В свежем номере Harvard Business Review, сентябрь-октябрь 2026, вышла статья, которую я перечитал два раза, потому что 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 несколько лет наблюдали, как крупные компании вроде Walmart, Amazon и Ericsson внедряют AI-агентов, и вывод у них простой: агентов настроили почти все, а решения в компании быстрее приниматься не стали.
Пример из статьи: компании нужно решить, закупать ли партию комплектующих заранее, до того как поставщик поднимет цены. Формально ответ очевиден: закупить. На практике решение застревает на недели между закупками, логистикой, финансами и продажами, потому что у каждого отдела есть кусок информации, которого нет у остальных. У логистов нет места на складе. У финансистов не сходится оборотный капитал. У продаж есть данные, что часть ассортимента и так плохо продаётся. Каждый по отдельности прав, а решение всё равно не принимается вовремя.
Компании ставят на это всё больше AI-инструментов: бот суммирует переписку, модель прогнозирует спрос, агент проверяет договоры. 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 вот эту сборку никто не автоматизировал, потому что раньше её вообще никто явно не делал. Она просто существовала как переписка, созвоны и память отдельных людей.
Решение, которое предлагают исследователи, для компании вроде Walmart выглядит как отдельный слой AI поверх остальных агентов: "коннекторы", которые проверяют результат одного агента по правилам менеджера и передают дальше, и "мастер-оркестратор", с которым сотрудники общаются, чтобы добавить в систему то, что знают только они. Для компании на 50-150 человек строить такую архитектуру не нужно, это оверинжиниринг. Но диагноз в статье универсален для бизнеса любого размера: решения тормозят не из-за бюрократии и не потому что кто-то плохо работает. Тормозят потому что информация физически разбросана по головам разных людей, и никто не собирает её в одном месте вовремя.
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, вместо того чтобы каждый раз спрашивать себя: знаю ли я сейчас что-то, чего агент не знает и не может узнать из своих данных. Именно это правило, а не общая настороженность или общая вера в AI, определяет качество результата.
На практике это переводится в простое упражнение, которое я теперь прошу делать перед запуском любого агента у клиента. Берём процесс, который хотим автоматизировать, и честно выписываем: какая часть решения держится не в CRM, не в 1С и не в таблице, а в голове конкретного человека. 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 месте, агенту нужен человек. Не "менеджер проверяет каждый ответ бота", как делают в половине компаний, с которыми мы работали, а конкретная точка, где у человека объективно есть информация, которой у машины нет.
У нас в IT LIGHT пока нет своего исследовательского отдела и статистики по тысячам компаний, как у авторов HBR. Зато есть практика: когда мы берёмся за AI-агента для клиента, первый вопрос не "какую модель ставим", а "где именно в этом процессе решение стопорится сейчас и почему". Обычно ответ находится за один созвон, и уже он определяет, что автоматизировать в первую очередь.