Making AI Work: Leadership, Lab, and Crowd
Этан Моллик утверждает, что компании внедряют ИИ с неполной информацией: ИИ повышает производительность отдельных сотрудников (по опросам, в Дании пользователи считают, что ИИ вдвое сокращает время на 41% задач, а американцы сообщают о тройном росте продуктивности), 40% американских работников использовали ИИ к апрелю 2025, но компании пока фиксируют лишь скромные результаты. Главная причина — индивидуальные выгоды не превращаются автоматически в организационные, а навыки внутренней инновации атрофировались. Автор предлагает формулу трансформации из трёх элементов: Leadership (руководство задаёт яркое видение будущего и стимулы), Crowd (опытные сотрудники открывают применения ИИ, но многие скрывают использование — «Secret Cyborgs»), и Lab (централизованная команда, строящая прототипы, бенчмарки и провокации). Моллик показывает пример с агентом Manus, который за несколько промптов сделал 45-страничный анализ бизнес-модели, презентацию и сайт по вымышленному стартапу. Вывод: успех зависит от организационного обучения и обратных связей между тремя уровнями, начинать нужно сейчас, пока всё ещё неопределённо.
Making AI Work: Leadership, Lab, and Crowd
Как заставить ИИ работать: Leadership, Lab и Crowd
A formula for AI in companies
Формула ИИ в компаниях
Companies are approaching AI transformation with incomplete information. After extensive conversations with organizations across industries, I think four key facts explain what's really happening with AI adoption:
Компании подходят к ИИ-трансформации с неполной информацией. После множества разговоров с организациями из разных отраслей я думаю, что четыре ключевых факта объясняют, что на самом деле происходит с внедрением ИИ:
AI boosts work performance. How do we know? For one thing, workers certainly think it does. A representative study of knowledge workers in Denmark found that users thought that AI halved their working time for 41% of the tasks they do at work, and a more recent survey of Americans found that workers said using AI tripled their productivity (reducing 90-minute tasks to 30 minutes). Self-reporting is never completely accurate, but we have other data from controlled experiments that suggest gains among product development, sales, and consulting, as well as for coders, law students, and call center workers.
A large percentage of people are using AI at work. That Danish study from a year ago found that 65% of marketers, 64% of journalists, and 30% of lawyers, among others, had used AI at work. The study of American workers found over 30% had used AI at work in December, 2024, a number which grew to 40% in April, 2025. And, of course, this may be an undercount in a world where ChatGPT is the fourth most visited website on the planet.
There are more transformational gains available with today’s AI systems than most currently realize. Deep research reports do many hours of analytical work in a few minutes (and I have been told by many researchers that checking these reports is much faster than writing them); agents are just starting to appear that can do real work; and increasingly smart systems can produce really high-quality outcomes.
These gains are not being captured by companies. Companies are typically reporting small to moderate gains from AI so far, and there is no major impact on wages or hours worked as of the end of 2024.
ИИ повышает рабочую производительность. Откуда мы это знаем? Во-первых, сами работники определённо так считают. Репрезентативное исследование интеллектуальных работников в Дании показало, что пользователи считают, будто ИИ вдвое сокращает их рабочее время для 41% задач, которые они выполняют на работе, а более свежий опрос американцев показал, что работники сообщают: использование ИИ утроило их продуктивность (сократив 90-минутные задачи до 30 минут). Самоотчёты никогда не бывают полностью точными, но у нас есть и другие данные из контролируемых экспериментов, которые указывают на прирост в области разработки продуктов, продаж и консалтинга, а также у программистов, студентов-юристов и работников колл-центров. Большой процент людей использует ИИ на работе. То датское исследование годичной давности показало, что 65% маркетологов, 64% журналистов и 30% юристов (среди прочих) использовали ИИ на работе. Исследование американских работников показало, что более 30% использовали ИИ на работе в декабре 2024 года, а к апрелю 2025 года эта цифра выросла до 40%. И, конечно, это может быть недооценкой в мире, где ChatGPT — четвёртый по посещаемости сайт на планете. Современные ИИ-системы дают больше трансформационных возможностей, чем большинство сейчас осознаёт. Отчёты Deep Research выполняют многочасовую аналитическую работу за несколько минут (и многие исследователи говорили мне, что проверять такие отчёты гораздо быстрее, чем писать их); начинают появляться агенты, способные выполнять реальную работу; и всё более умные системы могут производить действительно высококачественные результаты. Эти выгоды не улавливаются компаниями. Компании обычно сообщают о небольших или умеренных приростах от ИИ, и по состоянию на конец 2024 года нет значимого влияния на зарплаты или отработанные часы.
