Другие площадки Для каких задач применяется агентный AI AI-агенты отличаются от привычных нам чат-ботов и AI-ассистентов тем, что такие программы способны выполнять действия без активного участия человека. «Когда мы отправляем запрос нейросети, то ответ обычно получаем текстом, — говорит Виктор Кантор. — В агентном режиме доступен различный функционал. Это может быть таблица, куда AI вносит собранную на разных ресурсах информацию, или набор инструкций, которые потом выполняются. Простой пример: вы планируете отпуск и спрашиваете агента, куда в другом городе сходить с учётом ваших интересов. Он не только выдаст список рекомендованных мест, но и забронирует их посещение». «Если вы сотрудник корпорации, то с AI-агентами столкнётесь на работе раньше, чем в пользовательских приложениях, — отмечает Дмитрий Трофимов. — Это будет некая утилита для агента, с которым мы будем общаться через наушник или экран. Это совершенно точно в ближайшие годы произойдёт». Отдельные роли уже сейчас можно передать AI-агентам, считает Виктор Кантор. Взять, к примеру, специалистов по подбору персонала, которые просто отбирают резюме и передают их в отдел кадров. Этот процесс уже вполне можно автоматизировать, говорит он. В целом искусственный интеллект открывает широкие возможности для автоматизации, особенно там, где процессы массовые и требуют большого человеческого ресурса: в разработке, клиентской поддержке, маркетинге, продажах, работе с персоналом. «Если говорить о типовых сценариях внедрения AI, то в их основе почти всегда лежат задачи, связанные с поиском в базе знаний и потоковыми процессами, то есть всем, что связано с высокой частотностью запросов», — объясняет Трофимов. По его словам, для решения таких задач плюс-минус продвинутые компании уже применяют классический искусственный интеллект — модели ML (от англ. machine learning — «машинное обучение»). Их используют в компьютерном зрении, для обработки входящих обращений, прогнозирования спроса. «Но если ML работает с частотностью и большими объёмами, то генеративный AI — это уже про работу с новыми данными и адаптацию, — объясняет он. — Возьмём для примера предприятие, которое выстраивает диспетчерский центр, у него сотни машин каждый день едут на точки и ограничены по времени доставки, потому что везут скоропортящийся продукт. Тут постоянно идёт расчёт маршрутов, возникают нештатные ситуации, на которые нужно реагировать. Вот здесь AI-агенты будут хорошо работать». Искусственный интеллект также помогает в планировании и управлении. «Стратегия не появляется в открытом космосе, без связи с реальностью. Должен быть анализ рынка, конкурентов, своих сильных и слабых сторон, — говорит Виктор Кантор. — Всё это можно гораздо лучше проанализировать, когда есть данные компании за длительный период и есть данные генеративного AI. Просишь модель собрать информацию по теме, изучаешь, делаешь новый промпт. Ты не один с этим разбираешься, а вместе с AI. Во всех компаниях, которые стратегию разрабатывают, этот фактор учитывается. Мы стали заложниками того, как быстро меняется мир, и бизнесу нужно успевать следить за этими изменениями и выявлять долгосрочные тренды, а не просто разовый хайп. Это невозможно реализовать, не работая с AI-инфраструктурой». От инструмента к цифровому сотруднику Эксперты прогнозируют, что следующим шагом в развитии искусственного интеллекта станет переход от AI-агентов к созданию полноценных виртуальных сотрудников. «Если агент автоматизирует узкий участок процесса, то AI-сотрудник способен комплексно решать бизнес-задачи в рамках своей роли», — говорит Дмитрий Трофимов. Ключевым преимуществом такого подхода он называет прозрачность процессов для бизнеса. Можно измерять эффективность решения не в сложных технических параметрах, а в понятных для руководства метриках, таких как количество виртуальных рабочих мест. Это помогает ясно увидеть экономический эффект и стимулирует более быстрое и осмысленное внедрение AI. В перспективе также появятся мультиагентные системы, где модели будут взаимодействовать между собой и управлять