Почему люди стали продуктивнее, а компании — нет. Разбор статьи a16z

Привет! Меня зовут Саша Журавлев. Я основатель и управляющий партнер фонда Mento VC. Мы инвестируем в технологические компании на ранних стадиях в США, Великобритании и Израиле.

Недавно Andreessen Horowitz (a16z) опубликовали материал, который точно описывает то, что сейчас происходит с AI в компаниях.

AI уже заметно повышает продуктивность отдельных людей: аналитик, который раньше тратил день на финансовую модель или ресерч, делает это за час, разработчик закрывает за неделю то, на что раньше уходил месяц. Мы видим это и внутри команды — автоматизируем процессы, сокращаем время на рутину и за счет этого делаем больше полезного.

Но на уровне компаний картина выглядит иначе. Производительность отдельных сотрудников растет, но это почти не конвертируется в сопоставимый рост бизнес-результатов.

Возникает вопрос: где теряется эта продуктивность?

В материале есть формулировка, которая точно это объясняет: мы поменяли мотор, но не перестроили фабрику. AI усилил отдельных людей, но не изменил саму систему — поэтому результат на уровне бизнеса остается ограниченным.

Ниже — разбор семи факторов, которые на практике определяют разницу между индивидуальным и институциональным AI. Именно они будут определять, как будет устроен следующий этап в B2B AI.

Содержание

Вступление

1. Координация: почему индивидуальный AI без общего управления приводит к хаосу внутри организаций
2. Сигнал: как находить ценность в растущем объеме AI-генерируемой информации
3. Предвзятость: почему AI склонен соглашаться с пользователем и как это влияет на решения
4. Преимущество: где возникает реальное конкурентное преимущество и почему специализация важнее универсальности
5. Результаты: разница между экономией времени и ростом выручки
6. Внедрение: почему технология не работает без изменения процессов и управления
7. Без промптов: как AI переходит от реактивной модели к проактивной

Итог

Вступление

Чтобы понять, что сейчас происходит с AI, полезно посмотреть на похожий момент в истории. В конце XIX века электричество обещало резкий рост производительности, и фабрики, построенные под паровые двигатели, начали заменять их на электромоторы. Технология была очевидно лучше — дешевле, гибче, эффективнее, — но в течение десятилетий это почти не влияло на результат, потому что организация производства оставалась прежней.

Только когда фабрики полностью перестроили процессы — от конвейеров до распределения ролей между людьми и машинами — электричество начало давать реальный эффект. Рост появился не от самой технологии, а от того, что ее встроили в новую систему. Это один из самых дорогих уроков в истории технологий, и сейчас он повторяется.

Сегодня AI действительно повышает продуктивность отдельных людей, но продуктивные люди не равны продуктивной организации. В большинстве случаев AI ускоряет отдельные задачи, создавая ощущение прогресса, но слабо влияет на итоговый результат бизнеса, потому что мы внедряем новую технологию в старую структуру: меняются инструменты, но не меняется сама логика работы.

Поэтому ключевое изменение происходит не на уровне интерфейсов или отдельных продуктов, а на уровне системы в целом. Продуктивные организации требуют институционального интеллекта. Ниже — разбор семи факторов, которые определяют эту разницу и вокруг которых будет строиться следующий этап развития B2B AI.

Координация

Индивидуальный AI создаёт хаос. Институциональный AI создаёт координацию.

Представьте, что вы удвоили команду, добавив копии своих лучших сотрудников. У каждого из них будут свои привычки, подходы и способы принимать решения — даже если это сильные люди. Если между ними нет четких ролей, зон ответственности и выстроенной коммуникации, система начинает распадаться.

На уровне отдельных людей продуктивность может расти, но на уровне организации возникает рассинхронизация: люди или агенты двигаются в разные стороны и перестают усиливать друг друга.

Это уже происходит на практике. В компаниях, где AI внедряется без слоя координации, у каждого сотрудника складывается свой способ работы с инструментами: свои промпты, свои форматы результатов, свои процессы.

Формально структура компании может оставаться прежней, но реальный поток работы начинает жить по другим правилам. В результате организация выглядит более продуктивной, но работает менее согласованно.

