал вопрос: почему существуют компании? Если рынок может координировать экономическую деятельность через цены и контракты, зачем собирать людей в компании и подчинять их работу управленцам?

Его ответ сводится к транзакционным издержкам. Найти подходящих людей, согласовать, что делать и по какой цене, а затем контролировать весь процесс — все это требует времени и денег. Компании заменяют часть повторяющихся рыночных сделок организацией, которая не предопределяет каждую конкретную задачу, позволяя управленцам распределять ресурсы в рамках согласованных условий.

Но организация работы внутри компании также не лишена издержек. С ростом компании больше информации должно передаваться большему числу людей. В конечном итоге, стоимость организации сделки внутри компании станет равной стоимости покупки на рынке. Согласно объяснению Коуза, компании будут продолжать расширяться, пока эти два типа издержек не встретятся.

Через 40 лет один из немногих людей, получивших Нобелевскую премию и премию Тьюринга, Герберт Саймон обнаружил, что централизованное хранение памяти компании может позволить децентрализованное принятие решений. Он писал, что общие компьютерные записи "позволяют каждому из децентрализованных точек принятия решений действовать независимо", поскольку система автоматически сопоставляет эти действия с общими записями.

Например, в авиакомпании билетный агент в Бостоне не должен звонить всем остальным агентам, прежде чем продать последний билет на рейс в Чикаго. Ей нужно просто проверить записи; когда она продает этот билет, все записи обновляются. Централизованное управление состоянием бизнеса делает децентрализованные действия более безопасными, поскольку люди могут координировать свои действия через общие записи, а не общаться друг с другом по отдельности.

Реляционные базы данных распространили этот принцип на всю компанию. Работа, для завершения которой раньше требовались отчеты, собрания и передача информации между управленцами, теперь сводится к одному запросу к общим записям. Это позволяет компании координировать больше продуктов, мест, людей и сделок, не увеличивая количество управленцев в том же соотношении.

К 1990-м годам интернет позволил внешнему миру также вносить информацию в записи компании, что дало возможность онлайн-рынкам координировать покупки, запасы и платежи между миллионами незнакомцев.

Поскольку транзакционные издержки как внутри, так и вне компании снизились, эра баз данных не привела к тому, что все компании стали одинаково большими или маленькими, а позволила существовать большему количеству различных типов компаний. Крупные компании могут управлять гораздо более сложным бизнесом, в то время как малые компании могут арендовать или приобретать возможности, которые раньше требовали целого отдела.

Скорее всего, ИИ будет действовать аналогично. Внутри компании агенты могут снизить издержки координации, автоматически выполняя отчеты, поиски и повседневные задачи. Снаружи они могут помочь находить и оценивать поставщиков, согласовывать обычные условия и контролировать результаты.

Как и предыдущие базы данных, ИИ позволит компаниям и рынкам осуществлять более сложные действия. Но его более глубокое влияние может заключаться в изменении организационной структуры компании.

Типичная компания 20 века имела пирамидальную структуру, поскольку иерархия была ее системой обработки информации. Факты передавались вверх через отчеты и собрания, а решения передавались вниз по уровням, путь потока информации соответствовал организационной структуре. Руководство решало, какие данные стоит собирать и делиться ими, что означало, что понимание компании о самой себе зависело от того, какую информацию выбрали собрать управленцы.

Базы данных изменили эту структуру, но лишь частично. Общие записи позволили людям получать информацию напрямую и действовать более независимо, но обычно они все еще ограничены заранее спроектированными процессами.

На протяжении большей части эпохи компьютеров относительно небольшое количество управленцев, операционных команд и инженеров определяли структуру данных компании, показатели, приложения и рабочие процессы. Сотрудников, использующих эти системы, было гораздо больше, чем тех, кто участвовал в их проектировании.

Это не только ограничивало то, что люди могли делать, но и то, что организация могла знать. Например, если сотрудник службы поддержки каждую неделю слышит одни и те же жалобы, и если ее менеджер не записывает их в отчет, то то, что она знает, может быть неизвестно компании. А решение этой проблемы — это уже другая задача.

Сегодня порог доступа к информации и действиям одновременно снижается.

Как сказал Андрей Карпаты в 2023 году: "Самый популярный новый язык программирования — это английский." Интерфейсы на естественном языке позволяют большему количеству экспертов в различных областях напрямую запрашивать корпоративные данные, не дожидаясь, пока кто-то, кто знает SQL или Python, заранее подумает над этими вопросами или ответит на них.

