Новая операционная модель

Иллюстрация. Операционная формула: человек, ассистент, skill, source of truth, правила качества и контроль работают как один управляемый контур.

В какой-то момент руководителю нужно перестать спрашивать: “Как нам использовать ИИ?”

Этот вопрос слишком широкий. Он порождает хаотичные ответы: где-то сделать чат-бота, где-то автоматизировать документы, где-

то подключить модель к базе знаний, где-то обучить сотрудников промптам, где-то попробовать агента для разработки.

Все это может быть полезно. Но пока нет общей модели, компания собирает набор разрозненных улучшений.

Правильный вопрос другой:

Как должна быть устроена работа компании, если в каждой

ключевой роли рядом с человеком появляется ассистент?

Этот вопрос меняет масштаб.

ИИ перестает быть отдельным инструментом и становится частью операционной модели.

Операционная модель — это способ, которым компания превращает задачи, людей, знания, решения и системы в результат. В старой модели руководитель проектировал роли, процессы, регламенты, отчеты и информационные системы. В новой модели к этому добавляется еще один слой: ассистенты и агенты, которые работают вместе с людьми.

Но ассистента нельзя просто “поставить рядом” и надеяться, что все само заработает.

Чтобы ИИ стал частью компании, нужно собрать связку:

человек + ассистент + skill + source of truth + правила качества + контроль

Эта формула кажется простой. Но именно в ней находится главный управленческий смысл AI-Native подхода.

В книге я использую два термина, которые лучше оставить в англоязычной форме рядом с русским объяснением.

Skill — это рабочий навык ассистента. Не просто промпт, а описанный способ выполнения задачи: входы, источники, ограничения, порядок работы, формат результата и проверка качества.

Source of truth — источник правды. Это место, откуда ассистент и человек берут актуальные факты: документ, база знаний, CRM,

система задач, хранилище договоров, репозиторий, учетная система или другой официальный источник.

Человек

Начинать нужно не с модели и не с технологии, а с человека в роли.

Кто этот человек?

За какой результат он отвечает?

Какую работу он делает каждую неделю?

Где он принимает решения?

Где он тратит время на поиск информации?

Где чаще всего ошибается?

Какая часть его работы повторяется?

Какая часть требует опыта, вкуса, переговорной позиции, ответственности?

Без ответа на эти вопросы ассистент становится абстрактным. Он

вроде бы “помогает сотруднику”, но непонятно, в чем именно. Поэтому первая единица проектирования — не “функция ИИ”, а усиленная роль.

Например:

не “ассистент для продаж”, а ассистент для менеджера, который готовится к встрече, собирает историю клиента, фиксирует договоренности и готовит следующий шаг;

не “ассистент для разработки”, а ассистент для инженера, который превращает задачу в проверяемое изменение, пишет код, запускает тесты и готовит запрос на внесение изменений;

не “ассистент для закупок”, а ассистент для закупщика, который готовит переговорную позицию, сравнивает предложения, фиксирует обещания поставщика;

не “ассистент для руководителя”, а ассистент для управленческого контура: повестка, решения, риски, статусы, контроль исполнения.

Человек остается владельцем результата.

Это принципиально. Если владелец исчезает, ответственность размазывается между моделью, системой и “так получилось”. В зрелой модели ассистент усиливает роль, но не забирает у человека ответственность за решение там, где решение действительно важно.

Ассистент

Ассистент — это не просто чат.

Чат — только один из возможных интерфейсов. Внутри может быть большая языковая модель, набор инструментов, доступ к документам, память, проверки, маршруты к корпоративным системам и правила безопасности.

Для руководителя важно понимать: ассистент хорош не сам по себе, а в связке с конкретной задачей.

Один и тот же ассистент может:

задавать уточняющие вопросы;

разбирать документ;

готовить черновик;

сравнивать варианты;

проверять результат по правилам;

искать факты в источниках;

писать код;

формировать краткое резюме;

готовить список рисков;

запускать фоновую задачу.

Но если не определить роль ассистента в процессе, он будет делать

все понемногу и ничего достаточно надежно.

