Кажется, что ИИ еще не созрел для решения сложных стратегических бизнес-задач. Вместо нормальной аналитики он часто выдает складный, но бессмысленный текст: путает контекст, галлюцинирует приводит нерелевантные цифры.

Однако проблема не в возможностях нейросетей, а в подходе к работе с ними. В этой статье я расскажу, как разработал систему мультиагентного ИИ-консалтинга, которая работает по методологии McKinsey, Bain и BCG. Вы узнаете, как архитектура из нескольких ИИ-агентов позволяет получать отчеты уровня Big3, сокращать время на аналитику в 7 раз и приносить бизнесу реальную прибыль.

Иллюзия пользы: качественные промпты не гарантируют результат

Если вы занимаетесь бизнесом или стратегией, то, скорее всего, уже пробовали применять ИИ для анализа конкурентов, поиска новых гипотез роста и других стратегических вопросов.

Возможно, даже применяли разные нейросетки для разных задач. Условно: исследование рынка с помощью DeepResearch в Perplexity, анализ и синтез результатов в Claude или ChatGPT.

На выходе получается красивый, структурированный документ. Там куча цифр и данных, а тон текста такой, что не прикопаешься. Вот только если заглянуть в суть, то результат не применим в реальной работе.

- Цифры собраны вне контекста и из непроверенных источников
- ИИ галлюцинирует и сам себе противоречит
- Связь с реальным бизнесом — нулевая
- Выводы и результаты слишком очевидные

Да, в таком отчете можно найти пару-тройку полезных инсайтов. Но хочется не выковыривать крупицы здравых мыслей из тонны текста, а иметь под рукой надежный инструмент, на результаты которого можно опереться.

Опыт работы стратегом помог мне найти выход

До того как плотно уйти заняться ИИ, я управлял продуктами и стратегией в крупных банках. Работал в МТС, Альфа-Банке и Райффайзен Банке, получил аккредитацию трекера стартапов в «Сколково». Кстати, стартапам помогаю и по сей день.

Ко мне часто обращались с типичными стратегическими запросами: собрать анализ конкурентов, подготовить форсайт-исследование рынка или сделать Due Diligence для покупки компании.

Я убил сотни часов, учась решать такие запросоы с помощью LLM. Мне было принципиально важно понять, как вытащить из ИИ результат, максимально приближенный к уровню профессионального консалтинга.

В итоге мне удалось собрать мультиагентную консалтинговую систему, которая сокращает время на аналитику на 60–70% без потери качества.

Решение: мультиагентная система по стандартам McKinsey и BCG

Задача мультиагентной системы — забрать до 90% стратегической рутины. Сбор данных, проверка гипотез, упаковка в фреймворки и трансформация стратегии в понятный бэклог задач происходят автоматически.

По сути, это виртуальная команда из 45 специализированных ИИ-агентов. Она воспроизводит архитектуру команд McKinsey или BCG, где у каждого своя жесткая роль и зона ответственности.

В системе 5 иерархических уровней (от младших аналитиков до партнеров) и 9 функциональных направлений. Есть агенты, которые отвечают за корпоративные финансы и M&A, есть те, кто смотрит только на операционку, риски и юридические нюансы.

Вот как выглядит процесс, когда поступает комплексная задача — например, оценить перспективы выхода в новый региона:

1. Я собираю «матрицу знаний»: внутренние документы и данные компании, которых нет в открытых источниках (конечно, с учётом требований законодательства).

2. Агент-оркестратор декомпозирует задачу и раздает поручения профильным «сотрудникам».

3. Агенты-сотрудники уходят в работу: исследователь изучает рынок, финансист анализирует юнит-экономику, стратег синтезирует результаты в гипотезы.

4. Агент-надзорщик (я его называю «ОТК-Аудитор») проверяет логику расчетов и отсутствие противоречий.

За результат отвечает человек

Важный принцип: human in the loop. Я лично проверяю результаты агентов и даю им правки. Да, это не 100% автоматизация, но мы ещё не в той точке, где нейросетям можно довериться целиком и полностью.

