10 контуров ИИ-компании: как отличить новую операционную модель от набора ИИ-инструментов

31 августа 2026 года Алекс Либерман опубликовал список из 30 характеристик компании, изначально построенной вокруг ИИ. В него вошли карта процессов, корпоративные знания, маршрутизация между моделями, агентная разработка, финансовое прогнозирование, оценка качества, контроль доступа и постепенное расширение автономности.

Я просмотрел доступные ответы и цитирования поста. Это ограниченная выборка: X показывает ранжированную ветку, а часть комментариев была отмечена как созданная с помощью ИИ. В дискуссии повторялись важные дополнения: ответственность за действия агента, машинная идентичность, наблюдаемость, откат, срок жизни знаний и влияние автоматизации на экономический результат.

Так появилась моя рабочая модель: ИИ-компания как система из десяти связанных контуров. Это инструмент диагностики, без статуса отраслевого или научного стандарта.

ИИ-компания начинается с изменения пути работы

Компания может подключить ChatGPT, Copilot, автоматизировать отчёты и поставить чат-бота. Логика работы при этом может остаться прежней:

• человек получает задачу и собирает контекст;
• переносит данные между системами;
• принимает промежуточные решения;
• использует ИИ в отдельных точках;
• передаёт результат следующему участнику.

В такой конструкции ИИ ускоряет отдельного человека, но ещё не меняет устройство компании.

В этой серии ИИ-компанией я называю организацию, в которой меняется сам путь работы. У задачи появляются описанный результат, контекст, владелец, исполнители, инструменты, полномочия, проверки и условия остановки. Маршрут совместно проходят люди, агенты и сервисы.

Такой слой я описывал в статье «Организация как граф задач»: отделы сохраняются, а работа движется по динамическому графу.

Почему одного списка из 30 признаков недостаточно

В исходном списке рядом находятся сущности разного уровня:

• технологии;
• управленческие принципы;
• метрики;
• сценарии применения;
• требования безопасности;
• культурные установки;
• гипотезы о будущем.

Корпоративные знания относятся к архитектуре, принцип «каждый сотрудник становится создателем» — к культуре, стоимость принятого pull request — к метрикам, а рой рекламных агентов — к сценариям.

Компания может генерировать тысячи рекламных вариантов без связи с продажами, создать поиск без общего определения «активного клиента» или выдать сотрудникам агентов без ясной ответственности за ошибки.

Поэтому для диагностики я собрал признаки и связи между ними в десять контуров.

Десять контуров ИИ-компании

1. Контур результата и смысла

Работа начинается с изменения, которое должно произойти для клиента или бизнеса.

В предлагаемой модели у результата есть:

• получатель;
• владелец;
• критерии принятия;
• исходная точка;
• ожидаемый эффект;
• условие прекращения эксперимента.

Без этого агент способен быстро произвести много ненужных артефактов. Основной единицей становится принятый результат: опубликованный материал, решённое обращение, прошедшее проверку изменение в коде или согласованный договор.

Диагностический вопрос: какой бизнес- или пользовательский результат принимает владелец процесса?

2. Контур процессов и задач

Нужно восстановить фактический маршрут работы:

• откуда приходит задача;
• какие данные используются;
• какие решения принимаются;
• где возникают исключения;
• кому передаётся результат;
• что считается завершением.

Покупка инструмента до разбора процесса часто ускоряет существующий беспорядок. Сам агент может помочь обнаружить реальные переходы, исключения и скрытые точки ручной координации.

Диагностический вопрос: можем ли мы восстановить маршрут одной реальной задачи от входа до принятого результата?

3. Контур контекста и организационной памяти

Агент должен понимать:

• какая версия актуальна;
• что означает каждая сущность;
• откуда появилась информация;
• кто может её изменять;
• почему было принято прежнее решение;
• когда знание устаревает;
• как исправить или удалить ошибочную информацию.

Если два отдела по-разному определяют «активного клиента», агент начнёт последовательно воспроизводить противоречие.

Anthropic определяет проектирование контекста (context engineering) как управление информацией, доступной модели: инструкциями, инструментами, историей и внешними данными. Для длительных задач используются отбор и сжатие контекста, структурированные заметки и устойчивые рабочие артефакты. Подробнее: Effective context engineering for AI agents.

