Руководитель клиентского сервиса, который никогда в жизни не писал код, за один пятничный вечер собрал полноценную систему мониторинга всех проектов компании - с дашбордом, приоритетами, алертами и автоматическими отчётами. Получилось это не потому, что он внезапно стал программистом, а потому что он работает в компании, где у каждого сотрудника есть собственный AI-агент с доступом ко всей базе знаний, ко всем процессам и данным - и где вместо Confluence используется единая рабочая папка из текстовых файлов, а правило “запускать проекты вручную запрещено” действует буквально, без исключений.
В этой компании всего 40 человек, ни одного ассистента, при этом 4% фонда оплаты труда уходит на токены для AI-агентов - и тем же составом они обслуживают в 3-10 раз больше клиентов, чем год назад.
Я решил разобраться, как именно устроены компании, которые растут на AI в разы каждый год - не те, кто просто “внедряет инструменты”, а те, кто по-настоящему перестроил саму операционную систему своего бизнеса. Для этого я изучил 16 компаний с совокупной выручкой в миллиарды долларов, а заодно подробно разобрал опыт одной команды из 40 человек, которая прошла этот путь за пять месяцев. Вот что из этого получилось.
Почему “мы используем AI” - это ещё не AI-native компания
Подавляющее большинство компаний в 2026 году так или иначе “используют AI” - купили корпоративный ChatGPT, провели пару воркшопов, назначили кого-то ответственным и, может быть, даже запустили пилотные проекты. Однако между “мы используем AI” и “мы AI-native компания” лежит примерно такая же пропасть, как между “у нас есть сайт” в 2005-м и “мы цифровой бизнес” в 2015-м - одно слово, а результаты отличаются в разы.
Что делает обычная компания:
- Покупает лицензии на AI-инструменты
- Обучает сотрудников “писать промпты”
- Создаёт рабочую группу по AI
- Ждёт, когда “технология дозреет”
Что делает AI-native компания:
- Перестраивает оргструктуру вокруг агентов
- Отказывается от Confluence в пользу единой рабочей папки
- Запрещает ручной запуск повторяемых процессов
- Меряет расходы на AI в процентах от фонда оплаты труда
Bret Taylor - сооснователь Sierra, председатель совета директоров OpenAI, человек, который создал Google Maps и кнопку Like в Facebook - формулирует суть этого различия одной фразой: “Атомарная единица продуктивности в AI - это процесс, а не человек”.
Большинство компаний пытаются “усилить сотрудников”, дав каждому персональный чатбот, но настоящий рычаг не в том, чтобы каждый работал на двадцать процентов быстрее, а в том, чтобы целые процессы, которые раньше занимали недели, укладывались в часы. Возьмём, к примеру, подключение нового поставщика: юристы готовят договор, финансы согласовывают условия, IT подключает к системам, бизнес контролирует - обычно на это уходит семнадцать дней. В AI-native компании тот же процесс занимает семнадцать часов, и не потому что каждый отдел стал быстрее, а потому что AI-агент ведёт весь процесс сквозь отделы, тогда как люди только проверяют и подтверждают ключевые решения.
У Taylor есть ещё одно точное наблюдение: “Большие компании не могут внедрить AI, потому что они отгружают свои оргструктуры”. Каждый отдел автоматизирует свой кусочек, однако сквозного процесса так и не возникает - тогда как в AI-native компании процесс первичен, а оргструктура подстраивается под него.
Итак, процессы важнее инструментов - но с чего конкретно начать? Все AI-native компании, которые я разбирал, начинают с одного и того же шага, причём он неожиданный, болезненный и при этом оказывается самым быстрым способом сдвинуться с места: они отказываются от корпоративной wiki.
Почему компании отказываются от Confluence в пользу единой рабочей папки
Один инженер на Medium описал момент, когда для него всё щёлкнуло: он одиннадцать минут искал тикет PLAT-4892, перебирая три доски задач и две категории, пробираясь через кладбище задач со статусом “На проверке” от людей, которые давно про них забыли. Когда наконец нашёл - в описании было написано “fix the thing”. После этого он массово удалил 4 200 тикетов и перешёл на один markdown-файл, и компания успешно масштабировалась до 50 инженеров на этом подходе.
