Думка

Ваші найкращі пілоти AI закріплюють процес, який ви мали намір знищити

mm
Додайте Unite.AI до бажаних джерел у Google

McKinsey опублікував статтю 4 серпня 2026 року про будівництво функції кадрового управління навколо агентів, і в самому початку статті міститься найкорисніша речення, яке хтось написав про корпоративний AI цього кварталу. Описуючи, що відбувається, коли команди будують агентів без плану, автори пишуть, що “кожен необмежений агент затверднює фрагмент старої операційної моделі в коді.”

Вони називають результат пасткою пілота: швидкість на рівні завдання, дрейф на рівні дизайну.

Це речення коштує більше, ніж сама рамка, яку воно вводить, і воно застосовується далеко за межами кадрового управління, до багатьох компаній, які зараз проводять пілотні проекти агентів і не можуть бачити результат, оскільки пілоти працюють.

Пастка – це пілот, який успішно працює

Ось механізм. Спеціаліст з платежів або рекрутер, як зазначається в статті, тепер може налаштувати робочий агент за допомогою інструментів низького коду, платформ побудови за допомогою конфігурації, які ставлять більшість роботи в кліках і написанні інструкцій, а не написанні коду. Не прототип. Робочий, підключений до реальної робочої потоку, який видає реальний результат.

Що означає, що послідовність, яку всі були навчені, починати з малого, потім навчатися, потім розширюватися, вже не є обережним варіантом. McKinsey прямо говорить: інстинкт “починати з малого і навчатися” вже не є консервативним. Коли будь-який спеціаліст може створити агента за післяобіддя, починати з малого відбувається незалежно від того, чи санкціонує це керівництво чи ні.

Варто бути точним щодо того, де стаття закінчується, а екстраполяція починається. Пастка пілота McKinsey в основному є аргументом про марнування зусиль – команди досконалять кроки, які належним чином спроектований дизайн би видалити. Версія нижче – це більш складна, і це моя: марнування зусиль можна відновити, а блокування не є.

Неприйнятні пілоти нічого не коштують. Пілот, який не спрацював, вимикається і забувається, і коштує кілька тижнів. Небезпечні – це ті, які працюють, оскільки робочий агент одразу ж стає важливим. Хтось залежить від нього в бюджетному засіданні. І будь-який процес, який він автоматизував, включаючи всі кроки, які існують тільки через систему, яку ви замінили чотири роки тому, або політику, яку ніхто не читав відтоді, тепер закодований, працює і набагато важче спростовувати, ніж було б, коли він жив у документі.

Це і є пастка. Ви не автоматизували робочий потік. Ви ратифікували його. Що є незручною версією дедалі частішого висновку, що результати AI залежать більше від форми робочого потоку, ніж від інструментів, спрямованих на нього. Якщо робочий потік є змінною, яка має значення, то затверднення поганого потоку є найбільш дорогим, що може зробити успішний пілот.

Число, яке вони поховали

Заголовне число в статті говорить про те, що близько двох третин сучасних діяльності кадрового управління можна повністю автоматизувати або повністю автоматизувати в доставці до 2030 року. Це число буде цитуватися всюди цього тижня, і воно є найменш цікавим у статті.

Цікаве число міститься в графіку розподілу часу. У кінцевому стані, який описує McKinsey, близько 20 відсотків часу людини витрачається на те, що вони називають управлінням агентськими можливостями: конфігурація агентів, написання та перегляд логіки, яку ці агенти виконують, тестування перед випуском, моніторинг їхньої продуктивності та дрейфу, а також виведення їх з ладу, коли робочий потік змінюється. Стаття не визначає дрейф; прочитайте його як повільний ковзання, де вихід агента залишається правдоподібним, але тихо припиняє бути правильним.

П’ята частина людських годин функції витрачається на обслуговування машин. Стаття явно говорить, що це “не категорія округлення”, і вона права. Це той самий надзор за витратами, який постійно з’являється як найбільша прихована вартість у корпоративному AI, тепер дана у відсотках. Але стаття не говорить, чи це 20 відсотків – це перехідна вартість, яка падає, коли практика дозріває, або фактична стаціонарна ціна роботи агентів у масштабі. Це число вирішує, чи є програма агентів скороченням витрат або обміном витрат, і воно відсутнє. Якщо ви моделюєте збереження коштів від автоматизації та не включили рядок для людей, які підтримують автоматизацію, ваша модель неправильна приблизно на п’яту частину команди.

