Почему ИИ-агенты внедряются неравномерно

На ИТ-пикнике, ежегодном фестивале Т-банка для ИТ-специалистов и их близких, генеративному искусственному интеллекту было посвящено целое направление докладов. Одна из дискуссий была о том, почему некоторым компаниям удается внедрить ИИ в бизнес-процессы, а другие застревают на стадии выдачи подписок сотрудникам. Интересно, что этим вопросом мы задаемся сейчас, когда ИИ вышел за пределы технологической индустрии и начал менять жизненные сценарии людей, а некоторые компании сами заявляют о об измеримом бизнес-эффекте от внедрения и возможностях для монетизации.

Один из самых заметных сдвигов последних лет произошел в сценариях поиска информации. Раньше человек обращался к Google или «Яндексу», получал набор ссылок и сам искал нужный ответ. Сейчас этот сценарий смещается в сторону взаимодействия с чат-ассистентом. Пользователь получает не ссылки, а уже сформулированный ответ, а затем в диалоге может уточнять запрос, улучшать и дополнять полученную информацию.

Следующий шаг – переход от ответа к действию. В таком сценарии ИИ-агенты не просто ищут информацию или предлагают решение, а выполняют задачу сами. Однако это возможно только тогда, когда сценарий работы ИИ можно четко формализовать, ведь дать агенту самостоятельно действовать гораздо сложнее, чему обучить ассистента давать хороший ответ. И чем больше самостоятельности получает агент, тем выше становится цена ошибки.

Одна из областей, где агенты используются чаще всего, – программирование. В разработке сравнительно легко проверить результат, и если что-то не работает, агент получает обратную связь и корректирует решение. Но если платежный агент имеет доступ к банковским картам пользователя или общению с клиентами, риски обретают иной вес. Поэтому успешный пилот ИИ-агента еще не значит, что продукт готов к запуску для реальных клиентов. Пилот показывает, что ИИ-агент способен решить определенную задачу при прочих равных условиях, но для бизнеса важно другое: будет ли он стабильно работать на большом потоке пользователей, где именно он будет ошибаться и какими будут последствия этих ошибок.

Самый очевидный способ снизить риски – придерживаться подхода human-in-the-loop, когда человек остается внутри процесса выполнения действий, особенно при принятии критичных и неоднозначных решений. Но если человек перепроверяет каждое действие агента, зачем тогда нужна автоматизация? Ответ в экономике: если стоимость поддержания модели и человеческого контроля выше стоимости процесса без ИИ, даже технически успешный пилот не даст бизнесу ощутимого положительного эффекта. Отсюда еще один вывод – начинать внедрение агентов нужно отталкиваясь от устройства процессов внутри компании. В первую очередь стоит автоматизировать рутинные операции, которые отнимают много времени у сотрудников, но имеют проверяемый результат. Если в процессе много неоднозначных решений и ручных согласований, разумнее сначала автоматизировать отдельные этапы и постепенно расширять зону ответственности агента.

Еще один фактор, который определяет скорость внедрения агентов, – стоимость вычислений. Чтобы оптимизировать затраты на использование ИИ, стоит брать во внимание два фактора, влияющих на стоимость. Первый – доступ к дешевой энергии. Второй – снижение стоимости единицы вычислительной мощности. Сейчас модели работают на видеокартах и специализированных устройствах, и их производительность год от года растет быстрее, чем цена. В относительных величинах мы получаем больше вычислительных мощностей за меньшие деньги. Однако есть нюанс: параллельно с удешевлением вычислений растут и сами потребности моделей. Они становятся сложнее, увеличивается количество параметров, агентские сценарии требуют большего числа токенов. Так что мощность дешевеет, но ее требуется намного больше. В какой-то момент этот процесс может выйти на плато, но пока кривая идет вверх.

Наконец, внедрение ИИ невозможно без обучения людей работе с агентами. Если несколько лет назад на пике популярности был так называемый промпт-инжиниринг, то сейчас все говорят про ИИ-агентов: как их строить, как встраивать в рабочие процессы. Фокус обучения постепенно смещается в эту сторону – как внедрять автоматизацию рутинных процессов на основе агентов в повседневную жизнь и работу. Это требует перестройки данных и инструментов, с которыми пользователь работает, чтобы агент мог с ними взаимодействовать. Требуется понимание того, что можно, а что пока нельзя автоматизировать, необходимы знания вопросов безопасности. Поэтому обучение все еще актуально, оно просто эволюционирует вместе с технологией. Мы уже не учим правильно формулировать запросы – мы показываем, как использовать ИИ внутри реальных задач. В программе ИТ-пикника разговор о генеративном ИИ был в связке с темами продуктов, данных, инженерной продуктивности и кибербезопасности, ведь агентов нельзя внедрить изолированно от рабочих процессов, технологий и навыков людей. Это помогает популяризировать понимание того, что при помощи ИИ можно решать разнообразные и достаточно сложные задачи, а еще заинтересоваться индустрией и попробовать войти в нее на разных уровнях: как инженер, создатель ИИ-продуктов, специалист, который использует искусственный интеллект и за счет этого становится продуктивнее.

Кажется, ИИ-агенты и будут внедряться в бизнес неравномерно и пройдет еще не одна дискуссия на мероприятиях вроде ИТ-пикника о том, почему так происходит. То, что известно сейчас наверняка, – это что быстрее всего агенты появятся там, где результат легко проверять, цена ошибки невысока, а внутренние процессы готовы к автоматизации. В других сценариях внедрение будет происходить постепенно – через автоматизацию отдельных действий и расширение границ автономности агента.