В AI-Native модели у ассистента есть место:

где он получает задачу;

какие данные может использовать;

что готовит на выходе;

где обязан остановиться;

где должен попросить человека принять решение;

что должен сохранить в памяти или системе.

Это отличает рабочего ассистента от “умного собеседника”.

Skill

Skill — ключевой элемент модели.

Многие компании начинают с промптов, но промпта недостаточно. Промпт говорит модели, что сделать. Skill говорит компании, как должна выполняться работа.

Skill включает:

описание задачи;

роль, для которой он создан;

входные данные;

допустимые источники;

ограничения;

порядок работы;

критерии хорошего результата;

формат ответа;

правила проверки;

границы самостоятельности ассистента.

Например, skill “подготовить коммерческое предложение” не

должен ограничиваться просьбой “напиши КП”.

Он должен знать:

какой тип клиента;

какая услуга или продукт предлагается;

где взять описание возможностей компании;

какие обещания нельзя давать;

как формулировать эффект для бизнеса;

какие ограничения нужно указать;

где нужна оценка команды;

кто утверждает финальный текст;

куда сохранить результат.

Skill превращает удачный способ работы одного сильного сотрудника в воспроизводимый актив компании.

Это особенно важно для масштабирования. Пока практика живет в голове человека, компания зависит от человека. Когда практика оформлена как skill, ее можно передавать, улучшать, проверять и подключать к разным ассистентам.

Пример skill: подготовка коммерческого предложения

Чтобы skill не оставался абстрактным словом, посмотрим на пример.

Плохой вариант:

Напиши коммерческое предложение для клиента.

Это промпт. Он может сработать один раз, если человек хорошо объяснил контекст. Но компания не может управлять качеством такого результата.

Хороший вариант — описать skill.

Название: Подготовка коммерческого предложения

Для кого:

менеджер по продажам, руководитель направления, аккаунт-менеджер

Задача: подготовить черновик коммерческого предложения по входящему запросу

клиента

Входы: - запрос клиента; - краткое описание компании клиента;

заметки встречи или переписки; - выбранная услуга или продукт;
ограничения по срокам и бюджету, если они известны.

Source of truth: - актуальное описание услуг компании;

шаблон коммерческого предложения; - список типовых ограничений и юридических оговорок;
примеры ранее согласованных предложений; - карточка клиента в CRM, если доступ разрешен.

Что делает ассистент: - выделяет суть запроса;

формулирует бизнес-задачу клиента; - предлагает структуру КП;
подбирает релевантные возможности компании; - готовит черновик текста;
отмечает места, где нужны оценка команды или решение человека.

Правила качества: - не обещать сроки и стоимость без подтверждения; - не добавлять услуги, которых нет в актуальном описании;

явно указывать допущения; - отделять факты от гипотез;
сохранять ссылки на использованные источники.

Граница самостоятельности: ассистент готовит черновик, но не отправляет КП клиенту и не утверждает

коммерческие условия.

Результат: - черновик КП; - список открытых вопросов;

список мест, требующих решения человека; - краткое резюме для руководителя.

Такой skill уже можно обсуждать, проверять, улучшать и передавать другим сотрудникам.

Правила создания skill

Хороший skill создается не от модели, а от работы.

Минимальные правила:

Начинать с роли и результата. Не “skill для ИИ”, а “skill для

менеджера, который готовит КП”.

Описывать входы. Ассистент должен понимать, какие

данные нужны для работы.

Указывать source of truth. Если нет источника правды,

ассистент будет гадать.

Фиксировать ограничения. Что нельзя обещать, читать,

менять, отправлять или утверждать.

Задавать правила качества. Как понять, что результат

хороший.

Определять границу человека. Где ассистент готовит, где

проверяет, а где обязан остановиться.

Сохранять результат и уроки. После выполнения задачи

skill должен улучшаться.

Skill нельзя писать как красивую инструкцию для модели. Его нужно писать как рабочий договор между человеком, ассистентом

и компанией.

Source of truth

Ассистент не должен угадывать.

Это один из главных принципов.

