Почему AI не заменит всю команду: новая модель бизнеса

Время чтения: 12 минут

История «я заменил всю команду нейросетями» продаётся без усилий. В ней есть понятный герой — уставший руководитель, понятный враг — зарплаты, планёрки и человеческий фактор, и простое решение — один предприниматель с ноутбуком. Такая конструкция особенно убедительна сейчас, когда текст, изображение, таблицу или черновик рекламной кампании действительно можно получить за минуты.

Но скорость одной операции нельзя автоматически переводить в вывод о ненужности всей роли. Компания покупает у сотрудника не только набор файлов. Она покупает понимание ситуации, способность заметить противоречие, договориться с другими функциями, выбрать вариант и отвечать за результат. Если убрать людей до того, как описаны эти функции, бизнес не становится AI-native. Он становится зависимым от собственника и непрозрачного набора инструментов.

AI обесценивает производство первого черновика. Одновременно он повышает цену критериев, контекста и ответственности за финальное решение.

Почему идея «уволить всех» выглядит убедительно

У этого обещания есть реальная основа. Генеративные модели ускоряют подготовку контента, классификацию обращений, первичный анализ данных и поиск вариантов. В полевом исследовании 5 172 операторов клиентской поддержки доступ к AI-подсказкам увеличил число решённых обращений в час в среднем на 15%. При этом начинающие специалисты получили больший эффект, а у самых опытных улучшение было небольшим и местами сопровождалось снижением качества. Иными словами, инструмент не добавил всем одинаковую производительность и не сделал роль оператора ненужной.

Есть и обратные результаты. В эксперименте METR опытные open-source разработчики на задачах в знакомых репозиториях в первой половине 2025 года работали с AI в среднем медленнее. В феврале 2026 года исследователи сообщили, что более новые инструменты, вероятно, уже ускоряют часть работы, но признали данные недостаточно надёжными для точной оценки. Этот пример важен не как спор «AI полезен или бесполезен», а как напоминание: эффект зависит от задачи, опыта, качества контекста и способа измерения.

Поэтому кейс соло-предпринимателя может быть честным на его масштабе. Небольшой продукт, ограниченная линейка, одна аудитория и низкая цена ошибки действительно позволяют одному человеку управлять большим количеством автоматизированных операций. Ошибка начинается там, где локальный формат объявляют универсальной моделью для компании с несколькими продуктами, каналами, командами продаж, юридическими рисками и большим объёмом клиентских данных.

AI автоматизирует задачи, а не должности целиком

Должность — это пакет разных задач. У маркетолога внутри одной недели могут быть сбор данных, интерпретация отчёта, постановка гипотезы, переговоры с продажами, подготовка брифа, контроль подрядчика и защита бюджета. Часть операций хорошо описывается правилами, часть требует контекста и доверия, а часть связана с ответственностью перед собственником.

Именно поэтому Международная организация труда оценивает воздействие GenAI через задачи. По индексу ILO 2025 года примерно каждый четвёртый работник занят в профессии с некоторой экспозицией к генеративному AI, но только 3,3% мировой занятости относятся к самой высокой категории. Авторы считают трансформацию ролей более вероятным сценарием, чем полную замену: большинство профессий включает работу, для которой всё ещё нужен человеческий вклад.

Похожие различия видны в данных Anthropic. В отчёте за июнь 2026 года исследователи отдельно разводят теоретическую способность модели выполнить задачу, наблюдаемое использование и фактический результат. Люди часто оценивают возможности AI выше, чем показывает наблюдаемая практика. Опытные специалисты также ниже оценивают долю своих задач, которые можно передать модели: они чаще указывают на неявный контекст, профессиональное суждение, доверие и управление людьми.

Это не доказательство вечной незаменимости человека. Возможности моделей будут расти. Но для управленческого решения сегодня важно текущее состояние процесса, а не обещание следующей версии. Полезнее составить карту задач и для каждой определить: входные данные, цену ошибки, стандарт результата, допустимую автономность и ответственного.

Куда переезжает узкое место

Когда производство становится дешёвым, дефицит не исчезает — он меняет адрес. Раньше команда не успевала подготовить десять вариантов оффера. Теперь модель может сделать сотни. Но бизнесу всё ещё нужно понять, какой вариант соответствует позиционированию, какой обещает невозможное, какой разрушает маржу и какой стоит проверять рекламным бюджетом.

