Виктор Коимбра, технический директор и управляющий партнер Artefact — серия интервью

Виктор Коимбра — технический директор и управляющий партнер Artefact, где он руководит работой в области ИИ, науки о данных и инженерных разработок в странах Северной и Южной Америки. В его карьере сочетаются опыт разработки бизнес-стратегий в Bain и Accenture и практическое руководство созданием систем ИИ и машинного обучения для сложных корпоративных сред. Он помогает организациям связать технические возможности с измеримыми бизнес-результатами, в том числе выстроить архитектуру, управление и операционные модели, необходимые для масштабирования ИИ.

Artefact — международная консалтинговая компания в области данных и ИИ. Она помогает предприятиям разрабатывать стратегии, создавать платформы для работы с данными, внедрять решения на основе ИИ и управлять организационными изменениями. Компания работает в самых разных отраслях, включая финансовые услуги, здравоохранение, производство и розничную торговлю. В преддверии Adopt AI Summit, который пройдет 3–4 декабря 2026 года в Гран-Пале в Париже, Коимбра рассказывает, как предприятиям выйти за рамки пилотных проектов, создавать команды, в которых работают люди и ИИ-агенты, и оценивать ценность ИИ в промышленной эксплуатации.

Вы прошли путь от разработки бизнес-стратегий в Accenture до руководства командами в области ИИ, науки о данных и инженерных разработок в Artefact по всей Америке. Как сочетание стратегического консалтинга и практического технического руководства повлияло на ваш подход к тому, как помогать предприятиям превращать инвестиции в ИИ в измеримые бизнес-результаты?

Этот опыт научил меня всегда связывать стратегию в области ИИ с ее реализацией. Работа над стратегиями в Bain и Accenture показала мне, что руководители высшего звена ожидают изменений в конкретной статье отчета о прибылях и убытках (P&L). Инженерная работа научила меня, что значительная часть этой ценности может теряться между презентацией и промышленной эксплуатацией.

Сегодня ИИ — это уже не столько технологии, сколько создание защитного барьера вокруг основных бизнес-процессов компании. Главный вопрос — как превратить рост индивидуальной продуктивности в ценность для всего предприятия, обеспечив подлинный общий интеллектуальный потенциал всей компании.

Для этого нужны и стратегия, и ее реализация — я многому научился, занимаясь и тем и другим.

Несмотря на значительные инвестиции в искусственный интеллект, многие организации по-прежнему не могут выйти за рамки успешных пилотных проектов. Какие препятствия, по вашему опыту, чаще всего мешают корпоративным инициативам в области ИИ перейти в промышленную эксплуатацию и чем отличаются компании, которым удается успешно масштабировать внедрение?

По моему опыту, многие пилотные проекты заходят в тупик, потому что ИИ внедряют в организации, изначально рассчитанные только на людей. Сама технология обычно работает. Но часто остается нерешенным вопрос о распределении обязанностей: какие задачи поручить агентам, какие оставить людям, кто будет проверять результат и кто за него отвечает.

Кроме того, масштабирование обычно тормозят три фактора: расходы на токены, которые стремительно растут при оплате по мере использования; безопасность и управление; а также внедрение, при котором предоставленный доступ так и не превращается в реальное использование.

Компании, которым удается успешно масштабировать ИИ, воспринимают его внедрение как организационную перестройку. Они разделяют процесс на два цикла. Во внутреннем цикле агенты выполняют весь процесс от начала до конца: пишут код, собирают, тестируют, отправляют и проверяют. Во внешнем цикле люди определяют цель, проверяют результат, следят за затратами и качеством. Затем они создают единую платформу и повторно используют ее для каждого сценария применения.

Вы писали о том, как важно создавать организацию, изначально ориентированную на ИИ, а не просто добавлять чат-боты и интеллектуальных помощников в существующие системы. Какие фундаментальные изменения в архитектуре корпоративных технологий необходимы для такого перехода и в какие направления компании сегодня инвестируют недостаточно?

