Театр готовности: как компании разыгрывают успех GenAI
В январе 2025 года разработчику было почти невозможно избежать разговоров о генеративном искусственном интеллекте. Затем инструменты стали встраиваться в среду разработки, а поставщики начали соревноваться уже не только в качестве моделей, но и в удобстве для программистов. К августу InfoWorld писал об агентной разработке, которой занимались Google и Deutsche Telekom. (InfoWorld, январь–август 2025: [Ready or not, here it comes: GenAI in 2025](https://www.infoworld.com/article/3807890/ready-or-not-here-it-comes-genai-in-2025.html); [The GenAI Report](https://www.infoworld.com/blogs/the-genai-report/))
Одновременно другая линия публикаций звучала куда менее победно. Одни проекты внедрения генеративного ИИ не масштабировались, другие не оправдывали ожиданий. Компании пытались посчитать отдачу, но часто не имели исходных данных, с которыми можно было бы сравнить результат. (InfoWorld, 2024–2025: [How generative AI rollouts fail, and how to fix them](https://www.infoworld.com/article/3992489/how-generative-ai-rollouts-fail-and-how-to-fix-them.html); [Learning how to measure genAI’s impact](https://www.infoworld.com/article/3964014/learning-how-to-measure-genais-impact.html))
Можно увеличить число пилотных проектов, сгенерированных фрагментов кода и запросов на слияние, не доказав, что работа стала быстрее, безопаснее или качественнее. В инженерных командах рост объёма кода способен перегрузить проверку, интеграцию и тестирование. (InfoWorld, 2025: [Generative AI Insights](https://www.infoworld.com/blogs/generative-ai-insights/))
На поверхности это выглядит как быстрый прогресс. Под поверхностью — как подготовка, которая всё время откладывает доказательство собственной полезности.
Три скорости одной гонки
Главная загадка не в том, способен ли GenAI приносить пользу. Вопрос в другом: почему доступ к всё более мощным моделям так часто не превращается в повторяемую рабочую систему?
Организация может купить инструмент, обучить сотрудников и объявить о запуске. Но для устойчивого результата ей нужны ещё конкретный рабочий процесс, качественные данные, понятные ограничения, владелец результата и способ измерить изменение. В публикациях InfoWorld о внедрении и оценке эффекта именно эти элементы постоянно оказываются слабым местом. (InfoWorld, 2024: [How generative AI rollouts fail, and how to fix them](https://www.infoworld.com/article/3992489/how-generative-ai-rollouts-fail-and-how-to-fix-them.html); [Learning how to measure genAI’s impact](https://www.infoworld.com/article/3964014/learning-how-to-measure-genais-impact.html))
Здесь сталкиваются три разных времени. Поставщики и медиаповестка движутся быстро; перестройка данных и процессов занимает дольше; надёжные измерения обычно появляются последними. К моменту, когда компания готова проверить эффект, внимание уже переключается на новый тип модели или следующую архитектурную моду. (NTT DATA, 2025: [Global GenAI Report](https://www.coit.es/sites/default/files/ntt_data_global_genai_report.pdf); InfoWorld, 2025: [Beyond AI protocols](https://www.infoworld.com/blogs/generative-ai-insights/))
За короткий срок словарь изменился. Сначала речь шла об ассистентах и удачных запросах, затем — об агентах, протоколах MCP и A2A, памяти, оркестрации и самостоятельных действиях. Это уже не просто программа, которая предлагает текст: такая система должна обращаться к инструментам, учитывать контекст и безопасно переживать ошибку. (InfoWorld, сентябрь 2025: [Beyond AI protocols: Preparing for MCP and A2A in production](https://www.infoworld.com/blogs/generative-ai-insights/))
«ИИ не возникает сам собой, по волшебству», — так InfoWorld пересказывает очевидный, но часто забываемый вывод из дискуссии о корпоративном внедрении: необходимы облачная инфраструктура, модернизированные данные и операционная работа до того, как модель начнёт приносить устойчивую пользу. (InfoWorld, 2024: [Are we thinking too small about GenAI?](https://www.infoworld.com/article/2517120/are-we-thinking-too-small-about-genai.html))
Пилот — ещё не производственная способность.
