«Я стараюсь бежать туда, где шайба будет, а не где она была» — эта цитата хоккеиста Уэйна Гретцки вошла в учебники по стратегическому планированию. Проблема в том, что в эпоху ИИ шайба летит гораздо быстрее и по более непредсказуемой траектории, чем раньше. В 2010-х бизнес мог наблюдать за «цифровыми первопроходцами» и брать на вооружение лучшее с лагом в пару лет. Теперь время на раздумья ограничивается месяцами или даже неделями. ИИ уничтожил саму идею стратегического горизонта. Будущее перестало быть линией — оно стало набором возможных траекторий, которые зависят от сотен или тысяч переменных.
Способности технологии стремительно расширяются. Например, еще год назад нейросети в основном использовали для написания простых текстов (и не лучшим образом), а сейчас Anthropic Claude Opus 4,5 может решать сложные многошаговые задачи по разработке кода. С такой скоростью года через три алгоритмы станут полноценными сотрудниками многих организаций.
McKinsey называет компании, где люди работают в связке с виртуальными агентами, «агентными организациями». Например, в банк будущего при запросе на ипотеку персональный ИИ-консьерж запускает серию агентов: один мгновенно подбирает варианты недвижимости, другой рассчитывает скоринг и условия, третий проверяет соответствие регуляциям, четвертый оформляет документы. Человек контролирует процесс и вмешивается в него только при нестандартных отклонениях. На сделку уходит меньше часа. Организации способны молниеносно развернуть новые проекты, потому что ИИ-«сотрудников» можно тиражировать без найма и обучения.
«Сбер» уже внедрил ИИ‑агентов, которые самостоятельно обращаются к внутренним сервисам и базам, обрабатывая до 70—80% типовых запросов клиентов. Это кейс не только про клиентскую поддержку: по сути формируется слой «цифровых сотрудников», которые могут участвовать в скоринге, подборе продуктов, управлении обращениями — то есть в операционных решениях, которые раньше принимались людьми на основе регламентов.
От матрицы BCG до аналитики на лету
Классический подход к стратегии метафорически сравнивают с построением крепости: выбрать конкурентное преимущество, возвести вокруг него бастионы (патенты, барьеры входа) и удерживать как можно дольше. В эпоху алгоритмов крепость превращается в ловушку. Преимущества оказываются временными, продуктовые циклы сокращаются, барьеры входа исчезают быстрее, чем успевают сформироваться. Вместо каменной крепости нужна модульная конструкция, где стены подвижны, а компоненты легко сменяются.
До 70-х годов XX века стратегическое планирование строилось на интуиции и опыте руководителей. Затем консалтинговые компании привнесли в менеджмент научный подход. Например, появилась матрица BCG («Дойные коровы», «Звезды», «Темные лошадки», «Собаки») — она дала менеджерам инструмент для анализа портфеля бизнесов и распределения ресурсов. Другие фреймворки (например, матрица McKinsey-GE, модель 5 сил Портера) помогают анализировать конкурентную среду, привлекательность рынков и внутренние возможности компании. С появлением ИИ происходит еще более мощный прорыв в стратегическом планировании — алгоритмы не просто улучшают старые методы, а меняют правила принятия решений.
Во-первых, сокращается цикл получения информации. Если раньше для сбора маркетинговых данных, написания отчетов и донесения их до совета директоров требовалось от полугода до года, то сейчас ИИ позволяет обновлять прогнозы в режиме онлайн. Это устраняет эффект «света далеких звезд», когда решения принимаются на основе данных годичной давности.
Во-вторых, бизнесу становится доступно сверхточное предсказание спроса: ИИ может анализировать не только исторические продажи, но и тысячи внешних факторов (погода, настроения в соцсетях, макроэкономические индикаторы). Это немыслимый еще пару лет назад уровень прогнозирования. Управленческая модель, в которой ключевые решения принимаются на квартальных комитетах, становится огромным риском.