Компания, изначально ориентированная на ИИ, работает на платформе, которая состоит из четырех уровней: среды, контекста, модели и инфраструктуры. Среда — это полноценное приложение вокруг модели, в котором взаимодействуют и работают люди и агенты. Контекст определяет, что известно агентам и какими полномочиями они располагают. Модель отвечает за доступ к моделям, маршрутизацию запросов и управление ими с учетом затрат. Инфраструктура определяет, где модели фактически работают и у кого находятся ключи доступа.

Естественно, основное внимание уделяется видимым 20% — интеллектуальным помощникам и чат-инструментам. Скрытые 80% — это основная часть инженерной работы, именно здесь определяются затраты, безопасность и контроль.

Мой совет прост: покупайте универсальные среды, а отраслевые создавайте сами. Арендуйте модели и инфраструктуру и экспериментируйте с ними, поскольку они меняются каждый квартал. А контекст полностью держите под своим контролем. Это единственный по-настоящему ваш уровень, и именно в него, на мой взгляд, стоит вкладывать больше всего.

По мере того как ИИ переходит от помощи сотрудникам к самостоятельному выполнению сложных рабочих процессов, как организациям определить, какие процессы подходят для агентной автоматизации? Какие технические и операционные меры защиты необходимо предусмотреть, прежде чем предоставлять ИИ-агентам больше полномочий для принятия решений?

На мой взгляд, агенты особенно хорошо справляются с задачами, обращенными к прошлому, а люди — с теми, что направлены в будущее. Агенты преуспевают в работе, основанной на уже имеющейся информации, — например, в аналитике, программировании, тестировании, документировании и сверке. Люди отвечают за задачи, требующие творчества, а творчество по определению обращено в будущее: это вкус, видение, планирование, принятие решений и оценка того, насколько хорош результат на самом деле.

На практике это соответствует двум циклам. Агенты работают во внутреннем цикле и выполняют задачи. Люди отвечают за внешний цикл: определяют цель, проверяют результат и осуществляют мониторинг.

Меры защиты закладываются в архитектуру, а не задаются промптами. Мы используем 6 уровней инфраструктуры: фиксация задач, память, защищённую рабочую среду с изолированной средой выполнения и системой разрешений, цикл с контрольными точками и уточнениями, маршрутизацию моделей и ограничения, определяющие, что агент не может делать самостоятельно, например требующие одобрения человека, проверки на соответствие политикам и меры защиты персональных данных. Автономность затем растёт по мере накопления опыта — так же, как у нового сотрудника.

Вы описывали ИИ-агентов как членов команды, а не как обычные программные инструменты. Как такой взгляд меняет подход организаций к структуре команд, распределению обязанностей и обучению сотрудников взаимодействию со всё более автономными системами ИИ?

Мы уже живём в эпоху гибридных организаций. Сейчас важнее всего, на мой взгляд, понять, как распределить рабочую силу между людьми и агентами. Считаю, что именно от этого зависит масштабирование.

В гибридной команде организационная структура распределяет когнитивные ресурсы, а не штатные единицы. В зрелой технологической команде, по моим наблюдениям, типичное распределение таково: 15% работы выполняют только люди, 25% — с помощью ИИ, а 60% — агенты. Руководитель ИТ-службы определяет цели, распределяет ресурсы и отвечает за результаты и затраты. Старший разработчик проверяет результаты работы агентов и определяет архитектуру. Агент-координатор распределяет задачи и сообщает о затратах, а агент-рецензент проверяет каждый результат.

Эффект нарастает в 3 этапа. Сотрудники, которым помогает ИИ, работают примерно в 5 раз эффективнее. Агенты, выступающие в роли синтетических сотрудников и выполняющие работу от начала до конца, обеспечивают примерно десятикратный результат. По моему мнению, потенциал роста в 1000 раз появляется, когда люди и агенты работают как единая команда.

