Какие новые ниши открывает Agentic AI
Аналитика по изучению нового отчёта Deloitte про Agentic AI. Original Post: https://t.me/ArtamonovNotes/513
Аналитика по изучению нового отчёта Deloitte про Agentic AI.
Original Post: https://t.me/ArtamonovNotes/513
TL\DR
агенты требуют не автоматизации старого, а новой репрезентации процессов;
деление работы должно идти не по должностям, а по цепочкам аналитических действий и решений;
ROI нужно считать через имитационные модели, а не через модные проценты;
главный data challenge — это не просто доступ, а формализация контекста и интерпретации;
людям на местах нужны DSL и средства локального управления агентами;
в больших системах реалистичен mapping, а не тотальная миграция;
это открывает большой внешний рынок консалтинга и архитектурной экспертизы.
Введение
Когда я изучал отчёт Deloitte про agentic AI, у меня довольно быстро возникло ощущение, что главный его смысл лежит не там, где обычно ищут хайп. На поверхности всё выглядит просто: появляются AI-агенты, они становятся сильнее, компании начинают их внедрять, и это подаётся как следующая большая волна автоматизации.
Но, на мой взгляд, главный вывод другой: лучшие практики связаны не столько с самими агентами, сколько с переосмыслением организациями своих процессов. Речь прежде всего идёт о крупном enterprise-контуре, где внедрение агентов упирается в трансформацию понимания того, как вообще должна быть устроена работа.
Именно поэтому я смотрю на тему agentic AI не как на рынок отдельных AI-функций, а как на рынок нового enterprise-слоя. Этот слой включает:
новые виды консалтинга,
новые способы описания процессов,
новые инструменты расчёта ROI,
новые средства выражения контекста данных,
новые системы управления смешанной средой “люди + агенты”.
Мой основной тезис простой: agentic AI создаёт спрос прежде всего не на агентов, а на средства переописания предприятия.
1. Главный тезис: внедрение агентов — это не автоматизация старого, а переосмысление работы
Ключевая развилка проходит между двумя подходами.
Первый подход — взять существующие процессы и встроить в них агентов как новых исполнителей.
Второй подход — признать, что сами процессы были описаны под старую организационную реальность, и теперь их нужно пересобирать.
На мой взгляд, содержателен именно второй подход. В стенограмме это сформулировано очень прямо: без переосмысления того, как работа должна быть реализована, эффективного внедрения агентов нет; лидирующие организации выигрывают тем, что не просто “строят агентов в свои процессы”, а переосмысляют сами операции.
Из этого сразу следует важный вывод. Проблема внедрения — не только технологическая. Она одновременно:
управленческая,
методологическая,
архитектурная,
организационная.
Компании нужен не просто доступ к моделям, API и данным. Ей нужен фреймворк, который позволит увидеть:
где в процессе реально происходит мышление и принятие решений;
какие участки работы можно делегировать агентам;
где проходит граница риска;
где автоматизация уместна, а где нет;
как меняется управление, если часть действий выполняют цифровые исполнители.
Иными словами, agentic AI повышает требования не столько к вычислениям, сколько к ясности описания работы. В докладе вы это связываете с тем, что нужен новый фреймворк видения бизнеса — такой, который позволит увидеть оптимальные точки внедрения агентов и перестроить enterprise-архитектуру под новую логику.
Отсюда и первый большой рыночный вывод: возникает спрос на новый тип внешней экспертизы. Не на “внедрение AI как функции”, а на переосмысление процессов, ролей и архитектуры предприятия под смешанную среду “люди + агенты”.
Ключевые инсайты главы
Агент — не просто новый исполнитель, а фактор смены организационной логики.
Главная проблема внедрения — отсутствие новой модели предприятия.
Agentic AI требует redesign, а не простой интеграции.
Возникает спрос на новый тип enterprise-консалтинга и методологической экспертизы.
2. Почему старое описание бизнес-процессов уже недостаточно
Традиционно предприятие описывает себя через роли, должности, отделы и последовательности передачи задач между ними. Для административного учёта этого достаточно. Для agentic AI — уже нет.
Если организация хочет понять, куда и как внедрять агентов, ей мало видеть, какой сотрудник передаёт задачу другому сотруднику. Нужно видеть другое:
где происходит анализ;
где формируется интерпретация;
где принимается решение;
где возникает согласование;
где накапливается риск;
где находится узкое место;
где создаётся ценность.
То есть процесс нужно описывать не как цепочку исполнителей, а как цепочку когнитивных и управленческих действий.
Это и есть главный сдвиг. Новое деление работы идёт уже не по профессиям и не по должностям. Оно идёт по сквозным цепочкам аналитических операций, участкам принятия решений и границам делегирования.
Такой взгляд даёт сразу несколько эффектов.
Во-первых, он позволяет увидеть реальные точки автоматизации, а не абстрактные проценты “возможной замены”.
Во-вторых, он позволяет связать автоматизацию с цепочкой создания ценности.
В-третьих, он переводит разговор из уровня хайпа в уровень моделирования и расчёта.