Именно поэтому полезно различать эксперимент и операционализацию. Модель зрелости NTT DATA описывает переход к устойчивой ценности через инструменты, конвейеры данных, управление и повторяемые процессы. А рамка BEST предлагает до запуска проверять одновременно деловую ценность, осуществимость и контроль рисков. (NTT DATA, 2025: [Global GenAI Report](https://www.coit.es/sites/default/files/ntt_data_global_genai_report.pdf); MRS, 2024: [The BEST Framework for Gen AI](https://www.mrs.org.uk/pdf/MRS_Delphi_GenAI_FINAL.pdf))
От активности к сцене
Ставки растут не только потому, что агенты могут писать тексты. В разработке генеративные инструменты увеличивают число запросов на слияние и объём кода внутри них. Если команда не успевает проверять, соединять и тестировать этот поток, видимая производительность скрывает новую очередь. (InfoWorld, 2025: [The productivity paradox of AI-assisted coding](https://www.infoworld.com/blogs/generative-ai-insights/))
В агентной системе ошибка может стать не плохим ответом, а плохим действием. Чем больше у агента доступа к инструментам и данным, тем важнее разрешения, память, проверка результата и возможность безопасно остановить цепочку действий. Материал о платформе Gravity поэтому выделяет модульную оркестрацию, отказоустойчивость, гибридное управление памятью и соединение языковых моделей с предметными знаниями. (Andrew Sellers / InfoWorld, сентябрь 2025: [How to build a production-grade agentic AI platform – lessons from Gravity](https://www.infoworld.com/blogs/generative-ai-insights/))
Экономика также перестаёт быть фоном. InfoWorld описывал огромные вложения в центры обработки данных и связанную инфраструктуру при сравнительно скромной коммерческой отдаче. Там же приводилась оценка экономиста MIT Дарона Аджемоглу: лишь 23% задач, которые ИИ способен достаточно хорошо воспроизвести, могут оказаться экономически выгодными для автоматизации в течение следующего десятилетия. (InfoWorld, 2024: [Are we thinking too small about GenAI?](https://www.infoworld.com/article/2517120/are-we-thinking-too-small-about-genai.html))
Самое убедительное объяснение неудач кажется довольно простым. Компании выбирают не тот процесс, плохо обучают людей, поздно вводят ограничения и не назначают ответственного. Значит, нужно лучше управлять изменениями, точнее выбирать сценарии и строить более сильные защитные барьеры. Эта версия не выдумана: именно несоответствие рабочему процессу, отсутствие управления и неясные критерии успеха называют среди причин провала публикации InfoWorld и рамка BEST. (InfoWorld, 2024: [How generative AI rollouts fail, and how to fix them](https://www.infoworld.com/article/3992489/how-generative-ai-rollouts-fail-and-how-to-fix-them.html); MRS, 2024: [The BEST Framework for Gen AI](https://www.mrs.org.uk/pdf/MRS_Delphi_GenAI_FINAL.pdf))
Но она объясняет не всё.
Первое сомнение возникает у самой метрики внедрения. Число пользователей, пилотов, сгенерированных строк и восторженных заявлений руководства показывает движение, но не обязательно результат. Чтобы утверждать, что GenAI улучшил работу, нужны исходный уровень, заранее определённый результат и сравнение с другим способом выполнения той же задачи. (InfoWorld, 2024: [Learning how to measure genAI’s impact](https://www.infoworld.com/article/3964014/learning-how-to-measure-genais-impact.html))
Для программиста это особенно заметно. Быстрее создать код — не то же самое, что быстрее выпустить надёжное изменение. Проверка, исправление, интеграция и последующее обслуживание могут перенести выигрыш из одного участка процесса в другой, а иногда и уничтожить его. (InfoWorld, 2025: [The productivity paradox of AI-assisted coding](https://www.infoworld.com/blogs/generative-ai-insights/))
Пока компания считает активность, она может принять расширение работы за улучшение работы.
