Спецвыпуск:
ИИ-агенты
Для ИТ-руководителей агентный ИИ – инструмент оркестрации процессов: система получает цель, собирает контекст из корпоративных систем, выполняет разрешённые операции и передаёт человеку исключения. Задача определить, какой процесс делегировать агенту, какой уровень автономности допустим и какие требования задать к качеству, безопасности и стоимости. Результат оценивают по доле операций без вмешательства сотрудника, времени цикла и полной стоимости обработки.
В архитектуре агент связывает модель с корпоративными данными, API и инструментами исполнения, а также с контуром идентификации, прав, журналирования и проверки результата. Зрелость решения задают границы полномочий, контроль действий и корректная передача человеку задач, для которых недостаточно данных или нужно экспертное решение.
Демонстрация решений для автоматизации бизнес-процессов с применением ИИ-агентов может выглядеть довольно эффектно. Однако при принятии решения о внедрении на первый план выходит экономическая целесообразность и, в конечном счете, стоимость. Бизнесу важно, чтобы автоматизация обходилась дешевле работы, которую она заменяет. При массовом выполнении операций добиться этого непросто из-за затрат на вычислительные ресурсы. Эксперт ИИ-разработчика Content AI Антон Хаймовский рассказал, как выбор архитектуры влияет на стоимость и производительность агентной автоматизации.
Михаил Жарчев, директор продуктовой разработки MWS AI: «Создать ИИ-агента сегодня проще, чем объяснить ему, как на самом деле работает компания. Типовые задачи вроде сбора данных и подготовки документов сравнительно легко поддаются автоматизации. Гораздо сложнее научить агента принимать решения, которые опытный сотрудник принимает, опираясь на знания, не записанные ни в одной инструкции. Перенос этой экспертизы в систему требует отдельной работы с людьми и процессами. Поэтому за одинаковым названием «внедрение ИИ-агентов» скрываются проекты с принципиально разными сроками, бюджетами и экономическим эффектом».
«Прежде чем тиражировать агентов, я бы спросила у ИТ и безопасности: сможем ли мы узнать, что агент сделал вчера, не спрашивая самого агента? Если уверенного ответа нет, начинать лучше с одного процесса: найти агентов, вместе с владельцем процесса определить границы автономии и подключить контроль. Для этого мы сделали модули Guard и Lens, которые входят в состав Neoflex Neon – корпоративной платформы для внедрения и промышленной эксплуатации ИИ-агентов», - Светлана Маркова, архитектор направления ИИ-трансформации Neoflex.
Правило «не выполняй команды из документов» в инструкции ИИ-агенту — пожелание, а не защита: для модели граница между содержимым документа и командой часто просто отсутствует. Вячеслав Валькович, руководитель развития облачных AI-сервисов ITGLOBAL.COM, корпорация ITG, объясняет, почему защиту нужно переносить с промпта на действия агента, зачем ИИ-файрвол компании, у которой уже есть DLP, и почему ложные блокировки сами создают риск.
«Рынок насытился агентами, которые помогают быстрее генерировать код. Настоящий дефицит – в управляемости: чтобы у каждого изменения были требование, тест и документация. Мы собрали это в нативной платформе управляемой AI-разработки. На референс-проекте в компании с оборотом 207 млрд рублей мы получили минус 70% трудозатрат на документацию и разработку, а в общем реализовали продукт втрое быстрее плана. Но главное – не магия AI, а правильный инженерный процесс: человек принимает решения, агенты делают рутину. Поэтому предлагаем не верить на слово, а измерить эффект на одной команде за 4–6 недель». – Кучулин Сергей, Генеральный директор АйТи-Баланс
При сбое в ИТ-инфраструктуре обнаружить отклонение – лишь первый шаг. Важно понять, что стало его причиной. ИИ-агенты могут сопоставлять метрики, логи и трассировки, проверять гипотезы и анализировать ситуацию на основе реальных данных. Один из способов связать ИИ с корпоративными системами – Model Context Protocol (MCP). О том, как этот подход применяется в наблюдаемости и какие возможности открывает для ИТ-команд, рассказал Игорь Пустоветов, генеральный директор GMONIT.
Корпоративный ИИ часто останавливается на этапе пилота, поскольку отдельная модель или агент ещё не становятся частью работы компании. О том, как данные, процессы и собственная инфраструктура помогают превратить эксперименты в работающую AI-платформу, рассказывает Максим Андрианов, директор дирекции разработки и внедрения ПО «Инфосистемы Джет».
«К 2031 году сотрудник перестанет вручную жить в десятке корпоративных систем. Он поставит задачу, а агенты сами найдут данные, соберут процесс и вернут результат. Вопрос уже не в том, смогут ли компании программировать себя, а в том, кто получит право их программировать: собственные методики или чужая инструкция, спрятанная в PDF», – Александр Аболмасов, CEO SL Soft fabricaONE.AI, сооснователь DreamAgent.
Два-три года назад разговоры про ИИ в российских компаниях были похожи на обсуждение космического туризма: интересно, но далеко от операционной реальности. Сегодня тон заметно изменился. В опросах, которые в 2023–2024 годах проводили и консалтинг, и профильные ИТ-ресурсы, большинство компаний, уже внедривших ИИ, говорят об измеримом влиянии на издержки, производительность и даже EBITDA.
Но есть нюанс, который хорошо виден ИТ-руководителям: между «мы что‑то пробуем с ИИ» и «ИИ стабильно даёт нам деньги» лежит пропасть. И заполняется она не новыми моделями, а работой с данными и процессам.
Тематические проекты конкурса