How do we reconcile the first three points with the final one? The answer is that AI use that boosts individual performance does not naturally translate to improving organizational performance. To get organizational gains requires organizational innovation, rethinking incentives, processes, and even the nature of work. But the muscles for organizational innovation inside companies have atrophied. For decades, companies have outsourced this to consultants or enterprise software vendors who develop generalized approaches that address the issues of many companies at once. That won’t work here, at least for a while. Nobody has special information about how to best use AI at your company, or a playbook for how to integrate it into your organization. Even the major AI companies release models without knowing how they can be best used. They especially don’t know your industry, organization, or context.
Как примирить первые три пункта с последним? Ответ в том, что использование ИИ, повышающее индивидуальную производительность, не превращается естественным образом в улучшение организационной производительности. Чтобы получить организационные выгоды, требуется организационная инновация — переосмысление стимулов, процессов и даже самой природы работы. Но мышцы организационной инновации внутри компаний атрофировались. Десятилетиями компании передавали это на аутсорсинг консультантам или поставщикам корпоративного ПО, которые разрабатывают обобщённые подходы, решающие проблемы многих компаний разом. Здесь это пока не сработает. Ни у кого нет особой информации о том, как лучше всего использовать ИИ в вашей компании, или готового плана интеграции его в вашу организацию. Даже крупные ИИ-компании выпускают модели, не зная, как их можно лучше всего использовать. И уж точно они не знают вашу отрасль, организацию или контекст.
We are all figuring this out together. So, if you want to gain an advantage, you are going to have to figure it out faster than everyone else. And to do that, you will need to harness the efforts of Leadership, Lab, and Crowd - the three keys to AI transformation.
Мы все разбираемся с этим вместе. Поэтому, если вы хотите получить преимущество, вам придётся разобраться быстрее остальных. А для этого вам понадобится задействовать усилия Leadership, Lab и Crowd — трёх ключей ИИ-трансформации.
Leadership
Leadership
Ultimately, AI starts as a leadership problem, where leaders recognize that AI presents urgent challenges and opportunities. One big change since I wrote about this topic months ago is that more leaders are starting to recognize the need to address AI. You can see this in two viral memos, from the CEO of Shopify and the CEO of Duolingo, establishing the importance of AI to their company’s future.
В конечном счёте ИИ начинается как проблема лидерства, когда руководители осознают, что ИИ представляет неотложные вызовы и возможности. Одно крупное изменение с тех пор, как я писал на эту тему несколько месяцев назад, — что всё больше руководителей начинают признавать необходимость заниматься ИИ. Это видно по двум вирусным меморандумам: от CEO Shopify и CEO Duolingo, в которых утверждается важность ИИ для будущего их компаний.
But urgency alone isn't enough. These messages do a good job signaling the 'why now' but stop short of painting that crucial, vivid picture: what does the AI-powered future actually look and feel like for your organization? My colleague Andrew Carton has shown that workers are not motivated to change by leadership statements about performance gains or bottom lines, they want clear and vivid images of what the future actually looks like: What will work be like in the future? Will efficiency gains be translated into layoffs or will they be used to grow the organization? How will workers be rewarded (or punished) for how they use AI? You don’t have to know the answer with certainty, but you should have a goal that you are working towards that you are willing to share. Workers are waiting for guidance, and the nature of that guidance will impact how The Crowd adopts and uses AI.
