La jefa de Franklin Templeton insta a las empresas a adoptar AI más rápido y proteger los datos fundamentales

Глава Franklin Templeton Дженни Джонсон призвала компании не тянуть с внедрением новых технологий и активнее осваивать искусственный интеллект. В ее логике вопрос уже не в моде на AI, а в том, насколько быстро бизнес сможет встроить его в реальные процессы, не потеряв контроль над ключевыми данными.

Почему AI стал обязательным

Выступая в эфире Bloomberg Surveillance в Вашингтоне, Джонсон фактически озвучила позицию, которую все чаще разделяют крупные корпорации и инвесторы: AI больше нельзя держать в статусе лабораторного эксперимента. Для руководителей это уже не отдельная инновационная программа, а рабочий инструмент, который влияет на производительность, скорость принятия решений и стоимость операций. Особенно это заметно в секторах, где много ручной аналитики, отчетности и клиентского сервиса, включая финансы, консалтинг и корпоративные услуги.

«Компаниям нужно учиться использовать новые технологии, включая AI».

Смысл ее тезиса не в том, что любой бизнес обязан срочно покупать модные инструменты. Речь о другом: компании, которые научатся правильно использовать новые системы раньше конкурентов, получат накопительный эффект. Они быстрее обрабатывают данные, лучше видят поведение клиентов и дешевле масштабируют внутренние процессы. Те, кто продолжит относиться к AI как к факультативу для отдельной команды, рискуют через год-два обнаружить, что отставание стало не маркетинговым, а операционным и финансовым.

Данные как база внедрения

Второй важный акцент Джонсон — защита core data, то есть базовых данных, на которых держится работа компании. Это особенно важно на фоне быстрого внедрения генеративных моделей, которым нужен доступ к внутренним документам, клиентской информации, аналитике и переписке. Если бизнес открывает AI доступ к слабо размеченным или плохо защищенным массивам, он создает себе двойной риск: утечки и неверные ответы.

В такой конфигурации даже сильная модель не даст надежного результата, потому что проблема будет не в алгоритме, а в основании всей системы. На практике это означает, что внедрение AI начинается не с красивого демо для совета директоров, а с инфраструктурной работы, которая редко выглядит эффектно, но определяет итоговый результат. Компаниям нужно заранее понять, какие данные можно подключать к моделям, какие нельзя выводить во внешние сервисы, кто отвечает за качество источников и как проверяется результат.

Без этого даже успешный пилот быстро упрется в вопросы безопасности, комплаенса и доверия со стороны сотрудников. инвентаризация и классификация ключевых данных разграничение доступа для сотрудников и внешних сервисов подключение моделей только к проверенным источникам измерение эффекта через время, качество и снижение риска Для финансовой компании это почти очевидное правило, но теперь оно становится универсальным и для других отраслей. Если компания не понимает, какие данные у нее действительно критичны, кто ими пользуется и где они хранятся, разговор про AI остается поверхностным.

Массовое внедрение моделей без дисциплины в данных может временно ускорить отдельные задачи, но затем принести дорогие ошибки в отчетности, поддержке, комплаенсе и принятии решений.

Рынок смотрит шире

Джонсон также затронула состояние потребителя и цены на нефть — на первый взгляд это отдельные темы, но для управляющей компании такого масштаба они напрямую связаны с разговором о технологиях. Потребительский спрос влияет на выручку бизнеса и аппетит компаний к инвестициям, а нефть остается одним из маркеров инфляционного давления и издержек. Поэтому вопрос об AI для крупных руководителей уже давно не живет в вакууме: его рассматривают вместе с расходами, ставками, спросом и устойчивостью бизнес-модели.

Отсюда и более трезвый подход к внедрению новых систем в 2026 году. Совет директоров хочет понять не только то, где можно автоматизировать процессы, но и то, как это решение поведет себя при изменении макросреды. Если потребитель ослабевает, компаниям нужен более быстрый контроль за маржой и спросом.

Если энергоносители дорожают, вырастает цена неэффективности. В такой среде AI становится не витриной инноваций, а способом быстрее принимать решения в условиях, где ошибка стоит дороже, чем раньше.

Что это значит

Сигнал от Franklin Templeton простой: бизнесу уже мало обсуждать AI на стратегических сессиях, нужно доводить его до процессов, метрик и защищенной работы с данными. Победят не те, кто громче говорит про трансформацию, а те, кто связывает технологии с операционной дисциплиной и умеет принимать решения на фоне меняющегося спроса, издержек и цен.