The Concurrent Mind · Medium
"Я одиннадцать минут искал один тикет. Перебрал три доски, две категории и кладбище задач со статусом 'На проверке' от людей, которые давно про них забыли. Когда нашёл - в описании было 'fix the thing'. После этого я удалил все 4 200 задач из JIRA и перешёл на один markdown-файл."
Звучит радикально, однако в AI-native компаниях это уже стандарт. Поскольку Confluence изначально создавался для людей, а текстовые файлы в формате markdown одинаково хорошо читают и люди, и AI-агенты, переход на них становится естественным шагом - когда вся компания живёт в одной папке с текстовыми файлами, любой агент за секунды находит нужный контекст, тогда как с Confluence пришлось бы продираться через API, разметку и права доступа.
Этот тренд уже пошёл на корпоративном уровне: компания на 420 человек заменила Confluence и Google Docs на единую базу знаний за восемь недель, а WikiTraccs - инструмент миграции с Confluence - сообщает, что их клиенты массово переходят на текстовый подход. Причины в целом одни и те же: привязка к одному поставщику, растущие расходы на лицензии, и самое главное - необходимость кормить данными AI-решения, для чего Confluence попросту не приспособлен.
Чтобы понять, как это выглядит на практике, стоит посмотреть на устройство единой рабочей папки в компании Plurio AI, где больше 30 человек работают именно так прямо сейчас.
В корне лежит файл AGENTS.md - это центральный навигатор, главная инструкция, которая говорит любому агенту: “иди в маркетинг, возьми профили клиентов” или “иди в продажи, подтяни воронку”. Каждый отдел представлен отдельной папкой со своими правилами, но при этом все видят одну и ту же структуру.
Каждый сотрудник скачивает себе этот шаблон, а дальше подключает отдельные репозитории по отделам - маркетинг, продукт, инженерия - которые синхронизируются через GitHub.
| Кто | Чтение | Запись |
|---|---|---|
| Все сотрудники | Всё (все репозитории) | Свой отдел |
| Разработчики | Всё | Код + свой отдел |
| Маркетинг | Всё | Только marketing/ |
| AI-агенты | Всё (весь контекст) | По правилам из центрального навигатора |
"Я видел миллион компаний - один отдел что-то делает, остальные понятия не имеют."
— Сева Устинов, Plurio AI
| Каждый сам по себе (как обычно) | Единая база (AI-native) |
|---|---|
| Один отдел что-то сделал - остальные не знают | Единое дерево - все видят всё |
| Знания в головах людей | Знания в системе |
| Новый сотрудник: “спроси кого-нибудь” | Новый сотрудник: “прочитай дерево” |
| Контекст теряется между проектами | Решения прослеживаемы |
Важно отметить, что этот подход не привязан к конкретному инструменту - принципы единой папки были сформулированы ещё до появления Claude Code, а когда он вышел, его просто запустили на той же структуре, и всё заработало из коробки. Cursor, Claude Code - одна папка, один контекст.
Похожим путём пошла Fora - travel-tech компания, которая после раунда на $60M скормила AI девяносто дней логов из Slack и обнаружила картину, которую никто не видел невооружённым глазом:
(3-4 дня → 1 час)
были пустыми согласованиями
"озарение" за 1 день
AI проанализировал паттерны коммуникации и предложил простой, но действенный фреймворк: для каждого решения явно назначается, кто решает, кто делает и кого просто ставят в известность. В результате количество тредов упало, а скорость принятия решений заметно выросла.
"Если бы мне надо было делать это вручную, ушло бы три-четыре дня. С этим подходом - около часа."
— Data Science Lead, Fora
По сути, Confluence - это система хранения знаний, тогда как единая рабочая папка - это операционная система компании, и разница между ними примерно такая же, как между архивом документов и работающим компьютером.
Впрочем, перестроить рабочее пространство - это только фундамент, потому что дальше начинается самое интересное: как перевести туда живых людей, которые привыкли работать совершенно по-другому.
Как перейти за пять месяцев вместо восемнадцати
Классический подход к подобным переходам выглядит знакомо: консультанты, дорожная карта на 18 месяцев, пилотные проекты, рабочие группы. Проблема в том, что к моменту, когда пилот наконец одобрен, технология успевает уйти на два поколения вперёд.
В компании, которую я разбирал, весь переход занял пять месяцев - три из них ушли на ввод людей в работу, а оставшиеся два на автоматизацию процессов.
