Новый AI lock-in: почему в ИИ закрепляются workflow, governance и сервисы, а не модель

Модели становится проще менять. А вот операционный контур, интеграции и система управления вокруг них заменить намного сложнее.

Недавно PwC объявила, что обучит и сертифицирует 30 000 сотрудников работе с Claude от Anthropic и выстроит вокруг него направление Office of the CFO для клиентов из банковского, страхового и медицинского сектора. Anthropic также недавно выделила $100 million на партнерскую сеть. Не желая отставать, OpenAI запустила OpenAI Deployment Company, также известную как DeployCo, — новую компанию, поддержанную более чем $4 billion первоначальных инвестиций, которая отправляет выездных инженеров на площадки клиентов, чтобы встраивать модели GPT в их рабочие процессы.

Для компаний, которые, как предполагается, продают токены миллионами, инвестиции в небольшие по масштабу и низкомаржинальные профессиональные услуги могут выглядеть странно. Но на самом деле это не странно. Это и есть сигнал.

Даже если модели становится легче заменять, все, что вокруг них, остается труднозаменимым. Разработчики уже переходят между Claude Code, Codex, Gemini и локальными моделями куда свободнее, чем хотелось бы вендорам. На уровне API подстановка тоже упрощается. Не без трения и не бесплатно, но проще, чем менять всю workflow-обвязку вокруг модели.

Именно эту часть enterprise-покупатели, похоже, недооценивают. Да, открытые стандарты, более качественные API и растущая паритетность моделей ослабляют один вид привязки, но усиливают другой. Заменить вызов модели становится проще; заменить окружающие workflow, governance и операционную модель — нет.

Lock-in не исчез. Он переместился

Санчит Вир Гогия из Greyhound Research формулирует это так: «Привязка не исчезает. Она перемещается. На уровне модели подмена становится проще». И продолжает: «Но на уровне orchestration подмена по-прежнему сложна. Когда ваши workflow, controls, identity layers и governance-структуры построены вокруг конкретной системы, заменить ее — это не мелкая задача».

Этот диагноз лучше всего объясняет, почему вендоры вкладывают миллиарды в интеграцию с workflow: новая AI-технология просто не встраивается достаточно гладко в старые enterprise-процессы. Это можно исправить.

Вспомним отчет инициативы MIT NANDA, где говорилось, что 95% enterprise-пилотов generative AI не дают измеримого бизнес-эффекта. Методология этой оценки оспаривалась, но даже более оптимистичные трактовки оставляют болезненно большой разрыв между AI-инвестициями и извлечением ценности. Большинство неудач связано не с качеством модели, а с operational fit. Инструменты не учат workflow, не встраиваются в approval path и не обладают нужными permissions.

Иными словами, они не выдерживают столкновения с тем, как люди на самом деле работают.

Именно поэтому и существует DeployCo. OpenAI не стала копировать playbook Palantir потому, что у нее закончились идеи. Она сделала это потому, что наконец поняла, что enterprise-сегмент пытался объяснить ей на протяжении трех лет буксующих пилотов. Клиенты не просили более умную модель; они хотели, чтобы на месте появился кто-то — живой человек — и сделал скучную, дорогую и трудно заменяемую работу: встроил модель в то, как работа действительно выполняется.

В этой логике никакого перемещения на самом деле и нет. Привязка всегда находилась на один-два уровня выше. Просто хайп вокруг моделей это скрывал.

Model Context Protocol оказался недостаточен

Здесь в игру входит Model Context Protocol. MCP действительно полезен и делает ровно то, что обещает: снижает стоимость подключения моделей к инструментам и источникам данных. Если вам когда-либо приходилось поддерживать полдюжины собственных коннекторов к ServiceNow, Salesforce или Jira, MCP — это подарок.

Но, как я писал в апреле, protocol — это не platform. MCP может помочь agent’у говорить с инструментом, но сам по себе не отвечает enterprise на вопросы: кто одобрил этого agent’а, к каким данным он может прикасаться, как логируются его действия и как безопасно выключить его, если человек, который его запустил, уже ушел из компании. Он также не объясняет, как на самом деле проходит compliance review у wealth manager’а, как андеррайтер оценивает пограничный кейс или как выглядит «готово» для закрытия месяца в finance-команде. Эта работа по определению local. Она принадлежит тому, кто готов потратить время, чтобы ее изучить.