Поэтому координация становится базовым требованием — как для людей, так и для AI-агентов. Вокруг этой задачи начинает формироваться отдельный слой — Agentic Management. Это системы, которые задают роли и ответственность агентов, управляют их взаимодействием и позволяют собирать работу в единую систему.

При этом привычные метрики здесь работают хуже. Когда ценность создается на уровне всей системы, ее сложно корректно измерить через отдельные действия или объем использования — требуются другие способы оценки.

Сигнал

Индивидуальный AI создает шум. Институциональный AI находит сигнал.

Сегодня с помощью AI можно создавать практически любой тип контента: тексты, презентации, таблицы, изображения, видео или код. Это уже стало нормой и само по себе дает сильное ускорение. Проблема в другом — большая часть сгенерированного не создает ценности, и по мере роста объемов это начинает мешать, а не помогать.

Мы видим это и на практике. Внутри команды мы активно используем AI, но для финальных материалов почти всегда требуется ручная проверка и отбор. Генерация ускорилась, но качество по умолчанию не гарантировано, и без фильтра итог редко можно использовать в работе.

Хорошая иллюстрация — венчурный рынок. Раньше за квартал к вам могло прийти около десяти сделок, сегодня — в разы больше, и почти каждая из них выглядит проработанной благодаря AI. При этом времени на анализ больше не стало. В результате возникает простой сдвиг: генерировать стало легко, выбирать стало сложнее. И именно здесь появляется ключевая задача — найти один действительно ценный сигнал в постоянно растущем потоке информации.

На уровне отдельных пользователей формируется разрыв: объем AI-контента растет быстрее, чем способность человека его обработать. Институциональный AI появляется как способ закрыть этот разрыв — он не просто генерирует, а фильтрует, структурирует и приоритизирует информацию, превращая поток данных в управляемую систему.

Это меняет и сам подход к работе. Индивидуальный AI часто используется как инструмент постоянной генерации, где агент пробует разные варианты и двигается через перебор. Институциональный AI, наоборот, строится на предсказуемости: он работает через процессы, шаги и контрольные точки, которые позволяют системно извлекать сигнал и масштабировать результат.

В продукте это выглядит как переход от отдельных ответов к системе. Вместо разрозненных output’ов появляется логика, которая собирает данные, структурирует их и выдает приоритизированный результат — например, анализирует тысячи документов, извлекает ключевые метрики, выделяет риски и формирует итоговую оценку. AI здесь не просто ищет информацию, а превращает ее в решение.

Предвзятость

Индивидуальный AI усиливает предвзятость. Институциональный AI создает объективность

Долгое время основной проблемой AI считалась социополитическая предвзятость. В ответ на это лаборатории начали активно использовать RLHF (reinforcement learning from human feedback) — подход, при котором модели дообучаются на оценках людей и учатся отвечать «правильно» с точки зрения ожидаемой реакции. В результате поведение моделей стало заметно более выровненным: сегодня ChatGPT, Claude и другие системы склонны соглашаться с пользователем в большинстве ситуаций, оставаясь в рамках допустимого дискурса.

Формально это снизило риски грубой предвзятости. Но на практике возникла новая, менее очевидная проблема — избыточное согласие. Модели слишком часто подтверждают точку зрения пользователя, независимо от ее качества. Рефлекторное «вы правы» стало почти стандартным поведением, и хотя это выглядит безобидно, на уровне организаций такой эффект начинает искажать процессы принятия решений.

Проблема в том, что такие системы усиливают не истину, а уверенность пользователя. И чем слабее исходная гипотеза, тем заметнее может быть этот эффект. Внутри компаний это приводит к накоплению искажений: сотрудники начинают получать постоянное подтверждение своих идей и постепенно теряют необходимость их перепроверять.

Со временем это становится системной проблемой. Разные части организации начинают расходиться в интерпретации реальности, потому что каждая опирается на «своего» ассистента, который поддерживает ее точку зрения.

Именно против этого на протяжении всей истории и строились институты. Инвестиционные комитеты, независимый due diligence (проверка гипотез и рисков сторонней командой), советы директоров — все эти механизмы нужны для того, чтобы оспаривать решения, вскрывать слабые места и приводить разные позиции к более объективному результату.

