В последнее время самая горячая вакансия в Кремниевой долине — это, несомненно, FDE. FDE расшифровывается как «Forward Deployment Engineer», что можно перевести как «инженер передового развертывания». Они должны разбираться как в моделях и технологиях, так и понимать данные клиентов, их процессы и бизнес-проблемы. Их ключевая задача — превратить ИИ из демо-версии в собственные AI-native рабочие процессы для каждой профессии. Согласно исследованию Perspective AI за 2026 год, основанному на опросе 1500 FDE, медианная годовая общая компенсация для старших FDE в передовых лабораториях составляет 485 тысяч долларов, а для сотрудников старшего уровня достигает 725 тысяч долларов. Общий диапазон компенсаций в ведущих лабораториях варьируется от 350 до 550 тысяч долларов.
За этим бумом стоит серьезный стратегический поворот ведущих компаний в области ИИ. В мае этого года OpenAI совместно с 19 частными инвестиционными компаниями вложила в общей сложности более 40 миллиардов долларов в создание Deployment Company (компании по развертыванию) и приобрела компанию по внедрению ИИ Tomoro, забрав с собой 150 FDE. Anthropic также объявила о сотрудничестве с рядом финансовых учреждений, включая Blackstone, для создания совместного предприятия стоимостью 15 миллиардов долларов. Эти ведущие компании-разработчики моделей начинают делать ставку на один и тот же вид услуг: не просто предоставление инструментов ИИ, а глубокое проникновение в компании и реальное развертывание возможностей ИИ в конкретных бизнес-сценариях.
В этом выпуске «Silicon Valley 101» мы пригласили двух практикующих специалистов обсудить FDE и компании по развертыванию. Мы поговорили о конкретной сущности работы FDE, ее связи с ранней моделью военного развертывания Palantir, а также обсудили, какие изменения переживают частный капитал и консалтинговая индустрия на волне внедрения ИИ.
Jove, руководитель команды FDE в Cresta. Cresta предоставляет ИИ-агентов для колл-центров предприятий. Jove начал расширять команду FDE с начала прошлого года.
Oliver, бывший консультант McKinsey, ныне вице-президент по корпоративному бизнесу Invisible Technologies.
Ниже представлены избранные моменты этой беседы:
01. Почему компании-разработчики моделей начали заниматься развертыванием?
Yiwen: Jove, как вы относитесь к недавним действиям OpenAI, Anthropic и других компаний-разработчиков моделей, направленным на развертывание ИИ?
Jove: Думаю, именно это и заставляет всех так воодушевиться FDE. Как тип работы, FDE существует уже более десяти лет, начиная с Palantir. Наша компания начала заниматься таким развертыванием в январе прошлого года. Тогда не было четкого понимания, что нужно нанимать именно FDE, но смутно чувствовалось, что нужно вывести часть инженеров на более тесный контакт с клиентами, чтобы через такие близкие сервисы понять, чего они хотят, и правильно использовать наш продукт.
Но за последние месяц-два, особенно последнюю неделю-две, начались массовые обсуждения FDE. Я знал, что это произойдет, но не ожидал, что так быстро и так мощно. Однако это подтверждает несколько вещей. Во-первых, компании-разработчики моделей осознают, что сама модель — это не продукт. Для ее внедрения требуется много работы, что традиционные компании-разработчики часто упускают из виду или даже пренебрегают этим. Без такого тесного сотрудничества даже те, у кого есть деньги на покупку модели, не знают, как ее использовать. Мы обнаружили, что FDE — это очень хорошая форма.
Кроме того, граница между компаниями-разработчиками моделей и прикладными компаниями становится размытой. Подход OpenAI и Anthropic скорее такой: я по-прежнему нанимаю лучших людей для обучения своих моделей — например, у Anthropic, как известно, модели отличные, но и очень дорогие, их можно продавать дорого, и эффективность может быть высокой. Но что касается внедрения в 360 отраслей, это требует много людей, и не факт, что я хочу нанимать их сам. Поэтому одни компании идут путем приобретений, другие — привлекают капитал, чтобы другие компании занимались FDE. Так что отношения между компаниями-разработчиками моделей и прикладными компаниями, эти «друзья-враги», становятся все более запутанными.
02. Конкретная работа FDE
Yiwen: Если бы вам пришлось определить FDE одним предложением, что бы вы сказали?
Jove: FDE — это инженер, который тесно сотрудничает с клиентом, чтобы заставить ИИ-приложение реально работать, и который несет ответственность за улучшение продукта. Таким образом, задача FDE — во-первых, внедрить ИИ, а во-вторых, использовать полученные уроки (Lesson Learned) для прямого улучшения продукта. Это почти как «Forward Deployed CTO» — очень разносторонний человек: нужно закрыть сделку, внедрить ИИ-приложение, удержать клиента; но как CTO ты думаешь не только о том, как улучшить продукт, но иногда и о его революции. Так что FDE занимается именно этим — внедряет ИИ и использует эти уроки, чтобы сделать продукт все сильнее.
