Технический контекст
Я всё чаще вижу одну и ту же картину: компания объявляет «AI-трансформацию», запускает пару пилотов, покупает доступ к модели, собирает внутренний чат-бот, а через полгода всё это обрастает согласованиями и тихо тонет в legacy. На этом фоне подход Block цепляет не хайпом, а жесткостью исполнения.
Если смотреть на открытые факты, у Block это не выглядело как разовая инициатива «давайте прикрутим LLM». Они шли через полную перестройку: инфраструктура, облако, аналитика, MLOps, внутренние AI-агенты и новый режим работы для инженерной команды. То есть не косметика, а смена операционной модели.
Я потыкал доступные материалы по кейсу Block, и там самое интересное не в одном агенте Goose и не в красивом AI-манифесте. Зацепило другое: они не пытались подружить ИИ с бардаком. Они сначала создавали среду, в которой AI-архитектура вообще может жить без костылей.
Вот где обычно всё ломается:
- данные размазаны по системам и никому не принадлежат по-настоящему;
- доступы, комплаенс и безопасность убивают скорость ещё до продакшена;
- команды пилят десять несвязанных AI-штук без общей архитектуры ИИ-решений;
- руководство ждёт магии от модели, хотя проблема в процессе и ответственности.
На этом фоне разговоры в духе «надо просто постепенно адаптироваться» звучат приятно, но в enterprise это часто самоуспокоение. Постепенность работает, когда у компании уже есть нормальный фундамент. Когда фундамента нет, постепенность просто растягивает хаос во времени.
С Klarna, кстати, как раз показательный контраст. Вокруг неё было много разговоров про резкие шаги, сокращения и ставку на ИИ, но публичный шум и устойчивая трансформация бизнеса - это не одно и то же. Если людей потом приходится возвращать или пересобирать процессы заново, значит проблема была не в темпе, а в неверной модели изменений.
Влияние на бизнес и автоматизацию
Я бы вообще перестал смотреть на AI-трансформацию как на проект с датой окончания. Эта рамка уже устарела. Сейчас побеждает не тот, кто «трансформировался», а тот, кто научился жить в режиме endless adoption, когда автоматизация с помощью ИИ становится постоянной способностью компании, а не спецоперацией на один финансовый год.
Для бизнеса это меняет всё: бюджетирование, роли команд, стек, приоритеты IT и даже найм. Нужны не просто аналитики и разработчики, а люди, которые могут собирать AI-архитектуру под конкретный контур: где оставить человека, где дать агенту автономность, где закрыть риск правилами и аудитом.
Выигрывают компании, которые готовы резать лишние согласования, объединять данные и быстро отправлять рабочие сценарии в прод. Проигрывают те, кто делает вид, что внедрение искусственного интеллекта можно провести как обычный ERP-апгрейд. Нельзя. Слишком высокая турбулентность, слишком быстро меняется сам инструментарий.
Я это вижу и в клиентских кейсах Nahornyi AI Lab. Там, где бизнес приходит с запросом «сделайте нам одного AI-агента», почти всегда вскрывается более глубокая задача: переделать маршрут данных, пересобрать ownership, увязать CRM, helpdesk, документы, внутренние базы и только потом делать ИИ интеграцию. Иначе агент просто автоматизирует беспорядок.
Поэтому «метод Block» я бы сформулировал проще. Не обязательно увольнять всех саботеров, как это любят писать в обсуждениях. Но точно нужно перестать уговаривать систему, которая структурно сопротивляется изменениям. Иногда дешевле радикально пересобрать контур, чем годами латать старый.
Если вам нужно не поговорить про хайп, а реально сделать ИИ автоматизацию, создать ИИ агента под ваш процесс или собрать рабочую архитектуру ИИ-решений, я с этим работаю руками. Я Вадим Нагорный, Nahornyi AI Lab. Если хотите обсудить ваш кейс, заказать ИИ автоматизацию или n8n автоматизацию под бизнес-задачу, пишите мне, разберём предметно.