Коли компанія стає агентом: 5 роздумів про організацію в епоху штучного інтелекту

“AI跃迁者調研” — це серія глибоких бесід про AI від AI Зірки. Переходити — це не лінійна еволюція, а скидання старих ітерацій і побудова нових. У кожному випуску ми запрошуємо одного AI-зірку — засновника AI-проекту, керівника компанії, що трансформується за допомогою AI, або суперіндивідуума, що перезамальовує себе за допомогою AI, — щоб поділитися своїми висновками, процесом розбору, логікою побудови, платою за навчання і тим, що вони зберігають у постійних змінах, щоб дати іншим, що йдуть цим шляхом, реальні орієнтири.

Перший випуск — це інтерв’ю з доктором Фан Лінгом, засновником і CEO Tezign, професором Тунцзінського університету, наставником аспірантів і директором лабораторії штучного інтелекту дизайну. Tezign — це компанія з 10-річною історією, що допомагає підприємствам за допомогою AI у вирішенні задач користувацького досвіду, інновацій і маркетингу. Вони створили архітектуру Generative Enterprise Agent (GEA), яка дозволяє системам розуміти бізнес-контекст, брати участь у складних рішеннях і постійно рухати результати вперед, допомагаючи зростанню, інноваціям і підвищенню продуктивності, а також довгостроковому обслуговуванню клієнтів, продуктів і маркетингу. Ще важливіше — вони самі використовують AI для перезамальовування організації: від трансформації pod, розвитку спільнот до побудови Generative Enterprise Agent за допомогою навичок, контексту і оркестрації.

Ми поговорили з Фан Лінгом про те, як AI змінює структуру організацій, щільність талантів, доставку клієнтам і бар’єри у продуктах, а також про нерозв’язані проблеми за цими змінами.

【Цитати та інсайти】

1. “AI — це не інструмент для підвищення ефективності R&D, а агент, що допомагає тим, хто потребує ресурсів для R&D, отримати їх.”

2. “AI по суті руйнує традиційний поділ на галузі і професії, повертаючи нас до стану Renaissance — універсальності.”

3. “Лідерство, власність, відповідальність, стійкість — ці, здавалося б, абстрактні речі, у епоху AI стають дуже конкретними.”

4. “Більшість компаній ще на стадії copilot: додають AI до існуючих функцій. Але здатність AI вже дозволяє переосмислити організацію цілком.”

5. “Організація, що народжена з AI, — це не людський робочий процес з AI, а AI-робочий процес з людським судженням. Компанія може бути агентом, а люди — роллю, що надає судження всередині цих агентів.”

6. “Зараз ера перенасичення продуктів і недостатності користувачів. Зростання стає все важливішим і важчим. У епоху AI потрібно зосередитися на тих навичках, які AI не може швидко зменшити за часом.”

【Інформація про гостя дослідження】

Фан Лінг — засновник і CEO Tezign, професор Тунцзінського університету, наставник аспірантів, директор лабораторії штучного інтелекту дизайну. Компанія існує вже 10 років і зосереджена на застосуванні AI для вирішення задач користувацького досвіду, інновацій і маркетингу. У цій бесіді він поділився трансформацією pod-організацій, внутрішнім тестуванням AI-інструментів, системою контексту компанії, продуктами Atypica / GEA та іншими дослідженнями.

Юй І — старший дослідник Tencent Research Institute, спеціалізується на інноваціях AI-продуктів і трансформації компаній, має багаторічний досвід венчурних інвестицій і екосистемного інкубування. Визнаний експерт у Китаї, нагороджений за AI-досягнення і поділи.

【Огляд дослідження】Експеримент з AI-орієнтованою організацією Tezign

Точка трансформації: Cursor — не найкраще для R&D

Фан Лінг постійно спостерігає, хто у компанії використовує AI-інструменти найкраще. Відповідь несподівана — не R&D, а менеджери продукту і дизайнери. Вони отримали доступ до ресурсів, які раніше можна було отримати лише через планування і затвердження R&D. Це дало йому зрозуміти, що AI — це не для швидшого розподілу професійних ролей, а для того, щоб один і той самий працівник міг виконувати кілька ролей одночасно. Від революції промисловості ідея “один — одна посада, просування по сходинках” руйнується. Це він називає “AI — проти промислової революції”.