сложными процессами. «Не исключаю, что получится сделать так, чтобы автопилоты общались друг с другом и координировали свои действия, — говорит Виктор Кантор. — Например, чтобы каждому человеку обеспечивать подачу такси за пять минут, при этом использовать в 10 раз меньше машин. Это вполне достижимо, просто это гораздо более долгий путь, чем забронировать гостиницу или ресторан». Другой вопрос, что AI может галлюцинировать: выдавать неточные рекомендации и вымышленную информацию. Эксперты считают, что, как и с любой новой технологией, нам ещё предстоит учиться правильно с ней работать. «Многое зависит от датасетов, на которых обучается модель. Тут требуются определённые навыки специалистов, которые работают с AI, нужно, чтобы они могли такие вещи выявлять и обходить их», — говорит Дмитрий Трофимов. С ним соглашается Виктор Кантор, ссылаясь на то, что люди тоже допускают ошибки, поэтому в компаниях проводят аудит: периодически проверяют, что происходит в рабочих процессах. Похожим образом можно частично решать задачу валидации AI-модели для оценки качества её работы. Как осуществить переход к агентным системам Эксперты сходятся в том, что процессы в компании должны с нуля строиться под AI. «Если взять человеческий процесс и полностью переложить в искусственный интеллект, то это задача нетривиальная, к тому же затратная, — говорит Дмитрий Трофимов. — Сейчас мы в процессы встраиваем AI. Но, когда большая часть операций будет передана AI-агентам, компании реально начнут выстраивать инфраструктуру под новую бизнес-модель». Но сначала компании необходимо определить, для чего ей AI-трансформация. Осознать, как с помощью искусственного интеллекта бизнес растёт, оптимизирует затраты. Для этого нужно как минимум описать свои процессы, клиентские пути, где каждый этап работает по правилу. «Это сама по себе колоссальная работа, грубо говоря, на 80% путь к AI-трансформации. Если в компании процессы описаны, она чётко понимает роли, есть цифровые следы, то внедрить агентов не будет большой проблемой», — отмечает Трофимов. В основе AI-агентов лежат большие языковые модели (англ. large language model, LLM). Однако немногие компании могут заниматься разработкой собственной LLM, чтобы на её основе создавать агентную систему, говорит Виктор Кантор. Поэтому будут развиваться платные или опенсорс-решения (с открытым доступом к исходному коду), которые позволят на существующей базе LLM собрать агентное решение. И дальше его можно будет применять on-premise — по модели локального развёртывания. Платформенный подход используется во всём мире, добавляет Дмитрий Трофимов. Всё движется в сторону решений low-code/no-code (с англ. «без погружения в код / на основе готовых шаблонов»). «Кроме того, создавать прототипы агентов на платформах быстрее и удобнее, чем сразу реализовывать в целевых системах, особенно если решение сложное и требует доработки», — объясняет он. «Что касается иностранных платформ, то нужно учитывать аспект передачи таким сервисам данных для работы AI, ведь это данные о вашем бизнесе. Есть закон о персональных данных, банковская тайна, медицинская, много всего», — предупреждает Виктор Кантор. При этом он советует бизнесу не тянуть с внедрением технологий. «Люди обучаются медленнее, чем AI. Уже сейчас нужно пробовать использовать отечественные модели, разворачивать у себя опенсорсные решения и валидировать их. Для чего это нужно? Чтобы люди постепенно учились пользоваться AI-агентами», — отмечает эксперт. Эффект от AI для бизнеса Представим, что завтра мы сможем заменять сотрудников AI-агентами, говорит Виктор Кантор. «Тут ключевой вопрос — экономика бизнеса. Для многих компаний основной статьёй расходов не обязательно является фонд оплаты труда. Это может быть добыча, ИТ-инфраструктура, другие активы (здания, вышки) — хватает расходов помимо людей. Поэтому нужно в масштабах компании оценить, насколько такая замена будет целесообразной, — говорит он. — С другой стороны, AI действительно приносит экономический эффект. Например, модель может строить прогноз, какую прибыль