Структура AI-офиса

Чему научитесь. Выбирать модель организации AI-функции (централизованный CoE, федеративная, hub-and-spoke, встроенные продуктовые команды) под зрелость и размер компании; описывать ключевые роли AI-офиса и их зоны ответственности; встраивать AI-офис в существующую оргструктуру на примере компании «Контур».

Ориентировочное время: 22–26 минут чтения + задание.

1. Зачем AI-офису структура

AI-актив не масштабируется силой воли одного CAIO. Когда кейсов становится больше пяти, без организационного каркаса начинается хаос: каждая функция тащит своего подрядчика, дублируются модели и данные, никто не отвечает за общие стандарты, безопасность и экономику. AI-офис — это организационная форма, которая превращает разрозненные пилоты в воспроизводимую способность: общая инфраструктура, общие правила, переиспользуемые компоненты и понятный путь кейса от идеи до прода.

Главный вопрос не «нанять ли data scientist'ов», а где они сидят и кому подчиняются — потому что от этого зависит и скорость, и переиспользование, и контроль. Это и есть выбор модели оргструктуры.

2. Четыре модели организации AI-функции

Эти модели — не лестница «хуже→лучше», а этапы зрелости. Большинство компаний стартуют с централизованного CoE (чтобы накопить экспертизу и стандарты), затем переходят к hub-and-spoke (чтобы не стать узким горлом), и лишь самые зрелые расщепляют AI по продуктовым командам. Преждевременная децентрализация в незрелой компании = дубли и неуправляемые риски; запоздалая централизация в зрелой = очередь к CoE и саботаж со стороны бизнеса.

3. Hub-and-spoke как рабочая модель по умолчанию

Для средней компании оптимум почти всегда — hub-and-spoke. Логика проста: то, что должно быть единым, держим в центре; то, что должно быть близко к бизнесу, выносим в спицы.

Hub (центр компетенций, CoE) владеет:

• AI-платформой и MLOps: единый стек инференса, мониторинг, CI/CD моделей, реестр моделей и промтов;
• стандартами: RAG-паттерны, retrieval, оценка качества, безопасность промтов, контур ПДн;
• регуляторикой и AI-политикой: 152-ФЗ, Кодекс этики, «человек в контуре», аудиторский след;
• экономикой: контроль TCO, выбор моделей и провайдеров, лимиты токенов;
• экспертизой: сложные кейсы, ревью архитектуры, обучение «спиц».

Spokes (команды/«чемпионы» в подразделениях) владеют:

• знанием домена и приоритетами своего бизнес-юнита;
• сбором требований и постановкой кейсов;
• внедрением кейса в свой процесс и работой с пользователями;
• эксплуатацией кейса после запуска, в рамках стандартов hub.

Контракт между hub и spoke: спица не строит свой параллельный стек и не выбирает модель в обход политики; hub не лезет в доменные приоритеты и не становится бутылочным горлом — типовые кейсы спица собирает сама из готовых компонентов hub.

4. Ключевые роли AI-офиса

Независимо от модели, в AI-офисе должны быть закрыты функции (не обязательно по одному человеку на роль — в средней компании люди совмещают):

• CAIO — владелец AI-актива: стратегия, портфель, экономика, регуляторика, защита перед советом.
• AI Platform / MLOps Lead — отвечает за инференс-стек, деплой, мониторинг, надёжность. В практике автора это, например, multi-provider fallback (GigaChat-2-Max как primary + резервные провайдеры), self-hosted Qwen3-Embedding + BGE-reranker, сериализация запросов через cross-process Redis-lock при лимите concurrency 1.
• ML / AI Engineers — строят и интегрируют кейсы: RAG, retrieval, агенты, инференс.
• Data Engineer / Data Steward — данные под модели: feature store, RAG-корпус, качество, обезличивание ПДн до отправки в облако.
• Prompt / Applied AI Engineer — промт-инжиниринг, оценка качества генерации, тюнинг ReAct-инструментов.
• AI Risk / Compliance Officer — AI-политика, аудит, соответствие 152-ФЗ/Кодексу этики, контроль «человека в контуре».
• AI Product Owner (в спицах) — постановка кейсов от лица бизнеса, метрики, приоритизация.
• AI Champions — носители AI-культуры в подразделениях, мост между hub и людьми.

5. Примеры конфигураций из практики автора

Форма AI-офиса диктуется кейсом — покажем на двух production-системах.

Perimeter (EASM-платформа) — пример risk-down и платформенной зрелости: 17 скан-модулей на RabbitMQ, 356 API, A-RAG с 8 ReAct-инструментами на GigaChat-2-Max с fallback на несколько провайдеров, комплаенс 15 фреймворков (152-ФЗ, КИИ-187, ФСТЭК, ЦБ РФ, ГОСТ, ISO 27001, SOC 2, NIST и др.). Здесь критичен сильный hub: единый AI-платформенный слой с multi-provider-надёжностью и встроенной регуляторикой — потому что цена ошибки и требования комплаенса высоки, и разнобой по подразделениям недопустим.