Yiwen: Среди ваших клиентов, как FDE изменяют их существующие рабочие процессы? Например, компании из списка Fortune 100, которых вы обслуживаете, работают в разных сферах и имеют разные потребности в ИИ для интеллектуальных колл-центров (основной бизнес Cresta). Работа, вероятно, включает много терминологии, знаний и даже данных из их профессиональных областей. Как клиенты передают вам свои потребности? И как вы понимаете эти потребности и занимаетесь развертыванием?
Jove: В области клиентского опыта у нас относительно много накопленного опыта, мы работаем с 2017 года. Так что до бума ИИ в системе Cresta уже было много человеческих диалогов, конечно, мы потратили много усилий на соблюдение требований. Например, у таких крупных компаний, как Marriott, еще до эпохи агентов были человеческие агенты, поэтому у нас хранится множество текстовых и голосовых данных, полученных законным образом.
Можно представить, что как только мы решаем выбрать несколько кейсов для ИИ-агентов, мы обязательно проанализируем, какие кейсы имеют большой объем, но не слишком сложны в реализации. То есть те, где не требуется много человеческих решений, где SOP достаточно четкие, а объем большой. Возможно, 80% бизнес-объема приходится на 20% сценариев применения. Сделав некоторые предварительные выводы, мы можем, опираясь на прошлый опыт, абстрагировать типичные вопросы, которые задают клиенты, и как обслуживающий персонал — будь то человек или ИИ — должен эффективно их решать. Это позволяет избежать много догадок, потому что ИИ и данные должны хорошо сочетаться.
При работе над относительно крупной сделкой клиент, как правило, уже давно использует другие продукты Cresta. Мы можем на основе данных его человеческих диалогов выявить закономерности, можем даже обучить на его данных небольшую модель и использовать ее для большего моделирования. Таким образом, FDE должен выступать в роли относительно опытного «офицера по внедрению ИИ», чтобы оценить, какие кейсы можно реализовать в первую очередь, готовы ли соответствующие ресурсы; если нет, мы не склонны все менять за него, скорее мы сотрудничаем с клиентом, включая последующее создание версии агента, которое также требует много тестирования и оптимизации, что отнимает много сил.
Yiwen: Вам нужно выезжать на место, чтобы посмотреть, как клиенты выполняют эту работу?
Jove: Термин «передовое развертывание» довольно яркий. Ни я, ни мои коллеги никогда не проводили у клиента больше недели. Наши FDE не занимаются первичными контактами или предпродажной подготовкой, скорее, когда уже есть серьезные намерения, нас привлекают как экспертов, чтобы посмотреть, как лучше внедрить.
Поэтому у нас может быть стартовая встреча, мы летим в их офис, можем два-три дня проводить закрытые встречи, определять высокоуровневые цели, KPI, проверять соответствующие API, и если все идет хорошо, можем даже сделать небольшой PoC (Proof of Concept) на месте, чтобы вызвать интерес. Но потом мы разъезжаемся по домам, у нас еженедельные, а то и ежедневные совещания, разработка ведется либо в офисе, либо дома. Мы можем снова собраться на этапе так называемого UAT (User Acceptance Testing) или когда обсуждаем следующий набор кейсов. Личные встречи позволяют установить зрительный контакт, даже завязать личные связи. Раннее установление таких связей и доверия очень полезно для последующей работы. Многое, что неудобно излагать письменно, через общение и беседы позволяет достичь большего взаимопонимания, лучше понять контекст, чего трудно добиться без личной встречи.
Но все эти цели сводятся к тому, чтобы сделать внедрение ИИ более надежным, а не заставлять клиента учиться, а понять, что ему нужно, и сделать это. После этого он может поддерживать систему сам, но внедрение ИИ — это сложно и долго, а FDE делает этот процесс немного проще.
Источник изображения: Pixabay
Yiwen: Концепция FDE была изобретена и популяризирована Palantir. Изначально у Palantir было две команды: Echo и Delta, которые вместе составляли FDE. Но, вероятно, Delta больше похожи на современных FDE, то есть инженерную роль; а команда Echo состояла из людей, знакомых с профессиональной областью. Можете рассказать, как вы думаете, какую ключевую проблему решал тогда Palantir?
Jove: Да, Palantir как первоначальный создатель этой модели, безусловно, заслуживает уважения. Конечно, его бизнес был очень специфическим, ведь не каждый поставщик может работать на военных. Когда он начинал 10-15 лет назад, я думаю, потому что многие конкретные потребности не хотели четко формулировать, нужно было встречаться лицом к лицу, приезжать в одну палатку, видеть данные, чтобы они согласились подробно рассказать, и при этом приходилось заниматься моделированием данных или срочно создавать API. Поэтому он нанял две команды: одна была похожа на передовых инженеров-программистов на местах, другая — больше на руководителей по бизнесу — да, они хорошо разбирались в операциях или спасательных работах. Одна — техническая, другая — нет.