Но одной срочности недостаточно. Эти сообщения хорошо обозначают «почему сейчас», но останавливаются, не нарисовав ту важнейшую, живую картину: как ИИ-будущее на самом деле выглядит и ощущается для вашей организации? Мой коллега Andrew Carton показал, что работники не мотивируются изменениями от заявлений руководства о приростах производительности или прибыли — им нужны ясные и живые образы того, как будет выглядеть будущее: какой будет работа в будущем? Будут ли выигрыши в эффективности превращены в увольнения или их используют для роста организации? Как работников будут вознаграждать (или наказывать) за то, как они используют ИИ? Вам не обязательно знать ответ с уверенностью, но у вас должна быть цель, к которой вы стремитесь и которой готовы поделиться. Работники ждут указаний, и характер этих указаний повлияет на то, как Crowd будет принимать и использовать ИИ.
An overall vision is not enough, however, because leaders need to start to anticipate how work will change in a world of AI. While AI is not currently a replacement for most human jobs, it does replace specific tasks within those jobs. I have spoken to numerous legal professionals who see the current state of Deep Research tools as good enough to handle portions of once-expensive research tasks. Vibe coding changes how programmers allocate time and effort. And it is hard to not see changes to marketing and media work in the rapid gains in AI video. For example, Google’s new Veo 3 created this short video snippet, sound and all, from the text prompt: An advertisement for Cheesey Otters, a new snack made out of otter shaped crackers. The commercial shows a kid eating them, and the mom holds up the package and says "otterly great"
Однако общее видение — этого недостаточно, потому что руководителям нужно начать предвидеть, как изменится работа в мире ИИ. Хотя ИИ в настоящее время не заменяет большинство человеческих профессий, он заменяет конкретные задачи внутри этих профессий. Я говорил с многими юристами, которые видят в нынешнем состоянии инструментов Deep Research возможность взять на себя часть некогда дорогостоящих исследовательских задач. Vibe coding меняет то, как программисты распределяют время и усилия. И трудно не заметить изменений в маркетинге и медиа на фоне быстрого прогресса в ИИ-видео. Например, новый Veo 3 от Google создал этот короткий видеоролик, со звуком и всем прочим, по текстовому запросу: Реклама Cheesey Otters — новой закуски из крекеров в форме выдр. В ролике ребёнок ест их, а мама поднимает упаковку и говорит «otterly great»
Yet the ability to make a short video clip, or code faster, or get research on demand, does not equal performance gains. To do that will require decisions about where Leadership and The Lab should work together to build and test new workflows that integrate AIs and humans. It also means fundamentally rethinking why you are doing particular tasks. Companies used to pay tens of thousands of dollars for a single research report, now they can generate hundreds of those for free. What does that allow your analysts and managers to do? If hundreds of reports aren’t useful, then what was the point of research reports?
Однако умение сделать короткий видеоклип, или кодить быстрее, или получать исследование по запросу не равно приросту производительности. Чтобы это произошло, потребуются решения о том, где Leadership и Lab должны работать вместе над построением и тестированием новых рабочих процессов, интегрирующих ИИ и людей. Это также означает фундаментальное переосмысление того, зачем вы выполняете конкретные задачи. Компании раньше платили десятки тысяч долларов за один исследовательский отчёт, теперь они могут генерировать сотни таких бесплатно. Что это позволяет делать вашим аналитикам и менеджерам? Если сотни отчётов бесполезны, тогда в чём вообще был смысл исследовательских отчётов?
I am increasingly seeing organizations start to experiment with radical new approaches to work in response to AI. For example, dispersing software engineering teams, removing them from a central IT function and instead having them work in cross-functional teams with subject matter experts and marketing experts. Together, these groups can “vibework” and independently build projects in days that would have taken months of coordination across departments. And this is just one possible future for work. Leaders need to describe the future they want, but they also don’t have to generate every idea for innovation on their own. Instead, they can turn to The Crowd and The Lab.
