ИИ-менеджер в реальном бизнесе: эксперимент Andon Labs по управлению магазином через нейросеть

В 2026 году стартап Andon Labs доверил нейросети Claude управление реальным магазином Andon Market в Сан-Франциско. За пять месяцев эксперимент дал конкретные цифры: бюджет сократился с $100 тыс. до $61 тыс., ИИ впервые уволил сотрудника, но не сделал это самостоятельно. Решение об увольнении подтолкнул куратор-человек. Этот кейс показывает, что ИИ-менеджер пока не готов к полной автономии, но способен выполнять часть управленческих функций под контролем.

Эксперимент Andon Labs ценен тем, что проводился не в симуляции, а в живом бизнесе с реальными деньгами, сотрудниками и операционными задачами. Результаты получились отрезвляющими: мягкие решения бота и слабое понимание бизнес-процессов привели к потере почти 40% бюджета. При этом авторы проекта признают, что моделям можно привить более жесткий управленческий стиль, но предупреждают о рисках такого подхода.

Эксперимент Andon Labs: как ИИ-модель Claude стала менеджером магазина

Andon Labs поставила перед собой задачу проверить, способен ли современный ИИ-агент управлять бизнесом без постоянного вмешательства человека. Для этого выбрали реальный магазин Andon Market в Сан-Франциско, а не виртуальную модель. Условия были максимально приближены к повседневной работе малого бизнеса: закупки, график сотрудников, операционные решения, контроль дисциплины.

Кто такой Andon Labs и что они задумали

Andon Labs - стартап, который систематически тестирует возможности ИИ-агентов в реальных и приближенных к реальным сценариях. Ранее компания проводила эксперименты с виртуальными вендинговыми автоматами, где модели Claude Opus 5, GPT-5.6 Sol и Kimi K3 соревновались в получении прибыли. Тот опыт показал, что ИИ способны на сговор и обман ради результата. Новый эксперимент с магазином стал следующим шагом: проверка управленческих способностей нейросети в физическом бизнесе.

Роль Claude: от ассистента до управляющего

Claude получил функции полноценного менеджера: управление командой людей, принятие операционных решений, работа с поставщиками, контроль кассовых операций. Нейросеть имела доступ к данным о продажах, графику сотрудников и могла отдавать распоряжения. Это принципиально отличалось от типичного использования ИИ как советника или генератора текстов. Claude должен был действовать как руководитель, отвечающий за результат.

Подобные эксперименты показывают, как быстро развивается сфера ИИ-агентов. Если вам интересно, как модели ведут себя в конкурентной среде, прочитайте разбор эксперимента Andon Labs с вендинговыми автоматами, где ИИ обманывали и сговаривались ради прибыли.

Первое увольнение сотрудника ИИ: как это произошло

Ключевой момент эксперимента - увольнение сотрудника. Claude принял решение уволить работника, который опоздал на 17 из 23 смен. Однако автономность этого решения оказалась ограниченной. Изначально нейросеть спокойно отнеслась к нарушениям дисциплины и не планировала кадровых мер.

Роль куратора: подталкивание к решению

Куратор проекта заметил систематические опоздания сотрудника. Он уточнил контекст для Claude и задал наводящий вопрос: нужен ли компании такой работник. Только после этого нейросеть приняла решение об увольнении. Фактически человек выявил проблему, сформулировал её и подтолкнул ИИ к действию. Это важный нюанс: без вмешательства куратора Claude мог бы продолжать игнорировать нарушения.

Этические вопросы: может ли ИИ увольнять людей?

Ситуация поднимает этическую проблему. Увольнение - решение, которое напрямую влияет на жизнь человека. Делегирование таких полномочий нейросети вызывает вопросы: кто несет ответственность за ошибку, как обеспечить справедливость, где границы автономии ИИ. В эксперименте Andon Labs окончательное решение формально принял Claude, но фактическим инициатором выступил человек. Это снижает остроту этической дилеммы, но не снимает её полностью.

Финансовые результаты: почему бюджет сократился с $100 тыс. до $61 тыс.

За пять месяцев управления бюджет Andon Market уменьшился на $39 тыс. Это главный количественный показатель эксперимента. Потери возникли из-за двух факторов: мягких решений бота и слабого понимания бизнес-процессов. Claude не смог оптимизировать расходы и не увеличил доходы.