FDE в обычном понимании — это все же очень техническая специальность. Для Cresta мы тоже считаем такой подход подходящим. В идеале, конечно, один человек умеет все, как в так называемой one-man company, где ты и CEO, и CTO, но таких людей трудно найти, да и возможности ограничены. Поэтому мы пробовали разные варианты, например, раньше у нас были «дизайнеры диалогов», которые хорошо разбирались в межличностном взаимодействии, эмпатии, деталях, им не нужны были технические навыки. Наш подход последнего года примерно таков: есть FDE и FDPM (Forward Deployed Product Manager, менеджер продукта передового развертывания), которые работают вместе, FDPM не требует таких глубоких технических знаний.
FDE похож на Forward Deployed CTO, можно представить, что FDPM — это Forward Deployed CEO, он использует свои межличностные навыки, умение общаться, договариваться, глубоко взаимодействует с клиентом, тратит много времени на построение доверия, чтобы понять, чего тот действительно хочет. Включая создание агента — что говорить, чего не говорить, как создавать тестовые наборы — многое не связано напрямую с программированием, и ему не нужно знать, как настраивать безопасность или сеть, но это сама по себе большая работа, FDPM может специализироваться на этом. Как CEO отвечает за всю компанию, FDPM отвечает за поведение и возможности ИИ-агента в целом; а FDE с технической стороны обеспечивает корректную реализацию, соответствующие тесты, включая обязанность передавать полученные уроки компании для улучшения продукта.
Такое сочетание FDPM и FDE эффективно, потому что нам легко приходится проводить много встреч с двумя-тремя клиентами в день, и FDE не обязательно присутствовать на всех, ведь они могут обсуждать, что говорить сначала, а что потом, и если придут к выводу, реализация не будет сложной задачей, так что обязанности разные. FDE может больше сосредоточиться на лучших отраслевых практиках ИИ, как превратить часто выполняемые разработки в SDK, наборы инструментов, CLI, мы больше вносим вклад с технической стороны; а FDPM может управлять конкретными требованиями, включая риски, как их эскалировать, и даже дополнительными продажами — если уже реализовано три кейса, можно ли сделать шесть. Этого много, это как разница между CEO и CTO, и я думаю, это эффективно, так как не предъявляет слишком высоких требований к найму и не заставляет одного человека тратить много времени на разные задачи, разделение обязанностей облегчает работу.
Yiwen: Итак, подводя итог: FDE — это технически насыщенная должность; FDPM требует больше знаний об отрасли, я полагаю, многие из этих людей имеют, например, консалтинговый бэкграунд или опыт работы в бизнес-операциях. Думаю, можно воспользоваться возможностью спросить: как вы считаете, какой человек больше всего подходит на роль FDE? Каким должен быть отличный FDE?
Jove: Думаю, это заставляет меня сформулировать мысль: я хочу создать лучшую в мире команду FDE. Да, это цель. Хотя уже есть некоторые достижения, я действительно считаю, что огромный успех Palantir или рост его акций — какую долю в этом составляет FDE, сказать трудно, ведь здесь слишком много факторов, но он создал такую модель. А сейчас FDE стал очень популярным, потому что внедрение ИИ сопряжено со множеством трудностей, и эту сложность не хочется сбрасывать на клиента, а FDE может взять эти сложные аспекты на себя и предложить клиенту хорошее решение.
И для многих продуктовых компаний, или SaaS, или платформ, FDE передает опыт с передовой прямо для улучшения продукта. Потому что, представьте, 10 лет назад FDE в Palantir, даже зная о многих недостатках продукта, что он мог сделать? Может, написать письмо или создать тикет, умоляя исправить, и через полгода исправят. Но теперь, благодаря мощному ИИ для программирования, наши FDE — конечно, мы нанимаем с высокими требованиями, надеемся на хороших инженеров — но с другой стороны, благодаря таким ИИ-агентам для программирования, как Claude Code или другим моделям, если знаешь, что не так, где есть возможности для улучшения, что можно сделать по-другому, даже если у тебя 5-10 разных репозиториев, разных языков, разных стеков, ты легко можешь попросить ИИ сделать это, а потом найти подходящего человека для проверки, так что итерации происходят быстрее.
Помимо программирования, сейчас навык (skill) сам по себе — хорошая модель, которую можно дистиллировать. Раньше все знания оставались в голове, требовалось много времени на передачу знаний, а теперь можно оформить их как skill — длинный markdown, скрипты, справочная документация. Сделав два-три похожих проекта, можно получить хороший skill, и эти возможности быстро пригодятся в следующем проекте. Или, допустим, у нас 30 FDE, приходит еще 20, эти 20 могут просто установить этот skill, получить доступ, им даже не нужно учиться. Это легко создает эффект снежного кома, так что FDE сейчас определенно находится в подходящем состоянии, нанимать больше FDE полезно для внедрения.
