Штучний інтелект часто описують мовою моделей, GPU та параметрів. Але якщо подивитися на те, куди реально тече перший великий грошей потік, картина інша. Незалежний аналітик Бенедикт Еванс, колишній партнер Andreessen Horowitz і автор регулярних презентацій про технологічні тренди, звертає увагу: найбільші AI‑лаби на кшталт OpenAI та Anthropic все активніше інвестують не лише в моделі, а й у професійні послуги, консалтинг та «forward‑deployed» інженерів.
Це сигнал: на ранньому етапі ери AI основна цінність виникає не там, де тренують моделі, а там, де їх вбудовують у реальні бізнес‑процеси, змінюють робочі потоки й контролюють дистрибуцію. І це набагато більше схоже на класичний IT‑аутсорсинг та консалтинг, ніж на чистий софтверний бізнес.
Чому OpenAI та Anthropic раптом перетворюються на «Accenture з GPU»
Те, що OpenAI і Anthropic нарощують команди професійних сервісів і «forward‑deployed» інженерів, виглядає парадоксально. Здавалося б, їхня сила — у хмарних API, масштабі та автоматизації. Навіщо їм люди, які «виїжджають до клієнта» і місяцями розбираються в його процесах?
Відповідь проста: сам по собі доступ до потужної моделі майже нічого не змінює у великій організації. Справжня робота починається там, де потрібно:
- зрозуміти, які саме процеси варто змінювати;
- розібратися, як ці процеси реально працюють (а не як вони виглядають у регламентах);
- врахувати політику, повноваження, страхи та інтереси різних департаментів;
- побудувати нові робочі потоки навколо можливостей AI, а не просто «прикрутити чат‑бота».
Еванс порівнює forward‑deployed інженерів AI‑лабораторій із класичними аутсорс‑розробниками Accenture: це ті самі люди, які приходять у корпорацію, сідають поруч із бізнес‑замовником і місяцями «розмотують клубок» з процесів, систем і політики. Різниця лише в тому, що тепер вони працюють із LLM‑моделями, а не з SAP чи Oracle.
Це натяк на те, як виглядатиме значна частина раннього AI‑ринку: не як чистий продаж «моделей як сервісу», а як великий ринок послуг з інтеграції та перебудови процесів. Багато перших мільярдів у AI‑економіці будуть зароблені в бізнес‑моделях, які більше нагадують Accenture, ніж чистий SaaS.
Чому корпорації не можуть «просто впровадити AI» власними силами
Інтуїтивне уявлення багатьох людей про великі компанії таке: там є «армія людей», тож достатньо просто виділити кількох співробітників, щоб вони розібралися з AI і щось побудували. У реальності все навпаки.
У великих організаціях майже ніколи не буває «зайвих» людей, які сидять без роботи й чекають на великий новий проєкт. Усі завантажені поточними задачами, звітністю, підтримкою існуючих систем, регуляторними вимогами. Щоб серйозно переосмислити робочі потоки під AI, потрібен окремий, повноцінний проєкт.
Еванс підкреслює: це не «побічна ініціатива» на кілька тижнів. У типовому випадку йдеться про команду з 5–10 людей, які протягом місяців:
- інтерв’юють співробітників на різних рівнях;
- розбираються, як реально ухвалюються рішення;
- вивчають обмеження — юридичні, технічні, операційні;
- тестують гіпотези, де AI дає реальну вигоду, а де створює ризики.
У більшості компаній такої команди просто немає. Тому вони звертаються до зовнішніх консультантів, інтеграторів або до самих AI‑лабораторій, які тепер будують власні сервісні підрозділи.
Це пояснює, чому ми бачимо «неочікуваний бум» професійних послуг у AI: попит на переосмислення процесів величезний, а внутрішніх ресурсів у корпорацій для цього немає.
Перебудова робочих потоків: окремий, складний і дорогий проєкт
Ключова теза Еванса: переосмислення внутрішніх робочих процесів під можливості AI — це окремий вид роботи, який не зводиться до «встановити новий софт» чи «підключити API».
По‑перше, потрібно зрозуміти, де саме AI може дати найбільший ефект. Це не завжди очевидно. У багатьох ролях найскладніша частина роботи — не виконання конкретного завдання, а визначення, що саме потрібно зробити, у якій послідовності, з якими обмеженнями й як це вписується в ширший контекст.
По‑друге, потрібно врахувати організаційну політику. У великих компаніях будь‑яка зміна процесу означає зміну повноважень, KPI, зон відповідальності. Це породжує опір, конфлікти, «тихе гальмування». Консультанти й forward‑deployed інженери фактично виступають посередниками між технологією та політикою.