Диагностический вопрос: может ли компания объяснить происхождение, значение, владельца и срок жизни знания, которое использует агент?

4. Контур исполнения

Хороший промпт сам по себе не создаёт воспроизводимый процесс. Нужен устойчивый контракт исполнения:

• описание задачи;
• разрешённые инструменты;
• правила получения контекста;
• критерии завершения;
• формат результата;
• способ передачи состояния следующему исполнителю.

Эту роль выполняет среда исполнения агента (agent harness), связывающая модель, инструменты, инструкции, ограничения и проверки.

OpenAI описывает агента как систему, которая управляет рабочим процессом, использует инструменты в заданных пределах, распознаёт завершение и при необходимости передаёт управление человеку. Подробнее: A practical guide to building AI agents.

Диагностический вопрос: может ли другой агент или человек повторить процесс по сохранённому контракту, не восстанавливая всё из переписки?

5. Контур идентичности и доступа

Права сотрудника обычно шире необходимых агенту. Наследование всего доступа человека создаёт лишние риски.

Безопаснее использовать:

• отдельную машинную идентичность;
• ограниченные по времени полномочия;
• доступ только к данным конкретной задачи;
• разрешение на конкретные инструменты и действия;
• раздельные права для подготовки, исполнения, проверки и публикации.

OWASP рекомендует принцип наименьших привилегий, проверку полномочий при каждом запросе, минимальный доступ коннекторов и журналирование операций. Подробнее: OWASP Cornucopia Agentic AI AAI6.

Диагностический вопрос: можем ли мы точно назвать, что этот запуск агента имеет право прочитать, изменить и отправить?

6. Контур ответственности

В моей модели у агентного процесса есть как минимум четыре функции:

• владелец результата;
• владелец процесса;
• агент-исполнитель;
• проверяющий.

Один человек может совмещать несколько функций, но сами функции не должны исчезать.

Агент выполняет работу. Организационная и юридическая ответственность остаётся у людей, которые сформулировали цель, выдали полномочия и приняли результат.

Этому посвящён отдельный материал: «Кто отвечает за результат, если работу сделали ИИ-агенты?».

Диагностический вопрос: кто отвечает, если агент точно выполнил инструкцию, но компания получила неправильный результат?

7. Контур наблюдаемости и оценки качества

Для проверки агентного процесса недостаточно сохранить финальный ответ. Нужно уметь восстановить:

• какую задачу получил агент;
• какой контекст использовал;
• какая модель работала;
• какие инструменты она вызывала;
• какие действия совершила;
• где возникли ошибки;
• кто проверил и принял результат.

Правильный итог ещё не доказывает безопасность и экономичность процесса: агент мог случайно получить ответ или выполнить лишние действия.

Anthropic предлагает оценивать конечное состояние среды и траекторию агента: вызовы инструментов, промежуточные результаты и другие шаги. Оценки качества (evals) начинаются с ясных критериев успеха. Подробнее: Demystifying evals for AI agents.

Диагностический вопрос: можем ли мы объяснить не только что сделал агент, но и почему результат был принят?

8. Контур устойчивости и отката

Автономный процесс нельзя считать рабочим, если неизвестно, что произойдёт при отказе.

До запуска в предлагаемой модели определяются:

• линии остановки (stop-lines);
• лимиты повторных попыток;
• тайм-ауты;
• передача задачи человеку;
• безопасный ручной режим;
• откат изменений;
• восстановление последней проверенной версии контекста.

При ошибочном правиле, устаревшей инструкции или повреждённом контексте откат должен вернуть всю проверенную конфигурацию: инструкции, данные, инструменты, маршрутизацию и права.

Диагностический вопрос: что произойдёт, если агент остановится посередине процесса или начнёт последовательно принимать неверные решения?

9. Экономический контур

Эффективность процесса лучше измерять через:

• стоимость принятого результата;
• долю результатов, потребовавших переделки;
• стоимость человеческой проверки;
• время от постановки задачи до принятия;
• стоимость ошибки и восстановления;
• влияние на выручку, маржу или пропускную способность.

Стоимость принятого pull request — пример такой метрики: сгенерированный код становится результатом после проверки и принятия.

По той же логике оцениваются материал, отчёт, договор или обращение клиента. Целевая метрика — стоимость проверенного результата.