Большая языковая модель умеет красиво продолжать текст, находить связи и предлагать гипотезы. Но если она не знает, где лежит верная информация, она будет опираться на общий контекст, устаревшие данные, случайные документы или догадки.

Source of truth, или источник правды, — это место, где компания хранит актуальное знание для конкретного вопроса.

Для разных областей это могут быть разные системы:

сотрудники и роли — кадровая система или согласованная

таблица;

проекты — система задач и проектная база знаний;

клиенты — CRM и документы по сделкам;

процессы — база регламентов и описаний процессов;

решения — протоколы, архитектурные решения, управленческие записи;

документы — корпоративное хранилище;

код — репозиторий;

финансы — учетная система;

договоры — договорной контур.

Важно не название системы. Важно, чтобы ассистент и человек понимали, где искать правду.

Если source of truth нет, AI-Native проект быстро превращается в

проект наведения порядка. И это нормально. ИИ часто впервые показывает руководителю, что компания живет на неявной памяти людей, а не на управляемом знании.

Но зрелый контур не может строиться только на памяти

сотрудников.

Ассистент должен уметь обращаться к источникам через управляемый слой: MCP, внутренние интеграции, поиск по

документам, базы знаний, карточки задач, CRM, хранилища. При этом доступ должен быть ограничен правами.

Иначе компания получит не умного помощника, а риск утечки и хаоса.

Правила качества

Сильная модель может дать убедительный ответ даже тогда, когда ошибается.

Это делает правила качества обязательными.

В обычной работе качество часто держится на опыте человека. Хороший юрист видит риск. Хороший инженер замечает слабое место. Хороший продавец чувствует, что обещание клиенту слишком смелое. Хороший руководитель понимает, что отчет выглядит красиво, но скрывает проблему.

Когда в процесс входит ассистент, часть проверки нужно сделать явной.

Правила качества отвечают на вопросы:

что считается хорошим результатом;

какие ошибки недопустимы;

какие источники должны быть указаны;

какие поля нужно проверить;

какие выводы требуют подтверждения;

какие действия нельзя выполнять без человека;

какие тесты или проверки нужно запустить;

кто утверждает итог.

Например, для договора правила качества могут требовать проверить реквизиты, сумму, сроки, штрафы, нестандартные

условия, персональные данные, актуальность шаблона и согласование юриста.

Для кода — прохождение тестов, соответствие задаче, отсутствие лишних изменений, понятный запрос на внесение изменений, описание рисков.

Для коммерческого предложения — связь с запросом клиента, отсутствие неподтвержденных обещаний, понятная структура эффекта, проверка стоимости и сроков.

Без правил качества компания начинает доверять красивому тексту. Это опасно.

AI-Native зрелость начинается там, где ассистент не только помогает создавать результат, но и участвует в его проверке.

Контроль человека

Вокруг ИИ часто возникает ложный выбор: либо человек делает все сам, либо агент действует автономно.

На практике зрелая модель устроена тоньше.

Есть действия, которые ассистент может делать сам: структурировать текст, найти повторяющиеся ошибки, подготовить черновик, составить список вопросов, сравнить документы, запустить проверку.

Есть действия, где человек должен проверить результат: коммерческое предложение, договор, анализ риска, кодовое изменение, письмо клиенту, вывод по поставщику.

Есть действия, где решение всегда остается за человеком: юридически значимое действие, финансовое обязательство, изменение прав доступа, отправка важного внешнего сообщения, увольнение, изменение условий сделки, опасная операция в инфраструктуре.

Поэтому контроль человека нужно проектировать заранее.

Не “посмотрим потом”, а сразу:

где ассистент может действовать;

где он готовит;

где он проверяет;

где он обязан остановиться;

кто принимает решение;

как фиксируется утверждение.

Эта модель не тормозит внедрение. Наоборот, она ускоряет его, потому что снижает страх и сопротивление. Люди и служба безопасности охотнее принимают ассистента, если понимают, где его границы.

Операционная модель как набор контуров

AI-Native компания не строится одним большим проектом.

Она собирается из контуров.

Контур — это связка роли, задачи, ассистента, skill, source of truth,

прав, проверки и памяти.