В этом таймлайне есть четыре ключевых момента, каждый из которых стоит разобрать подробнее.
1. Всё начинается с руководителя - без исключений.
"В каждом успешном кейсе, который я видел, это начиналось с основателя. Истории 'найму архитектора, он сделает переход' - не работают."
— Сева Устинов, Plurio AI
Это наблюдение далеко не уникальное. В апреле 2025 Тоби Лютке, глава Shopify - компании стоимостью $150 миллиардов - разослал внутренний меморандум под красноречивым заголовком: “Использование AI теперь - базовое ожидание”.
"Прежде чем просить новых людей и ресурсы, команды должны доказать, почему они не могут сделать это с помощью AI."TLTobi Lütke @tobi · CEO Shopify · апрель 2025
Использование AI вошло в систему оценки сотрудников и в процесс согласования найма: хочешь нового человека в команду - сначала покажи, что AI не справляется с задачей. Лютке описал результат так: “Я видел, как эти люди берутся за невероятные задачи - такие, за которые мы раньше даже не взялись бы - и делают в 100 раз больше с помощью AI”.
2. Два часа лично с каждым - и никаких вебинаров.
Руководитель операционного отдела провёл с каждым сотрудником индивидуальный созвон на один-два часа - не вебинар на 200 человек, не рассылку с инструкцией, а личный разговор: “вот как это работает, вот как это поможет конкретно тебе”.
Параллельно с этим каждые две недели проходил обмен кейсами: кто что сделал, что получилось, что нет. Через двенадцать недель люди начали приходить с собственными запросами, причём уже не “научите меня”, а “хочу автоматизировать вот это”.
3. Закрыть старые инструменты - без запасного выхода.
"Мы закрыли доступ к Confluence. Никакой постепенной миграции. Если тебе нужна информация - она в новой системе. Точка."
— Сева Устинов, Plurio AI
Это решение, которое нельзя откатить, и на его реализацию ушло четыре-пять недель. Многие сопротивлялись, но практика показывает, что двойная система - когда часть данных лежит в старом инструменте, а часть в новом - в конечном счёте убивает оба. Люди адаптируются тогда, когда альтернативы не остаётся.
4. Переломный момент - когда не-программист строит систему за один вечер.
Пятница, вечер. Руководитель клиентского сервиса, который никогда не писал код, за шесть часов построил полноценную систему мониторинга всех проектов - с приоритетами, задачами и статусами. Раньше для того, чтобы просто понять, что происходит, нужно было два часа разговаривать с менеджером, а теперь достаточно одного запроса.
трансформированы
(были, убрали)
на токены
клиентов
Кроме того, руководитель сделал один из самых неочевидных ходов: поменял местами тимлида и его подчинённого. Подчинённый активно использовал AI, тогда как тимлид сопротивлялся, и после перестановки оба остались довольны - конфликта не возникло. В AI-native компании ценится не стаж, а умение работать с агентами.
Однако перестроить команду - это ещё не всё, потому что когда люди научились работать с агентами, неизбежно встаёт следующий вопрос: как превратить отдельные победы в устойчивую систему?
Как один текстовый файл на 200 строк заменяет процессный регламент
Обычный ответ на вопрос “как систематизировать процессы” звучит знакомо: “напишем регламент” - документ на 50 страниц, который описывает каждый шаг. Проблема в том, что такой регламент написан для людей, а нужно, чтобы его мог прочитать и исполнить агент.
Вместо регламента используется один файл на примерно 200 строк - так называемый Master Skill, инструкция, которая описывает полный цикл запуска клиентского проекта от первого контакта до работающей системы.
Суть Master Skill в том, что он связывает маленькие навыки в цепочку - каждый из них выполняет одно конкретное действие, а Master Skill задаёт агенту порядок запуска, определяет, что нужно проверить на каждом шаге и в какой момент следует позвать человека.
(первые 80%)
на ту же команду
запусков
запуска
"Запускать проекты вручную теперь запрещено. Идём по навыку, спотыкаемся, чиним, улучшаем. Продуктовая и интеграционная команды объединились вокруг одного агента."
— Сева Устинов, прямой эфир 10 апреля 2026
“Спотыкаемся, чиним, улучшаем” - это ключевая фраза, потому что Master Skill не является статичным документом. Каждый раз, когда агент не справляется с очередным шагом, команда разбирается в причинах и обновляет навык, благодаря чему знания постепенно накапливаются в системе, а не в головах конкретных людей.