Та сама прогалина з’являється в деталі справи. Одна організація в статті реалізувала 50 випадків використання та “визначила значні щорічні збереження коштів разом із значними покращеннями рівня обслуговування кадрового управління.” Значуще робить багато роботи там. Більше того: стаття попереджає, у абзаці одразу після, що в деяких випадках організації покращують ефективність процесів, які пізніше ліквідуються або поглинаються зовсім іншими робочими потоками. Отже, скільки з тих 50 вижило? Це число б змогло вирішити, чи є шлях зверху вниз швидким шляхом чи дорогим об’їздом, і його немає.

Половина поради, яку може використати нормальна компанія

Рецепт McKinsey полягає в тому, щоб визначити вашу модель взаємодії людини та агента до 2030 року та працювати назад від неї. Визначте пункт призначення, потім послідовність реалізації, інвестиції в можливості, управління.

Стаття чесна щодо того, хто може зробити це. Її власна оргструктура пункту призначення, як вона говорить, вимагає “м’язів управління продуктом, яких більшість функцій кадрового управління сьогодні не мають, достатньо сильної основи даних, щоб запустити графік навичок, і директора з персоналу з реальним мандатом на проектування робочої сили підприємства.” Потім: “менше організацій можуть починати з цього місця.”

Для всіх інших, включаючи багато компаній, які вже мають агентів, що працюють, Північна зірка не є дієвою. Діагноз є. Якщо необмежені агенти закріплюють старий процес, то експозиція, яку ви маєте сьогодні, пропорційна кількості агентів, які вже існують, яких ніхто не схвалив, і ви майже напевно не знаєте цього числа.

Отже, перший крок не є схемою до 2030 року. Це підрахунок.

Визначте, що насправді працює. Не те, що було схвалено. Що існує. Кожна автоматизація, яку хтось створив за допомогою інструменту низького коду, кожна запланована робота, підключена до спільної поштової скриньки, кожен асистент, конфігурований проти реальної системи обліку. Для кожного з них три факти: хто його створив, до чого він може дотикатися, і що ламається, якщо він зупиниться. Цей інвентар займає післяобіддя на кожний відділ, і це єдина версія “управління”, яку компанія без офісу трансформації може виконати в понеділок.

П’ятий питання директора з персоналу в статті – це те, яке потрібно взяти, і це є найострішим з п’яти: які ранні вибори є фундаментальними, які накопичуються з часом, і які можна безпечно скасувати. Сортуйте свій інвентар таким чином. Агенти, які можна безпечно скасувати, – це ваші експерименти, і вам слід проводити більше таких експериментів. Ті, які не можуть бути скасовані, – це ваша архітектура, незалежно від того, чи хтось вирішив це чи ні. Це також корисна поправка до інстинкту, який рухає більшість перших пілотів, який полягає в тому, щоб спрямовувати агентів на найбільш видимий процес, а не тихіший внутрішній процес.

Хто це насправді коштує

Партія, яка програє тут, – це не компанія, яка ніколи не починала. Це компанія, яка два роки займається пілотними проектами і має здорову кількість пілотів та слайд, який показує зростання прийняття.

Кількість пілотів – це метрика, яка здається прогресом і вимірює протилежне. Кожен додатковий пілот, побудований проти поточної системи, підвищує вартість зміни цієї системи пізніше, оскільки тепер є інструменти на заваді та людина, яка володіє ним, і число в слайді, яке говорить, що воно працює. Компанія з десятками робочих агентів не попереду компанії з трьома. Вона більш зобов’язана.

Це і є переосмислення, яке варто взяти з цієї статті. Питання, яке потрібно поставити про вашу програму агентів, – це не те, скільки з них працює чи наскільки вони точні. Це те, скільки вашої поточної операційної моделі вам потрібно буде розмотати, щоб змінити свою думку – і чи хтось може сказати вам це сьогодні.

Алекс Макфарленд - журналіст та письменник з питань штучного інтелекту, який досліджує останні розробки в галузі штучного інтелекту. Він співпрацював з численними стартапами та виданнями з штучного інтелекту у світі.