За последние восемнадцать месяцев вопрос «использовать ли AI руководителю» перестал быть содержательным — он превратился в «как именно и на каких задачах». Разница между этими двумя вопросами на порядки: первый решается в очередном хайп-цикле, второй требует управленческой рефлексии, которой в открытых источниках пока мало.
Это рабочая записка — не методичка и не гайд. В основе — моя практика применения AI в маркетинге и участие в исследовательской программе MIT AI Adoption. Но это не отчёт о внедрениях — это ещё и собственные мысли по ходу процесса: где я ошибалась, что пересматривала, в чём до сих пор не уверена. Смысл — показать, как меняется контур принятия решений у CEO и CMO, когда часть когнитивной работы делегируется модели.
Три задачи, где AI реально сокращает цикл решения
Из всего разнообразия применений AI руководителю по-настоящему имеют смысл три класса задач — они дают проверяемый выигрыш и во времени, и в качестве. Остальное чаще создаёт иллюзию продуктивности, а не саму продуктивность.
Первая — синтез больших массивов слабоструктурированной информации. Транскрипт часового звонка с командой, тридцать страниц отчёта агентства, полугодовая переписка по проекту, brief, размазанный по десяти документам, — всё это раньше требовало отдельного человека с единственной задачей: прочитать и сформулировать. Модель делает эту работу за минуты и не устаёт — не заменяет анализ, а снимает подготовительный слой. CMO, который приходит на совещание с уже прочитанной сводкой по 200 конкурсным кейсам премии, работает на другом уровне глубины, чем тот, кто читает те же кейсы поверх текущей нагрузки — вечером, по диагонали, за час до встречи.
Вторая — генерация вариантов и стресс-тест собственной позиции. Хорошая управленческая привычка: прежде чем принять решение, сформулировать три альтернативы и попросить их разобрать по сильным и слабым сторонам. Раньше это делала команда — и стоило времени, политики и часто размытых формулировок, потому что не всякий скажет боссу прямо, что идея слабая. Теперь модель даёт быстрый, честный и не заинтересованный контраргумент. Команду это не заменяет, но радикально повышает качество разговора с ней: приходишь на встречу не с сырой идеей, а с уже пройденным первым кругом обсуждения.
Третья — черновой первый draft в задачах с высокой стоимостью «пустого листа». Стратегический меморандум для совета директоров, ответ на возражение регулятора, письмо ключевому партнёру после сложного разговора — всё то, где 60% времени уходило не на думание, а на сопротивление самому старту. Модель снимает это сопротивление и возвращает вас сразу к содержательной работе — к редактированию, а не к написанию с нуля. Черновик почти всегда неудачен по существу, но он существует — а с тем, что существует, уже можно работать.
Где AI создаёт иллюзию решения, а не решение
Симметричная сторона — задачи, где применение AI выглядит уместным, но фактически ухудшает качество решения. Здесь важно быть точным, потому что об этом мало говорят — почему-то принято обсуждать только успехи.
Финальный судейский выбор. AI хорошо генерирует и хорошо обобщает, но плохо ранжирует там, где критерии выбора несопоставимы. «Что важнее — сохранить бренд-позицию или защитить P&L-квартал?» — это не задача для модели. Это управленческий выбор, и попытка делегировать его AI даёт формально аргументированный, но по существу пустой ответ. Модель с готовностью напишет вам красивую логику под любую позицию, которую вы уже приняли — в этом её главная слабость и главная опасность одновременно.
Работа с уникальными внутренними данными без ретрив-инфраструктуры. AI, у которого нет доступа к вашим когортам, вашим экономическим моделям и вашей истории решений, работает на публичном срезе рынка — то есть даёт ответ, который могла бы дать любая рыночная аналитика. Ценность такого консультанта близка к нулю. Она появляется, когда AI работает в связке с корпоративной retrieval-системой над проприетарными данными — но это уже не «спросил у ChatGPT», а полноценный инфраструктурный проект.
Общение с человеком, где важна субъектность. Автоматически сгенерированное письмо сотруднику, которого вы увольняете, коллеге, которого поздравляете, партнёру после разрыва — не помогает, а создаёт долгосрочный ущерб доверию, даже если получатель не знает точно, что письмо написано AI. Разница считывается на уровне интонации — и она разрушительна для отношений, которые вы строили годами.
Что меняется в требованиях к CMO
Роль директора по маркетингу заметно смещается — сразу в трёх направлениях, и это уже отражается на том, каких людей ищут собственники и советы директоров.