Обучение строится по тому же принципу. Люди учатся ставить задачи агенту, как младшему инженеру, предоставляя структурированный контекст и чётко формулируя ожидаемый результат, а своё время посвящать оценке качества, планированию и принятию решений.

Корпоративные системы ИИ в значительной степени зависят от надёжной инфраструктуры данных, однако многие организации по-прежнему сталкиваются с разрозненностью данных, непоследовательным управлением и устаревшими технологиями. Какие базовые возможности следует развивать компаниям, готовя платформы данных к работе с агентным ИИ, и как модернизировать их, не нарушая текущие процессы?

Проектируйте платформу данных с расчётом на нового потребителя — агентов. Если на панели показан неверный показатель, человек усомнится в нём. Агент же начнёт действовать, опираясь на ошибочные данные, причём в больших масштабах.

Сосредоточьтесь на 4 возможностях. Общие бизнес-определения, чтобы все агенты и команды одинаково понимали, что такое «активный клиент». Интеграционный шлюз с аутентификацией и стандартными протоколами, такими как MCP, чтобы агенты получали доступ к данным с разрешениями той роли, от имени которой они действуют. Возможность отслеживать качество и происхождение данных. А также признание неструктурированных данных полноценным активом, поскольку именно в договорах, заявках и заметках со встреч содержится большая часть действительно важной информации.

Чтобы модернизировать системы без сбоев, сначала создайте оболочку для устаревших систем, а затем переносите функциональность по одному варианту использования за раз. Агенты меняют и экономику этого процесса. Конвейеры миграции с несколькими агентами теперь модернизируют сотни тысяч строк устаревшего кода за несколько месяцев, а люди при этом определяют архитектуру.

Помимо доступа к структурированным данным, ИИ-агентам всё чаще необходимо понимать корпоративные знания, бизнес-процессы и организационный контекст. Как компаниям эффективно собирать эти знания и интегрировать их в системы ИИ? Какие риски возникают, когда агенты работают без достаточного понимания контекста бизнеса?

Именно контекст превращает модель в коллегу. Инструменты понимают задачи, агенты — контекст. Вы ведь не попросите младшего инженера работать, не объяснив ему цель, ограничения и критерии хорошего результата. С агентом всё так же.

Собирайте знания непосредственно в ходе работы, а не в рамках масштабных проектов по документированию, которые трудно поддерживать в актуальном состоянии. Каждая встреча, заявка, принятое решение и исправление пополняют контекстный слой, объединяющий файлы, таблицы, векторы и граф связей. После выполнения каждой задачи сведения записываются в память, и организация учится с каждым новым результатом. Контексту также необходима собственная система управления: оценка качества, разрешения и контроль затрат.

Без контекста агенты сталкиваются с несколькими предсказуемыми трудностями. Они следуют письменным правилам, но упускают из виду негласные, известные всем. Они находят не ту информацию и отвечают с полной уверенностью. Они опираются на данные за прошлый квартал. А контекстный слой без строгих ограничений доступа может подвергнуть риску конфиденциальные данные.

Многие компании оценивают успех ИИ по росту производительности, уровню внедрения или количеству запущенных пилотных проектов. Какие показатели следует использовать ИТ-директорам и руководителям бизнеса, чтобы оценить реальную отдачу от инвестиций в ИИ, особенно с учётом затрат на инфраструктуру, постоянного обслуживания и операционной сложности автономных агентов?

Оценивайте работу гибридной команды, а не инструмента. Внедрение — лишь первый из 4 уровней; каждый раз оценку проводят относительно показателей, зафиксированных до внедрения. На уровне внедрения выясняют, пользуются ли сотрудники инструментом. Производительность показывает, быстрее ли выполняется работа: по срокам выполнения, пропускной способности и времени решения задач. Качество показывает, улучшился ли результат: по числу дефектов, дошедших до пользователей, частоте сбоев при изменениях и объёму переделок. Ценность и затраты показывают, оправданы ли вложения: по высвобождённым трудозатратам, срокам выхода на рынок и полной стоимости выполнения задачи.