Институциональный AI должен выполнять ту же функцию. Он не должен быть инструментом, который подтверждает любую гипотезу. Его задача — проверять логику, выявлять риски и задавать единый стандарт принятия решений.

Это меняет саму роль AI внутри организации. Он перестает быть только инструментом ускорения и становится системой, которая ограничивает ошибки и выравнивает качество решений на уровне всей компании.

Отсюда появляются и новые классы применения: AI как часть инвестиционного комитета, AI-аудиторы, AI-системы комплаенса — то есть решения, встроенные в процессы контроля и принятия решений. Если индивидуальный AI усиливает пользователя, то институциональный AI должен усиливать правду.

Преимущество

Индивидуальный AI оптимизирует под удобство использования. Институциональный AI — под реальное преимущество.

Возможности фундаментальных моделей меняются очень быстро — иногда каждую неделю. Компании, которые их разрабатывают, постоянно улучшают качество, расширяют функциональность и конкурируют за пользователей, поэтому на первый взгляд может казаться, что именно они и будут определять рынок.

На практике картина чуть сложнее. В прикладных задачах преимущество чаще возникает не за счет универсальности, а за счет специализации. Универсальные модели стремятся быть достаточно хорошими во всем, тогда как специализированные решения фокусируются на конкретном домене и со временем начинают давать более сильный результат именно там. Поэтому у разных слоев формируется своя роль: одни системы лучше работают с изображениями, другие — с голосом, третьи — с клиентским сервисом или аналитикой.

По мере развития базовых моделей этот разрыв не исчезает. Напротив, реальное преимущество формируется там, где есть узкий фокус и глубокая интеграция в конкретный процесс. Универсальная технология задает базовый уровень, но именно прикладные решения превращают его в результат.

Это особенно заметно в финансах — одной из самых конкурентных областей для применения AI. Как только возможность становится массовой, она перестает давать преимущество: если инструмент есть у всех, он не дает edge. В то же время даже небольшое, но уникальное улучшение может иметь непропорционально большой эффект, и локальное преимущество в несколько процентов может масштабироваться в значимые финансовые результаты.

Это хорошо видно на сравнении двух траекторий. С одной стороны — фундаментальные модели, которые задают общий уровень возможностей. С другой — институциональные решения, которые строятся поверх них и адаптируются под конкретный домен. Именно этот дополнительный слой и создает устойчивый разрыв — тот самый edge.

Похожая логика работает и с контекстом. По мере роста возможностей моделей растут и их ограничения: объем данных, с которым они могут работать напрямую, остается конечным. Институциональные решения обходят это ограничение, добавляя внешний слой — структурирование данных, дополнительные системы и процессы. В результате они регулярно оказываются на шаг впереди базовой технологии.

Отсюда возникает простой способ проверить любое AI-решение: если представить, что у вас есть доступ к максимально сильной модели, какие инструменты вы все равно продолжили бы использовать? Как правило, это будут специализированные системы, потому что именно они дают прикладное преимущество.

Универсальная модель задает базу, но преимущество возникает там, где технология глубоко встроена в конкретный процесс. Именно такие решения и будут определять победителей, тогда как остальные используют одинаковые возможности и конкурируют без устойчивого преимущества.

Результаты

Индивидуальный AI экономит время. Институциональный AI масштабирует выручку

Если спросить CEO, что важнее — сокращение затрат или рост выручки, почти все выберут второе. При этом большинство AI-продуктов сегодня решают именно задачу оптимизации: экономят время, повышают эффективность и сокращают расходы. Это полезно, но ограничено — экономия сама по себе не создает рост.

Институциональный AI работает иначе. Его задача — не только ускорять процессы, но и создавать дополнительную выручку, а это принципиально более сложная задача. Экономию легко упаковать в продукт, а вот upside требует более глубокой интеграции в бизнес.

Это хорошо видно на примере разработки. Современные AI-инструменты помогают писать код быстрее и делают разработчика продуктивнее, но по мере развития моделей их функции постепенно становятся частью базового слоя. В то же время компании, которые встраивают AI в сам процесс разработки, продают уже не инструмент, а результат — они монетизируют не скорость, а конечную ценность.