даст магазин, если разместить его в этой точке. Такие задачи AI решает на десятки процентов точнее, чем человек, и за счёт приоритизации может сэкономить компании миллиарды рублей». Дмитрий Трофимов тоже считает, что главный фактор оценки внедряемых решений — финансовый. «С текущим уровнем развития технологии сделать рядового AI-бухгалтера или AI-эйчара в конкретном процессе реально, но содержать его многократно дороже, чем обычного специалиста, ведь технология требует больших вычислительных мощностей, — говорит он. — Нам приходится серверы в страну ввозить, поэтому в России построить хранилище данных стоит в 4—5 раз больше, чем в том же Китае. Поставить в компании стойку с развёрнутой моделью обходится в миллионы рублей». Должно быть экономическое обоснование и понимание того, какого эффекта можно на том или ином участке добиться, продолжает Трофимов. Он объясняет, что глобально проекты бывают двух типов. Одни позволяют масштабироваться и увеличивать выручку, другие направлены на оптимизацию. Соответственно, оптимизационные проекты должны приводить к тому, чтобы на каком-то участке бизнеса задействовать меньше ресурсов. Поэтому на первом этапе внедрения AI нужно выбрать процесс максимально частотный, где самое большое количество операций и входящих обращений. Там, где компания задействует наибольший ресурс, оптимизация даже на уровне 1—2% приносит ощутимый эффект. «Если взять шире, зачем вообще внедряются технологии? Прежде всего потому, что они помогают бизнесу зарабатывать, — говорит Дмитрий Трофимов. — Если посмотреть на динамику мирового ВВП, особенно за последние десятилетия, то можно увидеть, что развитие технологий — сначала интернета, затем мобильной связи, теперь искусственного интеллекта — сопровождается экспоненциальным ростом доходов. Это объективное свидетельство того, что технологии действительно помогают бизнесу расти». Чек-лист: что делать бизнесу, который готов внедрять AI-агентов Начните с «боли». Определите самые частотные и ресурсоёмкие процессы в компании — именно там AI принесёт максимальный экономический эффект. Опишите процессы. Создайте детальные карты своих бизнес-процессов и клиентских путей. Без оцифровки и понимания текущей логики внедрение AI будет хаотичным. Обучайте команду. Начните пробовать отечественные и опенсорсные AI-решения, чтобы сотрудники постепенно учились с ними работать. Люди обучаются медленнее, чем AI. Обеспечьте безопасность. Учитывайте риски, связанные с передачей корпоративных данных внешним платформам. Рассматривайте on-premise-решения для работы с чувствительной информацией. Главное по тексту Агентный искусственный интеллект стремительно развивается, превращаясь из пассивного помощника в автономного исполнителя. По прогнозам аналитиков, к 2026 году 40% корпоративных приложений будут интегрированы с AI-агентами. Что это значит для бизнеса AI-агенты способны автономно выполнять задачи, а не только поддерживать пользователей, что меняет бизнес-процессы и облегчает работу сотрудников. В перспективе они станут полноценными цифровыми сотрудниками, способными комплексно решать рабочие задачи и работать в мультиагентных системах, взаимодействуя между собой для оптимизации процессов. Это даст компаниям экономический эффект и повысит прозрачность бизнеса. Главные вызовы связаны с обучением моделей, безопасностью и правильной интеграцией AI. Для успешного перехода к агентным системам компаниям нужно перестраивать подходы под AI, описывать бизнес-процессы и клиентские пути. Большинство AI-агентов сегодня строятся на больших языковых моделях, однако далеко не все компании могут создавать собственные LLM, потому развиваются опенсорс-платформы (от англ. open source — с открытым исходным кодом), ускоряющие внедрение. Чтобы быть в курсе важных трендов и мнений ведущих экспертов, следите за нами в телеграм-канале . О развитии навыков управления, личностном росте пишем в «Дзене» . Про технологии и развитие в IT — в блоге на VC . Читайте ещё Source: https://sber.pro/publication/agentnii-ai-buduschee-korporativnih-reshenii-i-strategii/