Продуктивность

«Большинство людей до сих пор думают, что AI-агент – это просто ChatGPT с хорошим промптом». С этой фразы начинается статья Sunil Ramlochan «The AI Agent Stack Is Not a Prompt. It’s a Production System», и дальше автор называет это убеждение «утешительным мифом». Полезная правда, по его словам, в другом: настоящий агент ближе к маленькой операционной системе для работы. У него есть мозг, руки, память, правила, логи, планы восстановления и кто-то, кто отвечает, когда агент делает не то.

Тезис статьи укладывается в одну строчку: агент – это целый стек. И надёжность ему даёт архитектура вокруг, тогда как сама по себе модель или удачный промпт – лишь один из ингредиентов. Картина инженерная, поэтому разберём её с другой стороны – что из этого стека реально касается менеджера, который не пишет код, но решает, запускать ли агента в работу.

Мы знаем эту боль не из презентаций вендоров. В одном из заданий курса {{ }} мы спросили сорок человек, какую рабочую задачу они хотели бы ускорить с помощью ИИ. Полный разбор ответов опубликован отдельно; здесь остановимся на одном кластере, который сошёлся ровно вокруг клиентской переписки. Один человек сформулировал цель с цифрой: классифицировать обращения, предлагать ответы и снизить время отклика на 50%. Другой хотел рассылать ценовые предложения так, чтобы каждый клиент получал только интересное ему, а при молчании система напоминала бы менеджеру вернуться. Третий просто устал набирать руками одни и те же письма.

Запрос здравый, и ИИ в нём действительно силён – но не так, как обещает реклама. Разберём по частям, где реальная экономия, а где красиво упакованный риск.

Отчётность и статусы оказались второй по размеру группой запросов в этом наборе данных. Еженедельный статус для команды и заинтересованных сторон, краткие резюме по итогам совещаний, отчёты по исполнению месячного бюджета, материалы к ежедневным планёркам. Спрос реальный, и он попадает ровно туда, где языковые модели сильны. Разберём, как выстроить под него повторяемый процесс.

В одном из уроков модуля для руководителей есть короткое задание: написать одну-две фразы о том, какую рабочую задачу вы хотели бы ускорить с помощью ИИ. Без подсказок, без вариантов ответа. Сорок человек – менеджеры проектов и продуктов, аналитики, специалисты по персоналу – написали, чего они хотят. Это не опрос про намерения «в принципе». Это первичный спрос, снятый с людей, которые завтра пойдут применять инструмент к своей работе.

Картина оказалась интереснее, чем ожидалось. Больше половины запросов сошлись в три понятные группы. И эти три группы почти точно легли на то, что языковые модели реально делают хорошо. А выбросы – запросы, улетевшие куда-то не туда – оказались самым полезным, что было в этих данных.

Если ваша лента состоит из людей, которые пишут промпты на завтрак и строят агентов на ужин, у вас сложилось ощущение, что ИИ повсюду и все им владеют. Это ощущение не выдерживает встречи с данными. Microsoft WTI 2026 фиксирует: организационные факторы объясняют 67% разницы в AI-эффективности между компаниями.

Это открывающий кейс исследования HBR, которое задаёт неудобный вопрос: если ИИ действительно повышает производительность, почему компании этого не видят? Глобальное исследование KPMG и Мельбурнского университета – более 48 тысяч респондентов – нашло ответ: 57% сотрудников признаются, что скрывают, как используют ИИ на работе.

52% руководителей в компаниях, использующих генеративный ИИ, уже запустили AI-агентов в продакшен. Не пилотируют. Не тестируют. Работают. Это данные из отчёта Google Cloud «AI Agent Trends 2026» – опрос 3 466 руководителей по всему миру, проведённый совместно с Google DeepMind.

Цифра выглядит впечатляюще, но стоит вспомнить, кто её сообщает. Google – крупнейший продавец облачной инфраструктуры для агентов. Их мотивация – показать, что будущее уже наступило, и вам пора покупать Vertex AI. Это не делает данные бесполезными, но требует более внимательного чтения.

Исследование AI in the Wild выходит в Harvard Business Review третий год подряд. В этом году команда проанализировала 12 637 реальных кейсов использования генеративного ИИ – на порядок больше, чем в предыдущих выпусках. База собрана из почти 50 000 записей с Reddit, Quora, LinkedIn, TikTok и YouTube за период с марта 2025 по февраль 2026 года.

Главный вывод исследования – не о том, что люди делают с ИИ. А о том, что они перестают делать сами.