В глобальной медицинской компании Novo Nordisk, существующей более ста лет, ученым раньше приходилось ждать, пока инженеры данных напишут запросы. Теперь они просто могут спросить Genie: "Покажи все наши данные, связанные с ожирением", и она немедленно найдет соответствующие эксперименты, исследования и визуализированные результаты.

В рамках четко определенных полномочий сотрудники также могут самостоятельно разрабатывать решения, экономя часы или даже дни работы. В производителе электромобилей Rivian финансовый аналитик без опыта работы с SQL использовал Genie для создания панели доходов для CFO; аналитик по цепочке поставок разработал приложение для отслеживания состояния доставки поступающих товаров.

Это не означает, что каждый может получить доступ ко всем данным или ресурсам компании без одобрения. С увеличением децентрализации работы общая бизнес-онтология, система полномочий и механизмы подотчетности становятся еще более важными. Корпоративные системы данных централизованно управляют состоянием бизнеса и операционными границами, одновременно позволяя большему количеству людей задавать вопросы, разрабатывать рабочие процессы и действовать.

В марте Джек Дорси написал манифест под названием "От иерархий к интеллекту", в котором рассказал, как его компания Block начала пробовать более радикальную версию этой идеи. Он написал: "Система впервые может постоянно поддерживать актуальную модель всей компании и координировать работу на ее основе. Ранее эти задачи требовали от людей передачи информации через многоуровневую управленческую систему."

"Система данных для агентов", о которой говорит Али, похожа на "мировую модель" компании, о которой говорит Джек, обе являются постоянно обновляемыми моделями, представляющими операции, решения, возможности и приоритеты организации. Сотрудники на передовой поддерживают связь модели с реальностью, а модель предоставляет необходимую общую информацию для действий.

"Люди могут входить в области, недоступные для модели," объясняет Дорси, "они могут воспринимать то, что модель не может: интуицию, четкие оценки направления, культурный контекст, изменения в доверительных отношениях и атмосферу на месте. Они будут принимать решения, которые модель не должна принимать самостоятельно, особенно в этических решениях, новых ситуациях и в критические моменты, когда ошибка может угрожать выживанию компании."

В результате компании могут координировать работу с меньшим количеством управленческих уровней, одновременно более эффективно распределяя работу, что позволяет руководителям лучше понимать ситуацию.

По мнению Дорси, конкурентное преимущество этой новой структуры заключается в скорости. "Скорость работы компании зависит от того, как информация движется," говорит он, "иерархия и средний менеджмент препятствуют потоку информации."

Али в целом согласен с Дорси, но с одним отличием. "Идеологически я согласен с Джеком Дорси," говорит он, "вопрос в том, применимо ли это также к организационной структуре человеческих сотрудников?" Он считает, что люди смешивают две вещи: организационную структуру компании и то, как информация движется внутри компании.

"10 или 20 лет назад это действительно было одно и то же." В то время, чтобы понять, что происходит в компании, нужно было задавать вопросы по уровням организационной структуры: вы спрашиваете подчиненного, подчиненный спрашивает своих подчиненных. Но сейчас все изменилось.

Компании по-прежнему нуждаются в менеджерах, но теперь не требуется так много людей, отвечающих за передачу информации. Обучение сотрудников, помощь командам в определении более важных задач и выявление людей с низким настроением по-прежнему требуют человеческого внимания.

Таким образом, хотя у обоих есть разные мнения о том, насколько сократится управленческая иерархия, они оба согласны с тем, что ИИ возьмет на себя работу по передаче информации. В 20 веке именно из-за того, что компании стали слишком сложными и зависимыми от этих координационных работ, менеджеры получили огромную власть.

Вторая революция менеджеров

85 лет назад, после Великой депрессии, Джеймс Бернэм написал "Революцию менеджеров". Эта книга предсказала огромные изменения в том, как будут функционировать компании и даже сам капитализм.

После Великой депрессии популярное мнение заключалось в том, что предпринимательский капитализм подошел к концу, и неизбежно появится какая-то новая система. Популярные тогда идеи включали социалистические коллективные организации и национализацию.

Бернэм понял, что происходит. Он предложил третью возможность. Это не просто структура компании, а совершенно новый социальный порядок, который он назвал "обществом менеджеров". В этой системе решающим правящим классом являются не традиционные владельцы капитала и не рабочие, а профессиональные менеджеры, планировщики, бюрократы и руководители, управляющие крупными предприятиями и государственными учреждениями.

