AI-First-компания: новые роли и новая оргструктура

Когда компания внедряет ИИ-агентов, меняются не только процессы, но и сама оргструктура.

Появляется отдельный центр ИИ-компетенций, который связывает стратегию и работу людей с агентами.

Во главе обычно стоит Chief AI Officer (CAIO), который отвечает за ИИ-стратегию.

Когда я работал в Сбере, похожая роль называлась Chief Data Scientist. Сегодня чаще используют Chief AI Officer, но функция схожа.

В роли CAIO я тоже успел поработать в крупной международной финтех-компании, поэтому в статье разбираю, какие специалисты появляются внутри центра.

Классические ML Engineer, Data Engineer и Data Analyst никуда не исчезают, но для ИИ-трансформации я бы выделил несколько новых ролей.

• AI Engineer — разрабатывает ИИ-системы и работает с моделями, данными и инфраструктурой

• AI Automation Engineer — разбирает бизнес-процессы и автоматизирует их с помощью агентов.

• AI Product Engineer — создает внутренние и внешние ИИ-продукты, может быть и отдельный AI Product Manager, который больше про бизнес и меньше про технику

А операторы ИИ-агентов используют эти системы в работе, контролируют качество и помогают им обучаться на реальных кейсах.

Но есть еще одна роль, которой в статье нет, потому что она находится снаружи компании.

Это ИИ-консультант. По сути, именно этим я занимался последние несколько лет.

Внутри компании задачи распределены между несколькими людьми, а внешний консультант часто должен пройти весь путь целиком: провести диагностику, разобрать процессы, определить точки внедрения ИИ, спроектировать автоматизацию, помочь с внутренними продуктами, пилотами, стратегией и изменением оргструктуры.

Мне самому приходилось делать все это. Я обучал модели для стартапов как ИИ-инженер, автоматизировал процессы под заказ как инженер по автоматизации, помогал компаниям оценивать новые технологии и запускать пилоты, разрабатывал внутренние решения как ИИ-продакт инженер и работал со стратегией.

Например, внутренним продуктом может быть дашборд использования ИИ-инструментов, система контроля расходов на модели, аналитика эффективности сотрудников или другой сервис, который помогает управлять ИИ-трансформацией.

Но со временем я понял, что одна из самых ценных функций ИИ-консультанта — образование и передача компетенций.

Компания состоит из набора компетенций внутри нее.

Можно прийти, что-то разработать и уйти, но если никто внутри не понимает, как это поддерживать и развивать, компания остается зависимой от внешнего консультанта.

Поэтому хороший результат консалтинга — это когда внутри компании появилась собственная компетенция: сотрудники сами умеют находить процессы для автоматизации, создавать агентов и дальше развивать функцию ИИ.

Мне также доводилось слышать мнение: «ИИ-консультант вообще не нужен, лучше все делать самим».

Здесь вопрос, как по мне, не в том, нужен консультант или нет, а в том, кого именно вы нанимаете.

Если это человек, который никогда сам ничего не строил и не внедрял, вы действительно можете получить красивые презентации и общие советы.

Но если специалист уже проходил этот путь, глубоко понимает техническую часть и управлял изменениями, то вы фактически покупаете сокращение собственного пути проб и ошибок.

Это как с тренировками: можно самому делать упражнения с кривой спиной и заработать грыжу, а можно взять тренера, который сразу покажет ошибки и существенно ускорит прогресс.

Я бы смотрел на три вещи: техническую экспертизу, управленческий опыт и реальный опыт трансформаций.

Поэтому для такой задачи нужен, скорее, инженер, который дорос до менеджера и уже сам проходил этот путь.

Таких специалистов немного: большинство работает внутри компаний, а многим не хватает реального инженерного или управленческого опыта.

Задача хорошего ИИ-консультанта не в том, чтобы сделать компанию зависимой от себя.

Наоборот, он должен помочь ей быстрее пройти трансформацию, передать экспертизу внутрь и научить дальше двигаться самостоятельно.

В новой статье — более подробно про новые роли.

👉 Полная статья