Я всё чаще вижу, как организации начинают экспериментировать с радикально новыми подходами к работе в ответ на ИИ. Например, рассредоточивают команды разработки ПО, выводя их из централизованной IT-функции и помещая их вместо этого в кросс-функциональные команды с экспертами предметной области и маркетинга. Вместе эти группы могут «vibework» и самостоятельно создавать проекты за несколько дней, на которые потребовались бы месяцы координации между отделами. И это всего лишь одно из возможных будущих работы. Руководители должны описать желаемое будущее, но им не обязательно самим генерировать каждую идею для инноваций. Вместо этого они могут обратиться к Crowd и Lab.
The Crowd
Crowd
Both innovation and performance improvements happen in The Crowd, the employees who figure out how to use AI to help get their own work done. As there is no instruction manual for AI (seriously, everyone is figuring this out together), learning to use AI well is a process of discovery that benefits experienced workers. People with a strong understanding of their job can easily assess when an AI is useful for their work through trial and error, in the way that outsiders (and even AI-savvy junior workers) cannot. Experienced AI users can then share their workflows and AI use in ways that benefit everyone.
И инновации, и улучшения производительности происходят в Crowd — у сотрудников, которые разбираются, как использовать ИИ, чтобы помочь себе выполнять свою работу. Поскольку для ИИ нет инструкции (серьёзно, все разбираются с этим вместе), научиться хорошо использовать ИИ — это процесс открытий, который выгоден опытным работникам. Люди с глубоким пониманием своей работы могут легко методом проб и ошибок оценить, когда ИИ полезен для их работы, — так, как не могут посторонние (и даже подкованные в ИИ младшие сотрудники). Опытные пользователи ИИ затем могут делиться своими рабочими процессами и способами применения ИИ так, чтобы это приносило пользу всем.
Enticed by this vision, companies (including those in highly regulated industries1) have increasingly been giving employees direct access to AI chatbots, and some basic training, in hopes of seeing The Crowd innovate. Most run into the same problem, finding that the use of official AI chatbots maxes out at 20% or so of workers, and that reported productivity gains are small. Yet over 40% of workers admit using AI at work, and they are privately reporting large performance gains. This discrepancy points to two critical dynamics: many workers are hiding their AI use, often for good reason, while others remain unsure how to effectively apply AI to their tasks, despite initial training.
Соблазнившись этим видением, компании (включая работающие в строго регулируемых отраслях1) всё чаще предоставляют сотрудникам прямой доступ к ИИ-чат-ботам и базовое обучение, надеясь увидеть инновации Crowd. Большинство сталкиваются с одной и той же проблемой: использование официальных ИИ-чат-ботов выходит на плато на уровне примерно 20% работников, а заявленные приросты производительности невелики. При этом более 40% работников признаются, что используют ИИ на работе, и в частном порядке сообщают о больших приростах производительности. Это расхождение указывает на две критические динамики: многие работники скрывают своё использование ИИ, часто по веским причинам, а другие остаются неуверенными в том, как эффективно применять ИИ к своим задачам, несмотря на начальное обучение.
These are problems that can be solved by Leadership and the Lab.
Это проблемы, которые могут быть решены Leadership и Lab.
Solving the problem of hidden AI use (what I call “Secret Cyborgs”) is a Leadership problem. Consider the incentives of the average worker. They may have received a scary talk about how improper AI use might be punished, and they don’t want to take any risks. Or maybe they are being treated as heroes at work for their incredible AI-assisted outputs, but they suspect if they tell anyone it is AI, managers will stop respecting them. Or maybe they know that companies see productivity gains as an opportunity for cost cutting and suspect that they (or their colleagues) will be fired if the company realizes that AI does some of their job. Or maybe they suspect that if they reveal their AI use, even if they aren’t punished, they won’t be rewarded. Or maybe they know that even if companies don’t cut costs and reward their use, any productivity gains will just become an expectation that more work will get done. There are more reasons for workers to not use AI publicly than to use it.