В том числе я приехал на нью-йоркскую TechWeek, чтобы провести мероприятия, найти подходящих людей — в первую очередь, это должен быть квалифицированный инженер, потому что эта роль подобна CTO, и вы не хотите, чтобы CTO был человеком, который плохо программирует, он должен быть технически сильным. Поскольку команда, которую я сейчас набираю, ограничена FDE для ИИ-агентов, у меня нет таких строгих требований к инженерии данных или информационной безопасности, но этот человек обязательно должен разбираться в ИИ-агентах.
Часто я вижу в резюме: «Я инженер по ИИ». Это и так понятно! Сейчас любой software engineer, если он не инженер по ИИ, уже сильно отстает, никто не ожидает, что ты будешь писать каждую строчку кода сам. Ты должен уметь использовать эти Harness framework, Cursor, Claude Code. Но не многие знают, как разрабатывать и тестировать ИИ-агентов, этот навык для нас очень важен, мы не хотим тратить два-три месяца на обучение человека, он должен войти в проект за две-три недели. Поэтому нужно быть хорошим разработчиком, иметь опыт разработки и тестирования ИИ-агентов.
Кроме того, у него должен быть солидный или убедительный опыт взаимодействия с клиентами. В конце концов, мы занимаемся передовым развертыванием, даже если раньше все встречи были онлайн или изредка выезжали на несколько дней, все равно нужно общаться с CTO клиента, IT-директором, опытными специалистами; иногда и с нетехническими сотрудниками. Нужно уметь упрощать сложные проблемы или в процессе их изложения улавливать конкретные моменты для уточнения; иногда нужно уметь говорить «нет». Здесь важна не только коммуникация на английском, но и общая уверенность, почти как у CTO — CTO тоже не может быть просто программистом.
Поэтому этот навык я обычно ожидаю увидеть либо у бывших консультантов, либо у founding engineer, либо у тех, у кого большой опыт, даже фрилансеров, я думаю, это хорошо. Помимо программирования и работы с клиентами, остальное, вероятно, касается личных качеств: надежность, устойчивость, потому что FDE действительно очень заняты, вы одновременно занимаетесь множеством задач, испытываете большое давление, имеете дело с несовершенным миром — API ненадежны, SOP практически отсутствуют, документация самая разная. Давление огромное, у людей могут быть нереалистичные ожидания, поэтому нужна большая способность справляться со сложностью и неопределенностью. Нужна самостоятельность в принятии решений, понимание, как продвигаться вперед, как выходить за рамки.
Поэтому мне нравится нанимать основателей, соучредителей-инженеров, даже тех, кто прошел через большие испытания, кто понимает, что ничто не гарантировано и не обязательно принесет успех, нужно очень много работать, чтобы достичь хотя бы приемлемого состояния. Такую надежность и устойчивость мы также надеемся увидеть. Я не нанимаю начинающих FDE, потому что, как уже говорилось, над проектом работает один-два человека, они совместно с CTO клиента создают продукт, и если человек неопытен, трудно завоевать такое доверие, он может легко потеряться, нельзя же просто открыть ИИ и попросить его сказать, что делать, без собственной способности оценивать. Поэтому технические навыки должны быть на уровне, навыки взаимодействия с клиентом должны присутствовать, нужно уметь управлять многими вещами от начала до конца.
Yiwen: Вы сказали, что FDE сталкиваются с несовершенным миром и относительно новыми инструментами для агентов. Будет ли эта должность существовать долго или это переходная роль? В эпоху ИИ, когда инструменты постоянно самообновляются и совершенствуются, как вы думаете, эта роль изменится? Или исчезнет?
Jove: Единственное постоянное — это изменение, но, по сравнению со многими другими инженерными должностями, путь к автоматизации FDE с помощью ИИ еще долог. В краткосрочной перспективе, скажем, 1-2 года, определенно будет появляться все больше инструментов, повышающих эффективность работы FDE. Например, сейчас множество телефонных разговоров и коммуникаций записываются такими инструментами, как Gong, которые могут переводить и даже позволять задавать вопросы по записи; у нас есть инструменты вроде Glean, которые могут искать последние чаты и просматривать код. Эти инструменты позволяют нам, тем, кто одновременно занимается множеством задач, работать эффективнее, и иногда в моем календаре на одно время могут быть назначены две-три встречи, некоторые вы пропустите, но с помощью этих инструментов можно как бы присутствовать в разных местах одновременно или не упускать важные моменты.
Эти инструменты позволят FDE — допустим, сейчас в среднем на одного человека приходится два-три проекта, через некоторое время может стать пять-шесть, так что улучшение инструментов повысит нашу эффективность или увеличит объем работы. Но в более отдаленной перспективе произойдет дифференциация, потребуется много высококлассных FDE для решения сложных задач, можно использовать различные инструменты, но сами инструменты не решат проблему, все равно нужны очень опытные люди.