Когда готовность становится представлением
А что, если большинство GenAI-стратегий не строят готовность, а разыгрывают её?
Это явление можно назвать **театром готовности** — Readiness Theater. Так выглядит организационная демонстрация подготовленности через пилоты, интеграции, агентные проекты, отчёты об использовании и стратегические заявления, пока рабочие процессы, данные, измерения, управление и зрелость продукта остаются незавершёнными.
Термин важен не ради эффектной метафоры. Он меняет вопрос о провале. Проект может не просто плохо исполняться; сама организация может получать больше признания за видимый признак движения, чем за медленную работу, которая делает результат проверяемым.
«Невероятно быстро и одновременно невероятно неправильно»— формула InfoWorld для одной из центральных опасностей генеративного ИИ. Она разрушает предположение, будто скорость сама по себе является однозначным благом для предприятия.
Теперь несколько прежних фактов читаются иначе. Неудачный запуск — это не только сломанный проект, но и декорация, которую выставили раньше, чем проверили фундамент. Отсутствие данных для оценки отдачи — не просто техническая неприятность: без него сигнал успеха нельзя отличить от впечатления. А переход к агентам делает разрыв заметнее, потому что требует памяти, разрешений, тестов и сценариев восстановления, которые не заменяются хорошим запросом. (InfoWorld, 2024–2025: [Learning how to measure genAI’s impact](https://www.infoworld.com/article/3964014/learning-how-to-measure-genais-impact.html); [How do we secure agentic AI in the meantime?](https://www.infoworld.com/blogs/generative-ai-insights/); Andrew Sellers / InfoWorld, сентябрь 2025: [How to build a production-grade agentic AI platform – lessons from Gravity](https://www.infoworld.com/blogs/generative-ai-insights/))
Это уже интерпретация: исследование подтверждает разрывы между внедрением, процессом и измерением; вывод о том, что организации иногда демонстрируют готовность вместо её создания, — гипотеза. Но она объясняет, почему одинаковые признаки — пилот, панель показателей, агентная платформа — так часто появляются раньше доказанного результата.
Театр готовности держится на неравной цене сигналов. Объявить пилот легко и заметно; очистить данные, договориться о владельце процесса и провести сравнение с исходным уровнем трудно и скучно. Первый шаг можно показать совету директоров в этом квартале, второй требует терпения и допускает неудобный вывод: сценарий лучше закрыть.
Готовность здесь не отсутствует полностью. Она просто представлена раньше срока.
Самоусиливающийся сигнал
За театром готовности стоит равновесие сигналов. Организация подаёт признаки движения, потому что они быстро привлекают внимание и ресурсы, тогда как фундаментальные улучшения стоят дорого, идут медленно и редко выглядят как новость.
Механизм таков: пилот создаёт историю успеха; история привлекает новые вложения; вложения расширяют использование; использование производит новые цифры активности; цифры начинают служить доказательством готовности, даже если исходного уровня и критерия результата нет. Это причинная гипотеза, построенная на описанных в источниках различиях между внедрением и измеренным воздействием. (InfoWorld, 2024: [Learning how to measure genAI’s impact](https://www.infoworld.com/article/3964014/learning-how-to-measure-genais-impact.html); NTT DATA, 2025: [Global GenAI Report](https://www.coit.es/sites/default/files/ntt_data_global_genai_report.pdf))
В таком равновесии никто не обязан сознательно обманывать. Операционный руководитель действительно может считать пилот способом обучения. Поставщик действительно улучшает опыт разработчика. Сотрудники действительно используют инструмент. Но система вознаграждает эти видимые действия раньше, чем проверяет, улучшился ли конечный процесс.
