Трудности перевода: как бизнесу получить реальный эффект от ИИ-агентов

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».

Рутина и экспертные решения: разная экономика

В корпоративной автоматизации я бы разделил задачи для ИИ-агентов на два класса. Первый — повторяющиеся операции: собрать сведения из нескольких систем, перенести данные, сформировать документ, провести типовую проверку. Здесь обычно можно заранее определить входные данные, порядок действий и критерий результата. Ценность агента измеряется в сэкономленном времени, сокращении ручной работы и снижении числа ошибок. При наличии нужных инструментов такие решения зачастую обходятся без сложной разработки.

Второй класс — задачи, в которых от специалиста требуется профессиональное суждение. Агенту предстоит разобраться в обстоятельствах, сопоставить варианты и подготовить решение с учетом особенностей компании и отрасли. Доступ к данным здесь лишь начало: системе нужна логика их интерпретации, понимание исключений и проверяемые критерии качества. Оба режима могут соседствовать в одном процессе. Сбор и сверку информации агент выполняет самостоятельно, а итоговую рекомендацию готовит под контролем человека. Эта граница влияет на архитектуру, бюджет и будущую стоимость сопровождения.

Знания, которых нет в документах

Языковая модель может знать терминологию отрасли и общие принципы работы оборудования, но она не знакома с практикой конкретного предприятия. Опытный сотрудник учитывает предыдущие случаи, ограничения внутренних систем, особенности продукта, неформальные договоренности и исключения из стандартного порядка. Многие решения давно доведены до автоматизма. Просьба «опишите свою работу» редко помогает воспроизвести их в системе: приходится разбирать реальные ситуации, выяснять, по каким признакам человек выбирает действие и как проверяет результат. Извлечение такой экспертизы становится отдельной и трудоемкой частью проекта.

Корпоративные инструкции, как правило, написаны для людей, уже знакомых с контекстом. В них есть последовательность штатных действий, но часто нет ответов на практические вопросы: где взять недостающую информацию, что считать допустимым исключением, к кому обратиться при противоречии между правилами. Человек восполняет пробелы опытом и общением с коллегами. Агенту нужны формальные ориентиры: какой источник считать актуальным, какое правило имеет приоритет и в какой момент передавать задачу специалисту. Поэтому подготовка к автоматизации требует изучения реальной работы, а не простого переноса регламентов в базу знаний.

Иногда выясняется, что готового процесса для автоматизации вообще нет: часть шагов не зафиксирована, сведения разрознены, согласования сложились исторически. Команда начинает с описания маршрута работы, устранения лишних операций и распределения ответственности. Компания уже на этом этапе может получить эффект от наведения порядка. Однако относить всю экономию на счет ИИ было бы неверно. Результат организационных изменений и вклад агента нужно измерять отдельно, иначе окупаемость получится убедительной лишь на бумаге.

Еще один потенциальный источник проблем — качество корпоративных знаний. В одной базе могут соседствовать действующая инструкция, устаревшая версия и исключение, согласованное только на словах. Опытный сотрудник часто понимает, чему доверять, но агент не должен самостоятельно угадывать приоритет документов. Потребуются владельцы материалов, правила актуализации и порядок разрешения противоречий. При масштабировании эти задачи становятся постоянной частью эксплуатации, а значит влияют и на сроки, и на стоимость внедрения.

Скиллы ускоряют настройку, но не заменяют экспертизу

Техническую часть внедрения помогают ускорить скиллы — переиспользуемые инструкции и приемы выполнения конкретных задач. Из них можно собирать более длинные последовательности и поручать агенту целый участок работы. В MWS AI Cowork этот подход используется для добавления новых сценариев и повторного применения уже описанных способов решения задач. Для рутинных операций это заметный шаг вперед: расширять функциональность в ряде случаев удается без постоянного участия разработчиков и AI-инженеров.

Один из примеров использования скиллов в MWS AI Cowork — автоматизация подготовки досудебных претензий по задолженности за лицензии на ПО. Скилл настроили совместно с юристами, без привлечения технической команды. Он анализирует комплект разнородных документов — от партнерского соглашения до счетов и актов, — извлекает и сопоставляет сведения, определяет условия и сроки оплаты, проверяет наличие необходимых данных и при необходимости запрашивает уточнения. При настройке в скилле закрепили профессиональные правила: как связать документы с одним обязательством, избежать двойного учета задолженности, определить начало срока оплаты и учесть частичные платежи. Расчёт неустойки выполняет отдельный программный скрипт, обеспечивая воспроизводимость вычислений. Затем агент формирует претензию в Word по установленному шаблону с реквизитами, обоснованием требований и расчетной таблицей. В результате система берёт на себя сбор и сверку данных, расчеты и подготовку документа, а юрист проверяет обоснованность требований и готовую претензию. 

Сложная архитектура требует обоснования

Ту же меру стоит соблюдать при выборе архитектуры. Для типовой цепочки действий бывает достаточно скилла, нескольких инструментов и четкого критерия завершения. Работе с корпоративными знаниями могут потребоваться поиск по базе, учет отраслевой терминологии и тестирование ответов на эталонном наборе задач. Последовательность операций можно закрепить в графовом процессе; автономному агенту — предоставить право выбирать следующие шаги. Мультиагентная система уместна там, где работа действительно делится между несколькими специализированными исполнителями.

Число агентов не служит показателем качества автоматизации. Усложнение системы повышает требования к контролю результатов и обычно увеличивает расходы на сопровождение. В процессе с жесткой последовательностью действий высокая автономность часто избыточна. Там, где нужно одновременно вести несколько направлений работы и самостоятельно выбирать действия, линейная схема может оказаться слишком жесткой. 

Как считать результат

По нашим наблюдениям, заказчики стали предметнее обсуждать окупаемость ИИ-агентов. У многих уже есть опыт первых экспериментов, в том числе не оправдавших ожиданий. Для рутинных операций показатели достаточно прозрачны: время выполнения, объем ручного труда, количество ошибок, нагрузка на сотрудников. В экспертных задачах высокая скорость ответа сама по себе еще не означает экономии. Необходимо оценивать качество рекомендаций, границы их применимости и объем проверки, который остается за человеком.

Показательная ситуация: если проверка ответа ИИ-агента занимает столько же времени, сколько самостоятельное решение задачи, экономии не будет. Поэтому важно оценивать не только качество работы агента, но и то, сколько времени он действительно экономит сотрудникам.

Готовые платформы и скиллы сокращают путь от идеи до прототипа. Дальше сроки и бюджет зависят от того, насколько компания понимает собственные процессы и умеет поддерживать знания в актуальном состоянии. В этом и заключается неочевидная часть внедрения ИИ-агентов: бизнесу приходится формализовать то, что сотрудники годами делали без подробных инструкций. Такая работа помогает точнее выбрать архитектуру, отделить организационный эффект от технологического и реалистично оценить экономику проекта.