Например:

контур подготовки коммерческого предложения;

контур разбора тендера;

контур подготовки закупщика к переговорам;

контур разработки задачи от описания до запроса на внесение изменений;

контур статуса проекта;

контур ввода нового сотрудника;

контур работы с договором;

контур управленческого обзора.

Каждый контур можно запускать отдельно. У каждого есть владелец, метрики и границы. Из нескольких контуров постепенно собирается новая операционная модель компании.

Это важный практический вывод.

Не нужно начинать с абстрактного “внедрения ИИ во все процессы”. Нужно выбрать первый контур, довести его до результата, измерить эффект, зафиксировать skill, затем перейти к следующему.

Так компания накапливает не хаотичные эксперименты, а новую инфраструктуру работы.

Пример: входящий запрос клиента

Представим компанию, которая получает входящий запрос от клиента.

В старой модели запрос приходит в почту или мессенджер. Менеджер читает, ищет похожие предложения, спрашивает техническую команду, собирает информацию, пишет черновик ответа, пересылает руководителю, ждет комментарии,

возвращается к клиенту. Часть контекста остается в переписке. Часть — в голове менеджера. Часть — в старом КП. Часть — в задаче, если ее вообще создали.

В AI-Native контуре работа выглядит иначе.

Менеджер загружает запрос в ассистента или получает его через согласованный канал.

Ассистент:

выделяет суть запроса;

определяет тип клиента и возможный сценарий;

ищет похожие предложения в источнике истины;

проверяет ограничения и типовые условия;

задает уточняющие вопросы менеджеру;

готовит структуру ответа;

предлагает список внутренних вопросов к команде;

формирует черновик коммерческого предложения;

отмечает места, где нужно решение человека.

Менеджер проверяет, уточняет, принимает решение, отправляет или передает на согласование.

После работы сохраняются:

краткое описание запроса;

использованные источники;

принятые решения;

финальный документ;

замечания для улучшения skill.

Это уже не “ИИ написал письмо”. Это новый рабочий контур обработки входящего спроса.

Что сделать руководителю

Возьмите один процесс, который вы хотите усилить.

Не начинайте с вопроса, какую модель использовать.

Опишите контур по формуле:

человек + ассистент + skill + source of truth + правила качества + контроль

Ответьте письменно:

Кто человек в роли?
За какой результат он отвечает?
Что должен делать ассистент?
Какой skill нужен?
Где source of truth?
Какие правила качества обязательны?
Где решение принимает человек?
Что сохраняется после выполнения задачи?
Какую метрику улучшения мы измерим?

Если ответы получились слишком общими, значит, процесс еще не готов к пилоту. Его нужно сузить.

Например, не “улучшить продажи”, а “ускорить подготовку менеджера к первой встрече по входящему запросу”.

Не “автоматизировать документы”, а “готовить черновик счета и акта по согласованным данным с проверкой реквизитов и суммы”.

Не “помочь разработке”, а “проводить задачу от описания до

запроса на внесение изменений с тестами и проверкой”.

Чем точнее контур, тем быстрее компания увидит эффект.

Вопросы для руководителя

Какие три роли в компании сильнее всего зависят от поиска информации и подготовки документов?

Где у вас уже есть неявные skills сильных сотрудников, которые нужно превратить в общий стандарт?

Какие source of truth в компании действительно актуальны?

Где сотрудники сейчас доверяют памяти и переписке больше, чем системе?

Какие действия ассистент может делать без риска?

Где человек должен оставаться владельцем решения?

Какие правила качества уже существуют, но не описаны явно?

С какого одного контура можно начать в ближайшие 30 дней?

Главная мысль главы

AI-Native компания строится не вокруг модели, а вокруг новой операционной связки.

Человек остается владельцем результата. Ассистент помогает выполнять работу. Skill делает способ работы повторяемым. Source of truth дает факты. Правила качества защищают от красивых ошибок. Контроль человека удерживает ответственность.

Когда эта формула начинает работать в одном контуре, компания получает не демонстрацию ИИ, а новую способность. Когда таких контуров становится много, меняется вся операционная модель.