Он считал, что современные учреждения технически стали слишком сложными, чтобы их мог управлять отдельный капиталист. Ни один CEO не может знать все, что происходит в компании с 100 000 сотрудников, поэтому контроль постепенно будет передаваться от владельцев и экспертов в области к административным менеджерам.

К середине 20 века модель управления, возглавляемая профессиональными менеджерами, почти полностью одержала победу. "Большинство руководителей компаний из списка Fortune 500 не являются экспертами в своих областях и уж точно не являются основателями этих компаний", — сказал Марк Андриссен.

"Они профессиональные менеджеры. На самом деле, на протяжении всей своей карьеры они, вероятно, будут управлять многими различными типами компаний: сначала в сфере здравоохранения, затем в финансовых услугах, а потом перейдут в другие отрасли."

Но эта победа истощает свои преимущества. Класс менеджеров, о котором говорил Бернэм, принес масштабируемые управленческие способности и стабильную профессиональную работу, но пожертвовал скоростью и адаптивностью, особенно в условиях постоянных технологических изменений.

Марк предложил, что усовершенствованная инфраструктура данных в сочетании с агентами может позволить компаниям одновременно сохранить жизнеспособность основателей и координационные способности, необходимые для крупных организаций.

Ранее часть работы по передаче информации и координации делала менеджмент необходимым. Агенты автоматизируют некоторые из этих задач, позволяя большему количеству основателей использовать этот способ работы; системы данных компании предоставляют сотрудникам на передовой необходимую информацию и полномочия для действий.

Элон Маск продвинул идеи Марка еще дальше. В начале этого года он предсказал, что компании, которые все еще "сохраняют человеческое участие", проиграют. Он считает, что в эпоху ИИ оставлять людей в процессе — все равно что использовать электронную таблицу, но требовать, чтобы человек вручную рассчитывал некоторые ячейки.

Что касается окончательного направления, возможно, Элон прав. Но никто не знает, насколько далеко мы находимся от полностью автоматизированных компаний: некоторые предсказывают, что это произойдет всего через несколько лет, другие считают, что это никогда не случится.

До этого момента ироничным результатом может стать то, что упадок модели, возглавляемой профессиональными менеджерами, может проявиться в том, что каждый начнет выполнять управленческие функции. Не каждый будет иметь прямых подчиненных, но больше людей будет отвечать за четкое определение рабочих задач, распределение выполнения задач, проверку результатов и обновление процессов. Вторая революция менеджеров, скорее, означает не исчезновение управления, а окончание монополии класса профессиональных менеджеров на управленческую работу.

Программисты теперь остро ощущают это: их работа переходит от написания кода к управлению группой программирующих агентов. День программиста все больше напоминает день менеджера: определение проблемы, разбивка проблемы на задачи, передача их параллельно работающим агентам, затем проверка их запросов на слияние кода, некоторые из которых одобряются, а некоторые возвращаются с комментариями.

С увеличением возможностей агентов больше знаний работников также испытают аналогичные изменения: от выполнения каждого шага вручную к четкому определению требований, распределению задач и оценке результатов.

Ученые из Novo Nordisk и аналитики цепочки поставок Rivian уже используют Genie для управления агентами, выполняя работу, которая раньше требовала группы инженеров или специалистов по данным, позволяя этим командам сосредоточиться на задачах с наибольшей стратегической ценностью.

Это хорошие новости для производительности и зарплат людей, поскольку выполнение и оценка экономически дополняют друг друга: когда ИИ снижает стоимость рутинной работы, возрастает потребность в способности оценивать эту работу.

Секретарь Альфред Норт Уайтхед отметил сто лет назад: "Прогресс цивилизации заключается в том, чтобы все больше важных операций можно было выполнять без необходимости думать об этом." То же самое касается компаний: каждый раз, когда замыкается рабочий цикл, повышается способность к автономной работе.

Каждый раз, когда кто-то исправляет рабочий цикл агента, это исправление должно улучшить следующее выполнение. Когда замкнутый цикл докажет, что он может надежно выполнять четко определенную работу, человек может выйти из этого процесса и перейти к следующей еще нерешенной проблеме, оставив накопленный опыт в общих записях компании.

Тем не менее, как Бернэм, вероятно, также заметил бы, чтобы сохранить автономию, компании необходимо овладеть своей моделью и всем, что ей передают сотрудники на передовой.

