Бізнес, що оновлює себе сам: масштабування без найму починається не з агентів

Що таке самооновлюваний бізнес?

Кларк описав явище так, коментуючи інженерну публікацію китайського рітейлера JD: сучасні AI-інструменти дають змогу створювати компанії, у яких інтелект вплетений у бек-офісні функції — приміром, в управління товарними запасами. Такі компанії працюють на значно більших масштабах, ніж було можливо раніше, і при цьому здатні самі оновлюватися й доучуватися, здебільшого без великого обсягу людського нагляду.

Сучасні AI-інструменти дають нам змогу створювати бізнеси, у яких інтелект вплетений у бек-офісні функції, як-от управління запасами.

— Jack Clark, Import AI #464

Ключове слово тут — «вплетений». Не «поставлений зверху», не «підключений збоку». Автоматизація, яку більшість компаній називає автоматизацією, живе окремим шаром: робот раз на годину забирає заявки, бот відповідає на типове питання. Приберіть цей шар — бізнес продовжить працювати, просто повільніше. Самооновлювана система влаштована навпаки: вона є частиною того, як компанія взагалі знає, що в неї відбувається.

Як це виглядає у JD: чому онтологія живе поза моделлю?

JD часто називають китайським аналогом Amazon. За цифрами, які наводить Import AI, у компанії 700 мільйонів користувачів, мільйони продавців і каталог на десятки мільярдів товарних позицій. Керувати таким каталогом руками неможливо в принципі — це питання арифметики, а не старанності.

Систему, яка цим займається, JD описала в дослідницькій публікації: Oxygen AI Item Center. За словами компанії, вона охоплює десятки тисяч категорій і обробляє сотні мільйонів оновлень товарних карток на добу. До бізнесу на 20 людей ці цифри стосунку не мають. Переносити варто не масштаб, а архітектурне рішення, яке за ним стоїть.

Онтологію — тобто структуру знань про те, що таке товар, до якої категорії він належить і які атрибути має, — JD винесла з моделі назовні, в окрему базу знань. Завдяки цьому онтологію можна безперервно оновлювати без перенавчання моделі. Самій моделі залишили вузьку роль: спершу система шукає відповідні записи в базі, а модель лише визначає, чи збігається товар зі знайденим записом. У публікації прямо сказано, навіщо так зроблено: це суттєво зменшує складність задачі та знижує ризик галюцинацій.

Чому це не про «агента, який зробить усе за вас»?

У тому самому випуску Import AI є цифри, які корисно тримати поруч, коли вам продають наскрізного автономного агента. На бенчмарку OSWorld 2.0, де AI-системи виконують довгі реальні задачі за комп'ютером, найсильніша конфігурація — Claude Opus 4.8 з максимальним режимом міркування — дала 20,6% повністю правильних виконань і 54,8% часткових. Автори зазначають, що результат різко падає зі зростанням довжини задачі, а найважче агентам дається саме те, з чого складається операційна робота: відновити прихований стан, утримувати в полі зору багато об'єктів, розв'язувати суперечливі дані й підлаштовуватися під вимоги, що змінилися.

Другий вимір тієї ж картини — Remote Labor Index, спільний бенчмарк Scale AI і Center for AI Safety. Тут моделі виконують справжні оплачувані фриланс-проєкти повністю від початку до кінця, а роботу приймає людина-замовник, а не автотест. На старті у жовтні 2025-го найкращий результат становив 2,5% прийнятих проєктів, у липні 2026-го — 16,1%. За неповний рік зростання більш ніж шестикратне, і напрямок однозначний. Але поточний рівень — 16,1%.

Ставка на агента, який самостійно веде наскрізний процес, сьогодні є ставкою на надійність у діапазоні 16–20%. Ставка на самооновлюваний шар даних — це ставка на задачу, яку JD не випадково звузила до «збігається чи ні»: вузьку, повторювану й дешеву в перевірці. Автоматизація приживається там, де перевірка результату коштує копійки.

Що насправді обмежує зростання без найму?

Коли SMB упирається в стелю, причину зазвичай формулюють як брак рук. Придивившись до конкретних процесів, майже завжди бачиш іншу картину: бракує не рук на дії, а актуального опису бізнесу. Значна частина цього опису ніде не записана — вона живе в головах співробітників.

• Довідники джерел, статусів і категорій, у яких половина значень з'явилася випадково й нічого вже не означає.
• Той самий клієнт кількома картками, бо прийшов із сайту, з Instagram і за рекомендацією.
• Товарний каталог, де назви й характеристики заповнює той, хто встиг, і як зрозумів.
• Цінові винятки та домовленості, які пам'ятає конкретний менеджер, а більше ніхто.
• Причини втрати угод, обрані навмання, бо поле обов'язкове, а варіанти не описують реальність.

Обсяг зростає — і разом із ним зростає кількість неписаних винятків, які хтось має тримати в пам'яті. Найм стає обов'язковим не тому, що більше клієнтів вимагає більше рук, а тому, що кожен новий носій знань потрібен, щоб система залишалася зрозумілою. Ви наймаєте людей у ролі живої документації.