С одной стороны, многие, кому раньше не нужны были FDE, подумают: а не нанять ли мне более дешевого FDE? Как в случае с software engineers: спрос на них растет, потому что те, кто раньше не мог нанять инженера — небольшие клиники, индивидуальные предприниматели — думают, что теперь могут нанять software engineer, чтобы продуктивизировать какой-то рабочий процесс. Соответственно, появятся FDE, возможно, ориентированные на малый и средний бизнес, на длинный хвост, даже удаленные, например, из Вьетнама или менее развитых регионов, которые никогда не бывают на месте, но сочетают потребности клиентов со своими навыками ИИ, чтобы создать продукт. Если у них есть собственный продукт для накопления опыта, это тоже модель.
Пока сложность со стороны клиентов сохраняется, всегда будет существовать разрыв, который не может быть полностью автоматизирован ИИ, и этот разрыв должны заполнять FDE. Если действительно наступит день, когда появится полностью автономный ИИ-FDE — даже сейчас SDR (Sales Development Representative) еще не автоматизированы должным образом — предположим, однажды 99% работы FDE можно будет автоматизировать с помощью ИИ: понимание клиента, написание промптов, тестирование, общение с клиентом, даже общение или согласование между ИИ одного клиента и ИИ другого. Но тогда мы будем беспокоиться уже не о FDE, весь индустриальный мир станет другим, возможно, участие человека будет минимальным. Но думаю, до этого еще далеко.
Я очень уверен в FDE: эта профессия будет становиться все более разнообразной, в ней будет участвовать все больше людей, и все больше будут осознавать ее важность.
03. Частный капитал как важный вход для развертывания ИИ
В интервью с Jove у нас возникло два вопроса. Во-первых, работа компаний по развертыванию — включая глубокое погружение в компании, преобразование процессов, помощь в использовании ИИ — очень похожа на логику традиционного консалтинга. Будет ли консалтинговая индустрия замещена этой волной? Во-вторых, как сказал Jove, зачем компаниям-разработчикам моделей сотрудничать с частным капиталом? Мы знаем, что у таких организаций, как Blackstone, есть множество портфельных компаний, многие из которых — традиционные предприятия, работающие десятилетиями. Что привлекательного в этом сотрудничестве для частного капитала?
Jove рассказал об этом частично со своей точки зрения. Далее я поговорил с Oliver, имеющим консалтинговый бэкграунд и долгосрочный опыт работы с клиентами из сферы частного капитала, об изменениях в индустрии, затронув эти два вопроса.
Yiwen: Привет, Oliver, кратко представься и расскажи о своей нынешней компании.
Oliver: Спасибо, Yiwen. Меня зовут Oliver, я вице-президент по корпоративному бизнесу в Invisible Technologies. Моя работа — помогать корпоративным клиентам внедрять ИИ, используя наши решения. До этого я работал консультантом по частному капиталу в McKinsey, в команде Rewired, которая помогала компаниям переосмысливать бизнес-модели, становясь более технологически и ИИ-ориентированными.
Yiwen: Ты сказал, что помогаете компаниям внедрять решения. Какие именно решения?
Oliver: Хорошо, кратко расскажу, что мы делаем. Наша компания называется Invisible Technologies, то есть «невидимые технологии». Наше название происходит от идеи: когда технология достаточно хороша, она невидима, то есть ты ее не ощущаешь. Наш подход отличается от многих software-компаний. В повседневной жизни мы все используем ИИ-инструменты, они очень удобны, но проблема именно в этом: существует огромный разрыв между уровнем использования ИИ отдельными людьми и уровнем внедрения в компаниях. Этот разрыв во многом обусловлен предложением на рынке.
Подумайте, как сейчас обслуживают компании? Либо сами вендоры больших моделей продают, либо продукты-оболочки — например, Harvey для юридической сферы или Granola для записи встреч, все это хорошие инструменты, но они не меняют способ работы, только усиливают существующий. В результате многие компании внедряют ИИ, но не чувствуют изменений.
Поэтому мы пошли другим путем: мы внедряем не инструменты по одному, а подходим к рабочим процессам целиком, создавая индивидуальное программное обеспечение для каждой компании. Мы разбираем рабочий процесс: если, например, десять шагов, определяем, что пять из них должны быть детерминированными, потому что涉及 математические расчеты, требования соответствия, где ошибки недопустимы; три-четыре шага можно выполнять с помощью ИИ, допуская некоторую гибкость; еще два шага требуют ручной проверки, чтобы убедиться, что все в порядке. Это правильный способ использования ИИ для изменения бизнеса.
Но для этого необходимо кастомизировать под каждую компанию, потому что процессы в каждой компании, в каждом отделе разные. Поэтому, если вы хотите превратить компании «доИИшной» эпохи в AI-native компании, вы должны создать для них индивидуальное программное обеспечение, адаптированное под их рабочие процессы. Именно этим мы и занимаемся — мы создали модульную платформу, так что можем делать это быстро.
Yiwen: Звучит так, будто вы делаете то же, что и недавно анонсированная OpenAI «Deployment Company» (компания по развертыванию), они тоже помогают компаниям внедрять. Как ты относишься к их действиям? Зачем они это делают, по-твоему?