AISellerBot — пример cost-out и масштабирования: RAG-агент с 9 ReAct-инструментами (semantic cache + RRF + business-rerank), RAG по каталогу 134K+ товаров и 336K+ KB-чанков (Qwen3 1024-dim, pgvector), 19 тенантов в проде, около 81% обращений закрываются без оператора. Здесь видна логика hub-and-spoke в продуктовой проекции: общий retrieval-стек и стандарты (hub), но конфигурация под каждого из 19 тенантов (спицы) — переиспользуемое ядро при кастомизации под домен.

Вывод для CAIO: не выбирайте модель «вообще» — выбирайте под профиль портфеля. Risk-down тянет к сильному централизованному hub; масштабируемый cost-out/revenue — к hub-and-spoke с тиражируемым ядром.

6. Как встроить AI-офис в «Контур»

«Контур» — ~2000 сотрудников, контакт-центр, e-commerce, документооборот, склад, есть CDTO и единая data-платформа. Доминирующий мандат — cost-out (дорогой контакт-центр). Зрелость AI — низкая, кейсов почти нет.

Шаг 1. Стартовая модель — централизованный CoE → hub-and-spoke. На старте собрать компактный CoE из 4–6 человек под CAIO: MLOps Lead, 2 ML-инженера, data steward, AI risk officer (совмещение с юристами). Это даёт стандарты и первый кейс, не распыляя дефицитные кадры.

Шаг 2. Подчинение. CAIO — C-level, подчиняется CEO; AI-офис методологически связан с офисом цифровой трансформации CDTO (общий комитет цифровой повестки). Инфраструктура (compute, network) — у CIO/CDTO, AI-офис не строит параллельное «железо».

Шаг 3. Первый кейс и первая спица. Контакт-центр — пилотная спица: AI-ассистент поддержки (RAG по базе знаний и каталогу). CoE строит ядро, в контакт-центре назначается AI Product Owner и champion. Метрики — доля обращений без оператора, стоимость контакта; высокорисковые случаи (возвраты сверх лимита) — человек в контуре.

Шаг 4. Тиражирование в спицы. После доведения первого кейса до метрики — следующие спицы: документооборот (авто-разбор), склад (прогноз/аномалии на базе data-платформы). Ядро (стек, стандарты, политика) переиспользуется — десятый кейс дешевле первого. CoE превращается в hub, спицы растут в подразделениях.

7. Антипаттерны структуры

• «Сразу федеративно — пусть каждый отдел сам делает AI». В незрелой компании это дубли, разнобой и неуправляемый TCO/риск; начинать надо с центра.
• «CoE делает всё сам». Превращается в узкое горло и очередь; бизнес обходит его и плодит теневой AI. Нужны спицы.
• «AI-офис строит свою инфраструктуру». Параллельная ИТ-функция, война с CIO; «железо» — у CIO/CDTO.
• «Структура без AI-политики и риск-роли». Скорость без контроля = первый же инцидент с ПДн или дискриминацией бьёт по компании; risk/compliance закладывается с первого дня.
• «Скопировать оргструктуру биг-теха». Модель должна соответствовать зрелости и размеру вашей компании, а не чужой.

Ключевые выводы

• Четыре модели (централизованный CoE, федеративная, hub-and-spoke, встроенные команды) — этапы зрелости, а не рейтинг.
• Для средней компании рабочий дефолт — hub-and-spoke: единое в центре, доменное — в спицах.
• В AI-офисе должны быть закрыты роли платформы/MLOps, инженерии, данных, промтов и AI-риска/комплаенса — последнюю нельзя откладывать.
• Модель выбирается под профиль портфеля: risk-down → сильный hub; масштабируемый cost-out → hub-and-spoke с тиражируемым ядром.
• В «Контуре» путь: компактный CoE → первый кейс в контакт-центре (спица) → тиражирование, ядро переиспользуется.

Практическое задание

Для своей или условной компании:

1. Определите текущую и целевую модель AI-офиса (из четырёх) с обоснованием по зрелости и размеру.
2. Нарисуйте состав CoE/hub (роли и кто совмещает) и 2–3 первые спицы.
3. Опишите контракт hub↔spoke: что нельзя делать спице, чем не лезет hub.
4. Укажите, кому подчиняется CAIO, как связан с CDTO/CIO и где живёт инфраструктура.
5. Назовите первый кейс и роль AI-риска в нём.

Вопросы для самопроверки

1. Чем hub-and-spoke лучше чистого централизованного CoE и чистой федеративной модели?
2. Почему четыре модели — это этапы зрелости, а не рейтинг «хуже-лучше»?
3. Перечислите минимум пять ролей AI-офиса и зону ответственности каждой.
4. Какой профиль портфеля тянет к сильному централизованному hub и почему?
5. Почему AI-офис не должен строить собственную инфраструктуру и кому она принадлежит?