От исполнителя к архитектору данных. Если раньше CMO мог опираться на команду аналитиков и получать готовые срезы, то сейчас критично самому понимать: откуда данные, где узкие места атрибуции, как выглядит retrieval-архитектура вашей компании. AI сам по себе не даёт преимущества — преимущество даёт качество данных, к которым он подключён. Это перекликается с моей позицией о связке CMO и CDO, которую я подробно разобрала в колонке о ROI-маркетинге.
От делегирования к со-мышлению. AI не «делает работу за вас» — он меняет ритм собственной работы. Хороший CMO 2026 года умеет думать «в паре» с моделью: сформулировать вопрос точно, получить черновик, увидеть слабые места, вернуться с уточнением. Это отдельный когнитивный навык — и его не купишь в виде подписки на инструмент, сколько бы за неё ни платили.
От знания стека к знанию границ. Ключевая компетенция — понимать, где AI применим, а где нет. Классификация задач «AI-помогает / AI-мешает» становится частью job description CMO наравне с бюджетом и командой. Без этой рамки любой инструмент рано или поздно превращается в очередную статью расходов без внятного возврата.
Как устроена моя система: AI как вторая память
Всё, что описано выше, — рамка «где применять, где нет». Но у рамки есть конкретная реализация, и я прошла её на себе. Перелом случился не в тот момент, когда я начала пользоваться AI, а когда я связала его с накопленным контекстом — Claude с Obsidian.
До этого AI был полезным, но ограниченным инструментом. Главная проблема — отсутствие памяти: каждый новый чат начинался заново, и каждый раз нужно было заново объяснять проект, договорённости, историю решений. Быстро начинает раздражать, если честно. Дело оказалось не в качестве модели, а в отсутствии долгосрочного контекста — и именно в этой точке AI перестаёт быть чат-ботом и становится рабочим инструментом.
Сейчас моя работа и жизнь структурированы через Obsidian: отдельные большие areas — основная работа, благотворительный проект, PR, личные проекты, семья, здоровье, — а внутри каждого проекты, а внутри проектов весь накопленный контекст: документы, встречи, минутки, решения, задачи, memory, research, переписки. Через MCP-коннекторы AI получает доступ к почте, Telegram, файлам и другим источникам — и помогает всё это раскладывать, индексировать, структурировать. В результате появляется не папка с файлами, а полноценная цифровая память проекта: AI начинает помнить проект лучше, чем я сама.
Это не абстрактная метафора «AI-ассистента» — это прямое продолжение тезиса из раздела выше: AI без доступа к вашим данным даёт рыночную аналитику, AI с доступом — управленческий инструмент. Разница между этими двумя режимами работы не в модели, а в инфраструктуре контекста вокруг неё.
Важное ограничение, которое я вынесла за этот год: современные модели слишком склонны соглашаться с человеком — они попросту недостаточно хорошие оппоненты. AI сегодня — плохой challenger, но отличный thought partner: хорошо помогает думать вместе с тобой, но плохо заменяет критически мыслящего человека. Тот же принцип, что и в разделе про финальный судейский выбор: AI обогащает мышление, но не заменяет проверку. Поэтому AI сильнее всего усиливает людей с высокой экспертизой — и особенно рискован для junior-специалистов, которые пока не умеют отличать хороший ответ модели от плохого. AI создаёт иллюзию компетентности, ошибка не проверяется, попадает в работу — и качество тихо деградирует.
Ещё один сдвиг, который я наблюдаю на практике: офлайн-встречи начинают проигрывать онлайну — не потому что удобнее, а потому что онлайн полностью оцифрован. Zoom-звонок записывается, транскрибируется, индексируется и автоматически попадает в память проекта; офлайн-встреча — это потерянный контекст, который потом приходится отдельно восстанавливать. Чем более цифровой становится работа, тем важнее способность автоматически сохранять контекст — и это уже не про инструменты, а про то, как будет выглядеть управление командами в ближайшие годы.
При этом расчёт экономии времени, которую даёт такая система, совпадает с более широкой картиной по рынку.
Качество этой системы напрямую зависит от качества структуры информации — работает классическое правило garbage in, garbage out. Хаотичные файлы, плохие названия, несвязанные заметки — AI наследует этот хаос, и ошибка, случайно записанная в память системы, потом расползается по всем проектам. Поэтому сейчас важнейший навык — уметь структурировать знания: naming convention, связи между файлами, чистота и актуальность данных. Не «пользоваться AI», а именно это.
От инструмента к среде: AI-native management
Всё, что описано выше, — это уровень личной операционной системы. Но масштаб явления шире: то же самое происходит на уровне компаний, и касается это не только CMO, а любого топ-менеджера, отвечающего за P&L и команду. Полностью AI-native организаций пока нет — рано об этом говорить, — но направление уже видно: мир, где вся работа оцифрована, каждый проект имеет накопленную память, весь контекст доступен модели, а сама она не принимает решения вместо менеджера, а становится интеллектуальным слоем поверх управления — подсвечивает риски и разрывы, помогает удерживать cadence проектов, но не берёт на себя ответственность человека.
