От чат-ботов до мультиагентных систем

Сегодня искусственный интеллект (ИИ) стал одним из важных инструментов повышения эффективности, о которых говорят и бизнес, и государство. Интеграция ИИ обычно сопровождается обещаниями сократить штат, ускорить работу и автоматизировать процессы. Но слепая попытка угнаться за трендами без ответа на вопрос, зачем мы используем ИИ, может привести к ошибкам. И финансовые последствия далеко не самый негативный исход неосознанного внедрения ИИ-инструмента.

Показательный пример – чат-бот MyCity Chatbot, который администрация Нью-Йорка запустила для юридических консультаций жителей. Предполагалось, что сервис ускорит обработку обращений граждан и снизит нагрузку на сотрудников. Но за три года работы его неоднократно критиковали за рекомендации, противоречащие законодательству: например, бот советовал отказывать в социальном найме жилья или не принимать безналичную оплату. После смены городской администрации проект, на который потратили более $600 000, закрыли.

От ущерба к эффективности

В 2025 г. одна из крупнейших консалтинговых компаний – Deloitte была вынуждена выплатить неустойку правительству Австралии из-за «галлюцинаций» в списке источников, которые легли в основу отчета для местного департамента занятости и трудовых отношений. Невнимательность к проверке результатов генерации обошлась компании в часть контракта на 440 000 австралийских долларов (около $290 000).

По оценке консалтинговой компании Gartner, около 30% ИИ-проектов не проходят стадию пилота. Исследователи Массачусетского технологического института (MIT) также отмечают, что 95% корпоративных ИИ-инструментов не приносят измеримого результата.

Существуют и успешные примеры. Сингапурский сервис Pair, выполняющий схожие с MyCity Chatbot функции, но ориентированный на представителей госорганов, по данным правительства Сингапура, сокращает трудозатраты на составление протоколов совещаний почти на 50%. Помимо поиска по нормативной базе инструмент помогает формировать протоколы встреч, формирует черновые версии документов, обрабатывает обратную связь от граждан.

В России тоже есть подобные инструменты. Например, сервис «Госпромпт», разработанный в Татарстане, помогает госслужащим справляться с рутиной: сервис анализирует большое количество данных о состоянии экономики, социальной сферы, экологии и других аспектов жизни Татарстана. Чат-бот создан для того, чтобы 70% рутинных задач выполнялись на 80% быстрее и на 20% качественнее.

Помощник, а не специалист

Практика показывает, что наиболее успешны проекты, в которых ИИ помогает экспертам, а не заменяет их. Специалист способен заметить ошибку модели и критически оценить результат ее работы. Пользователь без профильных знаний зачастую такой возможности не имеет. Все дело в понимании собственных процессов и четком ответе на вопрос, зачем мы внедряем ИИ.

Кроме того, ИИ особенно эффективен там, где нужно ускорить сложные рутинные процессы, которые невозможно описать жестким алгоритмом. Если задачу можно разложить на последовательность четких инструкций с минимальным количеством вариантов развития событий, классическая автоматизация обычно оказывается дешевле и надежнее. Возможности больших языковых моделей раскрываются там, где требуется гибкость, работа с неструктурированной информацией и помощь человеку в принятии решений.

Мультиагентный подход

За 15 лет работы «КБ Стрелка» накопила объем методик, аналитических подходов и практических решений для территориального развития городов. Но даже самая сильная экспертиза приносит пользу только тогда, когда ею легко пользоваться. На практике проектные команды регулярно сталкивались с двумя проблемами: нехваткой узкоспециализированных технических навыков для сложных расчетов и неосведомленностью сотрудников об уже существующих решениях и методиках.

За применение комплексных аналитических инструментов в «КБ Стрелка» отвечает центр городских данных. Перед нами стояла задача сделать их более доступными и сократить время подготовки первичной аналитики по территориям. При этом создание универсального помощника для всех задач оказалось почти невыполнимым – особенно для команды, ключевая сила которой заключалась в глубокой экспертизе пространственного анализа.

Проанализировав продуктовую линейку, мы выделили повторяющиеся процессы – типовые операции с исходными данными из ограниченного круга источников, выполняемые по определенному алгоритму. ИИ здесь не поможет: он не обладает специфическими знаниями о проектных процессах компании, не знает всех правил работы с городскими данными, особенно в российском контексте.

При этом разработать отдельный инструмент под конкретную задачу относительно просто, но поддерживать постоянный поток таких решений при ограниченных ресурсах существенно сложнее. Здесь ИИ оказался действительно полезен.

Мы используем мультиагентную модель, где каждый нейросетевой агент выполняет свою роль: архитектора, тестировщика, дизайнера, разработчика. Каждый агент работает по заранее заданным инструкциям, использует подготовленные шаблоны кода и отвечает только за свой этап разработки. В результате вместо одного разработчика, который тратит неделю на преобразование алгоритма в удобный для использования инструмент, мы получили систему, способную разработать готовый инструмент за несколько промптов.

На первый взгляд она не приводит к высокой экономии: мы сократили трудозатраты одного сотрудника примерно на 36 часов за инструмент. Но эффективность подхода лежит в косвенных эффектах. Быстрое превращение методики в рабочий инструмент дает возможность экономить до месяца работы одного специалиста на проекте. Например, внутренний инструмент пространственного анализа примерно на 160 часов сокращает обработку данных и подготовку черновых картографических материалов.

Еще около 160 часов удается экономить при сборе социально-экономических показателей для городов и регионов. В итоге небольшое ускорение работы отдела с помощью простой ИИ-системы позволяет экономить до 20% времени на разработку одного проекта без высоких затрат на вычислительные мощности.

Городам не нужны технологии ради технологий

Высокие темпы развития ИИ заставляют многие организации испытывать FOMO (англ. fear of missing out, синдром упущенной выгоды. – «Ведомости. Город») – страх упустить новые возможности и отстать от конкурентов. В такой ситуации велик соблазн внедрять ИИ просто потому, что это делают другие. Но сами по себе технологии ценности не создают. Ее генерирует только решение конкретной прикладной задачи. Прежде чем запускать очередной ИИ-проект, стоит ответить на простой вопрос – какую конкретную задачу он должен решить. Если ответа нет, высока вероятность получить дорогостоящий эксперимент вместо реального результата.

Мы видим большой потенциал в использовании ИИ для работы с накопленными знаниями, но конечная цель должна заключаться не в том, чтобы заменить сотрудника ИИ. Необходимо освободить экспертов от рутины, дать возможность сосредоточиться на принятии решений, которые будут влиять на качество жизни в городах. ИИ может взять на себя повторяющиеся операции: помогать работать с данными, автоматизировать подготовку материалов, ускорять разработку внутренних сервисов и обработку информации. Специалисты получат больше времени для анализа, поиска решений и обсуждения сложных вопросов – для того, что по-прежнему требует опыта, профессиональной интуиции и понимания контекста. В этом направлении, на наш взгляд, будет развиваться цифровизация городского планирования в ближайшие годы.