В крупной компании на обработку клиентского заказа может тратиться до двух часов. В основном это время уходит не на сами действия, а на паузы между ними: ожидание ответа, перепроверку данных, согласования. 

Агентская оркестрация сокращает этот цикл до пары минут. Агент сам проверяет остатки, сверяется с логистикой и запускает отгрузку, а сотрудник задает правила и оценивает результат, но не участвует в каждом шаге.

Но если это так выгодно и дает такой эффект, то почему большинство компаний до сих пор не внедрили и не масштабировали агентный ИИ? И на чем тормозятся уже запущенные пилоты? Эти вопросы разбирали в подкасте McKinsey Talks Operations. Ведущие попытались понять, почему управление цепочками поставок, десятилетиями казавшееся одной из самых технологичных задач, пока буксуют с внедрением ИИ. 

Инструмент или начальник? 

В классической логистике программа показывала цифры, а человек по ним принимал решения. Например, диспетчер отслеживал остатки товаров в специализированном ПО, затем выбирал склад отгрузки и обзванивал поставщиков.

Агентный ИИ выполняет все эти операции сам, а человеку остается только правильно задать границы, в которых агент может действовать, и оценить результат. Microsoft в 2025 году назвала эту роль agent boss. Сотрудник перестает сам выполнять работу и начинает отвечать непосредственно за результат.

Три агента вместо одного чат-бота

Агентную экосистему можно разделить на три уровня — оно объясняет, почему предыдущие волны автоматизации застревали, а эта, возможно, нет:

  • Первый уровень — task agent, агент задачи. Он проверяет товар, отправляет письма и обновляет статус заказов. По сути, это та же RPA-автоматизация — строгий сценарий без отклонений. 

  • Второй — goal agent, целевой агент. Вместо жесткого сценария ему задается одна финальная цель, и агент сам определяет, какие шаги нужны для ее достижения. Если на одном из этапов возникнет проблема, он ищет альтернативные пути без вмешательства человека. 

  • Третий — orchestration agent, агент-оркестратор. Оркестратор способен взять абстрактную задачу, самостоятельно разбить ее на подцели, запустить для них пул специализированных Task- и Goal-агентов и скоординировать их работу.

Возьмем ATP- и CTP-проверки в управлении заказами (available to promise и capable to promise — доступно к обещанию и возможно к обещанию). Раньше данные для ответа клиенту вручную собирались из разных систем: складского учета, заказов, логистики. Агентный слой не требует интеграции этих баз, а просто опрашивает каждую систему через агента и сам сводит результаты. 

Чистилище пилотов

McKinsey и Всемирный экономический форум в рамках исследования Global Lighthouse Network годами фиксировал, как компании подхватывали новую технологию, показывали рабочую концепцию и застревали на ее внедрении. Для этого явления придумали название — pilot purgatory, чистилище пилотов. 

Цифры по агентному ИИ подтверждают ту же картину. По данным Hackett Group, 80% руководителей закупок называют ИИ главным трансформационным трендом отрасли, но только 12% организаций довели внедрение до масштаба. Проблема в том, что руководители осознают важность технологии, но не знают, с чего начать и как довести пилот до продакшна.

Ограничивающим фактором становятся процессы вокруг агента. Компании запускают пилоты для отдельных сценариев и решают только одну узкую задачу. Ускоряется один шаг из десяти, но остальные девять по-прежнему тормозят весь цикл.

Что происходит при реальном внедрении

В 2022 году, еще до появления термина «агентный ИИ», Walmart запустила автономные переговоры с поставщиками. Через бот можно было обсудить цены, сроки и условия. По данным Harvard Business Review и Bloomberg, на сделки соглашалось 68% поставщиков при плановых 20%, средняя экономия достигала 3%, а отсрочку платежей увеличилась до 35 дней.