Решение проблемы скрытого использования ИИ (которое я называю «Secret Cyborgs») — это задача Leadership. Подумайте о стимулах среднего работника. Возможно, ему провели пугающий разговор о том, что неправильное использование ИИ может быть наказано, и он не хочет рисковать. Или, возможно, его на работе считают героем за невероятные результаты с помощью ИИ, но он подозревает, что если расскажет кому-то, что это ИИ, менеджеры перестанут его уважать. Или, возможно, он знает, что компании рассматривают приросты производительности как возможность сократить расходы, и подозревает, что его (или его коллег) уволят, если компания осознает, что ИИ делает часть его работы. Или, возможно, он подозревает, что если он раскроет своё использование ИИ, даже если его не накажут, его и не вознаградят. Или, возможно, он знает, что даже если компании не сокращают расходы и вознаграждают использование ИИ, любые приросты производительности просто превратятся в ожидание, что будет выполняться больше работы. Причин для работников не использовать ИИ публично больше, чем причин использовать его.
Leadership can help. Instead of vague talks on AI ethics or terrifying blanket policies, provide clear areas where experimentation of any kind is permitted and be biased towards allowing people to use AI where it is ethically and legally possible. Leaders also should consider training less an opportunity to learn prompting techniques (which are valuable but getting less important as models get better at figuring out intent), but as a chance to give people hands-on AI experience and practice communicating their needs to AI. And, of course, you will need to figure out how you will reassure your workers that revealing their productivity gains will not lead to layoffs, because it is often a bad idea to use technological gains to fire workers at a moment of massive change. Build incentives, even massive incentives (I have seen companies offer vacations, promotions, and large cash rewards), for employees who discover transformational opportunities for AI use. Leaders can also model use themselves, actively using AI at every meeting and talking about how it helps them.
Leadership может помочь. Вместо расплывчатых разговоров об этике ИИ или пугающих общих политик предоставьте чёткие области, где разрешены любые эксперименты, и склоняйтесь к разрешению людям использовать ИИ там, где это этически и юридически возможно. Руководители также должны рассматривать обучение не как возможность освоить техники промптинга (которые ценны, но становятся менее важными по мере того, как модели лучше понимают намерение), а как шанс дать людям практический опыт работы с ИИ и практику в формулировании своих потребностей для ИИ. И, конечно, вам нужно будет придумать, как заверить ваших работников, что раскрытие приростов производительности не приведёт к увольнениям, потому что часто плохая идея — использовать технологические выгоды для увольнения работников в момент масштабных перемен. Создайте стимулы, даже массивные стимулы (я видел, как компании предлагают отпуска, повышения и крупные денежные вознаграждения), для сотрудников, которые открывают трансформационные возможности применения ИИ. Руководители также могут моделировать использование сами, активно используя ИИ на каждом совещании и рассказывая, как это им помогает.
Even with proper vision and incentives, there will still be a substantial number of workers who aren’t inclined to explore AI and just want clear use cases and products. That is where The Lab comes in.
Даже при правильном видении и стимулах останется значительное число работников, которые не склонны исследовать ИИ и просто хотят чётких сценариев использования и готовых продуктов. Здесь в игру вступает Lab.