Розгортання організації: pod + community — двовекторна модель

З урахуванням цього, Фан Лінг провів дві реформи. Перша — поділ компанії на pod — кросфункціональні малі групи по 3–10 людей, що самостійно виконують завдання без залежності від інших відділів. Три роки тому він вже пробував pod, але тоді це не спрацювало через психологічний опір. Тепер, з появою AI, команда сама почала зменшувати горизонтальні ресурси, і pod став більш зрілим. Друга — створення спільнот поза pod: горизонтальні спільноти, що допомагають здобути навички продажу, продукту, коду, а також окрема Leadership community. Фан Лінг вважає, що у епоху AI керувати 100 агентами — складніше, ніж 10, і лідер pod має володіти не лише AI, а й P&L, бізнес-інтуїцією і терпінням.

Зі зміною організації з’являється явище — розмивання ролей. Маркетологи починають писати скрипти на Claude Code для залучення контактів у LinkedIn, фактично стаючи маркетинговими інженерами; менеджери продукту і дизайнери використовують Cursor для швидкої реалізації функцій без очікування R&D. Частка R&D зменшується з 50%, але кількість тих, хто може писати код, зростає.

Культурний двигун: засновники беруть участь у побудові

Структура — це лише каркас, справжня сила — культура. Tezign проводить системне навчання (проект ABC Plus), але найефективнішим драйвером є особистий приклад засновників. Вони разом із CTO і менеджером продукту створюють нові продукти за допомогою AI, що дає значний приріст користувачів. Вони демонструють свої розробки під час обідів і кави, і інші лідери pod теж починають так робити. З часом у компанії формується звичка “гордо показувати створене”, що поширюється швидше за директиви зверху.

Інфраструктура: багаторівнева система контексту

Tezign — компанія з глибокою культурою документації: навіть записи зустрічей автоматично перетворюються у документи. Зараз вони створюють багаторівневу систему контексту: на рівні компанії — schema.md і керівні документи, що слугують індексами для мільярдів документів; на рівні pod — власний контекст кожної команди; на рівні особистості — управління діалогами і перевагами. Важливо, щоб контекст був не надмірним — іноді потрібен каркас, а не деталі. Водночас, потрібно враховувати права і конфіденційність. Наприклад, він шукає Wi-Fi пароль під час презентації, і AI випадково знаходить секретний пароль, доступний лише йому. Тому він схильний не зберігати деякі дані у системі.

Продуктові рішення: GEA, Atypica

З точки зору продукту, стратегія Tezign — накопичувати те, що AI не може швидко зменшити за часом.

GEA (Generative Enterprise Agent) — архітектура корпоративних агентів. Тут не зосереджуються на окремих агентів, а на контексті і оркестрації: один Lead Agent керує кількома Sub-Agents, що мають навички і контекст компанії, — створюючи команду агентів для досліджень, контенту, інновацій, — фактично цілодобовий віртуальний бізнес.

Atypica — це “AI, що розуміє людину”. На основі 1 мільйона реальних даних про користувачів — їхні висловлювання, історії, когнітивні моделі і поведінка — AI моделює суб’єктивний світ споживачів і професіоналів. Приклад: американський професор використовує 20 тисяч реальних сімейних зразків, щоб створити 1000 типових образів, імітуючи дискусії між подружжям і батьками щодо народження дитини, змінюючи політичні параметри і спостерігаючи за поведінкою — застосування AI у соціальних науках.

Game Lab (game.atypica.ai) — вирішує проблему точності моделювання людської поведінки. Реальні люди грають у економічні ігри (наприклад, дилема вагонетки, Ultimatum), а AI підбирає параметри, щоб максимально наблизитися до людських рішень. Це — основний інструмент evals у Tezign.

Бізнес-цикл: виявлення сценаріїв для клієнтів

Після запуску pod внутрішні підходи змінюються. Лідер pod стає “офіцером з виявлення сценаріїв”: за допомогою AI аналізує понад 600 клієнтських запитів і виділяє близько 100 спільних сценаріїв, структурованих за SPIS (Situation — ситуація, Pain — болі, Impact — вплив, Solution — рішення). Використовуючи “чужі болі”, легше вести діалог із клієнтами — вони відчувають, що “ти мене розумієш”. Лідер pod витрачає 30–40% часу на збір сценаріїв.

