Приложение I. Чек-лист: является ли ваша компания AI-Native

Чек-лист: является ли ваша компания AI-Native

Этот чек-лист помогает оценить не отдельный пилот, а зрелость компании в целом.

Важно: компания не становится AI-Native потому, что сотрудники пользуются ChatGPT, Claude, DeepSeek или другой LLM.

AI-Native компания — это компания, где ИИ встроен в роли, процессы, source of truth, skills, права, память, качество и управление.

Используйте шкалу:

0 — нет

1 — частично 2 — да, работает системно

1. Стратегия и управленческая позиция

Вопрос Оценка Комментарий

Руководство понимает AI-Native как новую операционную модель, а не как набор инструментов

Есть понятная цель внедрения: скорость, качество, пропускная способность, снижение потерь, бизнес-эффект

Выбраны приоритетные контуры, а не абстрактное “внедрить ИИ везде”

Есть владелец AI-Native перехода на уровне руководства

Руководители регулярно смотрят на метрики эффекта

Компания готова менять роли и процессы, а не только покупать подписки

2. Роли и новая работа сотрудников

Вопрос Оценка Комментарий

Для ключевых ролей описано, как человек работает с ассистентом

Понятно, что делает человек, а что делает ассистент

Есть владельцы усиленных ролей

Сотрудники умеют работать в режимах Delegate / Review / Act

Ответственность за результат не размывается фразой “это сделал ИИ”

Сильные сотрудники начинают становиться владельцами агентных контуров

3. Skills

Вопрос Оценка Комментарий

У компании есть библиотека skills

Skills описывают рабочие протоколы, а не просто промпты

У каждого важного skill есть владелец

У skills есть версии и история изменений

Skills проверяются на реальных задачах

У skills есть правила качества и остановки

Сотрудники могут предлагать новые skills через понятный процесс

Устаревшие skills удаляются или помечаются как устаревшие

Skills хранятся в Git или другом управляемом репозитории с историей изменений

Новые skills проходят PR/MR или эквивалентный review-процесс

Назначен skill master или аналогичная роль, отвечающая за здоровье библиотеки

4. Source of truth

Вопрос Оценка Комментарий

Компания знает, где живет актуальная правда по людям, ролям, проектам, клиентам, процессам и документам

У ключевых источников есть владельцы

Ассистенты получают данные из source of truth, а не из случайных файлов

Есть правила при конфликте источников

Решения фиксируются в устойчивом месте, а не теряются в переписке

Шаблоны документов актуальны и имеют владельцев

Source of truth обновляется как часть процесса, а не вручную “когда вспомнили”

5. Архитектура и MCP

Вопрос Оценка Комментарий

У компании есть управляемый слой подключения ассистентов к системам

Корпоративные системы подключаются через MCP или аналогичный контролируемый шлюз

Агенты не получают прямые личные токены к системам без контроля

Поддерживается пользовательская авторизация

Можно различать действия чтения, подготовки, проверки и записи

Есть журнал вызовов инструментов и действий агентов

Архитектура может работать во внешнем облаке или закрытом контуре при необходимости

6. Права, безопасность и приватность

Вопрос Оценка Комментарий

Права ассистента не шире прав пользователя

Есть классификация данных по чувствительности

Чувствительные данные очищаются до передачи в LLM

Опасные действия требуют подтверждения человека

Секреты, токены и пароли не хранятся в инструкциях, промптах и локальных файлах

Есть аудит действий ассистентов и агентов

Понятно, какие сценарии требуют закрытого контура

Есть владелец правил доступа и безопасности AI-Native контура

7. Память компании

Вопрос Оценка Комментарий

Компания различает короткую, среднюю и длинную память

Память не заменяет source of truth

У записей памяти есть источник или основание

Память уважает права доступа

Есть правила, что можно и нельзя сохранять

У памяти есть срок актуальности или правило пересмотра

Выводы из проектов превращаются в skills, шаблоны или решения

8. Качество и evals

Вопрос Оценка Комментарий

Для важных skills есть чек-листы качества

Есть примеры хорошего результата

Ошибки ассистента фиксируются и превращаются в улучшения

Для критичных skills есть тестовые сценарии или evals

Результаты ассистента проходят review там, где есть риск

Компания различает “красивый ответ” и “качественный результат”

