Как ИИ-компании превращают процессы в операционные возможности

Последний отчет OpenAI Enterprise Signals показывает, что компании переходят от помощи ИИ к выполнению задач с его помощью с кардинально разной скоростью. Передовые компании — верхние 10% по использованию ИИ — теперь генерируют в 8,3 раза больше выходных токенов на активного пользователя, чем типичные компании. В январе разница составляла 2,6 раза. Растущий разрыв указывает на более глубокие операционные изменения: лидеры подключают агентов к корпоративному контексту и инструментам, поручают им более содержательную работу и упрощают повторное выполнение успешных процессов.

Задача руководителей — превратить такую глубину использования в работу, которой люди могут доверять, которую можно измерять и совершенствовать. Руководителям также следует оставлять пространство для экспериментов, в том числе со сценариями, ценность которых не очевидна с первой попытки.

Стартапы Basis⁠(открывается в новом окне), Clay⁠(открывается в новом окне) и Exa Labs⁠(открывается в новом окне) внедрили агентов в адаптацию сотрудников, управление клиентами и развитие экосистемы разработчиков. Их процессы различаются, но последовательность действий показательна: обучить агента стабильному процессу, обеспечить его постоянным контекстом по мере изменения работы, а затем позволить ему превращать возможности в проверенные действия.

Вместе эти примеры показывают, как команды могут встраивать агентов в привычную работу и со временем совершенствовать процесс.

Адаптация новых сотрудников долгое время была обременительной и для работодателей, и для работников. В Basis, которая создает ИИ-агентов для бухгалтерских фирм, адаптация в первый рабочий день теперь занимает 30 минут вместо двух часов, оставляя HR-отделу больше времени на знакомство с культурой и поддержку.

В первый же день сотрудники получают доступ к Codex и специальному корпоративному навыку адаптации — многократно используемому набору инструкций и ресурсов для конкретного рабочего процесса. Codex приветствует их, знакомит с ключевыми понятиями компании и в фоновом режиме настраивает интеграции на их компьютере. Если возникают повторяющиеся вопросы или исключения, HR-отдел может обновить навык до прихода следующей группы новичков.

Basis один раз продемонстрировала процесс адаптации, а затем превратила его в многократно используемый навык с четким условием запуска, известными этапами, доступом к нужным инструментам и ясным определением состояния «готово». Процесс больше не зависит от доступности одного человека, но команда по-прежнему может вмешаться при исключениях или сложных вопросах. Теперь адаптация стала более последовательной, воспроизводимой и удобной для совершенствования, а новые сотрудники сразу получают пример работы с ИИ.

Clay создает самообучающийся механизм роста выручки для команд, занимающихся стратегией вывода на рынок, и сталкивается с типичной проблемой продаж: важный контекст сделки разбросан по записям CRM, электронной почте, Slack, звонкам, презентациям, текстовым сообщениям и беседам с внутренними командами и представителями клиента.

Чтобы поддерживать этот контекст в актуальном состоянии, один из GTM-инженеров Clay опробовал более эффективный подход: постоянную рабочую область и отдельного субагента для каждого клиента. Каждый субагент изучает первоисточники и за ночь обновляет свою папку сделки. Каждое утро координирующий агент обобщает обновления по всем ее клиентам в краткий список приоритетных действий: ответить на оставшийся вопрос клиента, восполнить пробел в закупочном комитете или дать потенциальному клиенту повод возобновить общение.

По данным Clay, этот процесс каждый вечер экономит ей около часа на разборе входящих сообщений. Ежедневные приоритеты помогают ей доводить до конца небольшие действия, совокупный эффект которых проявляется в ходе длительного цикла корпоративных продаж. Подтверждающие данные находятся рядом с каждой рекомендацией, поэтому продавцы могут проверить первоисточники, прежде чем действовать. С учетом действующих прав доступа к клиентским данным компании могли бы распространить этот общий контекст на менеджеров по работе с клиентами, специалистов по развитию бизнеса, инженеров по решениям и руководителей отдела продаж.

Пример Clay показывает, что нужно для масштабирования меняющейся работы: единая структура, подходящая периодичность обновлений, общие подтверждающие данные и человеческое суждение в момент действия.

Exa Labs, создающая инфраструктуру веб-поиска для ИИ-агентов, стремится сделать свой поисковый API доступным везде, где он может пригодиться разработчикам. Команда называет эту цель «Exa повсюду». Раньше для ее достижения командам по взаимодействию с разработчиками и работе с клиентами приходилось отслеживать репозитории и всю экосистему, выявлять перспективные интеграции, собирать контекст и координировать работу между системами. Хотя возможности различались, путь от обнаружения до реализации всегда следовал одной и той же последовательности. Exa превратила эту последовательность в четко определенный процесс для Codex с ясными приоритетами, доступом к необходимым источникам и проверкой человеком перед выпуском любых изменений.