Именно поэтому фразы в духе “15% решений можно заменить агентами” сами по себе почти ничего не значат. В стенограмме вы прямо называете такой ход манипулятивным: сама по себе замена части решений ещё ничего не говорит о ROI от внедрения.
Отсюда мой второй вывод: дефицит ближайших лет — это не дефицит “ещё более мощных агентов”, а дефицит средств описания, моделирования и расчёта новой enterprise-реальности.
Ключевые инсайты главы
Старые карты процессов фиксируют роли, но плохо показывают участки мышления.
Для agentic AI предприятие нужно видеть как цепочку когнитивных действий.
Новое деление идёт по логике решений, а не по логике должностей.
Без такой карты разговор об автоматизации остаётся поверхностным.
3. Ниша №1: новый консалтинг — не про “внедрить AI”, а про переописать процесс под агентную среду
Если главный барьер внедрения — это отсутствие новой картины предприятия, то первая большая ниша возникает в консалтинге.
Рынку нужен не просто интегратор, который “подключит агента”. Ему нужна внешняя компетенция, способная:
провести аудит процессов;
дать единую модель для людей и агентов;
построить фреймворк, которому можно доверять;
показать, где агентное внедрение действительно имеет смысл, а где это будет просто декоративная автоматизация.
В стенограмме эта мысль сформулирована предельно чётко: построение таких фреймворков — это внешний навык, который требует привлечения отдельных специалистов; это не побочная функция внутренней команды.
Отсюда и вывод:
agentic AI создаёт спрос на новый тип enterprise-консалтинга — консалтинг по редизайну процессов, архитектуры и управленческой логики под смешанную среду “люди + агенты”.
Ключевые инсайты главы
Компании нужен не просто AI-вендор, а тот, кто может переописать процесс.
Центральный продукт такого консалтинга — доверенная модель enterprise-процесса.
Построение таких фреймворков — отдельная внешняя компетенция.
Первая большая ниша — agent-native transformation consulting.
4. Ниша №2: ROI-модели и profit calculators как средство борьбы с “agent-washing”
Следующая большая ниша возникает там, где заканчивается хайп и начинается экономика.
Если организация не может посчитать эффект перехода, она не сможет принять управленческое решение. В стенограмме это сформулировано очень жёстко: замена части решений ещё не означает ROI, а значительная часть компаний всё ещё не может построить дорожную карту внедрения.
Поэтому рынку нужны не общие обещания, а инструменты расчёта. Причём не в виде абстрактных KPI, а в виде фреймворков, которые позволяют:
разбить процесс на управленческие и аналитические действия;
связать эти действия с цепочкой создания ценности;
увидеть стоимость отдельных участков;
понять, что уже готово к автоматизации, а что пока нет;
провести имитационное финансово-экономическое обоснование перехода.
Здесь появляется очень практическая ниша: profit calculator для agentic transformation. Не калькулятор “сколько задач может сделать агент”, а инструмент, который показывает:
стоимость перехода,
ожидаемые выгоды,
зоны риска,
последовательность шагов,
прозрачную дорожную карту внедрения.
И это не вспомогательная функция. Если компании массово не понимают, как строить roadmap, значит, проблема не в отсутствии интереса, а в отсутствии средств осмысленного инвестиционного решения.
Отсюда мой вывод:
одна из самых сильных ниш вокруг agentic AI — это инструменты имитационного анализа и финансово-экономического обоснования перехода.
Ключевые инсайты главы
Проценты “потенциальной замены” не равны ROI.
Бизнесу нужен расчёт эффекта на цепочку ценности, а не общие обещания.
Нужен profit calculator, связанный с моделью процессов и решений.
Такие инструменты — способ борьбы с поверхностным “agent-washing”.
5. Ниша №3: семантический слой над данными и формализация контекста
Если предыдущая ниша отвечает на вопрос “стоит ли внедрять”, то эта отвечает на вопрос “на чём вообще будет держаться предсказуемая работа агентов”.
Проблема здесь глубже, чем индексация и поиск. Раньше организация могла полагаться на то, что человек сам поймёт, как интерпретировать данные. Теперь данные всё чаще остаются без постоянного человеческого посредника. А значит, то, что раньше жило в голове сотрудников, должно быть выражено рядом с самими данными.
Отсюда возникает большой новый слой задач:
формализация контекста;
упаковка трактовки рядом с данными;
указание, как именно эти данные следует понимать;
указание, где такая интерпретация применима, а где нет;
создание средств, через которые человек может выразить своё понимание в форме, пригодной и для другого человека, и для агента.
Это уже не просто data engineering. Это новый semantic layer — слой, который делает данные не просто доступными, а осмысленными и управляемыми в агентной среде.
Отсюда мой вывод:
одна из центральных ниш будущего — это семантическая инфраструктура для agentic AI: контекстные слои, системы адресации, средства выражения интерпретаций и архитектуры связывания старых и новых представлений.
Ключевые инсайты главы
Агентам недостаточно просто “дать доступ к данным”.
То, что раньше находилось в голове человека, теперь нужно формализовать рядом с данными.
