AI-native vs AI-augmented: почему большинство компаний прикручивают мотор к телеге
Руководитель e-commerce на 80 человек рассказывает, как они «внедрили AI». Показывает: менеджеры теперь пишут карточки товаров через ChatGPT, отдел поддержки отвечает на отзывы с помощью промптов, маркетолог делает посты быстрее. Всё это правда. Экономия есть. Люди довольны.
Но оборот не вырос. Количество сотрудников не изменилось. Скорость принятия решений осталась прежней. Потому что ни один процесс не пересобирался. Просто к существующей телеге прикрутили мотор.
Это AI-augmented. И это не плохо. Это честная тактика экономии времени. Просто это совсем не то, о чём говорят, когда произносят «AI-трансформация».
---
Что такое AI-augmented на самом деле
AI-augmented - это когда AI вставлен в процесс как инструмент. Сотрудник работает, AI помогает. Сотрудник пишет письмо, AI его полирует. Сотрудник ищет данные, AI их агрегирует. Сотрудник принимает решение, AI подсказывает варианты.
Процесс при этом остаётся прежним. Логика потока работы - прежней. Структура команды - прежней. Только скорость выросла в 1.5-2 раза на конкретных операциях.
Большинство компаний именно здесь и останавливаются. Потому что это безопасно. Понятно. Быстро внедряется. Даёт видимый результат к следующему квартальному отчёту.
---
Почему лошадь с мотором не едет быстро
Возьмём конкретный пример. Компания торгует на маркетплейсах. 300 SKU. Каждую неделю нужно принимать решения: что закупать, по какой цене, сколько. Раньше это делал закупщик по опыту и Excel. Теперь - тот же закупщик, но с ChatGPT, который помогает формулировать запросы к таблицам.
AI-augmented подход улучшил эту точку. Закупщик тратит меньше времени на подготовку данных. Хорошо.
Но узкое место не изменилось. Решение всё равно принимает один человек. Его пропускная способность - потолок системы. Если завтра он заболеет или уйдёт - закупки встанут. Если ассортимент вырастет до 3000 SKU - нужно нанять ещё троих закупщиков.
AI-native подход к той же задаче выглядит иначе. Не «закупщик с AI-помощником», а «система закупок, где агент анализирует спрос, конкурентов, маржинальность и формирует список решений, а закупщик проверяет исключения и задаёт правила». Решение принимает система. Человек управляет системой.
Разница в том, кто ведёт, а кто контролирует.
---
Четыре слоя AI-native компании
AI-native - это архитектурное решение. Оно требует проектирования с нуля, а не надстройки поверх старого.
Слой данных. AI работает только там, где есть данные. Не «данные лежат в Excel у каждого» - а единый слой, который видят все агенты. Это первый и самый болезненный шаг. Большинство компаний его пропускают и потом удивляются, почему AI не работает.
Слой агентов. Процессы перепроектируются под совместную работу человека и агента. Каждая точка принятия решений разбирается: что делает агент, что делает человек, где нужен контроль, где можно делегировать полностью.
Слой методолога. Агент, который вытаскивает скрытые знания из лучших сотрудников и превращает их в правила для других агентов. Это самый нетривиальный слой. Без него AI-система работает по средним параметрам, а не по лучшим. Сотрудник с опытом 15 лет знает вещи, которые нельзя зафиксировать в инструкции. Методолог умеет их извлекать.
Слой общей памяти. Knowledge graph, который хранит решения, контекст, историю. Люди уходят - знания остаются. Новый сотрудник стартует не с нуля.
Эти четыре слоя работают вместе. Убери один - система деградирует до AI-augmented.
---
Почему большинство выбирает первый путь
Три причины.
Первая - страх. AI-native требует пересобирать процессы. Это значит временный хаос, сопротивление команды, непредсказуемый результат. Легче дать людям ChatGPT и сказать «вот, мы внедрили AI».
Вторая - горизонт планирования. AI-augmented даёт результат через две недели. AI-native - через шесть-восемь месяцев минимум. У большинства руководителей горизонт - следующий квартал.
Третья - непонимание разницы. Когда тебе говорят «внедри AI», ты идёшь в ChatGPT, потому что он очевидный. Никто не объясняет, что это другой класс задачи.
Не потому что плохие менеджеры. Просто AI-native требует иного способа думать о своей компании.
---
Где реально находится граница
Есть простой тест. Спросите себя: если завтра AI-инструменты исчезнут - ваша компания замедлится или встанет?
Если замедлится - вы AI-augmented. Инструменты помогают, но компания работает без них.
Если встанет - вы AI-native. Агенты встроены в операционную логику, без них процессы не функционируют.
Большинство компаний, которые говорят «мы AI-native», на самом деле просто замедлятся. Потому что они добавили инструменты к процессам, а не пересобрали процессы под агентов.
Это не осуждение. Это просто диагностика.
---
С чего начинать
Не с ChatGPT. Не с выбором платформы. Не с командой «внедрите AI во все процессы».
Начинать с одного процесса, где есть чёткие входные данные и измеримый результат. Разобрать его полностью: какие решения принимаются, кто их принимает, по каким критериям, что происходит в нестандартных случаях. Спроектировать этот процесс заново - где агент, где человек, где граница между ними.
Запустить. Посмотреть что ломается. Починить правила. Повторить.
После первого работающего процесса второй строится быстрее. Третий - ещё быстрее. Потому что появляется понимание архитектуры. Инструменты уже есть - появляется способ ими пользоваться.
Это не быстро. Шесть-восемь месяцев до первого устойчивого результата - реалистичная оценка. Но компания, которая прошла этот путь, работает в другой логике. Не «как сделать то же самое быстрее», а «что можно делать, чего раньше физически не было возможно».
---
Метафора «лошадь с мотором» точная, но она немного добрая. Лошадь с мотором всё-таки едет. Проблема в другом: пока вы устанавливаете мотор на лошадь, конкурент строит автомобиль. И через три года у вас быстрая лошадь, у него - другой класс транспорта.
Выбор не «внедрять AI или нет». Выбор - с какого конца начинать.