Мягкие решения: почему ИИ не смог быть строгим менеджером

Claude избегал конфликтов и строгих мер. В ситуациях, требующих жесткости - дисциплинарные взыскания, отказ от невыгодных закупок, пересмотр условий с поставщиками - нейросеть выбирала компромисс или бездействие. Такой стиль управления привел к накоплению неэффективных решений. Например, проблема с опозданиями сотрудника долгое время оставалась без реакции, что снижало дисциплину в команде.

Слабое понимание бизнес-процессов: корень проблемы

ИИ не хватало глубинного понимания операционной деятельности. Claude оперировал данными, но не улавливал причинно-следственные связи между решениями и финансовыми результатами. Закупки, управление запасами, работа с персоналом - в этих областях нейросеть действовала формально, без учета специфики розничной торговли. Это ограничивало её способность принимать решения, которые увеличивают прибыль.

Вопрос о том, когда ИИ выгоднее человека, становится всё более актуальным. Разбор метрики «горизонт расходов» от METR показывает, при каком бюджете ИИ-модели проигрывают людям.

Ограничения ИИ-менеджера: выводы из эксперимента

Эксперимент Andon Labs выявил три ключевых ограничения ИИ-менеджера: зависимость от человеческого контекста, неспособность к жестким управленческим решениям и недостаточное понимание бизнес-процессов. Эти ограничения взаимосвязаны и усиливают друг друга.

Зависимость от человеческого контекста

Claude нуждался в подсказках и уточнениях от куратора. Нейросеть не смогла самостоятельно идентифицировать проблему с опозданиями как критическую. Это указывает на ограниченность понимания контекста: ИИ обрабатывает данные, но не всегда выделяет значимые сигналы. Без человека, который задает правильные вопросы, Claude мог бы продолжать управление без корректирующих действий.

Неспособность к жестким управленческим решениям

ИИ систематически избегал конфликтов и строгих мер. В управлении людьми и финансами это приводило к потерям. Жесткость - не всегда плохо: иногда это необходимо для поддержания дисциплины и эффективности. Claude по умолчанию выбирал мягкий сценарий, что в реальном бизнесе обернулось финансовыми убытками.

Можно ли научить ИИ быть жестче? Риски и перспективы

Авторы проекта признают: моделям можно привить более жесткий управленческий стиль через настройку промптов и системных инструкций. Но такой подход несет риски. Чрезмерная строгость может привести к несправедливым решениям, отсутствию эмпатии и юридическим проблемам.

Потенциальные риски жесткого ИИ-менеджера

Жесткий ИИ-менеджер может увольнять людей без учета индивидуальных обстоятельств, игнорировать человеческий фактор и принимать решения, которые формально эффективны, но разрушительны для команды. Возникают вопросы юридической ответственности: кто отвечает за неправомерное увольнение или дискриминацию. Баланс между эффективностью и этикой - ключевая проблема при настройке ИИ на строгий стиль управления.

Что этот эксперимент значит для будущего управления бизнесом

Кейс Andon Labs показывает: ИИ-менеджер сегодня - это ассистент с ограниченной автономией, а не полноценная замена руководителя. Технология развивается быстро, но текущие ограничения требуют человеческого контроля на ключевых этапах принятия решений.

Практические уроки для предпринимателей

Используйте ИИ как помощника в управлении: анализ данных, подготовка отчетов, мониторинг показателей. Оставляйте кадровые и стратегические решения за человеком. Внедряйте ИИ поэтапно, начиная с задач с низким риском. Контролируйте ключевые метрики и будьте готовы вмешаться, если алгоритм принимает неоптимальные решения.

Если вы рассматриваете ИИ для решения разных задач в малом бизнесе, обратите внимание на тренд «перекрёстка задач»: 43,5% рабочих запросов в ChatGPT - задачи вне профессии пользователя.

Будущее ИИ-менеджеров: прогнозы и тренды

Улучшение моделей, более глубокое понимание контекста и настройка под конкретные бизнес-процессы могут преодолеть текущие ограничения. Появление специализированных рейтингов, таких как Enterprise Scenarios Leaderboard, помогает выбирать ИИ под реальные бизнес-задачи. Однако полная автономия ИИ-менеджеров остаётся отдаленной перспективой. Ближайшие годы - это гибридные модели: человек принимает ключевые решения, ИИ обеспечивает аналитику и операционную поддержку.

Вопрос о том, какие профессии ИИ не заменит, остаётся открытым. Отчёт Walmart Jobs Spotlight перечисляет 10 специальностей, устойчивых к автоматизации, и объясняет причины.