Каждая профессиональная сервисная фирма сейчас внедряет AI. Большинство видят рост скорости — черновики за минуты, ресерч за часы, код за секунды. Почти никто не видит пропорционального роста прибыли. Некоторые видят обратное: делаем быстрее, выручка стоит на месте, давление на маржу растет.
Почему?
Потому что скорость генерации — это не leverage. А leverage — откуда в сервисной фирме на самом деле берется прибыль — очень точно описал Дэвид Майстер больше 30 лет назад. Его модель не предсказывала AI. Но она объясняет, что именно AI ломает, чего не ломает и куда перетекают деньги.
Если вы руководите практикой, управляете delivery или принимаете решения о том, как фирма продает и упаковывает работу, — это важнее вашей AI-стратегии.
Майстер за пять минут
Для тех, кто читал «Управление фирмой, оказывающей профессиональные услуги» давно (и для тех, кто все собирается), — суть.
Майстер заметил, что вся профессиональная работа раскладывается на три типа:
| Brains | Gray Hair | Procedure | |
|---|---|---|---|
| За что платит клиент | Редкая экспертиза | Опыт и суждение | Скорость и надежность |
| Leverage | Низкий | Средний | Высокий |
| Ценовая чувствительность | Низкая | Средняя | Высокая |
| Типичная пирамида | Плоская | Средняя | Широкая |
Leverage — это соотношение младших и старших специалистов. Прибыль на партнера растет двумя способами: либо продаешь более дорогую работу (двигаешься вверх по шкале), либо делаешь ту же работу с более широкой пирамидой (больше джуниоров на одного сеньора). Все. Вся экономика профессиональных услуг — в одном предложении.
И вот часть, которую все забывают: Майстер отмечал, что работа естественным образом дрейфует вниз по шкале. То, что когда-то было brain surgery, со временем стандартизируется, кодифицируется в чеклисты, шаблоны, обучающие программы.
AI не меняет эту динамику. Он резко ее ускоряет.
Три вещи, которые AI на самом деле ломает
А. Не вашу cost base, а природу самой услуги
AI сдвигает куски работы вниз по шкале Brains → Gray Hair → Procedure. То, что вчера требовало внимания сеньора, сегодня можно частично стандартизировать и отдать системе.
Но — и это критически важно — он сдвигает не всю работу. Реальная услуга становится гибридной: discovery и judgment остаются в зоне Gray Hair или Brains, а synthesis, drafting, comparison, QA смещаются в сторону Procedure. Прибыль появляется на стыке между ними.
Б. Не ваших людей, а носитель leverage
В классической фирме leverage живет в пирамиде: джуниоры внизу производят работу, сеньоры наверху продают суждение. AI сжимает низ пирамиды. Extraction, drafting, классификация, first-pass review — все это все чаще делает система, а не команда ассоциатов.
Leverage не исчезает. Меняется то, что его несет. Leverage перестает быть «сколько джуниоров помещается под одного сеньора» и становится «какую долю delivery можно перевести в надежные, воспроизводимые цифровые процессы, сохранив качество и ответственность».
В. Не вашу маржу, а вашу модель ценообразования
Вот самый неудобный сдвиг. AI часто поднимает продуктивность быстрее, чем прибыльность. Если фирма делает ту же работу втрое быстрее, но продолжает продавать часы, — она только что срезала свою выручку на две трети. AI создает ценность только там, где фирма умеет перепаковать скорость в цену, объем, throughput или share of wallet.
Самое уязвимое место в вашей фирме — не рентабельность. Это billable hour.
Работа как граф
А вот здесь становится по-настоящему интересно.
Подумайте, что на самом деле происходит внутри проекта. Это не «команда работает 500 часов». Это цепочка преобразований: кто-то берет входные данные — документы клиента, требования, данные — и превращает их в промежуточный артефакт. Кто-то другой подхватывает этот артефакт, трансформирует дальше и передает следующему. В конце получается финальный deliverable.
Это не метафора. Это структура. На языке информатики это ориентированный граф — сеть задач, где у каждой задачи есть вход, выход и связь со следующим узлом. Если вы когда-нибудь видели блок-схему или диаграмму зависимостей проекта — вы видели граф.