9. Автономные агенты

Вопрос Оценка Комментарий

Есть автономные агенты для фоновых задач

У каждого агента есть владелец

У каждого агента есть цель, расписание или триггер

У каждого агента есть разрешенные источники и действия

У каждого агента есть правило остановки

Агент не выполняет опасные действия без подтверждения

Результаты автономных агентов попадают в рабочие системы или source of truth

10. Метрики и экономика

Вопрос Оценка Комментарий

Компания измеряет не только использование ИИ, но и изменение работы

Есть метрики скорости

Есть метрики качества

Есть метрики снижения потерь

Есть метрики принятия командой

Есть оценка бизнес-эффекта

Учитывается стоимость моделей, инфраструктуры и поддержки skills

По метрикам принимаются решения о масштабировании

11. Ритм улучшения

Вопрос Оценка Комментарий

Есть регулярный обзор AI-Native контуров

Skills обновляются по обратной связи

Source of truth улучшается по результатам работы ассистентов

Ошибки не скрываются, а используются для обучения системы

Есть backlog улучшений

Успешные практики переносятся между командами

Устаревшие практики удаляются

12. Культура и сдвиг мышления

Вопрос Оценка Комментарий

Сотрудники понимают, зачем им ассистент в работе

Люди не воспринимают ИИ только как угрозу или игрушку

Руководители объясняют изменение ролей честно

Ошибки ассистента обсуждаются спокойно и предметно

Сотрудники учатся ставить задачи, проверять результат и улучшать skills

В компании появляется язык новой работы

Сдвиг мышления происходит не только у одиночек, а у команд

Подсчет результата

Максимум: 174 балла.

0-35 баллов Компания пока экспериментирует с ИИ-инструментами. Есть интерес, но нет AI-Native операционной модели.

36-75 баллов

Есть первые практики и отдельные сильные пользователи. Нужно переводить личный опыт в skills, роли и source of truth.

76-120 баллов

Компания находится в переходе к AI-Native. Есть первые контуры, но еще нужно укреплять права, качество, память и масштабирование.

121-155 баллов Компания уже имеет зрелые AI-Native элементы.

Можно развивать автономных агентов, операционное ядро и системное обучение.

156-174 балла Компания близка к AI-Native operating model.

ИИ встроен не в отдельные инструменты, а в способ работы, управления и развития.

Диагноз по слабым разделам

Если низкие баллы в стратегии:

Нет управленческого фокуса. Начните с выбора первых контуров и владельца перехода.

Если низкие баллы в ролях:

ИИ добавлен к старой работе, но роли не перестроены. Опишите усиленные роли.

Если низкие баллы в skills:

У компании есть промпты, но нет переносимых рабочих протоколов. Начните библиотеку skills.

Если низкие баллы в source of truth:

Ассистенты будут угадывать. Сначала закрепите официальные источники.

Если низкие баллы в правах:

Масштабирование опасно. Нужны авторизация, scopes, аудит и правила доступа.

Если низкие баллы в памяти:

Компания теряет опыт. Нужны правила короткой, средней и длинной памяти.

Если низкие баллы в метриках:

Непонятно, есть ли эффект. Сделайте исходный замер и метрики по контурам.

Если низкие баллы в культуре:

Люди не прошли через сдвиг мышления. Нужны обучение, безопасные первые сценарии и честное объяснение

изменения ролей.

Главный вопрос

После заполнения чек-листа задайте себе один вопрос:

Если завтра у компании забрать все личные чаты с ИИ, останется ли у нас новый способ работы?

Если ответ “нет”, компания еще не AI-Native.

Если останутся роли, skills, source of truth, MCP-шлюз, правила качества, память, метрики и владельцы контуров — значит переход уже начался всерьез.