Например, винный холдинг «Абрау‑Дюрсо» использует ИИ‑прогнозирование спроса как основу для постоянной корректировки стратегии производства и сбыта, а не только для операционного планирования. Анализируя ретроспективные продажи и дополнительные параметры, модель выдает прогнозы, которые используются и при годовом бизнес‑планировании, и в скользящем горизонте на 10 недель. Это позволяет выстраивать загрузку производственных мощностей, закупки, логистику и политику запасов не по ощущениям, а по постоянно обновляемым данным.
В-третьих, ИИ в реальном времени корректирует цены в зависимости от десятков и сотен индикаторов, максимизируя прибыль. Например, временно снижает цену для увеличения объема продаж или распродажи остатков, таким образом сокращая расходы на хранение, что тоже влияет на конечную прибыль. Так ИИ меняет подход к ценообразованию и управлению маржинальностью.
В-четвертых, ИИ способен генерировать инновационные идеи и направления для новых продуктов или услуг на основе анализа патентов, научных статей и рыночных данных. Он учитывает то, что человек мог упустить.
Например, в Procter & Gamble применили ИИ для анализа огромного массива рыночных данных, отзывов потребителей и трендов ухода за кожей, выявив неочевидную ранее потребность в легком, многофункциональном антивозрастном креме. Алгоритмы предложили комбинацию свойств, упущенную аналитиками, что привело к созданию Olay Regenerist Whip. Крем стал бестселлером в категории. Внедрение подхода помогло компании сократить время разработки продуктов на 40% и повысить долю успешных запусков на 25%.
В-пятых, меняется скорость реагирования на изменения рынка. Появляются специализированные ИИ-инструменты, которые в реальном времени отслеживают рыночные и макроэкономические сдвиги, анализируя миллионы внешних источников данных и автоматически переводя их в сигналы для управленческих решений. Платформы вроде Board Signals и Board Foresight помогают топ-менеджерам компаний выходить за рамки внутренних показателей, получать умные оповещения о рисках и возможностях, принимать стратегические решения непрерывно, а не только на квартальных циклах.
И, наконец, появляются возможности для точного сценарного моделирования. В этом помогают цифровые двойники процессов, цехов и целых предприятий. Остановимся на них подробнее.
От статичного документа — к симулятору
Основной технологией стратегирования становится цифровой двойник, позволяющий в любой момент времени иметь актуальную картину бизнеса и рынка и моделировать ситуации. Например, Unilever использует цифровой двойник своей логистической сети, прокручивая сценарии — от всплеска цен на топливо до закрытия портов.
В небольшой пивоварне Brew Masters после внедения цифрового двойника решения по маршрутам и объемам поставок предлагает программа, а не менеджеры. После первых месяцев работы продажи выросли на 62%, а складские остатки сократились на 20%: система позволяет более точно планировать запасы и оперативно корректировать маршруты.
В Harvard Business Review описан кейс австралийской компании, которая с помощью цифрового двойника протестировала слияние с конкурентом — на виртуальных данных «поженила» процессы, выявила узкие места и лишь затем пошла на реальный M&A.
В России промышленные компании продвинулись дальше других в использовании цифровых двойников. Виртуальная модель цеха позволяет безопасно «проиграть», как изменится работа, если поменять загрузку, расстановку оборудования или график ремонтов. Цифровой двойник есть, например, у газоконденсатного актива «Ачим Девелопмент» — это динамическая модель всей производственной цепочки «от пласта до сдачи сырья». Стратегические решения — от плана добычи и инвестпрограммы до логики поставок — принимаются не по годовым сводкам, а по «живой» модели, которая постоянно обновляется и позволяет гибко перестраивать режимы под изменения рынка, геологии и регуляторики.