Диагностический вопрос: какая бизнес-метрика изменится, если агентный процесс действительно работает?

10. Контур человеческого участия и пределов автоматизации

Нужно точно определить, какое решение остаётся за человеком и почему.

Человеческое участие особенно важно там, где требуются:

• выбор цели;
• ответственность за последствия;
• распоряжение деньгами и доступами;
• этическое решение;
• необратимое действие;
• понимание отношений между людьми;
• вкус и авторская позиция;
• работа с исключением, которого ещё нет в данных.

В обсуждении появился хороший образ: человек, который подписывается под вкусом. Именно он решает, какие варианты соответствуют голосу компании.

У человека остаётся и право отказаться от автоматизации. Иногда процесс сначала нужно удалить, упростить или переосмыслить.

Диагностический вопрос: какое решение в этом процессе человек обязан сохранить за собой и почему?

Модель зрелости: от подписки к ИИ-компании

Каждый из десяти контуров можно предварительно оценить по пяти уровням.

Это рабочая гипотеза и инструмент диагностики. Научно валидированной шкалой или рейтингом компаний модель не является.

Итоговая сумма здесь мало полезна: среднее значение скрывает асимметрию. Развитое агентное исполнение без ответственности, доступов или отката остаётся неуправляемым.

Как я применяю эту модель на pimenov.ai

В текущей работе над pimenov.ai агенты уже участвуют в исследовании, подготовке структуры и текста, создании визуалов и работе с техническим контуром сайта.

Материал проходит отдельные состояния:

1. замысел;
2. исследование;
3. структура;
4. полный текст;
5. проверка;
6. подтверждение записи;
7. черновик в Notion;
8. отдельное решение о публикации;
9. проверка опубликованного результата на сайте.

Агент готовит материал, а решение о выходе текста от моего имени остаётся за мной. Запись в Notion и публикация — разные действия. Каждый переход требует отдельного решения и проверяемого результата.

pimenov.ai для меня — практическая лаборатория этой операционной модели. Я выделяю ограниченные контуры, описываю результат и полномочия, сохраняю человеческого владельца и проверяю, какую часть маршрута безопасно передать агентам.

Быстрая диагностика компании

Возьмите один процесс, в котором уже используется ИИ, и ответьте на десять вопросов:

1. Какой результат получает клиент или бизнес?
2. Можно ли восстановить фактический граф работы?
3. Откуда агент получает актуальный контекст?
4. Как описан контракт исполнения?
5. Под какой идентичностью и с какими правами действует агент?
6. Кто отвечает за итог и выданные полномочия?
7. Можно ли восстановить ход работы?
8. Где агент обязан остановиться и как выполняется откат?
9. Как измеряется экономика принятого результата?
10. Какое решение остаётся за человеком?

Если компания уверенно отвечает только на вопросы об инструментах и исполнении, она ещё не стала ИИ-компанией. Она начала использовать ИИ, но пока не изменила свою операционную модель.

Главный признак ИИ-компании

Главный признак ИИ-компании — способность передать агенту реальный сквозной процесс и при этом сохранить:

• смысл результата;
• владельца;
• актуальный контекст;
• ограниченные полномочия;
• наблюдаемость;
• проверку;
• устойчивость;
• измеримую экономику;
• человеческое право остановить систему.

Работающий контур можно расширять и соединять с соседними. Так ИИ постепенно становится частью устройства организации.

Источники

• Alex Lieberman — 30 features of an AI-native company
• OpenAI — A practical guide to building AI agents
• Anthropic — Effective context engineering for AI agents
• Anthropic — Demystifying evals for AI agents
• OWASP Cornucopia — Agentic AI AAI6

Следующий шаг

Как подготовить компанию к ИИ-агентам за 30 дней

Связанные материалы

• Статья: Организация как граф задач: что приходит на смену отделам
• Блог: Соберите план — остальное сделают агенты
• База знаний: Права доступа и роли: почему агенту нельзя давать все ключи от квартиры

Если вы хотите проверить, насколько ваша компания готова к агентным процессам, начните с одного реального маршрута и разберите его по десяти контурам. Такой разбор полезен собственникам и руководителям, которые хотят перейти от отдельных инструментов к управляемой операционной модели.

Если захотите обсудить, как это применить у себя или в команде — пишите в Telegram @pimenov