Экспертная валидация — обязательный этап работы с ИИ. В конечном счете, ответственность за качество выводов лежит на мне.

Но даже с учетом ручной проверки внедрение такой виртуальной команды снижает стоимость глубокой экспертизы на 80% по сравнению с наймом консультантов из Big3. При этом методология и качество структурирования данных остаются на высшем уровне.

Кейсы применения

Покажу, как мультиагентная система работает на практике.

Увеличили EBITDA колл-центра на 11 млн ₽

Компания занимается аутсорсингом клиентского сервиса (B2B). В штате 220 операторов, которые обслуживают 18 крупных корпоративных клиентов из e-commerce и финтеха.

Выручка росла, а прибыль стояла на месте. Контракты с клиентами заключались по разным моделям: где-то платили за минуту, где-то за контакт, где-то был жесткий SLA.

Из-за этого реальная экономика была непрозрачной. Было подозрение, что часть клиентов генерирует убытки, но доказать это в цифрах не получалось.

Мы использовали мультиагентную систему в качестве виртуального операционного комитета.

- Агент-финансист пересчитал юнит-экономику по каждому из 18 контрактов.
- Агент-оператор проанализировал реальную загрузку людей, пики звонков и переработки.
- Агент-рисковик оценил штрафы за нарушение SLA.

Система наложила данные друг на друга и подсветила проблему: 6 контрактов съедали всю маржу из-за скрытых переработок операторов. ИИ выдал три сценария развития событий. Руководство выбрало пересобрать тарифы и жестко отказаться от трех самых токсичных контрактов.

Результаты за 4 месяца:

- Средняя маржа по портфелю выросла на +9,6 п.п.
- Количество убыточных контрактов сократилось с 6 до 1.
- Переработки операторов упали на 22%.
- Компания отказалась от найма 30 новых сотрудников, сэкономив 18 млн ₽ в год.
- Годовой прирост EBITDA составил +11,3 млн ₽.

Заработали 4 млн ₽ в месяц для бутикового консалтинга

Команда из 12 человек упёрлась в потолок. На глубокое исследование отрасли и сбор аналитики по компании клиента уходило 3–4 недели. Партнеры боялись брать новые заказы: каждый новый проект означал жесткий перегруз senior-специалистов. Воронка продаж буксовала, потому что агентство физически не могло переварить больше двух крупных стратегических проектов в месяц.

Система забрала на себя всю черновую аналитику и генерацию базовых сценариев. Процесс перестроили: теперь первый драфт стратегического анализа собирают агенты за 3–5 дней, примерно в 7 раз быстрее, чем раньше. В итоге компания пол

Результаты за 3 месяца:

- Число параллельных проектов выросло с 2 до 5.
- Маржинальность проектов выросла на 9 п.п. за счет снижения часов дорогих senior-консультантов.
- Дополнительная выручка составила +3,8 млн ₽ в месяц.

Ограничения мультиагентной системы

Объективность требует указать на ограничения. Вот что нужно учитывать:

- Качество на входе определяет качество на выходе. Если данные компании неполны или искажены, никакая оркестровка не компенсирует это.

- ИИ не заменяет отраслевую экспертизу. Система усиливает компетенции команды, но не создаёт их с нуля.

- Требуется настройка под конкретный бизнес. Это не коробочный продукт, а услуга, требующая конфигурации.

- Безопасность данных. Корпоративные документы должны обрабатываться в защищённом контуре с соблюдением требований ФЗ-152 и политик информационной безопасности

Кому подходит мультиагентная система

Руководителям стратегических департаментов и CEO — чтобы валидировать гипотезы за пару дней, а не ждать месяц отчета от аналитиков.

Консалтинговым агентствам — чтобы масштабировать экспертизу команды, брать больше проектов и не раздувать ФОТ.

Предпринимателям из среднего бизнеса — чтобы получить доступ к консалтингу уровня Big3 (McKinsey, BCG) без необходимости платить за него миллионы рублей.

Если вы хотите ускорить стратегическую аналитику и при этом получать результат на уровне профессионального консалтинга, давайте обсудим это на бесплатной консультации.