Скептик возразит, что пилоты и нужны именно для обучения, а раннее измерение бывает сложным. Это сильный аргумент: нельзя требовать полной уверенности от технологии, которая ещё меняется. Однако обучение становится театром, когда его результаты объявляют доказательством производительности без базовой линии, владельца, границы риска и заранее принятого решения об остановке. (NTT DATA, 2025: [Global GenAI Report](https://www.coit.es/sites/default/files/ntt_data_global_genai_report.pdf); InfoWorld, 2024: [Learning how to measure genAI’s impact](https://www.infoworld.com/article/3964014/learning-how-to-measure-genais-impact.html))
Ещё один довод звучит так: широкие инвестиции разумны, ведь отстающие компании рискуют пропустить технологический перелом. Возможно. Но расходы на инфраструктуру не равны ценности для бизнеса, а оценка Аджемоглу в 23% напоминает, что техническая воспроизводимость задачи и экономическая целесообразность автоматизации — разные вещи. (InfoWorld, 2024: [Are we thinking too small about GenAI?](https://www.infoworld.com/article/2517120/are-we-thinking-too-small-about-genai.html))
«главный фактор, удерживающий организации по неправильную сторону разрыва GenAI, — это пробел в обучении»— почти всё исправят управление и обучение. Они действительно снижают риск, но не добавляют системе память, способность адаптироваться или устойчивое понимание конкретного процесса. По словам Абхилаша Наира, пересказывающего критику отчёта MIT о разрыве в применении GenAI
Пилот полезен только тогда, когда из него можно выйти с решением.
Что именно проверяют реальные проекты
Материал InfoWorld о провалах внедрения не даёт основания утверждать, что каждый названный там проект был театром готовности. Он формулирует более узкое наблюдение: запуск без конкретного рабочего процесса, модели управления и критерия успеха часто не оправдывает ожиданий. В новой рамке это место, где объявление о внедрении должно уступить место проверке условий. (InfoWorld, 2024: [How generative AI rollouts fail, and how to fix them](https://www.infoworld.com/article/3992489/how-generative-ai-rollouts-fail-and-how-to-fix-them.html))
Gravity — другой тип материала. Описание производственной агентной платформы выделяет модульную оркестрацию, отказоустойчивый дизайн, гибридную память и соединение языковых моделей с предметными знаниями. Эти детали не доказывают коммерческий успех платформы; они показывают, какие невидимые компоненты приходится строить, если агент должен работать не в демонстрации, а в системе. (Andrew Sellers / InfoWorld, сентябрь 2025: [How to build a production-grade agentic AI platform – lessons from Gravity](https://www.infoworld.com/blogs/generative-ai-insights/))
Третий пример — Google и Deutsche Telekom. InfoWorld описывает их как организации, пытающиеся сделать агентную разработку работающей практикой. В доступном материале нет данных о результатах конкретных проектов, поэтому их нельзя преподносить как доказанный успех или провал. Но сами названия показывают, насколько быстро экспериментальная лексика переходит в язык операционного внедрения. (InfoWorld, август 2025: [AI’s not-so-secret agents](https://www.infoworld.com/blogs/the-genai-report/))
Наконец, инженерная метрика особенно хорошо показывает опасность подмены. Рост запросов на слияние и объёма кода виден сразу, а качество поддержки и тестирования проявляется позже. Для команды разработчиков это означает, что измерять нужно не только производство артефактов, но и путь до принятого, работающего изменения. (InfoWorld, 2025: [The productivity paradox of AI-assisted coding](https://www.infoworld.com/blogs/generative-ai-insights/))
Именно здесь продуктовая зрелость ограничивает организационную дисциплину. В критике MIT-подхода Наир пишет о системах, которые забывают контекст, не учатся на использовании и плохо встраиваются в рабочие процессы. Источник имеет умеренную надёжность, поэтому это следует считать аргументом, а не установленным универсальным диагнозом. (Abhilash Nair, 2025: [A Critical View of MIT’s GenAI Divide Report](https://www.linkedin.com/pulse/critical-view-mits-genai-divide-report-abhilash-nair-phd-jhanf))
«Ответ не лучше и не хуже: он либо правильный, либо нет»— формулирует это InfoWorld.
