# Экономика агентов: как автоматизация закупок на 1% заменяет 10% роста продаж

Источник: https://www.youtube.com/watch?v=OTQ-lFsq7zA
Канал: a16z (Andreessen Horowitz)
Опубликовано: 02.10.2026

---

В новом эпизоде подкаста a16z Сима Амбл (партнер Andreessen Horowitz) и Елена Бергер обсуждают с Владимиром Кайлем, сооснователем и CEO стартапа Lio, как искусственный интеллект переосмысляет корпоративные закупки. В центре дискуссии — противостояние ИИ-стартапов и технологических гигантов, концепция мультиагентных систем и то, почему закупки, традиционно считавшиеся «скучной» сферой, становятся ключевым рычагом влияния на мировую экономику.

## 🚀 Почему ИИ-стартапы побеждают ИТ-гигантов
[[JUMP:00:58]]

В индустрии технологий часто обсуждается битва между «дистрибуцией» (сильной стороной корпораций-инкумбентов) и «инновациями» (сильной стороной стартапов) [02:09]. Сима Амбл отмечает, что сегодня у гигантов вроде Salesforce появился новый рычаг — возможность накладывать готовые ИИ-модели поверх своих систем записи (ERP, CRM) [02:24]. 

Однако Сима Амбл утверждает, что у ИИ-native стартапов сохраняется критическое преимущество:

*   **Ограниченность «систем записи»:** Традиционные вендоры ограничены данными, которые уже есть в их базе. Но реальная работа происходит вне этих систем — в цепочках писем, звонках и обсуждениях [02:52].
*   **Сквозные процессы (End-to-End):** Стартапы стремятся владеть не просто записью о сделке, а всем процессом — от постановки задачи до финального исполнения [03:44].
*   **Внутренние конфликты гигантов:** У корпораций часто возникают конфликты стимулов. Например, команда, продающая софт для поддержки клиентов, может конфликтовать с командой, создающей агента, который полностью заменяет эту поддержку [10:17].

Владимир Кайль добавляет, что в ERP-системе закупка алюминия может выглядеть как простая строка «$8,000» [04:34]. Но за этой цифрой скрываются сотни встреч, 500 имейлов, десятки Excel-таблиц и недели работы инженеров по 3D-моделированию, которые «невидимы» для классического софта [05:02].

## 🤖 Четыре типа агентов: от поиска до принятия решений
[[JUMP:06:18]]

Сима Амбл выделяет четыре этапа развития ИИ-агентов, каждый из которых требует разного уровня доверия и сложности [06:09]:

1.  **Поисковые агенты (Retrieval Agents):** Самый простой уровень — чат-боты, которые извлекают информацию из документов или баз данных. Большинство корпораций застряли на этом этапе [06:22].
2.  **Процессные агенты (Process Agents):** Могут выполнять формальные процедуры, например, одобрить кредит на основе справочника правил. Здесь нет места субъективному суждению [07:28].
3.  **Политические агенты (Policy Agents):** Применяют суждение в рамках политики компании. Например, решают, является ли 20-минутный сбой в сервисе «значительным» для выплаты компенсации [07:55].
4.  **Принципиальные агенты (Principal Agents):** Самый сложный уровень. Агент действует как доверенное лицо, принимая стратегические решения. Например, предложить клиенту компенсацию выше положенной, чтобы сохранить важные отношения [08:07].

По словам Владимира Кайля, Lio охватывает все эти категории в зависимости от рисков и сложности задачи [11:19].

## 🏗️ Закупки масштаба Boeing: как это работает изнутри
[[JUMP:21:13]]

Владимир объясняет, что закупки в промышленном масштабе (авиастроение, робототехника, строительство дата-центров) — это не покупка карандашей, а управление тысячами поставщиков [22:03].

*   **Цена ошибки:** Если одна маленькая деталь для самолета задержится на две недели, ущерб может составить сотни миллионов долларов из-за простоя всего проекта [22:43].
*   **Мультиагентная система:** Для решения таких задач Lio использует группу агентов, которые общаются между собой [26:38]. Один агент анализирует чертежи, другой отслеживает новости о перекрытии Суэцкого канала, третий ведет переговоры [27:57].
*   **Контекст физического мира:** ИИ может предсказать надежность поставщика, анализируя не только его цены, но и внешние данные — от новостей до рынков предсказаний (например, Polymarket) о возможных сбоях [25:48].

### Пример заказа болта для авиакомпании
[[JUMP:28:03]]
Весь процесс может быть полностью автономным:

1.  Рабочий загружает фото или Excel-смету [29:05].
2.  Агент проверяет инвентарь на других заводах компании.
3.  Если детали нет, агент рассылает запросы (RFQ) внешним поставщикам [29:31].
4.  Анализирует ответы (PDF, письма, таблицы), сравнивает цены и вступает в переговоры или аукцион [29:55].
5.  Отслеживает отгрузку и проверяет счета на предмет мошенничества [30:21].

## 🤝 Проблема доверия и «Человек в контуре»
[[JUMP:11:32]]

Главный барьер для внедрения ИИ в закупках — отсутствие доверия [16:45]. Владимир Кайль подчеркивает, что ни одно предприятие не начинает с полной автономии.

*   **Human-in-the-Loop (Человек в контуре):** На ранних этапах агент предлагает решение, а человек его одобряет. Это позволяет системе обучаться нюансам конкретной компании [17:11].
*   **Малые чеки:** Для закупок до $50,000 компании часто вообще не вели переговоров раньше из-за нехватки ресурсов. Использование ИИ здесь не несет рисков — любой результат лучше, чем его отсутствие [18:29].
*   **Стратегические переговоры:** В сделках на миллиарды долларов агенты работают как «бэк-офис», готовя данные для людей, или предоставляют подсказки в реальном времени во время звонка (например, указывая, что доля нефти в продукте всего 30%, поэтому рост цены на нефть на 10% не должен повышать цену продукта на столько же) [33:54].

## 📉 Экономика и будущее: агенты с обеих сторон
[[JUMP:44:46]]

Владимир Кайль прогнозирует будущее, где агенты будут вести дела с агентами с обеих сторон (покупателя и продавца) [45:11]. Это устранит трение в 5,000 мелких задач, которые предшествуют сделке.

Закупки обладают тремя характеристиками, делающими их идеальными для ИИ-бизнеса:

1.  **Высокая эмоциональность:** Люди ненавидят закупки из-за бюрократии и сложности систем вроде SAP [53:55].
2.  **Скучность и нишевость:** В этой сфере не было революций последние 20 лет, поэтому удивить клиентов легко [57:28].
3.  **Колоссальное влияние на бизнес:** Снижение затрат на 1% эквивалентно росту выручки на 10% для маржинальности компании (P&L) [58:30].

Сима Амбл заключает, что создание собственной ИИ-системы внутри корпорации часто оказывается ловушкой. Компании могут построить решение, работающее на 70-80%, но последние 20% (обработка исключений, интеграции, точность) требуют 80% всех усилий и являются основной компетенцией таких стартапов, как Lio [44:06].