Свой опыт
Опыт передовых компаний может изучить и использовать бизнес любого масштаба, адаптируя к своим процессам релевантные инструменты. Так сделали мы в HRlink. В 2025 году приняли стратегию развития на три года, но каждый месяц проводим менеджмент-митинг, чтобы убедиться в правильности курса и скорректировать его при необходимости. Искусственный интеллект помогает собирать данные, на основе которых мы принимаем решения. Например, один из элементов стратегии — таргет‑лист потенциальных крупных клиентов. Раньше утвержденный на год список фокусных компаний был статичным и не менялся в течение года — мы прикладывали максимум усилий для того, чтобы наладить контакт и заключить сделку. Не всегда получалось: в компаниях и на рынке происходили изменения, которые мы могли не учесть.
Сейчас ИИ регулярно собирает про потенциальных клиентов все, что можно достать в открытых источниках, — публикации в СМИ и комментарии топ‑менеджеров, годовые отчеты и вакансии, судебные иски и т.д. Такие отчеты мы ежемесячно анализируем и делаем выводы. Если видим, что ситуация в компании изменилась и шансов на сотрудничество мало, временно вычеркиваем ее из списка приоритетов — не тратим ресурсы зря, переключаемся на более перспективные возможности. Динамический таргет-лист — один из факторов, который позволил нам в 2025 году увеличить выручку в 1,5 раза без расширения штата. Кроме того, мы повысили точность прогноза: выполнили план продаж ровно на 100%.
Похожий принцип начали использовать и в региональной стратегии развития на 2026 год. ИИ регулярно по нашему запросу собирает по каждому региону срез из открытых источников. Мы утвердили список значимых для нашей стратегии показателей: как себя чувствуют крупные и средние работодатели, какие отрасли растут, где режут бюджеты, где активно нанимают, какие тренды по текучке и т.д. Видим, что в один регион сейчас лучше не заходить — компании сокращают расходы и откладывают проекты по HR‑цифровизации, а в другом, наоборот, идет активный набор и есть готовность инвестировать. Вместо того чтобы год биться в «закрытые двери», мы учимся разворачивать вектор туда, где рынок уже созрел и ждет именно таких решений, как наше.
Новое мышление
Адаптивная стратегия требует новой культуры принятия решений. Например, люди начинают мыслить не категориями «тот вариант лучше, потому что я так вижу», а в формате «в первом сценарии мы получаем X, во втором — результат Y. Выбираем Y».
Топ-менеджеры часто страдают от когнитивных искажений — например, «подтверждение гипотезы», когда видят только факты, подтверждающие их мнение, или «эффект якоря», когда решение принимается на основе прошлого опыта или старых данных. Часто более влиятельные люди в совете директоров выигрывают в дискуссиях не потому, что они правы, а потому, что они лучше говорят или занимают более высокую должность.
ИИ делает процесс принятия решений более объективным. Он не спорит, не поддается влиянию, а просто показывает: вот данные, вот сценарии, вот результаты разных вариантов. Паттерны мышления меняются с «я думаю, что так лучше» на «давайте проверим, как лучше».
Как сделать стратегию гибче
Стратегия перестает быть законом и становится гипотезой, которая формируется на основе реальных данных и проверяется через симуляцию. Как начать переход от статичных трехлетних планов к адаптивным системам непрерывной корректировки курса?
1. К годовым циклам стратегирования добавить ежемесячные проверки гипотез.
2. Научиться использовать ИИ для постоянного сбора данных по рынку.
3. Изменить мышление: вместо «давайте определим стратегию» — «давайте протестируем сценарии».
4. Освоить технологии симуляции. Цифровой двойник — необязательно многомиллионный проект. Для начала подойдет простая модель в Excel или Tableau, которая показывает, как изменение одного параметра влияет на выручку и издержки.
5. Пересмотреть KPI топ-менеджмента: вместо точности выполнения плана измерять скорость адаптации — как быстро компания разворачивает стратегический курс, когда рынок меняется.
