ИИ не отменил внедрение

Когда люди обсуждают ИИ, легко уйти в крайность.

С одной стороны, есть скептики, которые заранее считают всё шумихой. С другой - люди, которые видят в ИИ почти готовую управленческую систему: подключили модель, дали ей данные, и она сама начала помогать принимать решения.

Меня здесь интересует не спор о том, насколько сильны современные модели. Они уже достаточно сильны, чтобы менять работу компаний. Меня интересует другое: почему вокруг ИИ снова появляется старая управленческая иллюзия.

Иллюзия звучит так: новая технология снимет с нас грязную работу внедрения.

Не снимет.

Почему я начал думать об этом через военный пример

В публичном пространстве в 2026 году активно обсуждалась история вокруг Claude, Anthropic, Maven и военного применения ИИ в США. Для моей темы здесь важна не политика и не оценка конкретных военных решений. Важен управленческий слой.

Есть несколько публичных источников, на которые можно опираться аккуратно.

Washington Post писала, что Maven Smart System, построенная Palantir и связанная с Claude, помогала в реальном времени с выбором целей и расстановкой их по важности в операции против Ирана. По данным издания, в процессе подготовки удара Maven предлагала сотни целей, точные координаты и порядок приоритетов.

Источник: https://www.washingtonpost.com/technology/2026/03/04/anthropic-ai-iran-campaign/

Anthropic в официальном заявлении Дарио Амодеи писала, что Claude широко используется в военном ведомстве США и других структурах национальной безопасности: для анализа разведданных, моделирования, планирования операций, задач в области кибербезопасности и других критически важных применений. Там же отдельно сказано, что военные решения принимает не частная компания, а государственный орган.

Источник: https://www.anthropic.com/news/statement-department-of-war

The Verge в большом материале о военном применении ИИ отдельно разбирает, как такие системы сокращают цикл принятия решений и как даже не полностью автономные решения могут уменьшать реальный объём человеческой проверки. В этом контексте приводится мысль, что Maven Smart System изначально снижает число людей в цепочке выбора целей, а большой объём целей может затруднять осмысленный человеческий надзор.

Источник: https://www.theverge.com/ai-artificial-intelligence/937028/military-ai-warfare-red-lines

Это не даёт права писать, что “ИИ сам принял решение”. Я не нашёл надёжного публичного подтверждения, что человек был полностью исключён из цепочки. Но этого и не нужно для управленческого вывода.

Достаточно другого факта: ИИ вошел в контур, где появляются варианты решений, координаты, приоритеты, скорость, сценарии и зависимость людей от системы.

И вот здесь начинается управленческий вопрос.

Где подсказка превращается в делегирование

В одном из публичных видео, где обсуждалось военное применение ИИ, прозвучала жёсткая формулировка: ИИ начали воспринимать “как участника штаба”, хотя он должен оставаться подсказчиком. Там же отдельно проговаривалась важная граница: ответ ИИ должен дальше обработать человек, а за решение должен отвечать конкретный человек.

Я не могу и не хочу выдавать эту формулировку за установленный факт по конкретной операции. Это мнение участника публичного обсуждения. Но как управленческая формула оно очень точное.

Проблема не в том, что ИИ предложил сценарии.

Проблема начинается там, где человек перестаёт видеть разницу между:

• “система предложила вариант”;
• “я проверил вариант”;
• “я понял ограничения данных”;
• “я сопоставил это с контекстом”;
• “я принял решение и отвечаю за него”.

В бизнесе эта граница размывается ещё быстрее, потому что цена ошибки обычно кажется ниже. Не ракеты, не война, не национальная безопасность. Просто продажи, CRM, звонки, отчёты, менеджеры, потенциальные клиенты.

Но логика та же.

Система предложила. Руководитель устал. Команда хочет быстрый ответ. Все ждут, что ИИ “сейчас скажет, что делать”.

Так подсказка становится способом не думать.

ИИ требует старого внедрения, а не новой веры

Официальные документы Минобороны США как раз интересны тем, что в них нет ощущения магической кнопки.

В стратегии внедрения данных, аналитики и искусственного интеллекта Пентагон описывает ИИ через преимущество в принятии решений. Но вокруг этого стоит не одна модель, а целая управленческая среда: данные, аналитика, правила управления, проверка надёжности, ответственное применение ИИ, инфраструктура, люди и барьеры в правилах.

