Компании все активнее внедряют искусственный интеллект, но масштабирование технологии пока не приводит к сопоставимому росту финансовых результатов. Одна из причин может заключаться не в возможностях самих моделей, а в том, насколько хорошо они понимают внутренние процессы организации: кто принимает решения, как сотрудники передают задачи друг другу, какие правила допускают исключения и когда проблему нужно эскалировать. Этот организационный контекст становится отдельным ресурсом, от которого зависит практическая ценность ИИ.

Внедрение ИИ растет, а финансовый эффект — нет

Согласно исследованию McKinsey The State of AI за 2026 год, 37% респондентов сообщили, что ИИ приносит хотя бы некоторый вклад в прибыль компании до вычета процентов и налогов (EBIT). Этот показатель практически не изменился по сравнению с предыдущим годом.

Еще показательнее доля компаний, которые McKinsey относит к наиболее успешным пользователям ИИ. К этой категории относятся организации, где технология обеспечивает не менее 5% EBIT, а ее влияние оценивается как значительное. Таких компаний оказалось всего 6% — и эта доля также осталась на прежнем уровне.

Эти цифры указывают на разрыв между распространением ИИ и его измеримой финансовой отдачей. Само по себе внедрение новых инструментов не гарантирует, что они улучшат работу всей организации.

ИИ нужно знать не только правила, но и реальные процессы

Один из подходов к решению этой проблемы — создание так называемого организационного интеллекта (institutional intelligence). Под этим термином понимается систематизированное знание о том, как компания действительно работает, а не только о том, как ее процессы описаны в официальных документах.

В корпоративных базах знаний могут храниться инструкции, регламенты и сведения о сотрудниках. Но многие важные детали обычно остаются неформализованными: какие исключения допустимы на практике, кто вправе отменить стандартную процедуру, почему одни вопросы требуют немедленного согласования, а другие решаются на уровне команды.

Именно такие детали часто определяют, насколько успешно задача проходит путь от одного сотрудника к другому. Если ИИ-агенту доступна только формальная инструкция, он может не учитывать реальные ограничения, особенности согласований и причины, по которым сотрудники действуют не по стандартному сценарию.

В результате возникает разрыв между намерениями руководства и тем, как работа фактически выполняется в разных подразделениях. В материале Smartsheet это явление называют execution drift — расхождением между задуманным и реальным исполнением процессов.

Почему ИИ-агенту недостаточно быть умным

Новый сотрудник обычно осваивает внутренние процессы компании постепенно — через обучение, практику и общение с коллегами. Внешний подрядчик может так и не получить доступа ко всем необходимым сведениям.

ИИ-агент потенциально способен использовать накопленные знания сразу после развертывания. Но это преимущество работает только в том случае, если компания заранее собрала нужный контекст, привела его в понятную структуру и предоставила к нему безопасный доступ.

Если такого основания нет, каждый новый ИИ-инструмент рискует начинать практически с нуля. Более мощная модель сама по себе не восстановит историю решений, не узнает негласные правила и не поймет, почему определенный процесс устроен именно так.

Если же организационные знания систематизированы, ими могут пользоваться разные агенты. По мере работы они также потенциально способны пополнять эту базу, если компания предусмотрела механизмы проверки и обновления информации.

Как компании могут подготовить организационные знания для ИИ

Для этого недостаточно просто собрать все документы в одном хранилище. Необходимо связать сведения о задачах, сотрудниках, рабочих процессах и используемых системах, чтобы ИИ мог учитывать их в контексте конкретной работы.

Платформы управления рабочими процессами, в том числе Smartsheet, предлагают объединять в одной среде задачи, данные и взаимодействие команд. Такой подход может помочь организациям:

· согласовывать работу подразделений с общими целями;

· связывать данные из разных корпоративных систем и приложений;

· адаптировать процессы при изменении проектов и приоритетов;

· контролировать действия ИИ-агентов и отслеживать их выполнение;

· постепенно систематизировать знания о том, как в действительности выполняется работа.

При этом важно не путать накопление данных с формированием организационного интеллекта. Большой архив документов еще не гарантирует, что ИИ сможет правильно интерпретировать их содержание или определить, какие сведения актуальны. Для этого нужны качественная структура, актуализация информации, разграничение доступа и контроль над действиями агентов.

Следующий этап внедрения ИИ — организационный

Тезис о важности организационного контекста лежит в основе рекламного материала Smartsheet, поэтому его выводы стоит рассматривать с учетом коммерческой заинтересованности компании. Однако сама проблема заслуживает внимания: корпоративные задачи редко сводятся к применению универсальных знаний. Их решение зависит от конкретных правил, ограничений и связей внутри организации.

На ранних этапах внедрения ИИ компании часто сосредотачиваются на выборе модели и оценке ее возможностей. Но по мере распространения агентов все большее значение может приобретать то, какие сведения доступны этим системам, насколько они надежны и как встроены в реальные рабочие процессы.

ИИ может предложить способ решения задачи. Чтобы выполнить ее в соответствии с правилами конкретной компании, ему необходимо понимать, как эта компания устроена. Поэтому дальнейший рост отдачи от искусственного интеллекта может зависеть не только от совершенствования моделей, но и от того, насколько хорошо организации научатся описывать собственную работу в форме, пригодной для машинного использования.