Один из показателей, который легко упустить из виду, — как когнитивные ресурсы перераспределяются между людьми и агентами в каждой команде. Высвобождённые ресурсы сотрудников необходимо целенаправленно направлять на перспективные задачи. Иначе часть эффекта будет потеряна.

Что касается затрат, вместо фиксированной платы всё чаще применяется оплата по факту использования. Из-за этого расходы сложнее прогнозировать, поэтому маршрутизация моделей и FinOps должны быть частью платформы с первого дня. Относитесь к расходам на ИИ так же, как к расходам на облачные сервисы: они должны быть видны, отнесены на конкретную команду и связаны с получаемой ценностью.

Artefact работает с крупными компаниями в сфере финансовых услуг, здравоохранения, производства, розничной торговли и других отраслях, где внедрение ИИ сопряжено с разными трудностями. Какие уроки дают реальные внедрения в этих отраслях и как организациям сочетать инновации с соблюдением нормативных требований, надежностью и контролем со стороны человека?

Перед всеми отраслями стоит один и тот же вопрос: как распределить работу между людьми и агентами. Различается лишь то, какую часть внешнего контура необходимо оставить за человеком. В розничной торговле и производстве потребительских товаров ошибки обходятся недорого, поэтому агенты быстрее берут на себя большую часть работы. В производстве темп задают надежность и интеграция с операционными системами. В сфере финансовых услуг и здравоохранении каждое решение должно быть объяснимым, поэтому люди дольше сохраняют за собой большую часть задач по проверке и принятию решений.

Мой главный вывод, который подтверждается во всех отраслях: соблюдение нормативных требований работает лучше всего, когда оно заложено в платформу с самого начала. Если защитные механизмы, журналы аудита и согласование со стороны людей встроены в среду выполнения, они автоматически распространяются на каждый новый сценарий использования. Если же о соблюдении требований вспоминают только в конце, каждый новый проект вынужден начинать этот разговор заново.

Контроль должен быть многоуровневым. Агенты самостоятельно выполняют задачи с низким уровнем риска, при среднем уровне риска их проверяют в случае отклонений, а при высоком они лишь готовят решение. По мере укрепления доверия границы этих уровней меняются.

В декабре этого года в Париже пройдет Adopt AI Summit от Artefact, и обсуждение вопросов технологического суверенитета в сфере ИИ, управления и промышленной конкурентоспособности приобретает всё большее значение. Как, по-вашему, европейский подход к внедрению ИИ повлияет на глобальные стратегии крупных компаний и какие изменения, на ваш взгляд, определят следующий этап развития корпоративного ИИ в ближайшие годы?

Европа одной из первых подняла вопрос о технологическом суверенитете, и, на мой взгляд, он становится глобальным принципом проектирования. Международные компании не хотят создавать отдельную архитектуру для каждого регулирования, поэтому проектируют системы с учетом самых строгих требований: сохраняют контроль над собственным контекстом, арендуют модели и контролируют, где они работают и у кого находятся ключи. Следующая возможность для Европы — направить ту же энергию на внедрение, поскольку конкурентоспособность будет зависеть от широкого использования ИИ.

Следующий этап — гибридная организация, и я считаю, что за ней будущее труда. Компании перейдут от подсчета численности персонала к управлению общим когнитивным потенциалом людей и агентов. Агентам достанется большая часть работы, обращенной к прошлому: анализ, написание кода, подготовка отчетности. Люди сосредоточатся на работе, ориентированной на будущее: вкусе, видении, планировании и принятии решений.

Я считаю, что лидерами станут компании, которые первыми найдут оптимальное распределение работы. Именно об этом я хочу поговорить в Париже, чтобы определить дальнейшие направления на ближайшие годы.

Спасибо за интересное интервью! Читатели, желающие узнать больше о внедрении ИИ в крупных компаниях, агентных рабочих процессах и трансформации данных, могут посетить сайт Artefact.