В традиционной фирме этот граф исполняется людьми, организованными в пирамиду:
- Партнер определяет scope проблемы
- Менеджер координирует работу
- Джуниоры производят артефакты
- Партнер валидирует результат
Leverage = сколько джуниоров помещается под одного партнера.
В AI-native фирме тот же граф выглядит иначе:
- Senior expert проектирует граф
- Система оркестрирует исполнение
- Модель выполняет значительную часть промежуточных узлов
- Люди сидят в узлах с высокой стоимостью ошибки — верификация, эскалация, sign-off
- Фирма монетизирует архитектуру графа, а не просто потраченные усилия
Leverage = сколько узлов может надежно работать без человека.
Отсюда формула прибыльного AI-native сервисного направления:
Brains-framed, Gray-Hair-supervised, Procedure-executed graph.
Эксперт формулирует проблему. Опытное суждение управляет ключевыми решениями. AI исполняет процедурную середину. Фирма берет деньги за архитектуру, надежность и финальную подпись — не за часы.
Но есть нюанс: бесконечного leverage это не дает. У графа — свои bottlenecks.
Декомпозиция. Кто-то должен правильно разрезать проблему на нужные узлы. Это новый элитный навык — и он дефицитен.
Верификация. Чем мощнее генерация, тем дороже проверка результата. В high-stakes доменах стоимость проверки не исчезает — она становится центральной.
Исключения. Графы прекрасно работают на стандартном пути. Ценная клиентская работа часто ломает шаблон. Обработка исключений мгновенно возвращает вас в мир дорогого экспертного суждения.
Контекст. Каждый узел решает задачу локально, но клиентская проблема требует глобальной связности. Собрать локальные результаты в согласованный финальный ответ — отдельная дорогая функция.
Доверие. Даже если 80% работы сделал пайплайн, кто-то должен подписать итог. В профессиональных услугах клиент часто платит именно за эту подпись, эту ответственность, это доверие.
Граф не делает leverage бесконечным. Он переносит bottleneck из «production capacity» в «архитектуру, верификацию, обработку исключений и ответственность».
Ловушка, которую все пропускают
А вот теперь — вопрос, в котором большинство фирм ошибается.
Вопрос, который задает каждая фирма: Может ли AI сделать эту работу?
Вопрос, который нужно задавать: Можем ли мы проверить, что AI сделал правильно — дешевле, чем сделать самим руками?
Это различие меняет все. Посмотрите:
| Легко проверить | Трудно проверить | |
|---|---|---|
| Легко произвести | Commodity-автоматизация | Зона false friend |
| Трудно произвести | AI-native sweet spot | Human-dominant |
Commodity-автоматизация (легко произвести, легко проверить): форматирование, извлечение по шаблону, классификация по правилам. Деньги реальные, но быстро коммодитизируются.
AI-native sweet spot (трудно произвести, легко проверить): сложная разработка с хорошим тестовым покрытием, compliance mapping, структурированный due diligence, аналитика с rubric-based outputs. Генерация дорогая и ценная, а верификация дешевая — здесь можно строить надежный граф.
Human-dominant (трудно произвести, трудно проверить): уникальные стратегические решения, bespoke переговоры, социально сложные трансформации. AI помогает думать, но не становится двигателем delivery.
И есть опасный квадрант.
Зона false friend (легко произвести, трудно проверить): модель с радостью выдаст «убедительный» стратегический memo, «солидный» анализ, «профессиональный» отчет. Выглядит прекрасно на демо. Но проверить, что это действительно правильно — по существу корректно, содержательно достаточно, контекстуально уместно — стоит почти столько же, сколько написать с нуля.
Это зона впечатляющих демо и слабой экономики. Выгода от дешевой генерации съедается дорогим человеческим review.
Простой тест: если ваш ревьюер должен по сути заново продумать всю работу, чтобы проверить результат, — вы в зоне false friend. Ваш AI создает иллюзию leverage, а не реальность.