Поэтому узкое место перемещается с генерации на четыре уровня:

• Критерии. Кто определяет, что считается хорошим результатом и как он связан с KPI?
• Контекст. Есть ли у AI доступ к продукту, CRM, аналитике, ограничениям и голосу бренда?
• Проверка. Кто валидирует факты, расчёты, юридические риски и влияние на клиента?
• Ответственность. Кто принимает финальное решение и отвечает за его экономические последствия?

Эту границу хорошо показывает проблема последней мили AI: универсальная модель умеет многое, но не знает конкретный бизнес, пока её не связали с данными, правилами и процессами. А опыт внедрения AI в юридические процессы показывает разницу между отдельным пилотом и real leverage — системой, где меняется сам workflow.

Если AI создаёт в десять раз больше вариантов, компании нужен не в десять раз меньший штат, а более сильная система отбора.

Как меняется модель команды

Новая команда может стать компактнее, но её нельзя описывать формулой «один человек плюс ChatGPT». Скорее это группа владельцев процессов, каждый из которых управляет своим AI-контуром. Аналитик отвечает не за ручную сборку таблицы, а за качество данных и интерпретацию. Редактор — не за первый черновик, а за голос бренда, факты и смысл. Performance-маркетолог — не за перенос ставок, а за модель сигналов, бюджет и экономику эксперимента.

В статье о том, как пять AI-агентов меняют отдел маркетинга, я показывала важное различие: агенты способны заменить последовательность ручных передач внутри процесса, но не отменяют стратегию, доступы, критерии качества и владельца результата. Для такой архитектуры появляется отдельная роль — оператор AI-агентов, который проектирует цепочки и обеспечивает результат, а не просто пишет промпты.

Это соответствует логике Post-AI Normality: сам факт использования AI перестаёт быть преимуществом. Преимущество появляется там, где компания быстрее учится, лучше сохраняет контекст и принимает более точные решения.

Что проверить в цифрах до сокращений

Сокращение роли нельзя обосновывать демонстрацией удачного промпта. Сначала нужен baseline: сколько времени занимает процесс, сколько в нём передач, какова доля брака, сколько стоят исправления и как результат влияет на выручку. Затем проводится ограниченный пилот на сопоставимой выборке.

Я рекомендую считать не только часы, но и полную экономику процесса:

1. время специалиста на постановку задачи, проверку и доработку;
2. стоимость моделей, интеграций, хранения данных и сопровождения;
3. долю результатов, принятых без существенной переделки;
4. стоимость ошибки, включая потерянные лиды, возвраты и репутационные риски;
5. влияние на бизнес-метрику: CPL, конверсию, DRR, средний чек или LTV.

NIST в AI Risk Management Framework отдельно рекомендует заранее распределять роли и ответственность в конфигурации «человек — AI», вести тестирование и управлять рисками на всём жизненном цикле системы. Для бизнеса это означает простое правило: автоматизировать можно действие, но владельца риска у процесса всё равно нужно назначить.

План перестройки на 30 дней

Неделя 1. Разобрать работу на задачи

Выберите один дорогой повторяемый процесс. Зафиксируйте все шаги, участников, входы, выходы, сроки и ошибки. Не начинайте с выбора сервиса. Начинайте с вопроса, где возникает задержка и сколько она стоит.

Неделя 2. Назначить уровни автономности

Разделите задачи на четыре категории: AI предлагает; AI готовит черновик; AI выполняет с выборочной проверкой; AI выполняет автоматически в заданных границах. Чем выше цена ошибки, тем жёстче контроль и журналирование.

Неделя 3. Провести пилот

Сравните новый процесс со старым по времени, качеству и экономике. Обязательно считайте скрытую работу: подготовку контекста, исправление выдачи, согласования и техническую поддержку. Не меняйте штат по итогам одной удачной недели.

Неделя 4. Перепроектировать роли

Уберите ручные передачи, объедините близкие функции, назначьте владельцев AI-контуров и сформируйте программу обучения. Решение может привести к сокращению части нагрузки или отдельных позиций. Но оно будет следствием новой архитектуры, а не веры в универсальную кнопку.

Чек-лист для маркетологов и предпринимателей

1. Опишите один процесс от входного сигнала до бизнес-результата.
2. Разделите должности на задачи и отметьте повторяемые операции.
3. Зафиксируйте baseline по времени, качеству, стоимости и KPI.
4. Назначьте критерии приёмки и владельца финального решения.
5. Проведите пилот на ограниченной выборке и посчитайте полную экономику.
6. Обучите сотрудников управлять AI-контекстом, агентами и проверкой.
7. Масштабируйте только тот сценарий, который улучшил бизнес-метрику.