По‑третє, потрібна глибока робота з ризиками. Приклад із юристами показовий: AI‑інструменти можуть прискорити підготовку документів, але водночас створюють ризик «галюцинацій» і помилок. Для юридичної фірми це не просто технічний баг, а репутаційна й фінансова загроза. Тому впровадження AI вимагає не лише інтеграції, а й розробки нових правил, перевірок, процесів контролю якості.
Усе це робить перебудову робочих потоків нетривіальним, дорогим і тривалим завданням. Саме тут і виникає попит на команди з 5–10 людей, які місяцями працюють «у полі». І саме тут концентрується значна частина ранньої економічної цінності AI.
Forward‑deployed інженери як нові «аксенчурівці»
Фігура forward‑deployed інженера — одна з найцікавіших у новій AI‑економіці. Формально це інженер, який працює в AI‑лабораторії, але фактично він проводить більшість часу на боці клієнта, розбираючись у його системах і процесах.
Еванс жартує: так само, як «machine learning scientist» — це статистик, який живе в Сан‑Франциско, forward‑deployed інженер — це аутсорс‑розробник Accenture, який працює в Сан‑Франциско. За жартом стоїть серйозна думка: значна частина раннього AI‑бізнесу — це класичні IT‑послуги, просто з новим технологічним ядром.
Ці інженери:
- говорять одночасно мовою моделей і мовою бізнесу;
- розуміють обмеження конкретної AI‑платформи;
- можуть запропонувати архітектуру рішень, яка враховує як технічні, так і організаційні фактори;
- стають «вбудованими» у команду клієнта на час проєкту.
Для самих AI‑лабораторій це спосіб:
- глибше вбудуватися в бізнес‑критичні процеси клієнта;
- краще зрозуміти реальні сценарії використання й обмеження своїх моделей;
- створити додатковий бар’єр для переходу клієнта до конкурента.
Для клієнтів — це можливість отримати не просто «доступ до моделі», а реальний робочий продукт, який змінює їхню операційну діяльність.
У підсумку перші великі доходи AI‑лабораторій можуть виглядати не як «масовий API‑бізнес», а як мікс платформи та сервісів, де частка «людської роботи» дуже відчутна.
Amazon, McKinsey та уроки інтернет‑революції: де в AI буде справжня «м’якоть» цінності
Щоб зрозуміти, де саме в ланцюжку створення цінності AI накопичуватиме найбільші прибутки, Еванс пропонує подивитися на попередні технологічні зрушення — інтернет, мобільний зв’язок, цифрову дистрибуцію контенту.
Amazon і проблема «що саме купити»
Amazon — блискучий приклад того, як технологія може радикально оптимізувати одну частину ланцюжка, але залишити іншу майже недоторканою. Компанія надзвичайно добре вміє доставити конкретний SKU: якщо користувач знає, що саме хоче, Amazon зробить це швидко, дешево й надійно.
Але завдання «вирішити, що саме купити» — окрема робота. Вона включає:
- розуміння потреби;
- порівняння опцій;
- оцінку компромісів між ціною, якістю, брендом, сумісністю;
- іноді — узгодження з іншими людьми чи департаментами.
Це завдання досі погано вирішується чистим софтом. Рекомендаційні системи, відгуки, рейтинги допомагають, але не знімають із людини відповідальність за вибір.
Аналогічно в AI: тренування моделі — це «доставка SKU». Вона може бути дуже ефективною, масштабованою й автоматизованою. Але завдання «вирішити, що саме автоматизувати, як змінити процес, які ризики прийнятні» — окрема робота, яка вимагає людей, контексту й політичної чутливості. Саме тут і виникає попит на консалтинг та інтеграцію.
McKinsey: платять не за слайди
Ще один важливий приклад — великі консалтингові компанії на кшталт McKinsey. Ззовні може здаватися, що їхній продукт — це презентації: десятки слайдів із графіками, моделями, рекомендаціями. Логічне запитання: якщо AI може генерувати слайди й аналітику, чи не стане такий консалтинг товаром масового вжитку?
Еванс наголошує: справжня цінність McKinsey не в слайдах. Їх наймають за інше:
- діагностика організаційних проблем, які самі співробітники часто не можуть або не хочуть сформулювати;
- навігація політикою: хто реально ухвалює рішення, хто блокує зміни, як побудувати коаліцію;
- легітимація змін: «McKinsey сказали, що треба робити так», — це аргумент у внутрішній боротьбі за трансформацію.