Теперь Codex отслеживает приоритетные возможности интеграции, собирает нужный контекст, создает запросы на включение изменений, запускает тесты и готовит еженедельные сводки на основе таких источников, как Slack и Notion. При необходимости он также может подготовить следующий шаг, включая первоначальный анонс, для проверки командой. Этот процесс превращает обнаруженную возможность в проверенный результат, одновременно сокращая число передач между исследованиями, разработкой и коммуникацией.

Люди по-прежнему решают, какие возможности важны, какие обязательства следует брать на себя Exa и как выстраивать внешние отношения. Тесты и точки проверки делают работу агента видимой до ее выпуска. Результаты тестов и проверка человеком показывают команде, как скорректировать процесс перед следующим запуском. Чем значимее становится работа, тем большую роль в проектировании процесса играют разрешения, доказательства и права принятия решений.

Вместе Basis, Clay и Exa показывают практическое применение закономерностей, которые мы наблюдаем в Enterprise Signals. Basis превращает проверенный процесс в многократно используемый навык. Clay предоставляет агенту контекст и постоянную среду, необходимые для поддержания меняющейся работы в актуальном состоянии. Exa добавляет инструменты, тесты и проверку, чтобы агент мог превратить сигнал в выполнение задачи в заданных границах. Все три компании встраивают совершенствование в рабочий процесс: исключения при адаптации показывают, где нужно доработать навык; новая активность по клиенту и проверка данных менеджером по продажам поддерживают контекст сделки в актуальном состоянии; а тесты и проверка человеком уточняют границы дальнейшего выполнения. Каждая начинает с конкретной задачи и оставляет достаточно пространства для ее проверки. Распределение обязанностей проясняется по мере использования, а зона ответственности расширяется, когда процесс доказывает свою эффективность.

Поскольку разрыв с передовыми компаниями растет, руководителям необходимо давать сотрудникам возможность тестировать значимые рабочие процессы, измерять успех и превращать лучшие эксперименты в воспроизводимые практики.

• Выберите одну значимую область создания ценности. Начните со сквозного рабочего процесса, в котором пересекаются стратегический приоритет, системы, передача задач, механизмы контроля и измеримые результаты. Он должен повторяться достаточно часто, чтобы на нем можно было учиться, и быть достаточно важным, чтобы оправдать переработку.
• Определите результат и способ его измерения. Назначьте ответственного, определите KPI, исходные показатели и ограничения. Оценивайте глубину по выполненным задачам, подключенному контексту и инструментам, исключениям и объему проверки. Оценивайте ценность по длительности цикла, качеству, затратам, выручке или риску. Объем результатов может показать, что люди поручают ИИ больше работы; результаты рабочих процессов показывают, приносит ли это пользу.
• Составьте должностную инструкцию агента. Определите условие запуска работы, ожидаемый результат, необходимый контекст, инструменты, разрешения и то, насколько настойчиво агент должен добиваться завершения. Укажите какие подтверждающие данные он должен предоставить и на каких этапах обязан остановиться для проверки человеком.
• Выстройте вокруг агента систему взаимодействия с людьми. Привлеките к проектированию людей, которые непосредственно работают с этим процессом. Определите ответственных за бизнес-результат, отраслевую логику, доступ и контроль, внедрение и повседневное использование. В стартапах эти обязанности сосредоточены у нескольких человек; по мере масштабирования процесса компаниям необходимо явно распределять права принятия решений.
• Сделайте эксперименты прозрачными и пригодными для повторного использования. Исследование OpenAI показало, что через шесть месяцев после внедрения сотрудники в начале карьеры отправляли на 13 сообщений в неделю больше, чем руководители. Дайте сотрудникам возможность тестировать новые сценарии, а затем фиксируйте процесс и доказательства эффективности и оформляйте их как навыки, плагины или общие рабочие области. Чат, ChatGPT Работа и Codex⁠(открывается в новом окне) поддерживают разные режимы: Чат — для вопросов и быстрого сотрудничества, ChatGPT Работа — для многоэтапной интеллектуальной работы и готовых материалов, а Codex — для технического выполнения.
• Переносите успешную операционную модель дальше. Сохраните сработавшие контекст, разрешения, оценки, точки проверки, ответственных, показатели и средства поддержки, а затем примените их к следующей области создания ценности. Каждый новый эксперимент должен давать следующей команде более надежную отправную точку.