21 июля 2026 года на arXiv появилась работа arXiv:2607.18696 с провокационным заголовком: нужны ли AI-нативным биотехам вообще отделы? Автор, Yinan Wang, строит вокруг этого вопроса сравнительный benchmark и предлагает альтернативный операционный примитив — Company World Model (CWM). Исследование сухое: только публичные данные, ретроспективные кейсы, никаких клинических или регуляторных претензий.
Контекст
Биотех — один из немногих секторов, где цена ошибки агента измеряется не деньгами пользователя, а годами разработки и жизнями пациентов. Традиционная биотех-компания работает через жёстко специализированные отделы: R&D, регуляторный, BD (business development), финансы, коммерция. Каждый отдел — своя логика, свои KPI, свои ограничения.
С приходом AI-нативных биотехов — где агенты принимают или поддерживают ключевые решения — возник соблазн просто «переложить» структуру: один агент делает R&D, другой пишет regulatory submission, третий ведёт BD. Это интуитивно понятно. И именно это автор считает ошибкой проектирования.
Альтернатива — Company World Model: не набор изолированных агентов-ролей, а единое постоянно обновляемое представление состояния компании. Каждый актив описан через текущий статус, вероятные переходы, ограничения (научные, регуляторные, финансовые) и явную функцию ценности. Агенты работают с этим общим состоянием, а не внутри силосов.
Аналитика
Benchmark содержит 45 ретроспективных кейсов из публичных биотех-данных: реальные решения о разработке, партнёрствах, регуляторных путях. Жёсткий временной срез — агент видит только данные до определённой даты, исход скрыт. Сравниваются четыре архитектуры: обычный оргчарт, усиленный оргчарт, AI-нативная актив-центричная и AI-нативная value-conversion.
Архитектура value-conversion — промпт-уровневое приближение CWM с Live Asset Value Record, обновляемым через Deal, Approval, Revenue и Investment Arbiter loops — получила наивысший автоматический балл и была предпочтена специализированными blinded-судьями. Авторы, однако, сразу сужают вывод: стресс-тесты показали, что усиленный человеческий baseline оставался конкурентным, а нейтральный судья не зафиксировал уверенного преимущества CWM. Это не «AI победил людей» — это архитектурный тезис с условиями.
Ключевой инсайт работы: результат чувствителен к целевой функции. Если оценивать по BD-сделкам, регуляторным одобрениям и дисциплине выручки — «комнаты» (Revenue Room, Deal Room, Approval Room) несут реальную полезную работу. Отделы могут сохраняться как governance layer для людей. Но core operating primitive для агентов — не имитация человеческой иерархии, а shared predictive state. Разница принципиальная: форма для людей и форма для агентов решают разные задачи.
Кейсы применения в бизнесе
B2B-SaaS стартап, строящий мультиагентную систему: вместо архитектуры «agentSDR → agentCSM → agentSupport» опишите общее состояние: какие активы у вас есть (лиды, контракты, фичи, ARR), какие переходы возможны, как считается ценность каждого. Агенты работают от этого shared state — меньше потерь контекста при передаче, больше согласованности между модулями. Конкретный шаг: создайте «живой документ» состояния пайплайна и передавайте его агенту в системном промпте вместо роли.
Корпорация с legacy-структурой: добавление AI-агента в каждый отдел — это не AI-трансформация, это автоматизация существующей бюрократии. Пилот другого рода: выберите один product line, опишите его активы, переходы, коммерческий путь. AI-агент встраивается в эту модель, а не имитирует отдел. Даже простая таблица «актив → статус → следующий шаг → ожидаемая ценность», обновляемая еженедельно, меняет качество агентских решений.
SMB и локальный бизнес в КР/СНГ: для небольшой компании с несколькими продуктами и 5-20 сотрудниками концепция CWM может выглядеть как один Google Doc или Notion-страница: активы (продукты, клиенты, контракты), их статусы, следующие переходы, приоритет. AI-агент с доступом к этому «живому документу» принимает решения о приоритетах системно — вместо ответов на изолированные вопросы в чате.
Кейсы в личной жизни
Разработчик или технический лид: при организации системы AI-агентов для проекта начните не с ролей, а с состояния. Опишите «активы»: открытые задачи, компоненты, зависимости, технический долг. Агенты, получающие этот контекст, дают более согласованные результаты, чем набор независимых «агент для тестов» и «агент для ревью» без общей картины.
Контент-мейкер: вместо «агент для скриптов + агент для SEO + агент для публикации» создайте единый контентный world model: что выходит, на каком этапе, какова метрика успеха для каждого формата, что блокировано. Простой doc с live-состоянием. Агенты и вы сами работаете от него — не теряете контекст между сессиями.
Исследователь или студент: концепция CWM переносится на управление знаниями. Вместо папок с заметками — карта активов знания: что изучено, что открыто, где блокер, какова ценность каждого направления. AI помогает принимать решение «что изучать дальше» не интуитивно, а опираясь на явное состояние. По сути это PKM с функцией ценности — и это работает.
Как применить сегодня
- Прочитайте abstract arXiv:2607.18696 — работа открытая, benchmark из 45 кейсов опубликован как dry-lab артефакт.
- При следующем проектировании мультиагентной системы задайте вопрос: «Какое общее состояние нужно агентам?» — вместо «Какие роли нужны агентам?»
- Попробуйте описать свою компанию или проект через CWM-формат в Claude: активы → текущий статус → возможные переходы → функция ценности. Посмотрите, как изменится качество ответов.
- Если проектируете regulated workflow (compliance, юридика, медицина) — паттерн отдельных «комнат» (Deal Room, Approval Room, Revenue Room) — готовое разделение ответственности внутри единой world model.
- Не выбрасывайте отделы: выводы работы осторожны. Отделы остаются полезными как governance layer для людей. Меняется только то, вокруг чего строится операционная логика агентов.