В номере Harvard Business Review за сентябрь-октябрь 2026 вышла статья How AI Agents Orchestrate Work Across Silos, которую я перечитал 2 раза: она почти слово в слово описывает то, с чем я весь последний год сталкиваюсь у клиентов. Kris Johnson Ferreira из Harvard Business School и Jordan Tong из Wisconsin School of Business изучали, как AI-агентов внедряют Walmart, Amazon, Ericsson и ещё несколько крупных компаний. Вывод у них простой: агентов настроили почти все, а решения в компании быстрее приниматься не стали.
Где застревает решение: пример из статьи HBR
Сценарий из статьи: руководитель компании хочет закупить товар заранее, до того как вступит в силу новая пошлина. Формально ответ очевиден: закупать. На практике решение ходит по кругу между закупками, логистикой, финансами, юристами, маркетингом и продажами, и после всех согласований и компромиссов компания делает набор половинчатых шагов и не успевает завезти до пошлины большую часть товара.
Это знакомо любому бизнесу, потому что у каждого отдела есть кусок информации, которого нет у остальных. Логистам некуда ставить товар, у финансистов не сходится оборотный капитал, а продажи видят, что часть ассортимента и так уходит плохо. Каждый по отдельности прав, и решение всё равно не принимается вовремя.
Почему AI-агенты не ускоряют решения на стыке отделов
Компании ставят на это всё больше AI-инструментов: бот суммирует переписку, модель прогнозирует спрос, агент проверяет договоры, и каждый по отдельности работает хорошо. Но авторы статьи показывают, что самые дорогие решения в компании почти никогда не помещаются в рамки одной задачи. Они собираются из результатов десятка мелких задач в разных отделах, и эту сборку никто не автоматизировал, потому что раньше её вообще никто явно не делал. Она существовала как переписка, созвоны и память отдельных людей.
Что такое оркестрация AI-агентов и нужна ли она среднему бизнесу
Оркестрация AI-агентов это слой поверх отдельных агентов, который собирает их результаты в одно решение и вытягивает из людей то, что знают только они. Для компании уровня Walmart исследователи описывают его как коннекторы, которые проверяют результат одного агента по правилам менеджера и передают дальше, и мастер-оркестратор, с которым сотрудники общаются, чтобы добавить в систему своё знание. Разделение труда при этом такое:
- AI проводит анализ, передаёт информацию между отделами и показывает, чем придётся пожертвовать в каждом варианте.
- Человек добавляет контекст и неявное знание, задаёт рамки и принимает окончательное решение.
Для компании на 50-150 человек строить такую архитектуру не нужно, это оверинжиниринг. Но диагноз в статье подходит бизнесу любого размера: решения тормозят не из-за бюрократии и не потому, что кто-то плохо работает. Они тормозят, потому что информация физически разбросана по головам разных людей и никто не собирает её в одном месте вовремя.
Когда сотруднику вмешиваться в решения AI-агента
Отдельно в статье есть эксперимент, который лично мне важнее архитектуры оркестраторов. Авторы проверяли, когда сотрудники должны вмешиваться в решения AI-агента, а когда нет. Оказалось, что люди обычно формируют общее доверие или недоверие к агенту и потом применяют его ко всем ситуациям подряд, хотя спрашивать себя надо каждый раз об одном: знаю ли я сейчас что-то, чего агент не знает и не может узнать из своих данных. Качество результата определяет именно этот вопрос, и заменить его не может ни общая настороженность к AI, ни общая вера в него.
Как найти место, где агенту нужен человек
На практике это переводится в простое упражнение, которое я теперь прошу делать перед запуском любого агента у клиента:
- Берём процесс, который хотим автоматизировать.
- Честно выписываем, какая часть решения держится не в CRM, не в 1С и не в таблице, а в голове конкретного человека.
- Ставим человека в процесс только в этих точках, остальное отдаём агенту.
Например, менеджер знает, что с одним поставщиком по телефону можно договориться на скидку, если взять больше, а в базе этого нет и никогда не будет. Вот в этом месте, и только в этом, агенту нужен человек. Схема, где менеджер проверяет каждый ответ бота, встречается часто, но она про другое: человеку в процессе нужна конкретная точка, где у него объективно есть информация, которой у машины нет. Как заранее посчитать, окупится ли такой агент, разобрано в статье когда ИИ-агент окупается.
С чего мы начинаем проект с AI-агентом
У нас в IT LIGHT пока нет своего исследовательского отдела и доступа к полевым данным Walmart и Amazon, как у авторов HBR. Зато есть практика: когда мы берёмся за AI-агента для клиента, первым делом выясняем, где именно в этом процессе решение стопорится сейчас и почему, а выбор модели откладываем на потом. Обычно ответ находится за один созвон, и уже он определяет, что автоматизировать в первую очередь.
Если у вас уже работают несколько ботов и агентов, а решения на стыке отделов по-прежнему ждут общего созвона, начнём с разбора одного такого процесса. Отметим точки, где решение держится на знании конкретного человека, автоматизируем всё вокруг них и запустим пилот ИИ-агента на одном процессе: от 130 000 ₽ за 2-3 недели. А если по итогам разбора окажется, что агент тут не нужен, так и скажем.