Автономные и контролируемые компании

В компаниях, где участвуют агенты, талантливые кадры будут более ценными, чем когда-либо. Но талантливые кадры также будут приходить и уходить. В то же время модели постоянно совершенствуются, и каждый конкурент может арендовать одну и ту же модель. Так как же в этом новом мире компаниям создать устойчивое конкурентное преимущество?

Представьте, что два банка арендуют одну и ту же передовую модель для поддержки кредитных решений. Первый банк отправляет модели подсказки, получает ответ, а затем фиксирует окончательное решение. Второй банк фиксирует, какие факты привели к ответу, какие изменения внес человек, какие решения были успешными, а какие провалились, и постоянно корректирует политику на протяжении всего процесса.

Через год, когда появится лучшая модель, только один из этих банков действительно станет лучше. Если вы меняете ИИ-модель компании, новая модель все равно сможет унаследовать бизнес-определения компании, настройки прав, оцененные случаи, историю клиентов и трудные случаи, которые были обработаны, тогда это станет основой для устойчивого конкурентного преимущества. Если новая модель все еще начинает с тех же подсказок, что и все конкуренты, то такой основы не будет.

Второй банк — это то, что люди начинают называть "автономными и контролируемыми" компаниями. Если поставщики повышают цены, изменяют условия или прекращают использование модели, компания может сменить поставщика, не теряя накопленного опыта. По мере того как модели становятся умнее и компании становятся все более зависимыми от них, эта независимость будет становиться все более важной.

В недавней статье генеральный директор Microsoft Сатья Наделла пришел к аналогичному выводу с другой точки зрения. Он считает, что модели ИИ постоянно поглощают профессиональные знания отдельных лиц и организаций и превращают их в универсальные способности, доступные всем, поэтому "каждая компания должна создать то, что я называю человеческим капиталом и токеновым капиталом".

Человеческий капитал — это знания, суждения, межличностные отношения и креативность сотрудников; токеновый капитал — это способности ИИ, которые компания создает и контролирует. Оба этих капитала накапливаются и растут в замкнутом цикле непрерывного обучения, и "этот цикл станет новой интеллектуальной собственностью компании".

Данные являются основой токенового капитала. "Бизнес-данные каждой компании — это ее собственная золотая жила", — сказал генеральный директор NVIDIA Хуан Ренчжун на саммите Data + AI Summit 2024 от Databricks. Он объяснил, что от проектирования чипов до цепочки поставок почти каждый процесс NVIDIA начинается с данных.

"Это позволяет нам стать одной из крупнейших 'малых компаний' в мире", — сказал он. В то время оценка NVIDIA превышала 3 триллиона долларов, а сотрудников было всего 30 000. "Причина, конечно, в том, что внутри компании работает множество ИИ, которые помогают нам выполнять удивительную работу." Хуан Ренчжун считает, что каждая компания будет такой. "Это необычное время", — сказал он, "и все начинается с данных."

Будущее компаний

Чтобы агенты надежно работали в компаниях, системы данных должны постоянно отвечать на четыре вопроса: что произошло, что это означает, какие действия разрешены и были ли действия эффективными.

С этой основой люди и агенты смогут действовать автономно, не требуя, чтобы каждое решение проходило через многоуровневую управленческую систему; результаты действий также будут возвращаться в записи, которые контролирует сама компания.

Координационные затраты снизятся, и компании смогут выполнять больше работы с имеющимися сотрудниками. Новые компании, которые раньше не могли существовать в бизнесе, также появятся, потому что 10 человек смогут выполнять работу, которая раньше требовала тысяч людей. И до тех пор, пока ИИ не сможет делать все, что могут делать талантливые кадры, талантливые кадры станут еще более ценными, а не обесцененными. До этого дня еще далеко.

Количество людей, которые работают по заранее заданным процессам, будет уменьшаться, поскольку агенты будут обрабатывать те задачи, которые мы уже поняли, как выполнять. Все больше людей будут сосредоточены на еще нерешенных вопросах: оценка того, что хорошо, восприятие изменений и решение о том, что следует создать дальше.

Что будут делать люди на работе в следующие десятилетия? Честный ответ: делать то, что мы еще не поняли, как делать. Когда агенты и компании автоматизируют больше работ, которые мы уже знаем, как выполнять, люди будут создавать выдающиеся новые вещи вместе с этим новым интеллектом, решая проблемы, которые раньше были вне их досягаемости.