Главная задача — выражение контекста, трактовки и границ применимости.
Возникает спрос на semantic layer и инструменты экспрессии понимания.
6. Ниша №4: DSL и bottom-up инструменты для людей на местах
Если агентная среда действительно должна масштабироваться, её не смогут обслуживать только центральные AI-команды. Реальное внедрение пойдёт снизу вверх: через тех, кто знает процесс изнутри и способен локально улучшать его на своём участке.
Отсюда возникает следующая ниша.
Нужны инструменты, которые позволяют предметным специалистам:
задавать правила;
вносить новые интерпретации;
модифицировать локальную логику;
оркестрировать своих агентов;
делать это на языке своей предметной области, а не на языке AI-инженерии.
В этом и состоит практический смысл DSL в новой реальности. Не “язык ради языка”, а средство, через которое профессионал в своей области может выразить нужную ему логику и научить систему понимать его деление предметной области.
Отсюда вывод:
одна из важнейших ниш вокруг agentic AI — это DSL и прикладные среды, которые позволяют людям на местах говорить с агентами на языке своей доменной области.
Ключевые инсайты главы
Массовое внедрение агентов пойдёт снизу вверх.
Предметным специалистам нужны собственные средства настройки и оркестрации.
Правила и логика должны выражаться на доменном языке.
DSL становятся прикладной инфраструктурой agentic AI.
7. Ниша №5: новый менеджмент и governance в смешанной среде “люди + агенты”
Как только агенты становятся частью реальной работы, меняется сама природа менеджмента. Люди всё меньше “делают руками” и всё больше:
наблюдают;
валидируют;
делегируют;
задают правила;
управляют конфигурацией цифровых исполнителей.
Управление начинает строиться уже не только вокруг людей, должностей и отделов. Оно смещается к другим объектам:
когнитивным цепочкам;
участкам делегирования;
зонам ответственности людей и агентов;
рискам;
стоимости цепочек действий;
текущему состоянию процессов.
Отсюда возникает новый класс инструментов. Они должны позволять видеть:
что сейчас происходит;
кто кому что делегировал;
где находится узкое место;
где появляется риск;
как организована текущая когнитивная работа;
как ею управлять в моменте.
Это важно подчеркнуть отдельно: речь идёт не просто об управлении агентами как отдельными сущностями. Речь идёт об управлении процессами, внутри которых люди и агенты образуют смешанную среду исполнения.
Отсюда мой вывод:
agentic AI создаёт спрос на новый менеджмент — на системы контроля, визуализации, делегирования и governance для смешанной среды “углеродных” и “кремниевых” работников.
Ключевые инсайты главы
Люди смещаются от исполнения к надзору, валидации и настройке.
Управление начинает строиться вокруг процессов, делегирования и рисков.
Нужны новые системы видимости текущего состояния работы.
Governance становится отдельной большой нишей.
8. Ниша №6: mapping, адресация и архитектуры связи старых и новых представлений
Даже если у компании есть новая логика процессов, DSL и новые системы управления, остаётся самый тяжёлый вопрос: как связать всё это с уже существующей enterprise-реальностью?
И здесь возникает следующий принципиальный вывод. В больших системах путь почти никогда не проходит через полную миграцию. В стенограмме это сказано предельно ясно: в сверхбольших системах тотальная миграция структуры данных невозможна; реальный путь — это коммуникации и mapping.
Это означает, что отдельной нишей становятся:
системы адресации;
semantic overlays;
mapping-архитектуры;
инструменты связи старых данных и старых представлений с новой агентной парадигмой.
Это особенно важно в контексте bottom-up развития. Если люди на местах добавляют новые правила, новые представления и новые интерпретации, система должна уметь:
принимать эти локальные смыслы;
связывать их со старой моделью данных;
не ломать весь enterprise-контур;
обеспечивать понятную адресацию и контекстное связывание.
Отсюда следует и ещё одна мысль: успешная agentic-архитектура — это, скорее, оркестрация хорошо описанных доменов и небольших решений, чем попытка построить новый монолит.
Ключевые инсайты главы
В больших системах тотальная миграция чаще всего невозможна.
Реальный путь — связь старого и нового через mapping и коммуникации.
Нужны системы адресации и semantic overlays.
Agentic-переход — это архитектура сопряжения, а не только архитектура замены.
Заключение
Если собрать всё вместе, то для меня главный вывод выглядит так: agentic AI — это не просто новая технологическая волна и не просто рынок “умных агентов”. Это момент, когда enterprise-среда начинает нуждаться в новом языке описания самой себя.
Сильнейшие ниши здесь возникают не вокруг “ещё одного агента”, а вокруг того, что позволяет сделать переход осмысленным и управляемым:
консалтинг по редизайну процессов;
ROI-модели и profit calculators;
семантический слой над данными;
DSL для людей на местах;
новые системы governance;
mapping и адресация для связи старого и нового.
Именно поэтому я бы сформулировал общий тезис так:
главный рынок вокруг agentic AI — это рынок переописания enterprise-работы.