Она принадлежит людям.

Похожим образом Kubernetes тоже не устранил cloud lock-in. Он стандартизировал достаточно много на уровне контейнеров, чтобы следующая борьба сместилась на managed services, identity, networking, observability и data gravity. MCP делает нечто похожее для AI-agents: делает один этаж здания переносимым, но оставляет самые сложные enterprise-проблемы этажом выше. MCP снижает стоимость интеграции, но не убирает стоимость превращения AI в надежно работающий операционный инструмент.

Где привязка возникает на самом деле

Я уже подчеркивал, что стратегический вопрос в agentic AI — кто владеет control plane. Тот, кто владеет control plane, получит самые сильные права на клиента. Сейчас формируются три разных поля боя.

1. Уровень orchestration. Frameworks вроде LangGraph — не ловушки привязки, а полезные инструменты, которые решают полезные задачи. Но orchestration становится sticky даже без чьего-либо плана. LangChain относит Klarna, Replit, Elastic и Ally к production-пользователям LangGraph. Если эти и другие клиенты год работали над orchestration поведения agent’ов, evals, recovery logic и observability traces внутри одного orchestration framework, они не станут вырывать его с корнем только потому, что конкурент выпустил более быстрый, дешевый или просто другой model. Модель легко заменить. Orchestration поверх нее — нет.
2. Контролируемые вендором workflow-среды. Именно это Anthropic по сути строит с Claude Cowork. Расширение февраля 2026 года принесло частные marketplace плагинов, per-user provisioning и готовых agent’ов для HR, finance, investment banking и design. Никто, кто управляет enterprise IT, не хочет 400 случайных agent’ов, прикрученных к контрактным системам, HR-данным и клиентским записям. Поэтому продуктом становится административная поверхность вокруг agent’ов, а не сами agent’ы.
3. Слой сервисов. В начале статьи я говорил о сервисах, и именно здесь ирония достигает максимума. Самый ясный признак того, что ценность AI смещается в implementation, — не оценка размера рынка, а то, что OpenAI, Anthropic, PwC, Accenture и Deloitte одновременно обучают армии людей делать одну и ту же неглянцевую работу: описывать workflow, связывать системы и перестраивать процессы. PwC и Anthropic утверждают, что их совместная работа сократила реагирование на инциденты кибербезопасности с часов до минут, а underwriting cycle — с 10 недель до 10 дней. Это впечатляет, но прирост не от модели. Он обеспечен десятками тысяч обученных консультантов, которые умеют перестраивать окружающий процесс. AI-вендору, который захочет изменить все workflow, уже внедренные этими консультантами, придется переобучить их всех. Удачи с этим.

Что это значит для покупателей

Если вы отвечаете за enterprise IT, вывод довольно освобождающий: можно перестать фиксироваться на очередном point solution и смотреть на один-два уровня выше. Стратегические решения здесь такие:

• какому orchestration framework вы доверите свой код;
• внутри какой workflow-среды на самом деле будут жить конечные пользователи;
• какой services partner окажется настолько глубоко встроен в операции, что его рекомендация по модели станет фактически обязательной.

Эти решения требуют гораздо более пристального внимания, чем последний model bake-off. Замена модели на уровне API дешевеет. Выбор orchestration — это многолетняя перепись кода. Workflow-среда — это изменение поведения для тысяч сотрудников. Отношения с сервисным партнером — это строка бюджета с длинным хвостом. Именно эти решения важны, потому что они сохраняются.

Open-sourcing Agent Skills со стороны Anthropic и ее утверждение, что «skills, которые вы создаете, не привязаны к Claude», — правильная страховка для клиентов. То же самое касается сохранения опциональности со второй frontier model. Но более глубокий шаг — считать workflow-интеграцию тем, чем вы действительно владеете, а model и партнерскую структуру — заменяемыми слоями вокруг нее. Команды, которые научились встраивать AI в повторяемую работу, сохранят commoditization возможностей на своей стороне баланса.

Материал — перевод статьи с английского.

Оригинал: The new AI lock-in