The Lab
Lab
As important as decentralized innovation is, there is also a role for a more centralized effort to figure out how to use AI in your organization. Unlike a lot of research organizations, The Lab is ambidextrous, engaging in both exploration for the future (which in AI may just be months away) and exploitation, releasing a steady stream of new products and methods. Thus, The Lab needs to consist of subject matter experts and a mix of technologists and non-technologists. Fortunately, the Crowd provides the researchers, as those enthusiasts who figure out how to use AI and proudly share it with the company are often perfect members of The Lab. Their job will be completely, or mostly, about AI. You need them to focus on building, not analysis or abstract strategy. Here is what they will build:
Как бы ни была важна децентрализованная инновация, есть также роль для более централизованных усилий по выяснению того, как использовать ИИ в вашей организации. В отличие от многих исследовательских организаций, Lab является амбидекстерной, занимаясь как исследованием будущего (которое в ИИ может быть всего в нескольких месяцах), так и эксплуатацией — выпуская постоянный поток новых продуктов и методов. Поэтому Lab должна состоять из экспертов предметной области и смеси технологов и не-технологов. К счастью, Crowd предоставляет исследователей, поскольку те энтузиасты, которые разбираются, как использовать ИИ, и с гордостью делятся этим с компанией, часто являются идеальными членами Lab. Их работа будет полностью или преимущественно посвящена ИИ. Вам нужно, чтобы они сосредоточились на построении, а не на анализе или абстрактной стратегии. Вот что они будут строить:
Take prompts and solutions from The Crowd and distribute them widely, very quickly. The Crowd will discover use cases and problems that can be turned into immediate opportunities. Build fast and dirty products with cross-functional teams, centered around simple prompts and agents. Iterate and test them. Then release them into your organization and measure what happens. Keep doing this.
Build AI benchmarks for your organization. Almost all the official benchmarks for AI are flawed, or focus on tests of trivia, math or coding. These don’t tell you which AI does the best writing or can best analyze a financial model or can help guide a customer making purchases. You need to develop your own benchmarks: how good are each of the models at the tasks you actually do inside of your company? How fast is the gap closing? Leadership should help provide some guidance, but ultimately The Lab will need to decide what to measure and how. Some benchmarks will be objective (Anthropic has a guide to benchmarking that can help as a starting place), but it is also fine for some complex benchmarks to be “vibes alone,” based on experience.
For example, I “vibe benchmarked” Manus, an AI agent based on Claude, on its ability to analyze new startups by giving it a hard assignment and evaluating the results. I gave it a short description of a fictional startup and a detailed set of projected financials in an Excel file. These materials came from a complex business simulation we built at Wharton (and never shared online) that took teams of students dozens of hours to complete. I was curious if the AI could figure it out. As guidance, I gave it a checklist of business model elements to analyze, and nothing else.
Брать промпты и решения у Crowd и распространять их широко, очень быстро. Crowd будет обнаруживать сценарии использования и проблемы, которые могут быть превращены в немедленные возможности. Стройте быстрые и грубые продукты с кросс-функциональными командами, построенные вокруг простых промптов и агентов. Итерируйте и тестируйте их. Затем выпускайте их в свою организацию и измеряйте, что происходит. Продолжайте это делать. Строить ИИ-бенчмарки для вашей организации. Почти все официальные бенчмарки для ИИ изъяны или сосредоточены на тестах эрудиции, математики или программирования. Они не говорят вам, какой ИИ лучше всего пишет тексты, или лучше всего анализирует финансовую модель, или может лучше всего направлять покупателя при совершении покупок. Вам нужно разработать собственные бенчмарки: насколько хорошо каждая из моделей справляется с задачами, которые вы реально выполняете внутри вашей компании? Как быстро сокращается разрыв? Leadership должно обеспечить некоторые ориентиры, но в конечном счёте Lab должна решить, что измерять и как. Некоторые бенчмарки будут объективными (у Anthropic есть руководство по бенчмаркингу, которое может стать отправной точкой), но также нормально, если некоторые сложные бенчмарки будут «исключительно по ощущениям», основанными на опыте. Например, я «vibe-бенчмаркнул» Manus, ИИ-агента на базе Claude, на способности анализировать новые стартапы, дав ему сложное задание и оценив результаты. Я дал ему короткое описание вымышленного стартапа и подробный набор прогнозируемых финансовых показателей в Excel-файле. Эти материалы взяты из сложной бизнес-симуляции, которую мы построили в Wharton (и никогда не публиковали онлайн), и которая требовала десятков часов работы команд студентов. Мне было любопытно, разберётся ли ИИ. В качестве ориентира я дал ему чек-лист элементов бизнес-модели для анализа, и больше ничего.