Самооновлюваний бек-офіс розриває саме цей зв'язок. Якщо довідники нормалізуються самі, а дублі не доживають до звіту, опис бізнесу перестає залежати від того, хто сьогодні на місці. Обсяг тоді зростає швидше за штат, бо зникла робота, яка раніше вимагала найму.

Рівень 1: нормалізовані довідники

Найнудніший і найприбутковіший рівень. Єдині узгоджені значення для джерел лідів, статусів клієнтів і угод, продуктів, регіонів, причин втрати, типів звернень. Окремо варто відділити юридичну форму від назви бренду: без цього «ТОВ Ромашка», «Ромашка» і «Romashka LLC» рахуються як три різні клієнти, і будь-який звіт про повторні продажі бреше. Тут ще немає жодного AI — але без цього рівня решта не працює.

Рівень 2: контроль на вході

База псується у момент створення запису, а не поступово. Тому перевірка переїжджає на вхід: дедуплікація за телефоном і поштою до появи другої картки, нормалізація формату номерів і назв одразу, автозаповнення обов'язкових полів з історії комунікації. Це та сама ідея, що і в JD, тільки в масштабі SMB: система звіряє новий об'єкт із наявним довідником і вирішує вузьке питання про збіг.

Рівень 3: зміни за пропозицією AI з підтвердженням людини

Найвищий рівень, доступний SMB сьогодні без надмірного ризику. AI регулярно сканує базу й пропонує зміни: об'єднати ось ці картки, додати значення в довідник, бо 40 угод за квартал використали «інше», позначити контакт як недійсний. Рішення залишається за людиною, але людина працює зі списком пропозицій, а не з базою на десять тисяч записів. Саме тут з'являється властивість самооновлення — і саме тут вона безпечна, бо кожну пропозицію перевіряють за секунди.

З чого почати: яку послідовність застосовує Auspex?

• Аудит даних: яка частка дублів, порожніх обов'язкових полів, неактивних контактів і неузгоджених назв.
• Правила даних: обов'язкові поля, формати телефонів і пошти, канонічні написання компаній, закритий перелік статусів.
• Очищення й дедуплікація: об'єднати наявні дублі, заархівувати неактуальне, доповнити картки з історії.
• Упорядкування довідників: єдині значення для джерел, категорій, регіонів, продуктів, причин втрати.
• Автоматизація рутини: розподіл лідів, нагадування, follow-up, звіти, контроль завислих угод.
• Регулярний контроль: щотижневий перегляд нових записів і щомісячний повний скан бази.

Порядок тут важливіший за швидкість. Пункти 1–4 не мають ефектного демо, і саме їх найчастіше пропонують пропустити, щоб «швидше дійти до AI». Пропущені, вони перетворюють будь-яку подальшу автоматизацію на прискорювач безладу: правило розподілу лідів працює бездоганно й розподіляє дублі, звіт будується миттєво й рахує одного клієнта за трьох.

Тест: чи ваш бек-офіс уже самооновлюваний?

• Скільки часу піде на підготовку звіту про повторні продажі за квартал — і чи повірить йому фінансовий директор без ручної перевірки?
• Що станеться з якістю даних, якщо найдосвідченіший менеджер піде у відпустку на три тижні?
• Скільки днів потрібно новому співробітнику, щоб зрозуміти, який статус ставити в неочевидній ситуації?
• Хто помітить появу дубля клієнта — система чи роздратований клієнт, якому подзвонили двічі?
• Коли востаннє хтось переглядав перелік значень у довіднику причин втрати?

Якщо відповіді на ці питання впираються в конкретних людей, а не в конкретні механізми, то бек-офіс тримається на пам'яті команди. Це працює до певного обсягу, а потім кожен наступний відсоток зростання доводиться купувати наймом.

Що це дає в цифрах — і чого ми не обіцяємо?

Універсального множника тут не існує, і будь-хто, хто називає його до аудиту, вигадує. Ефект залежить від того, наскільки занедбана база на старті та скільки операцій проходить через неї щодня. Що справді можна виміряти до і після: частка дублів у базі, години на підготовку регулярної звітності, час виходу нового менеджера на самостійну роботу, частка угод із повністю заповненими даними. Ці метрики знімаються за тиждень і не потребують віри.

Показовий приклад накопиченого ефекту — GRO, український магазин і сервісний центр техніки Apple. Auspex супроводжує компанію як інтегратор CRM із 2021 року: впровадження системи, автоматизація відділу продажів, синхронізація CRM з ERP. За цей час GRO виріс приблизно з 10 замовлень на місяць до 10 на день. Це результат кількох років послідовної роботи над процесами й даними, а не наслідок одного впровадження. Реалістичний горизонт таких змін вимірюється роками, а не кварталами.

Який наступний крок?

Auspex — компанія з впровадження CRM та автоматизації бізнес-процесів для SMB. Ми починаємо не з вибору інструмента, а з питання, які саме дані ваш бізнес втрачає щодня і скільки людських годин іде на те, щоб утримувати систему в притомному стані. Коли цей шар закритий, надбудова у вигляді AI-агентів для підтримки чи кваліфікації лідів справді має на чому стояти — цим напрямом займається наш партнерський бренд Grow2.ai.