Вместе с тем это решает одну из самых больных проблем любого бизнеса - зависимость от конкретных людей. Раньше, когда уходил ключевой сотрудник, вместе с ним уходило и знание о том, как запускать проекты. С Master Skill это знание закодировано в файле: новый человек подключает агента к тому же навыку и начинает работать с первого дня.
Но всё, о чём мы говорили до сих пор - это внутренняя история, то, как компания работает быстрее. А есть и внешняя: как именно AI-native компании растут. И вот тут начинаются самые интересные цифры.
Какие закономерности объединяют компании с миллиардной выручкой
Чтобы понять, как устроен рост AI-native компаний, я изучил исследование 16 самых быстрорастущих AI-компаний, сфокусированное на корпоративных продажах.
| Компания | Сфера | Ключевая метрика |
|---|---|---|
| Sierra | Клиентский сервис | ~$150M+ годовой выручки за 24 мес |
| Harvey | Юридический AI | $190M годовой выручки, оценка $11 млрд |
| Glean | Корпоративный поиск | $200M, удвоение за 9 мес |
| Gong | Аналитика продаж | $300M+, удержание выручки 140% |
| Writer | Корпоративный AI-контент | Удержание выручки 209% |
| Hebbia | Финансовая аналитика | 9 из 10 крупнейших фондов США |
| Abridge | Медицинская документация | Оценка $5.3 млрд |
| Decagon | Поддержка клиентов | $35M выручки, оценка $4.5 млрд |
| Moveworks | IT-поддержка | 250M+ обработанных заявок |
| + ещё 7 | Ramp, Wiz, Deel, Legora, Incident.io, Intercom/Fin, Listen Labs |
Из этих данных вырисовываются семь устойчивых закономерностей.
Закон 0: Создать такой разрыв в ценности, чтобы спорить было бессмысленно (100% компаний)
Все шестнадцать компаний объединяет одно: они не просто “немного улучшают” существующий процесс, а создают разрыв в стоимости настолько огромный, что клиенту даже не приходится долго думать - он видит цифры и понимает, что отказаться было бы абсурдно.
снижение в 13 раз
разница на порядок
Закон 1: Начинать с одного процесса и показать результат за четыре недели (94%)
Пятнадцать из шестнадцати компаний начинали не с “масштабного внедрения AI по всей организации”, а с одного-единственного процесса, в котором результат можно увидеть быстро. Harvey взялся за проверку юридических документов, Sierra - за обработку клиентских обращений, Abridge - за запись врачебных приёмов. Логика тут проста и неизменна: берёшь один процесс, показываешь измеримый результат за четыре недели, и только после этого расширяешь на остальные.
Закон 2: Сначала подписать главного игрока отрасли (63%)
Harvey начал не с маленьких юридических контор, а сразу пошёл в Allen & Overy - одну из пяти крупнейших юридических фирм мира. Hebbia за двенадцать месяцев подключил девять из десяти крупнейших инвестиционных фондов. Логика здесь в том, что когда признанный лидер отрасли покупает продукт и рассказывает об этом, остальные компании перестают сомневаться - если это работает для лидера рынка, значит работает.
Закон 3: Продавать должны эксперты из отрасли, а не обычные продажники (75%)
Harvey нанимает практикующих юристов, которые потом продают продукт своим коллегам - десять процентов команды составляют бывшие юристы, встроенные прямо в клиентские организации. Дело в том, что обычный продажник не сможет объяснить партнёру юридической фирмы, как именно AI меняет процесс анализа контракта, тогда как бывший юрист сделает это за двадцать минут на языке, который партнёру понятен.
Закон 4: Пилот должен быть таким, чтобы после него никто не уходил (88%)
У Sierra шесть первых клиентов - и все шесть остались, что даёт стопроцентную конверсию из пилота в постоянный контракт. У Gong одиннадцать из двенадцати пилотных клиентов продолжили работу, а у Glean набралось более сорока платных пилотов. Это принципиально меняет разговор с рынком: вместо “мы думаем, что это работает” компания говорит “вот шесть клиентов, все остались после пилота, вот их цифры” - и этот аргумент закрывает большинство возражений.