In just a couple of prompts, Manus developed a website, a PowerPoint pitch deck, an analysis of the business model, and a test of the financial assumptions based on market research. You can see it at work here. In my evaluations of the work, the 45 page business model analysis was very solid. It was not completely free from mistakes, but has far less mistakes, and is far more thorough, than what I would expect from talented students. I also got an initial draft website, the requested PowerPoint, and a Deep Dive in financial assumptions. Looking through these helped me find weak spots — image generation, a tendency to extrapolate answers without asking me — and strong ones. Now, every time a new agentic system comes out, I can compare it to Manus and see where things are heading.
Всего за пару промптов Manus разработал сайт, презентацию PowerPoint, анализ бизнес-модели и проверку финансовых допущений на основе рыночного исследования. Вы можете увидеть его работу здесь. В моих оценках работы 45-страничный анализ бизнес-модели был очень солидным. Он не был полностью свободен от ошибок, но содержит гораздо меньше ошибок и гораздо более тщательный, чем то, что я бы ожидал от талантливых студентов. Я также получил первоначальный черновик сайта, запрошенную презентацию PowerPoint и глубокий разбор финансовых допущений. Просмотр этого помог мне найти слабые места — генерацию изображений, склонность экстраполировать ответы, не спрашивая меня, — и сильные стороны. Теперь каждый раз, когда выходит новая агентная система, я могу сравнить её с Manus и увидеть, куда движется дело.
Go beyond benchmarks to build stuff that doesn’t work… yet. What would it look like if you used AI agents to do all the work for key business processes? Build it and see where it fails. Then, when a new model comes out, plug it into what you built and see if it is any better. If the rate of advancement continues, this gives you the opportunity to get a first glance at where things are heading, and to actually have a deployable prototype at the first moment AI models improve past critical thresholds.
Build provocations. Many people haven't truly engaged with AI's potential. Demos and visceral experiences that jolt people into understanding how AI could transform your organization, or even make them a little uncomfortable, have immense value in sparking curiosity and overcoming inertia. Show what seems impossible today but might be commonplace tomorrow.
Идти дальше бенчмарков и строить то, что пока не работает. Как бы это выглядело, если бы вы использовали ИИ-агентов для выполнения всей работы по ключевым бизнес-процессам? Постройте это и посмотрите, где оно сломается. Затем, когда выйдет новая модель, подключите её к тому, что вы построили, и посмотрите, стало ли лучше. Если темпы прогресса сохранятся, это даёт вам возможность первыми увидеть, куда движется дело, и иметь готовый к развёртыванию прототип в самый первый момент, когда ИИ-модели улучшатся за критические пороги. Строить провокации. Многие люди по-настоящему не сталкивались с потенциалом ИИ. Демонстрации и осязаемые опыты, которые встряхивают людей и заставляют их понять, как ИИ может трансформировать вашу организацию, или даже немного выводят их из зоны комфорта, имеют огромную ценность для пробуждения любопытства и преодоления инерции. Покажите то, что сегодня кажется невозможным, но завтра может стать обыденностью.
Re-examining the organization
Пересмотр организации
The truth is that even this framework might not be enough. Our organizations, from their structures to their processes to their goals, were all built around human intelligence because that's all we had. AI alters this fundamental fact, we can now get intelligence, of a sort, on demand, which requires us to think more deeply about the nature of work. When research that once took weeks now takes minutes, the bottleneck isn't the research anymore, it's figuring out what research to do. When code can be written quickly, the limitation isn't programming speed, it's understanding what to build. When content can be generated instantly, the constraint isn't production, it's knowing what will actually matter to people.