Три четверти поставщиков признались, что предпочли бы коммуникацию с ботом живому закупщику, 83% из них признали систему удобной. Это довольно неожиданно: обычно предполагают, что люди хотят иметь дело с людьми, особенно когда на кону деньги. Здесь оказалось иначе — видимо, бот не устает, не давит и не создает неловкости, которая обычно сопровождает торг.

Программу постепенно расширили на другие рынки, а за Walmart похожие системы запустили Maersk, Henkel, Rolls-Royce и Honeywell.

Еще один кейс реализовала MSD (за пределами США и Канады это подразделение Merck & Co.). Вместе с QuantumBlack (ИИ-подразделением McKinsey) компания перестроила подготовку клинических отчетов по исследованиям. Раньше медицинские авторы тратили на черновик две-три недели. MSD создала платформу, которая сократила этот срок до трех-четырех дней. А время на проверку уменьшилось со 180 до 80 часов. Число ошибок в данных, терминологии и цитировании снизилось вдвое. Медицинские авторы проверяют, дорабатывают и валидируют данные, которые им выдает система, в полном соответствии с правилами фармацевтической отрасли.

Accenture пошла похожим путем: пересобрала работу отдела продаж на платформе Agentforce. Раньше при добавлении тега, которого нет в базе, запускался долгий процесс, включавший постановку задачи, ревью результатов, доработку, тестирование и внедрение. Теперь агент либо подсказывает нужный тег, либо создает его сам, сразу со всеми данными. Компания запустила пилот на 2200 продавцах из 55 000 — специально небольшую и разнородную группу по разным странам, языкам и должностям. 

Вот здесь и кроется главная сложность: во всех успешных случаях процесс пришлось пересобирать с нуля.

Легче всего масштабирование идет там, где процесс уже был выстроен до появления агентов. Например, для внедрения агентного ИИ одним из самых подходящих направлений считается обработка входящих счетов. Это процесс с четкими правилами и предсказуемыми исключениями, поэтому агента туда проще внедрить, чем в хаотичную среду переговоров или логистики. В итоге с 2023 года доля бесконтактной обработки счетов выросла с 29 до 52,8%.

Agent boss на практике

Компании, которые уже внедряют агентов, оценивают их так же, как и людей, но добавляют два новых параметра. С одной стороны, им важна точность — то же самое качество работы, которого ждут и от человека. Но с другой стороны,  добавляются новые агентские метрики — объяснимость и проверяемость. Решение должно быть прозрачным: можно восстановить, почему агент поступил так, а не иначе, и проверить это постфактум. 

Отсюда вырастает организационная надстройка из трех элементов:

  • Модель управления отслеживает результативность агента и позволяет дообучать его по мере изменения данных и процессов.

  • Защитные барьеры и контроль «человек в цикле» нужны там, где решение агента затрагивает деньги или репутацию компании.

  • Подготовка персонала начинается с первого дня проекта, а не после развертывания системы. Сотрудники должны научится формулировать задачи для агента, оценивать его результаты и вмешиваться в нештатных ситуациях — то есть стать полноценными agent boss, а не получить эту роль без подготовки.

Человеческие решения остаются в системе, но на другом уровне. Сотрудник оценивает работу агента не по отдельным действиям, а по недельным или месячным паттернам, когда данных для выводов уже достаточно. Умение оценивать систему, которую ты не видишь напрямую, должно сформироваться на основе текущих навыков сотрудников. 

Эта же логика работает и вне цепочек поставок. В материале о трансформации навыков в Европе я уже разбирала похожий вывод McKinsey: три четверти базовых навыков не исчезают — меняется только формат их применения.

Что это дает бизнесу  

ИИ в логистике снижает повышает производительность на 20–50%, сокращает цикл принятия решений с недель до часов, а иногда и секунд. Но его внедрение требует комплексной перестройки процессов — такой же, как в свое время внедрение ERP или переход в облако.

Технология подходит для отраслей с налаженными процессами. Но масштабирование идет гораздо сложнее внедрения и упирается в людей: их готовность пересмотреть привычные роли, научиться доверять агентам и взять на себя ответственность за результат, который они не контролируют напрямую.