Oliver: Думаю, они поступают абсолютно правильно. За последние полгода явно чувствуется, что CFO и топ-менеджеры компаний все чаще говорят о сокращении затрат. В то же время отчеты MIT, Стэнфорда показывают, что компаний, которые действительно успешно внедрили и масштабировали ИИ, совсем немного. Этот разрыв неустойчив, так нельзя продолжать вечно. Поэтому вендоры больших моделей должны стимулировать реальное внедрение на стороне компаний, должны доказывать ROI, просто продавая чат-бота этого не добиться. Чтобы открыть эту дверь, они должны пойти тем же путем, что и мы.
Так что я думаю, они сделали очень точный ход. Конечно, у них много капитала и сильные технологические возможности, они точно смогут это сделать. Просто их прежний подход был очень горизонтальным — хотя у них есть и вертикальные приложения, по сути они создают общие большие модели, а теперь вдруг переключаются на создание кастомизированных рабочих процессов для компаний — это совершенно другие рыночные действия, другой способ продаж, сильно отличающийся от их привычной тактики. Я уверен, что они разберутся, но потребуется время.
Yiwen: Я хочу сначала обсудить этот вопрос со стороны частного капитала. Ты сказал, что работаешь со многими клиентами из финансовых учреждений. Мне кажется, здесь две линии: одна — эти учреждения сами используют ИИ внутри, другая — их портфельные компании (Portfolio companies), многие традиционные SaaS-компании, в которые инвестирует частный капитал, также нуждаются в трансформации. Как ты думаешь, что им сейчас больше всего нужно? Чего они боятся? И не поэтому ли они идут на сотрудничество и инвестиции с OpenAI, Anthropic?
Oliver: Думаю, у частного капитала и институтов три основных потребности.
Первая — ценность сигнала. Я работаю с компаниями частного капитала какое-то время: три года назад все еще спрашивали «можете ли вы рассказать, как работает ИИ»; два года назад это превратилось в «помогите придумать, как внедрить ИИ во всем портфеле»; в этом году все кардинально изменилось, они приходят и говорят: «Мне нужно привлекать средства от LP, от пенсионных фондов, от инвесторов, я должен доказать, что нахожусь на переднем крае ИИ, мне нужны кейсы, демонстрирующие, как я создаю ценность с помощью ИИ, иначе LP не дадут мне денег». Это совершенно другая логика. Сейчас для GP (General Partner) возможность демонстрировать ИИ связана с выживанием в привлечении финансирования. Установление сотрудничества с самыми громкими именами в индустрии — это очень хороший способ подтверждения, поэтому ценность сигнала очень высока.
Вторая — создание стоимости в портфеле. Это также очень реальная потребность. Правильное использование ИИ действительно может создать большую ценность. Детали сложны, но эта часть действительно реальна.
Третья — сама доходность инвестиций. Структура этих сотрудничеств довольно привлекательна, по сути, она позволяет GP войти в высокодоходный сегмент, получить доступ к активам с высоким ростом. С этой точки зрения логика также полностью понятна.
Yiwen: Мне кажется интересным то, что ты сказал о первом пункте. Как ты думаешь, что заставляет LP продвигать ИИ?
Oliver: По тем же причинам, по которым большинство компаний продвигают ИИ. С точки зрения обычного потребителя, сколько контента об этом ты читаешь, столько и понимаешь, что ИИ может сделать. Перемены действительно происходят пугающе быстро, кажется, все продвигается с безумной скоростью. Поэтому все осознают, что ИИ может сделать очень многое, и если ты не занимаешься ИИ серьезно, ты отстаешь.
С точки зрения LP, я вкладываю деньги в GP, конечно, я хочу убедиться, что он также использует ИИ для преобразования портфельных компаний, это очень реальная потребность. Еще один момент, раз ты упомянула SaaS: за последние пять-десять лет двумя крупнейшими классами активов для частного капитала были здравоохранение и программное обеспечение, почти у всех PE есть доступ к software-компаниям. В этом году активно обсуждается тезис «SaaS умер», LP и GP очень напряжены, GP стараются доказать, что «у нас все в порядке», поэтому ценность сигнала еще больше возрастает.
Но, с другой стороны, посмотрите на сотрудничество Anthropic и Coatue, партнеры — не чистые software-инвесторы, потому что, как ты правильно сказала, наибольшую ценность ИИ создает как раз не в software-компаниях.
Yiwen: Да, именно в традиционных предприятиях, включая промышленность, производство и т.д.
Oliver: Бизнес-услуги, промышленность, здравоохранение — особенно здравоохранение, это огромно. В основном все отрасли, где software раньше не мог сильно помочь, теперь могут делать очень интересные вещи с помощью software. Еще один хороший пример — сами GP. Чем занимаются компании частного капитала? Поиск проектов, оценка, инвестиции, управление активами — это очень трудоемкая работа, требующая очень дорогих людей — будь то внутренняя команда или внешние консультанты. Именно эти рабочие процессы лучше всего подходят для преобразования с помощью ИИ. У меня есть крупный клиент, очень большая управляющая активами компания, мы можем помочь преобразовать эти рабочие процессы, и эффект поразительный.