Правда в том, что даже этого фреймворка может быть недостаточно. Наши организации — от их структур до процессов и целей — были построены вокруг человеческого интеллекта, потому что это всё, что у нас было. ИИ изменяет этот фундаментальный факт: теперь мы можем получать интеллект, в некотором роде, по запросу, что требует от нас глубже задуматься о природе работы. Когда исследование, которое раньше занимало недели, теперь занимает минуты, узкое место — уже не само исследование, а понимание того, какое исследование проводить. Когда код можно написать быстро, ограничение — это не скорость программирования, а понимание того, что строить. Когда контент можно генерировать мгновенно, ограничение — не производство, а знание того, что действительно будет важно людям.
And the pace of change isn't slowing. Every few months (weeks? days?) we see new capabilities that force us to rethink what's possible. The models are getting better at complex reasoning, at working with data, at understanding context. They're starting to be able to plan and act on their own. Each advance means organizations need to adapt faster, experiment more, and think bigger about what AI means for their future. The challenge isn't implementing AI as much as it is transforming how work gets done. And that transformation needs to happen while the technology itself keeps evolving.
И темпы изменений не замедляются. Каждые несколько месяцев (недель? дней?) мы видим новые возможности, которые заставляют переосмысливать, что возможно. Модели становятся лучше в сложных рассуждениях, в работе с данными, в понимании контекста. Они начинают уметь самостоятельно планировать и действовать. Каждое продвижение означает, что организациям нужно адаптироваться быстрее, экспериментировать больше и мыслить шире о том, что ИИ значит для их будущего. Вызов состоит не столько во внедрении ИИ, сколько в трансформации того, как выполняется работа. И эта трансформация должна происходить, пока сама технология продолжает развиваться.
The key is treating AI adoption as an organizational learning challenge, not merely a technical one. Successful companies are building feedback loops between Leadership, Lab, and Crowd that let them learn faster than their competitors. They are rethinking fundamental assumptions about how work gets done. And, critically, they're not outsourcing or ignoring this challenge.
Ключ в том, чтобы рассматривать внедрение ИИ как вызов организационного обучения, а не просто технический. Успешные компании выстраивают петли обратной связи между Leadership, Lab и Crowd, которые позволяют им учиться быстрее своих конкурентов. Они переосмысливают фундаментальные предположения о том, как выполняется работа. И, что критически важно, они не отдают этот вызов на аутсорсинг и не игнорируют его.
The time to begin isn't when everything becomes clear - it's now, while everything is still messy and uncertain. The advantage goes to those willing to learn fastest.
Время начинать — не когда всё прояснится, а сейчас, пока всё ещё хаотично и неопределённо. Преимущество достаётся тем, кто готов учиться быстрее всех.
When I talk to companies, the General Counsel's office is often the choke point that determines AI success. Many firms still ban AI use for outdated privacy reasons (no major model trains on enterprise or API data, and you can get fully HIPAA etc. compliant versions). While no cloud software is without risk, there are risks in not acting: shadow AI use is nearly universal, and all of the experimentation and learning is kept secret when the company doesn’t allow AI use. Fortunately, there are lots of role models to follow, including companies in heavily regulated industries that are adopting AI across all functions of their firm.
Когда я говорю с компаниями, офис General Counsel часто оказывается узким местом, определяющим успех ИИ. Многие фирмы по-прежнему запрещают использование ИИ по устаревшим причинам приватности (ни одна крупная модель не обучается на корпоративных данных или данных API, и можно получить полностью HIPAA-совместимые и т. п. версии). Хотя любое облачное ПО не лишено рисков, есть риски и в бездействии: теневое использование ИИ почти повсеместно, и все эксперименты и обучение остаются в секрете, когда компания не разрешает использование ИИ. К счастью, есть множество образцов для подражания, включая компании в строго регулируемых отраслях, которые внедряют ИИ во все функции своей фирмы.