Источник: https://media.defense.gov/2023/Nov/02/2003333300/-1/-1/1/DOD_DATA_ANALYTICS_AI_ADOPTION_STRATEGY.PDF

В этических принципах Минобороны США названы пять требований: ответственность, справедливость, прослеживаемость, надёжность и управляемость. Для бизнеса особенно важны три последних слова. Система должна быть прослеживаемой, надёжной и управляемой, а не просто убедительной на вид.

Источник: https://www.war.gov/News/News-Stories/Article/Article/2094085/dod-adopts-5-principles-of-artificial-intelligence-ethics/

Набор инструментов ответственного ИИ от CDAO описывает внедрение ИИ как процесс на всём жизненном цикле: нужно выявлять, отслеживать и улучшать соответствие проектов с ИИ практикам ответственного применения.

Источник: https://www.ai.mil/Latest/Blog/Article-Display/Article/3940314/responsible-ai-toolkit/

GAO ещё в 2022 году писало, что Минобороны США нужно улучшать стратегии, роли, ответственность, ресурсы и учёт работ с ИИ.

Источник: https://www.gao.gov/products/gao-22-105834

Это важнее любых громких заголовков.

Даже там, где ИИ внедряется в высокорисковой среде, вопрос не сводится к модели. Вопрос в управлении: какие данные используются, кто отвечает, где границы применения, как проверяется вывод, кто калибрует систему, что делать при низкой уверенности.

Почему это касается обычной компании

В бизнесе мы видим ту же закономерность.

Человек слышит, что ИИ помогает анализировать разведданные, строить сценарии, искать закономерности, поддерживать планирование. И делает естественный вывод: значит, можно дать ИИ нашу базу, CRM, звонки, задачи, сценарии продаж, продуктовые документы - и получить корпоративную систему принятия решений.

На уровне идеи это звучит логично.

Но между идеей и рабочей системой лежит внедрение.

Нужно понять:

• какие данные вообще можно считать качественными;
• какие звонки отражают хорошую практику, а какие просто привычку менеджера;
• кто задаёт критерии оценки;
• кто проверяет спорные случаи;
• кто отвечает за ошибочный вывод;
• как сотрудники будут пользоваться системой не один день, а постоянно;
• где ИИ должен остановиться и вернуть решение человеку.

Именно это большинство людей пропускает.

Не потому что они глупые. А потому что ИИ выглядит слишком убедительно.

Где здесь наш продуктовый вывод

Мы в Дожми Продажи строим продукт ровно в этом конфликте.

У нас тоже был этот соблазн: сделать “волшебную палочку”, где ИИ сам нашёл проблему, сам написал менеджеру следующий шаг и сам объяснил руководителю, что делать.

На бумаге это выглядит красиво. В продаже звучит проще. И мы не просто один раз подумали об этом и отказались. Мы проверяли эту рамку много раз - в разных формулировках, сценариях и заходах. По ощущениям, почти сотню раз.

Каждый раз упирались в одно и то же: если ИИ выдаёт готовое действие без понятного основания, у руководителя не появляется доверие, а у команды не появляется управляемость. Получается не внедрение, а ещё один уверенный слой поверх старого хаоса.

Если следующий шаг рождается из общей фантазии модели, продукт быстро начнёт выдумывать. Если модель говорит слишком уверенно, руководитель перестаёт проверять. Если менеджер получает готовое действие без основания, он не учится понимать ситуацию. Если система не показывает, на чём основан вывод, доверие ломается после первой серьёзной ошибки.

Поэтому мы ушли от этой логики.

Сначала факт из коммуникации. Потом гипотеза. Потом калибровка. Потом подтверждённая закономерность. И только после этого - рекомендованный следующий шаг.

Не ИИ вместо руководителя.

ИИ как инструмент, который помогает руководителю быстрее увидеть реальность и принять решение на более ясном основании.

Вывод

ИИ не отменил внедрение.

Он не отменил процесс, данные, ответственность, обучение, сопротивление и контроль. Наоборот, он сделал всё это важнее.

Потому что раньше плохая CRM просто давала плохой отчёт. Плохая таблица давала плохую таблицу. А плохо внедрённый ИИ может дать плохой вывод очень уверенным голосом.

Именно поэтому главный вопрос уже не “может ли ИИ помочь”.

Может.

Главный вопрос другой: кто проверяет его вывод, на каких данных он построен и где решение возвращается человеку?

В следующей статье я разберу, почему даже умные сотрудники, вдохновившись ИИ, начинают фантазировать про корпоративный мозг - и почему это не глупость, а естественная ошибка человека, который ещё не проходил реальное внедрение.