Софтверная разработка поняла это раньше других — не потому, что писать код легко, а потому что у софта есть мощный слой верификации: тесты, типы, линтеры, CI-пайплайны, staging-среды, rollback. Корректность можно проверить, не переделывая работу.
Большинство advisory-практик этого еще не осознали.
Где на самом деле лежат деньги
Если наложить влияние AI на три типа работ по Майстеру, картина ясна:
| Тип практики | Что делает AI | Следствие |
|---|---|---|
| Procedure | Максимально графизируем, максимально автоматизируем | Цены падают, прозрачность растет, маржа сжимается, консолидация ускоряется |
| Gray Hair | Лучший сегмент для AI-native захвата — клиенту нужен человек, но бо́льшая часть delivery живет в графе, стоимость ошибки высока, премия за суждение сохраняется | Sweet spot |
| Brains | Граф усиливает frontier thinking (больше вариантов, быстрее синтез), но не заменяет его | Остается premium, слишком узок для массовой money pool |
Главный приз — Gray Hair, переведенный в managed graph.
Не полная автоматизация — это Procedure, и там маржа стремится к нулю. Не чистый Brains — слишком bespoke, чтобы масштабировать. Sweet spot — посередине: работа, где клиенту все еще нужно опытное суждение, но где значительная доля delivery может жить внутри управляемого, верифицируемого графа.
Что это значит для вашей фирмы
Несколько следствий, с которыми стоит посидеть:
Transition выиграет не тот, кто внедрил AI первым. Выиграет тот, кто научился строить верифицируемые графы — декомпозировать экспертную работу в узлы, которые дешево исполнить, дешево проверить и дешево переделать.
Практики будут определяться не только доменом, но и экономикой графа. Релевантный вопрос — не «есть ли у нас экспертиза в X?», а «можем ли мы построить надежный, verification-friendly граф delivery для X?»
Форма deliverable становится стратегическим решением. Memo трудно проверить. Memo с картой источников, реестром допущений и evidence trail — гораздо легче. Фирмы, которые перепроектируют свои выходные артефакты так, чтобы они несли в себе доказательства, получат структурно лучшую экономику.
Автоматизировать генерацию, не автоматизируя верификацию — ловушка. Если вы заставляете AI писать черновики, но при этом сеньоры по-прежнему вычитывают их строчка за строчкой, вы ускорили production, оставив на месте самый дорогой bottleneck.
Мы построили операционную систему для этого
Эта статья описывает оптику. За ней стоит полный операционный фреймворк.
Структурированная intake-модель для оценки того, какие проекты действительно подходят для AI-native delivery — а какие являются false friends. Многоуровневый assessment-протокол, который не требует строить полный граф заранее. Библиотека архетипов проектов и паттернов графов. Набор reshape-плейбуков, которые превращают работу уровня «AI-assisted в лучшем случае» в graph-friendly delivery. И автоматизация, которая все это оживляет.
Мы используем этот фреймворк сами и внедряем его в фирмах, которые всерьез хотят сделать AI-native delivery по-настоящему прибыльным — а не просто быстрым.
Если вы руководите практикой и это отозвалось — давайте поговорим.
Top comments (1)
Матрица "стоимость генерации vs стоимость проверки" - это прям точная рамка. Я это вижу в системном анализе каждый день.
AI отлично пишет первый драфт требований - структурированно, быстро, с правильными формулировками. Но проверить, что он не пропустил edge case, не додумал бизнес-логику и не перемешал контексты двух разных процессов - стоит ровно столько же, сколько написать самому. Классический false friend по твоей матрице.
И вот что интересно - про форму deliverable ты попал в самую суть. Обычная спецификация в свободной форме - это тот самый "memo, который трудно проверить". А спецификация со структурированными acceptance criteria, маппингом на API-контракты и трассировкой до бизнес-правил - это уже verification-friendly артефакт. Разница в стоимости проверки - разы.
По сути, аналитик, который умеет декомпозировать работу так, чтобы каждый узел был дёшево проверяем - это и есть тот самый "архитектор графа", про которого ты пишешь. Только раньше это называлось скучнее (системный аналитик) )