Trajectory
Автор противопоставляет 2012 год и сегодняшний день: раньше важен был сам факт использования ПО, теперь — то, как именно его используют. Поскольку софт стал повсеместным (CRM у каждого продавца, IDE у каждого инженера), конкурентное преимущество смещается к «траекториям» — конкретным путям прохождения пользователя через инструменты. Такие траектории становятся основой для автоматизации, оптимизации workflow через анализ повторений и формируют новый ров: чем выше разрешение данных, тем сильнее vendor lock-in. Они также позволяют руководству реально понимать рабочие процессы и служат датасетом для fine-tuning и reinforcement learning специализированных моделей с более низкой стоимостью инференса. Это поднимает вопрос: будут ли предприятия договариваться о правах на свои данные о траекториях при покупке AI-софта, чтобы избежать lock-in — и от ответа зависит ценовая власть в индустрии ПО.
В 2012 году нам было важно, что мы используем софт. Сегодня нам важно, как мы его используем.
Разница — в траектории.
В прошлом десятилетии приоритетом было внедрение ПО. Переход с on-premise в облако или оцифровка ручного процесса обещали рост производительности. Внедрение было финишной чертой.
Сегодня софт повсеместен. Каждый продавец пользуется CRM, каждый инженер — IDE. Преимущество больше не в обладании инструментом, а в конкретном пути и манере его использования для достижения результата — траектории сквозь софт.
Продавец создаёт лид, обогащает его, добавляет информацию о потенциальном клиенте определённым образом. Это одна траектория. Сессия вопросов и ответов с AI — другая траектория: как мне провести исследование с AI по постквантовому шифрованию? Какие ведущие алгоритмы существуют? Какие компании их внедряют? Когда квантовые компьютеры смогут взломать текущее шифрование? С какими экспертами стоит поговорить?
Отслеживать пользователя, который проходит через день, словно шарик пинбола, рикошетящий по автомату, — чрезвычайно стратегическая задача.
Во-первых, автоматизация требует траекторий. Чтобы автоматизировать работу, нужно сначала понять её путь. Раньше мы нанимали консультантов, чтобы вручную нарисовать карту процессов. Теперь AI-агенты могут наблюдать, фиксировать и понимать эти траектории в реальном времени. AI учится через наблюдение.
Во-вторых, оптимизация требует повторяемости. Траектории дают датасет для улучшений. Анализируя тысячи проходов через workflow, AI выявляет паттерны успеха, провалы и неэффективности.
В-третьих, траектории становятся новым рвом. Чем выше разрешение данных, тем более дифференцированным становится AI-продукт, что усиливает vendor lock-in.
В-четвёртых, руководство компании выигрывает от понимания траекторий сотрудников. Мы думаем, что работаем вместе одним способом — обычно с какими-то идеализированными представлениями. Совсем другое дело — по-настоящему понимать рабочие процессы на местах.
В-пятых, траектории — основа для оптимизации AI-моделей через reinforcement learning или fine-tuning. Меньшие специализированные модели, обученные на путях высокой ценности, заменяют громоздких универсалов. Более низкая стоимость инференса и более высокая точность ведут к росту маржи.
Стратегический характер траекторий поднимает вопрос: будут ли предприятия при покупке AI-софта договариваться о правах на свои данные о траекториях — и чтобы получить критически важные данные, и чтобы избежать lock-in. То, как разыграются эти расклады сил, определит ценовую власть для индустрии ПО в целом.
Компании, которые освоят эти траектории, определят будущее работы.