Вартість і нерозв’язані напруженості

Найбільш втомлені — ті, хто найкраще використовує AI — бо їхні функції розширюються, і вони самі беруть на себе більше. Це — найбільша проблема, яку потрібно вирішити. Після того, як всі навчилися будувати, з’являється багато повторних проектів, однакові сценарії роблять кілька pod-ів. Фан Лінг терпить це, бо вважає, що це — природний процес. Від демо до виробництва — є пропасті evals, і без реальних фізичних сценаріїв і унікальних даних, залежність від моделей робить бар’єри крихкими.

Глибша напруженість — у тому, що AI знижує вартість досліджень і стимулює тривогу. Виробництво перенасичене, користувачів мало, і демо — легко зробити, але зростання — це цінність. Фан Лінг відповідає, що він будує відкрито — отримує зворотний зв’язок і робить дослідження частиною результату.

Організаційна перебудова: від Copilot до високої когерентності pod

Юй І: Почнемо з того, що мене найбільше цікавить — “AI-організаційна трансформація”. За моїми даними, Tezign рано почав експериментувати з різними структурами. Близько року тому Tencent Research Institute зробив окреме дослідження і кейс-стаді про Tezign, де описували твої внутрішні експерименти. Тоді минув рік, і я хотів би дізнатися про новий прогрес. Найбільше запам’яталося, що ти знову запустив pod-реформу, і це вже другий раз. Багато хто не дуже розуміє, що таке pod — це архітектурна зміна, ініційована Meta. На мою думку, це схоже на створення “спеціального підрозділу” всередині компанії для швидкого освоєння нових технологій або ринків. Чи правильне моє розуміння? Мені дуже цікаво, чому ви обрали цю модель і як вона зараз працює.

Фан Лінг: Я давно користуюся різними AI-інструментами, бо ми самі створюємо AI-продукти. Постійно думаю: наскільки глибоко потрібно залазити, щоб справді розкрити цінність AI? Раніше, щоб підвищити ефективність, достатньо було підняти на 20–30%. Але для AI — це вже достатньо? Чи це ще не зовсім так? Спершу я не мав чіткої відповіді.

Потім у мене стався Aha Moment — момент прозріння. Це звучить просто, але тоді це мене дуже вразило. Я цікавився, наскільки ефективно працює Cursor — AI-інструмент для програмування. І виявив, що найкреативніше його використовують не розробники, а менеджери продукту і дизайнери. Вони отримали доступ до ресурсів, які раніше можна було отримати лише через планування і затвердження R&D. Cursor став для них саме тим ресурсом.

Це дало мені зрозуміти: AI — це не просто інструмент для підвищення швидкості роботи R&D, а агент, що допомагає тим, хто не має ресурсів, отримати їх. AI робить людину більш універсальною, а не руйнує професійний поділ.

Це змусило мене задуматися про структуру. Традиційна модель — “одна людина — одна роль, просування по сходинках” — руйнується. AI руйнує цю ідею, повертаючи нас до стану Renaissance — універсальності. Якщо менеджери і дизайнери за допомогою AI стають більш універсальними, тоді нам не потрібно так строго дотримуватися старих професійних ролей. Люди можуть виконувати кілька ролей одночасно, використовуючи AI.

Юй І: А як ви це реалізували на рівні організації?

Фан Лінг: Це — наше базове розуміння. Воно дозволяє зменшити кількість зустрічей і час на узгодження. Ми прагнемо до стану — “висока когерентність, низька зв’язність”. Висока когерентність — це маленька команда, 2–3 людини, що самостійно виконує завдання; низька зв’язність — відсутність зайвих міжвіддільних координацій, кожен працює незалежно.

Це — pod. Три роки тому ми почали його впроваджувати, пояснювали всім, але тоді це не спрацювало через психологічний опір. Але з появою AI команда почала сама зменшувати горизонтальні ресурси, і pod став більш зрілим. Я не люблю багато зустрічей, люблю створювати і робити сам. Тому, коли мені сказали, що OpenAI використовує pod, і GPT створений з 35 pod, я зрозумів, що це — правильний шлях. Коли команда працює маленькими підрозділами, все змінюється.

Юй І: Це звучить дуже логічно.

