Технический контекст
Я внимательно прочитал публичные формулировки Джека Дорси и сопоставил их с тем, как обычно говорят о сокращениях. Здесь акцент не на «денег не хватает», а на том, что компании стало достаточно меньших команд, потому что «AI intelligence tools» изменили производительность.
Из фактов, которые мне важны как архитектору: сокращение около 4 000 человек из примерно 10 205 (то есть ~40%), завершение до конца Q2 2026 и разовый cost на реструктуризацию $450–500 млн. При этом Block публично говорит о сильном бизнесе и росте gross profit, то есть это не «антикризис», а смена операционной модели.
Технических спецификаций по их внутреннему стеку почти нет, кроме упоминания проприетарной системы Goose и более широких «AI tools» для операций. Но даже этого достаточно, чтобы понять: речь не про один чат-бот для поддержки, а про набор инструментов, которые встроены в рабочие контуры — планирование, разработку, эксплуатацию, аналитику и управление.
Мне также бросилось в глаза, что Дорси выбирает «один большой разрез» вместо серии волн. Это управленческая логика, но за ней стоит техническая уверенность: если ИИ-инструменты действительно стабильно закрывают часть функций, компанию можно «пересобрать» быстрее, не растягивая переходный период.
Влияние на бизнес и автоматизацию
Я вижу в этом кейсе неприятную, но очень полезную для руководителей метрику: внедрение ИИ начинают оценивать не по красивым демо, а по тому, сколько людей нужно, чтобы удерживать тот же объём результата. Если раньше «ИИ автоматизация» жила рядом с людьми, то теперь её используют как аргумент для изменения численности и слоёв менеджмента.
Выиграют компании, у которых внедрение ИИ связано с реинжинирингом процессов, а не с закупкой лицензий. Проиграют те, кто «прикрутил» LLM поверх хаоса: у них не получится ни сократить штат без потери качества, ни ускориться без роста рисков.
По моему опыту в Nahornyi AI Lab, самый сложный кусок — не модель и не промпты. Самый дорогой кусок — архитектура контуров: где ИИ имеет право действовать автоматически, где нужна валидация, какие логи и трассировка обязаны быть, как измеряется качество и кто несёт ответственность за решение.
Если вы думаете о сокращении затрат через ИИ, я бы начал не с «сколько ролей заменим», а с карты функций: какие решения повторяемые, какие требуют экспертизы, где много ручной рутины, а где высокий риск ошибки. На этой карте быстро становится видно, где «автоматизация с помощью ИИ» даёт экономику, а где создаёт юридический и операционный долг.
Стратегическое видение и глубокий разбор
Я считаю, что ключевой сигнал Block не в цифре 4 000, а в публичном нормализовании тезиса: «меньшие команды + внутренние AI-инструменты = новая базовая эффективность». Если Дорси прав и «большинство» компаний придёт к этому за год, то рынок начнёт конкурировать не зарплатами, а скоростью внедрения ИИ в core-операции.
В проектах Nahornyi AI Lab я всё чаще вижу один и тот же паттерн: сначала компания внедряет LLM как ассистента, затем упирается в качество и безопасность, и только после этого созревает до полноценной AI-архитектуры — с ролями агентов, политиками доступа, RAG/поиском по знаниям, оценкой качества и наблюдаемостью. Без этого «продуктивность» остаётся субъективным ощущением, а не основанием для оргизменений.
Ещё один неочевидный эффект: когда ИИ становится «командным усилителем», структура компетенций смещается. Я меньше нанимаю «исполнителей по чек-листу» и больше инвестирую в людей, которые формулируют требования, ставят контрольные метрики, умеют дебажить цепочки и отвечают за конечный бизнес-результат. Это и есть реальная интеграция искусственного интеллекта в компанию — через ответственность и измеримость.
Мой прогноз прагматичный: 2026 станет годом, когда CFO начнут требовать от ИИ не «инноваций», а управляемой экономии и производительности в цифрах. И те, кто заранее подготовил архитектуру ИИ-решений, переживут эту волну без хаоса, а те, кто ограничился «пилотами», будут догонять в аварийном режиме.
Что я рекомендую сделать руководителю уже сейчас
- Зафиксировать 3–5 процессов, где есть измеримый ручной труд и понятные SLA, и запускать внедрение ИИ только с метриками до/после.
- Сразу проектировать контроль: валидацию, журналирование, права доступа, red-teaming и критерии остановки автоматики.
- Планировать изменения оргструктуры как часть программы: иначе ИИ даст локальные ускорения, но не даст стратегической эффективности.
CTA
Этот разбор подготовил Вадим Нагорный — ведущий эксперт Nahornyi AI Lab по внедрению ИИ, AI-архитектуре и автоматизации бизнес-процессов. Я не продаю «магии LLM»; я проектирую и довожу до продакшена системы, которые выдерживают аудит, метрики и реальную эксплуатацию.
Если вы хотите сделать ИИ решения для бизнеса так, чтобы они давали измеримую продуктивность (а не презентации), напишите мне. Я разберу ваш контур, предложу архитектуру внедрения ИИ и план по рискам, срокам и экономике — от пилота до масштабирования.