Та же логика работает в M&A. Индивидуальный AI помогает быстрее анализировать сделки, но не влияет на выбор лучшей из них. Институциональный AI, наоборот, определяет, какие возможности стоит преследовать, и масштабирует этот процесс. Один подход экономит время, другой влияет на выручку.

Разница отражается и на уровне архитектуры. В индивидуальном AI ценность сосредоточена на уровне приложений, но по мере развития технологий этот слой постепенно размывается фундаментальными моделями. В институциональном AI ценность смещается выше — туда, где система встроена в бизнес-процесс и влияет на результат. Именно на этом уровне появляется долгосрочная ценность.

Внедрение

Индивидуальный AI дает инструмент. Институциональный AI показывает, как его использовать.

Люди не любят меняться, даже когда понимают, что теряют деньги. С AI происходит то же самое: часть сотрудников и компаний будет откладывать внедрение, несмотря на очевидную выгоду. Поэтому ключевой вызов — не в технологии, а во внедрении. Переход к AI-first модели становится управленческой задачей, и чаще всего именно верхние уровни организации замедляют этот процесс.

Индивидуальный AI распространяется снизу вверх: его начинают использовать отдельные сотрудники, но он редко доходит до уровня принятия решений и не меняет систему в целом. Институциональный AI работает иначе — он внедряется как часть процессов и охватывает организацию целиком, задавая единые правила и логику работы.

Есть причина, почему Palantir выделяется на фоне рынка: они не продают инструменты, а встраиваются в операционную модель клиента. Это и есть процессный инжиниринг — когда технология становится частью бизнеса, а не отдельным слоем.

То же видно на кривой внедрения. Индивидуальные инструменты быстро набирают ранних пользователей, но часто останавливаются на первом разрыве. Институциональные решения идут медленнее, но проходят путь до конца — от внедрения до масштабирования внутри процессов.

В итоге становится понятно, где лежит сложность: ключевая экспертиза — не в коде, а в понимании процессов и отрасли. Именно это определяет, сможет ли AI превратиться в результат.

Процессный инжиниринг становится критическим слоем — без него технология не масштабируется в бизнес.

Без промптов

Индивидуальный AI отвечает на промпты людей. Институциональный AI действует без промптов.

Много обсуждений о том, нужны ли в будущем люди или как будут взаимодействовать агенты между собой. Но более важный вопрос — нужны ли вообще промпты. Попытка управлять продвинутым AI через ручные запросы изначально ограничена: человек остается самым слабым звеном, потому что не всегда понимает, какие вопросы задавать и в какой момент.

По-настоящему ценная работа возникает там, где нет явного запроса. AI должен находить то, о чем никто не подумал спросить.

Это меняет саму логику работы. Вместо реакции на команды появляется система, которая постоянно анализирует данные, отслеживает изменения и поднимает сигналы сама. Например, замечает постепенное ухудшение финансовых показателей, соотносит это с условиями договоров и выносит проблему на уровень принятия решений еще до того, как человек обратит на нее внимание.

Когда исчезает необходимость формулировать запрос, появляются новые интерфейсы — и новая модель работы.

Итог

Чат-боты, агенты и персональные инструменты никуда не исчезнут. Напротив, именно через них большинство компаний впервые начнет работать с AI. Доступность и повседневное использование — это первый этап, без которого невозможны более глубокие изменения.

Но параллельно формируется другой слой — институциональный интеллект. Он создается под конкретные задачи, процессы и отрасли и становится частью операционной модели компаний.

В итоге у каждой организации будет две системы: универсальный AI от крупных лабораторий и специализированный институциональный слой, который решает прикладные задачи. Они не конкурируют, а усиливают друг друга.

Последний важный урок уже был в истории. Фабрики, которые просто внедрили электричество, не выиграли. Выиграли те, кто перестроил процессы под новую технологию. Сегодня мы находимся в той же точке: технология уже есть, вопрос в том, как мы перестроим систему вокруг нее.

Спасибо, что дочитали до конца!

Если вам близко то, как мы смотрим на технологии и венчур — пишите Кате → @katiatatulova

Следить за инсайтами про AI и венчур простым языком можно в Telegram Саши Журавлева