Итан Моллик отмечает, что рост индивидуальной продуктивности в эпоху ИИ автоматически не превращается в организационный успех. Сотрудники могут писать быстрее и анализировать больше, но компании часто не накапливают знания. Мы переходим в сложную фазу: лицензии GitHub Copilot выданы, ChatGPT Enterprise установлен, а кто-то использует Claude или Cursor, пока руководство пытается разобраться с ROI за два миллиона евро, заплаченных Anthropic. В некоторых фирмах ИИ застрял в отделе IT и умер, тогда как в других он работает неравномерно внутри отделов. Моллик разделяет процесс на фазы: сначала комфортное внедрение с обучением и сетями энтузиастов, затем «грязный центр» с хаотичным использованием — от автодополнения до полноценного делегирования задач агентам. В одном офисе могут сосуществовать эти подходы, но обучение не передается через обычные митинги. Старые механизмы изменений слишком медленны, пока ценность рождается в коде, отзывах или инцидентах. Итерации в разработке раньше были дорогими, поэтому нужны были длинные спринты, но агентная инженерия ускоряет переход от замысла к прототипу. Теперь ограничение смещается с реализации на проверку и суждение. Однако организации продолжают требовать двухнедельных спринтов и документооборота, из-за чего обучение отстает от скорости работы.
Важный момент: использование токенов не измеряет успех. Вопросы должны быть о том, быстрее ли закрылись петли, улучшились ли решения и стало ли чище понимание корневых причин. Токены — это старая метрика в новой одежде, а нужно смотреть на «обучение через петли». Компании понадобятся три вещи: управление агентами, контроль над доступом к системам; интеллект петель, позволяющий понять, какие циклы дают знания, а какие расползаются; и возможности агентов, распределенные не как монолиты, а как гибкие технологии. Без связи между этими элементами всё превращается в бюрократию или разрозненные инструменты. Моллик предлагает концепцию центра интеллекта петель, который анализирует реальные рабочие циклы, отклоненные гипотезы и сигналы производства. Это не слежка за сотрудниками, иначе они начнут фальсифицировать данные, скрывая эксперименты. Честный подход важен: система должна отвечать не на то, кто использует ИИ, а где именно работа изменилась и что организация могла выучить. Скорость обучения станет главным преимуществом. Кто быстрее найдёт реальные паттерны и превратит открытия отдельных людей в организационные возможности? Кто построит обратную связь в агентные петли, чтобы они не расползались? Никто пока не решил, и мы поймем это не дождавшись идеальной инструкции от вендора, а через измерение работы, обмен грязными знаниями и итерации.