Фан Лінг: Чим менше підрозділ, тим сильніше у людей відчуття власності. Раніше, наприклад, фронтендер відповідав лише за фронтенд, не турбуючись про бекенд або дизайн. Тепер у pod з 3–5 людей вони разом відповідають за кінцевий продукт. Це сприяє покращенню користувацького досвіду і якості.

Тому ми йдемо у напрямку pod. Зараз це вже більш зріло, ніж три роки тому. Але є і побічні ефекти. Перший — чим краще використовує AI, тим більше функцій бере на себе ця людина, і вона стає втомленою. Я часто кажу, що вечірній обхід по офісу показує, що ті, хто залишаються працювати, — це не ті, хто працює погано, а ті, хто працює дуже ефективно.

Юй І: Так, я теж бачу, що колеги, що працюють довше, — це зазвичай ті, хто працює швидше і багатозадачніше.

Фан Лінг: Саме так. Вони легко паралелять задачі і розширюють межі своїх ролей. Раніше — писали фронтенд, тепер — роблять дизайн, маркетинг, стратегію. Вчора один з маркетологів показав мені сайт, зроблений за допомогою AI — раніше це б займало 20 людей, а він зробив сам. Це — круто, але й виснажує. Вони прагнуть до високої якості, і AI допомагає підняти рівень з 60 до 90 балів, тому працюють безперервно. Це — перша проблема.

Друга — потрібно систематично навчати і підтримувати команду. Тому ми запустили ABC Plus — проект для навчання AI-інструментам, наприклад Claude Code, Agent-інструментам. Це — щоб зняти початковий бар’єр і допомогти їм освоїти нові технології.

Паралельно з pod ми створюємо Community — горизонтальну спільноту, що допомагає розвивати навички продажу, коду і продукту. Вона не підзвітна KPI, а сприяє розвитку. Також є Leadership community — для розвитку лідерських навичок. У епоху AI один менеджер може керувати 100 агентами або 100 працівниками, що володіють AI. Це робить важливими навички лідерства, відповідальності і стійкості.

Юй І: Тобто pod — це модель, що базується на досвіді OpenAI, але адаптована під вашу компанію, з додаванням спільнот для розвитку?

Фан Лінг: Так, ми не копіюємо досвід, а використовуємо ідею pod як базовий принцип — перетворюємо ієрархію у коло. Це дуже відповідає нашій культурі. Зараз команда вже адаптувалася, і хоча перехід був важким, ми вже на шляху до нової моделі.

Юй І: А які обмеження у масштабуванні pod? Чи є оптимальний розмір?

Фан Лінг: Я вважаю, що pod має бути максимально малим. Ідеально — один, хто все робить, або максимум 6–10 людей. Головне — зберігати закритий цикл і повну відповідальність. Не потрібно збільшувати команду просто для збільшення — важливо зберігати ефективність і автономність.

Юй І: Це дуже цікаво. А як ви підбираєте лідерів pod? Які критерії?

Фан Лінг: Крім м’яких навичок — AI-навичок, навчання — важливі й жорсткі. Наприклад, лідер має розуміти P&L, мати відповідальність і лідерські якості. У швидкому темпі змін важливо мати терпіння. Ми навчаємо їх через Community, проводимо тренінги, даємо бізнес-школи. Важливо, щоб вони не лише знали AI, а й розуміли бізнес і управління.

Юй І: Тобто для AI-орієнтованого лідера потрібно ще й бізнес-освіта?

Фан Лінг: Так, особливо у традиційних галузях. Вони вже звикли керувати великими командами, і їм потрібно змінити мислення — перейти від SOP до AI-орієнтованого підходу. Для технічних компаній, таких як наша, AI робить управління більш важливим і складним.

Юй І: Це дуже цікаво. А як щодо навчання молодих? Що б ви порадили 20-річним у цю епоху?

Фан Лінг: Найперше — не боятися писати код і експериментувати. Вже не потрібно чекати, поки навчитись — можна починати з простих інструментів. Важливо — вміти швидко освоювати нові технології і застосовувати їх у своїх проектах. Навчання — це не лише формальна освіта, а й практика. Якщо ти можеш зробити кілька корисних проектів з AI у 20 років, ти вже — цінний фахівець. Не зациклюйся на статусі “хороший студент”, а створюй реальні продукти і досвід.

Це — переклад і адаптація оригінального тексту відповідно до заданих правил.