Для кода разница принципиальна. Сгенерированный фрагмент может ускорить отдельный шаг, но его ценность зависит от корректности, сопровождаемости, сохранения контекста и тестирования. Одними правилами внедрения нельзя превратить любую вероятностную выдачу в надёжный результат. (InfoWorld, 2024: [3 things we’ve learned about using genAI in coding so far](https://www.infoworld.com/video/4068938/3-things-weve-learned-about-using-genai-in-coding-so-far.html); InfoWorld, 2025: [The productivity paradox of AI-assisted coding](https://www.infoworld.com/blogs/generative-ai-insights/))
У каждого сценария есть собственный предел ошибки.
Как отличить готовность от её спектакля
Из этой рамки следует практическое правило: начинать нужно не с вопроса «где нам применить GenAI?», а с вопроса «какой процесс выдержит вероятностный результат?».
Для инженера машинного обучения проверка начинается с данных и оценки: есть ли исходный набор, как определяется ошибка, кто обновляет данные и что считается достаточным качеством. Для разработчика ИИ важнее также права доступа, память, вызовы инструментов, журнал действий и безопасное завершение цепочки. Для общего разработчика программного обеспечения главным тестом становятся проверка кода, интеграция, тесты и последующее обслуживание. Эти вопросы следуют из требований к измерению, агентной архитектуре и инженерным последствиям роста объёма кода. (InfoWorld, 2024–2025: [Learning how to measure genAI’s impact](https://www.infoworld.com/article/3964014/learning-how-to-measure-genais-impact.html); Andrew Sellers / InfoWorld, сентябрь 2025: [How to build a production-grade agentic AI platform – lessons from Gravity](https://www.infoworld.com/blogs/generative-ai-insights/); InfoWorld, 2025: [The productivity paradox of AI-assisted coding](https://www.infoworld.com/blogs/generative-ai-insights/))
Рамка BEST даёт ещё один фильтр: до запуска нужно сопоставить деловую ценность, возможность исполнения и контроль риска. Модель зрелости NTT DATA добавляет вопрос о переходе от эксперимента к повторяемому процессу, а не просто к большему числу пользователей. (MRS, 2024: [The BEST Framework for Gen AI](https://www.mrs.org.uk/pdf/MRS_Delphi_GenAI_FINAL.pdf); NTT DATA, 2025: [Global GenAI Report](https://www.coit.es/sites/default/files/ntt_data_global_genai_report.pdf))
У зрелого проекта должны быть четыре неприятных ответа. Какой исходный показатель изменился? Кто отвечает, если модель ошиблась? Что происходит после ошибки? Какая фундаментальная возможность позволяет расширить сценарий?
Если на них отвечают только числом пользователей или количеством пилотов, перед нами пока сигнал, а не доказательство.
Организация, которая научилась закрывать слабые сценарии, может выглядеть менее активной. У неё меньше громких запусков, зато яснее границы применимости и дешевле отказ от неудачного решения. Это соответствует логике измерения воздействия: ценность появляется не в самом факте использования, а в сравнении с тем, как работа выполнялась раньше. (InfoWorld, 2024: [Learning how to measure genAI’s impact](https://www.infoworld.com/article/3964014/learning-how-to-measure-genais-impact.html))
Будущее принадлежит не тому, кто накопит больше демонстраций. Оно принадлежит тому, кто умеет доказать, что ограниченный процесс стал лучше.
Открытые объявления, панели внедрения и агентные платформы не обязательно пусты. Они могут быть первыми шагами настоящего строительства. Но теперь каждый такой шаг следует читать как утверждение, которому ещё предстоит выдержать проверку рабочим процессом, риском и измерением.
Гонка GenAI начиналась как соревнование в скорости принятия. Её следующий этап будет соревнованием в способности остановиться, проверить и только потом масштабировать.