Ця робота глибоко людська, контекстна й політична. AI може допомогти з аналізом даних, підготовкою матеріалів, моделюванням сценаріїв, але не може повністю замінити функцію «зовнішнього мозку й арбітра», яку виконують консалтингові фірми.
Це означає, що в AI‑епосі консалтинг не зникне, а трансформується. Частина рутинної аналітики буде автоматизована, але попит на людей, здатних діагностувати проблеми й проводити зміни через політичні лабіринти великих організацій, залишиться високим. І саме вони будуть ключовими провідниками AI‑інтеграції.
Уроки від газет і лейблів: коли дистрибуція відривається від продукту
Інтернет уже одного разу радикально змінив розподіл цінності в індустріях, де фізична дистрибуція була ключовим активом. Газети володіли друкарнями й логістикою доставки, музичні лейбли — каналами постачання дисків у магазини. Коли контент став цифровим, фізична дистрибуція втратила значення, а разом із нею — й частина влади цих гравців.
Еванс пропонує дивитися на AI через подібну призму. Моделі — це «сировина», базовий продукт. Але справжня битва розгорнеться за:
- дистрибуцію: хто контролює точки доступу користувачів до AI‑функцій;
- інтеграцію: хто володіє глибоким вбудовуванням AI у критичні бізнес‑процеси.
У цьому сенсі forward‑deployed інженери, консалтингові підрозділи AI‑лабораторій і класичні інтегратори стають новими «власниками дистрибуції» в корпоративному сегменті. Вони вирішують, які саме моделі, у яких сценаріях і як саме будуть використані.
Як і в епоху інтернету, де виграли не лише ті, хто створював контент, а й ті, хто контролював платформи й канали (Google, Facebook, Apple), в AI‑епосі ключовим питанням стане: хто контролює шлях від моделі до кінцевого користувача й реального процесу.
Що це означає для підприємств і стартапів
Якщо прийняти логіку Еванса, то картина для різних гравців виглядає так.
Для великих підприємств головний виклик — не «яку модель обрати», а «як організувати проєкт із переосмислення процесів». Це означає:
- закладати в AI‑ініціативи бюджети не лише на ліцензії та інфраструктуру, а й на консалтинг і інтеграцію;
- розуміти, що без окремої команди, яка місяцями працюватиме над перебудовою робочих потоків, ефект буде обмеженим;
- готуватися до політичних конфліктів усередині організації й заздалегідь продумувати, хто буде «власником змін».
Для стартапів урок інший. Якщо значна частина ранньої цінності AI лежить у сервісах, інтеграції та дистрибуції, то:
- будувати «черговий інтерфейс до тієї самої моделі» — слабка стратегія без глибокого розуміння конкретних процесів і болів клієнта;
- є великий простір для компаній, які спеціалізуються на певних вертикалях (право, медицина, логістика) і поєднують AI‑експертизу з галузевим знанням;
- партнерства з великими інтеграторами та консалтингом можуть виявитися не менш важливими, ніж доступ до найновішої моделі.
Усі ці висновки вписуються в ширшу тезу Еванса: AI — це зміна масштабу індустрії, порівнянна з інтернетом чи мобільним зв’язком, але не «щось безпрецедентне поза історією». Як і в попередні хвилі, перші великі гроші заробляють ті, хто вміє не лише будувати технологію, а й вбудовувати її в реальне життя — з усіма його обмеженнями, хаосом і політикою.
Висновок: битва за AI — це битва за вплив на процеси, а не лише за параметри моделей
Якщо дивитися на сьогоднішній AI‑ринок лише через призму моделей, легко пропустити головне. Поки одні сперечаються, чия архітектура краща й у кого більше параметрів, інші тихо будують команди forward‑deployed інженерів, купують консалтингові фірми й укорінюються в процесах великих клієнтів.
Еванс звертає увагу саме на цю «невидиму» частину айсберга. Переосмислення робочих потоків під AI — складна, тривала й глибоко людська робота. Вона вимагає розуміння не лише технології, а й організаційної динаміки. І саме тут, у сервісах, інтеграції та дистрибуції, сьогодні формується значна частина реальної економічної цінності штучного інтелекту.
Для тих, хто планує будувати бізнес на AI або впроваджувати його у своїй організації, це означає одне: дивитися потрібно не тільки на те, «яка модель найкраща», а й на те, хто й як допоможе перетворити її можливості на нові процеси, нові продукти й нові способи роботи. Саме там проходитиме головна лінія фронту в найближчі роки.
Джерело
Повна розмова з Бенедиктом Евансом:
https://www.youtube.com/watch?v=BD3vLtWhT5A