Закон 5: Брать деньги за результат, а не за количество рабочих мест (75%)
☁️ Подписка → Платишь за место (2000-е)
📊 По потреблению → Платишь за использование (2010-е)
✅ За результат → Платишь когда AI решил задачу (сейчас)
Sierra работает именно так: компания берёт деньги только тогда, когда агент реально решил проблему клиента. Если агент не справился с задачей - клиент ничего не платит, что радикально отличается от привычной модели “купи подписку и надейся на лучшее”.
"Весь рынок двинется к агентам. И весь рынок двинется к оплате за результат. Это настолько очевидно правильный способ строить и продавать софт."BTBret Taylor CEO Sierra, председатель OpenAI
Закон 6: Продукт должен становиться ценнее сам по себе, без усилий продавца (69%)
У Writer удержание выручки составляет 209% - это значит, что каждый год существующие клиенты платят вдвое больше, причём не потому что цены выросли, а потому что AI-агенты постепенно берут на себя всё больше задач внутри компании-клиента. У Gong при выручке свыше $300M удержание составляет 140%. Суть в том, что лучшие AI-компании продают не просто софт, а систему, которая с каждым месяцем использования становится ценнее - и клиент сам расширяет потребление, без давления со стороны продавца.
Все шестнадцать компаний из этого исследования - продуктовые, то есть они сами создают и продают AI-решения другим. Однако возникает закономерный вопрос: что делать, если вы не AI-компания, а обычный бизнес, и хотите переложить эти принципы на себя?
На каком уровне зрелости находится ваша компания
По разным оценкам, 88% организаций в мире так или иначе используют AI, однако значимую отдачу получают лишь 6%, поскольку остальные 82% застряли на первой-второй ступеньке и искренне полагают, что это потолок.
AI не используется.
Человек решает.
Человек проверяет.
продукт.
| Уровень | Кто отвечает | Как оплачивается | Пример |
|---|---|---|---|
| 1. Сотрудник | Человек | За время | Юрист читает договор |
| 2. Помощник | Человек (AI помогает) | За место (подписка) | Юрист + AI-проверка |
| 3. Автономный агент | Компания | За результат | AI проверяет, юрист подтверждает |
| 4. Продукт = агент | Продуктовая команда | За решённую задачу | Harvey: клиент загружает договор, AI выдаёт анализ |
Большинство компаний сейчас находятся где-то между первым и вторым уровнями - подписку купили, людей научили, но ответственность по-прежнему лежит на человеке. Переход на третий уровень и есть тот самый организационный сдвиг, о котором идёт речь в этой статье: единая рабочая папка, Master Skill, менеджеры агентов.
У клиентов Plurio AI, управляющих рекламными бюджетами от €100M, сложились свои пять стадий принятия:
2. Исследования → агент приносит данные (самая "вкусная" стадия)
3. Процессы → дашборд → действия (появляется сопротивление)
4. Авто-правила → агент сам пишет правила (самый тяжёлый толчок)
5. AI улучшает AI → агент настраивает параметры модели (квантовый скачок)
Четвёртая стадия оказывается самой сложной: люди готовы к тому, чтобы AI приносил данные и даже выполнял процессы, но когда агент начинает сам менять правила, возникает серьёзный психологический барьер. Те же, кто его преодолевает, выходят на пятую стадию - AI, который улучшает сам себя.
Пять вопросов, которые помогут понять, где вы сейчас
Если попытаться свести всю эту статью к одной мысли, она будет такой: AI-native компания отличается от “компании, которая использует AI” не набором инструментов, а самой операционной системой бизнеса.
Если нет - вы на уровне 1. Начните с этого.
Если нет - знания в головах, а не в системе.
Если нет - вы ещё не начали автоматизацию. Master Skill - следующий шаг.
Если нет - переход не случится. Всегда начинается с первого лица.
Первое - признак AI-native. Второе - "у нас есть сайт" образца 2005 года.
Ни один из этих шагов не требует миллионного бюджета: единая рабочая папка - это по сути папка на компьютере, Master Skill - текстовый файл на 200 строк, а ввод в работу одного человека - два часа личного разговора.
Самое дорогое в этом переходе - не технология, а решимость отказаться от Confluence и привычного уклада.
Читайте также: AI агенты для бизнеса: полный цикл, который зарабатывает сам и Компания без людей: как построить бизнес на AI