Дальше — тезис жёстче, чем принято формулировать в деловой прессе: разрыв между теми, кто научился встраивать AI в ежедневную работу, и теми, кто продолжает работать по-старому, станет одним из главных источников управленческого преимущества ближайших лет. И речь не про «умение писать промпты» — это уже банальность, если не сказать клише. Речь про более глубокий слой навыков: строить цифровую память, структурировать знания, управлять контекстом, работать вместе с AI, а не вместо себя.
Здесь же — честное наблюдение о качестве публичного разговора на эту тему. Материалов о том, как AI реально меняет работу руководителя, а не разработчика, — почти нет. Поле поляризовано: с одной стороны — советы уровня «попросите ChatGPT написать письмо», с другой — материалы, рассчитанные исключительно на инженерные команды. Прикладного среднего слоя — как это выглядит у практикующего топ-менеджера — почти не существует. Поэтому лучший способ разобраться в теме — не потреблять контент про AI, а пытаться автоматизировать собственную работу: только через свои процессы видно, где модель даёт реальный leverage, где она ломается и где всё ещё нужен человек.
Что я вынесла из MIT AI Adoption
С осени 2025 года я участвую в исследовательской программе MIT по применению AI в бизнесе. Формат — не курс, а лаборатория: разбор реальных кейсов внедрения, дискуссии с практиками, у которых внедрение уже прошло цикл «получилось / не получилось». Больше всего меня удивили три наблюдения.
Успешные кейсы — это не про модель, а про процесс. Компании, которые получили измеримый бизнес-эффект, потратили основные усилия не на выбор LLM, а на переосмысление процесса, в который AI встраивается. Тот же клиентский сервис — не «поставили бота на входе», а перестроили маршрутизацию, пересобрали knowledge base, переопределили KPI команды поддержки. Модель — это последние 15% усилия. Первые 85% — организационная работа, которую внешнему консультанту не сделать.
Failures чаще всего — из-за отсутствия обратной связи. Компании внедряли AI-агентов, но не строили систему, в которой сотрудники могут поправлять модель на реальных ошибках. В итоге агент уверенно выдавал систематически неверные ответы, и через полгода команда тихо возвращалась к ручной работе. Отсутствие цикла обратной связи — главная невидимая причина провалов.
Малый и средний бизнес выигрывает быстрее, чем крупный. Парадокс: SMB получают операционный выигрыш от AI за 3–6 месяцев, крупным корпорациям тот же результат обходится в 12–18. Причина не в бюджете и не в квалификации команды, а в скорости принятия решений и упрощённой системе согласований. Хороший сигнал для маркетинга: пилоты стоит запускать в самых быстро принимающих решения контурах, а не там, где просто «есть бюджет».
Практический вывод для руководителя
Если суммировать всё, что я вижу в собственной практике и в исследовании MIT: AI не отменяет ни одну из ваших управленческих обязанностей. Он даёт возможность подойти к ним с более высокого потолка подготовки — при условии, что вы понимаете границы применимости.
Практическая рамка, которой я пользуюсь сама и рекомендую коллегам:
- Задачи синтеза, генерации вариантов и черновика — делегируйте модели без раздумий.
- Финальный выбор, работу с проприетарными данными и коммуникацию с людьми, где важна субъектность — оставьте себе.
- Постройте свой feedback-loop — фиксируйте, где модель дала полезный вывод, а где ошиблась. Через 2–3 месяца у вас появится собственная карта того, где AI работает именно в вашем контексте.
- Инвестируйте не в подписки, а в retrieval-инфраструктуру. AI без доступа к вашим данным даёт рыночную аналитику. AI с доступом — управленческий инструмент.
И последнее — самое неочевидное. Руководителю в 2026 году важнее не «уметь пользоваться AI», а иметь позицию по AI: такую, которую можно защитить перед советом директоров, объяснить команде и удержать при следующем витке хайпа. Она стоит любых часов, потраченных на её выработку.
Источники: ¹ McKinsey & Company, The State of AI: How organizations are rewiring to capture value (2025) · ² MIT NANDA, The GenAI Divide: State of AI in Business 2025 · ³ MCP Enterprise Adoption, отраслевой обзор экосистемы Model Context Protocol (2026) · ⁴ McKinsey State of AI (2025); Pew Research Center, опрос работников США (октябрь 2025) · ⁵ Microsoft, Work Trend Index (2025) · ⁶ Gartner, прогноз по agentic AI (пресс-релиз, 2025) · ⁷ World Economic Forum, Future of Jobs Report (2025)