Yiwen: Можешь привести несколько конкретных примеров? Мне кажется, при общении со многими финансовыми работниками они все еще используют ИИ для исследований, рефератов — то есть способы, связанные с большими языковыми моделями. Мне интересно, как вам удается действительно автоматизировать рабочие процессы.
Oliver: Конечно, много о чем можно рассказать. Если разбить бизнес инвестиционного фонда на модули, это примерно: привлечение средств, управление инвестициями, compliance, финансы и операционная деятельность фонда. Приведу несколько примеров рабочих процессов.
Начну с привлечения средств. У меня есть крупный клиент, очень большая управляющая активами компания, они хотели сотрудничать с меньшей по размеру управляющей компанией, чтобы та включила их продукты в свою линейку за часть комиссии, звучит неплохо. Но другая сторона сказала, что на каждую клиентскую встречу должен присутствовать ваш sales manager — крупная управляющая компания, конечно, не согласилась, потому что тогда прибыль исчезнет, это неприемлемо. Поэтому они обратились к нам с вопросом: можно ли создать ИИ-ассистента по продажам, который будет участвовать в этих диалогах.
Рабочий процесс такой: сначала у них около тысячи продуктов, поэтому нужно построить инфраструктуру данных, интегрировать эти тысячу продуктов; затем создать входной слой, позволяющий другой стороне вводить данные клиентов, при этом изолировав права доступа; затем создать вычислительный модуль, рассчитывающий оптимальный портфель продуктов для данного клиента — эта часть детерминированна, потому что по сути это математика; затем генерировать скрипты продаж для подготовки к встрече; создать инструмент для использования во время встречи; и после встречи автоматически обновлять предложение продуктов на основе протокола встречи. Вся система представляет собой замкнутую петлю обратной связи, примерно семь шагов. Эта система позволяет крупной управляющей компании обслуживать более широкий круг клиентов — это типичный кейс.
Еще один процесс, который меня очень интересует, — это сам процесс принятия инвестиционных решений. При проведении due diligence обычно нужно проработать десять направлений, нанять юристов, различных консультантов — коммерческий due diligence, экологический due diligence, координация со всеми этими людьми создает большое давление на инвестиционную команду. Мы создаем для них платформу, позволяющую взаимодействовать со всеми консультантами, отправлять им вопросы, автоматически сканировать всю data room. Можно видеть интерфейс в реальном времени, отслеживающий прогресс всех консультантов, а также извлекать вопросы, которые этот фонд задавал в похожих проектах, используя уроки прошлых инвестиций. Таким образом, они могут использовать институциональные исторические знания и значительно упростить коммуникацию с внешними консультантами. Наконец, вывод документов также автоматизирован, что само по себе большая нагрузка. Я видел слишком много инвесторов, работающих в выходные над этим, и я рад помочь им избавиться от этой работы.
Еще есть операционная деятельность фонда, например, расчет чистой стоимости активов (NAV) или сверка счетов — каждый месяц или даже каждый день после закрытия торгов нужно подтверждать, что баланс счетов верен. Моя первая работа была бухгалтером, это очень трудоемко, но этот процесс完全可以自动化. Ладно, я много рассказал, просто хотел показать несколько полезных сценариев.
Yiwen: Исходя из сказанного, мне интересно, изменился ли, по-твоему, процесс поглощения компаний частным капиталом в эпоху ИИ? Потому что раньше, говоря о поглощении компании частным капиталом, мы думали, например, о консолидации портфельных компаний, roll-up. Сейчас кажется, что мы почти вступаем в эпоху так называемого «ИИ roll-up» —表面上 вы покупаете эти компании, но на самом деле вы покупаете их рабочие процессы, а затем преобразуете их в AI-native компании. Как ты думаешь, изменит ли это сам способ работы частного капитала?
Oliver: Я видел много разных подходов, но в основном их можно разделить на две категории. Первая категория инвесторов говорит: мы не можем инвестировать в области, где риск разрушения ИИ слишком велик — это интуитивная реакция многих людей. Вторая категория — это инвесторы, которые более активно принимают это, они говорят: сейчас на самом деле очень интересное время, можно создавать стоимость с помощью ИИ. Сделка с Amex GBT — хороший пример, и много подобных сделок. Инвесторы приобретают предприятия, которые раньше не были технологичными, и очень агрессивно наделяют их технологиями, ИИ. Так что это явно становится новой возникающей тактикой, некоторые передовые GP уже так делают. И я считаю, что масштаб стоимости, который они могут создать, реален.
Но чтобы действительно создать такую стоимость, не все так просто. Сейчас я вижу проблему в большом разрыве между тем, что многие представляют себе возможным сделать, и реальными результатами, которые можно достичь. Я хочу подчеркнуть ключевую мысль: ошибка, которую часто совершают, — воспринимать ИИ только как инструмент снижения затрат. Но на самом деле истинная ценность ИИ часто заключается в создании доходов, открытии новых возможностей для доходов.
Поэтому я часто задаю клиентам вопрос: если бы вам бесплатно дали десять тысяч сотрудников с высшим образованием, что бы вы сделали? Что вы хотели бы сделать, но не могли раньше? Потому что в некотором смысле, это именно те возможности, которые дает сейчас ИИ. Как в двух примерах с управляющими компаниями, для них это означает возможность выхода на совершенно новый сегмент клиентов или бизнеса — рынок, который раньше они вообще не могли охватить. Так что это не снижение затрат, а увеличение доходов. Думаю, это то направление, в котором многим компаниям действительно следует двигаться. Но сейчас все еще очень сосредоточены на сокращении затрат с помощью ИИ, я считаю, что это не самый мощный подход. Настоящий вопрос: что я раньше не мог делать, а теперь могу, то есть создание доходов.
Это может принимать разные формы. Приведу еще один пример: у нас есть клиент — молочная компания, у них много ферм и коров. Когда мы обсуждали с ними, мы спросили: если бы у вас было десять тысяч человек, что бы вы сделали? Они сказали: интересный вопрос, мы бы писали отчеты для всех учетных записей, потому что хотели бы сократить время на эти отчеты и уделить больше времени поддержанию здоровья коров. Поэтому мы создали для них целую систему интеграции данных и индивидуальный ИИ для генерации отчетов о здоровье всех коров. Таким образом, они могут вернуть больше времени, чтобы действительно поддерживать здоровье коров, что раньше было невозможно.
04. Как ИИ меняет консалтинг и сами компании?
Yiwen: Звучит так, будто вы делаете то же, что и консалтинговые компании, это еще одна тема, которую я хотела затронуть. Традиционные консалтинговые компании раньше помогали клиентам разобраться в областях, в которых те не разбирались, но теперь такие технологические компании и компании ИИ, похоже, заменяют эту роль, используя ИИ для преобразования процессов. Думаешь ли ты, что консалтинговая индустрия устареет из-за этого? Или сам консалтинг превратится в консалтинг по трансформации с помощью ИИ?
Oliver: Думаю, в ближайшие три-пять лет консалтинг будет переживать рост, потому что всем компаниям, говорящим об ИИ, нужно переосмысливать бизнес-модели. Самый простой пример — юридические фирмы, раньше они брали оплату за час, сейчас это становится все труднее; если перейти на оплату за результат, вся структура стимулов меняется. В таком преобразовании нужен кто-то, с кем можно поговорить, нужно знать, как это делают другие, есть ли опыт, которым можно поделиться, нужен кто-то, кто проведет через этот процесс. Поэтому я считаю, что в ближайшие три-пять лет будет заметный рост спроса на консалтинг.
Но истинную ценность释放 получат те, кто в конечном итоге оставляет преобразованный бизнес. Поэтому я думаю, что модель лабораторий ИИ и таких компаний, как наша — которые делают работу и оставляют преобразованный бизнес, — это и есть настоящий способ создания стоимости, а не просто разговоры о том, как преобразовываться. Но, с другой стороны, сейчас на рынке высока неопределенность, все находятся в выжидательной позиции, поэтому спрос на консалтинг реален, люди не знают, что делать, с чего начать. Это также большая часть моей работы — садиться и разговаривать с клиентами, сначала выяснять, что стоит делать в первую очередь, это должно быть индивидуально.
Yiwen: Сталкивался ли ты с ситуациями, когда компания думала, что может справиться с каким-то рабочим процессом с помощью ИИ, но на самом деле это было невозможно? Например, иногда люди слишком оптимистичны насчет ИИ или не понимают, как он работает?
Oliver: Самая распространенная проблема — пытаться автоматизировать с помощью ИИ все подряд, но реальность такова, что этот путь не работает. Нужно сделать правильно несколько вещей. Самое关键 — хорошая платформа данных, ее ценность растет по сложному проценту. ИИ, каким бы умным он ни был, без достаточной информации и знаний ничего не может сделать. У нас есть модуль данных под названием Neuron, который как раз помогает интегрировать данные, четко их отображать, обеспечивать их использование. Это первый барьер для большинства компаний, и цена немалая, потому что раньше они вообще этого не делали.
Вторая распространенная ошибка: в десятишаговом рабочем процессе не каждый шаг должен выполняться ИИ. Можно использовать ИИ для оптимизации общего процесса, прояснения логики, определения, какие шаги детерминированы, но не все шаги следует поручать ИИ. Например, такие финансовые процессы, как сверка счетов, вы не хотите, чтобы их выполнял ИИ, вам нужен детерминированный результат. Поэтому можно использовать ИИ для梳理 логики рабочего процесса, но многие конкретные шаги выполнения должны быть жестко запрограммированы, детерминированными математическими расчетами. Думаю, две самые большие ловушки — это данные и попытка поручить ИИ то, что должно быть детерминированным.
Статья из WeChat Official Account «Silicon Valley 101», автор: Yiwen
