Современное состояние агентной трансформации искусственного интеллекта

Искусственный интеллект продолжает развиваться беспрецедентными темпами, благодаря чему одни компании вырываются вперед, а другие остаются позади.

В 2023 и 2024 годах технологически продвинутые компании вышли из стадии пилотных проектов и добились увеличения прибыли до 10–25 % по показателю EBITDA¹EBITDA (Earnings Before Interest, Taxes, Depreciation, and Amortization) – это аналитический показатель, отражающий чистую прибыль компании до вычета процентов по кредитам, налогов, износа и амортизации. Он используется для оценки эффективности основной деятельности, способности обслуживать долги и сравнения компаний в отрасли. за счет масштабирования поиска информации и узкоспециализированного искусственного интеллекта. Таким образом, они разработали воспроизводимую стратегию, которой теперь могут следовать другие компании, основанную на надежной методологии, аналитических инструментах и четких критериях оценки.

Однако по прошествии года большинство организаций по-прежнему находятся в режиме экспериментов, довольствуясь незначительными повышениями производительности, которые не приносят существенной пользы. Но по мере того, как лидеры продвигаются вперед, отстающие рискуют потерять конкурентные позиции, которые будет сложно вернуть.

В 2025 года крупные игроки, в том числе Anthropic, Alphabet, Microsoft, OpenAI, Salesforce и другие, представили свои концепции агентного искусственного интеллекта. Технологически продвинутые компании уже переключают внимание с автоматизации задач на перестройку целых рабочих процессов. Первопроходцы пытаются понять, как обеспечить безопасное сосуществование агентов, их взаимодействие, сбор необходимого контекста и данных, а также продуктивную совместную работу. По мере воплощения концепции в жизнь им также придется решать проблемы, связанные с разрозненностью данных, неформальным контекстом, интеллектуальной собственностью, конфиденциальностью, безопасностью и стремлением поставщиков к получению прибыли.

Учитывая нынешние темпы развития искусственного интеллекта, наиболее вероятный сценарий заключается в стремительном, скачкообразном и трудно прогнозируемом прогрессе. Компаниям следует придерживаться архитектурного ориентира, но делать упор на целевые, узкоспециализированные и человеко-ориентированные разработки.

Эксперты Bain & Company, Inc рекомендуют следовать за лидерами отрасли. Они обладают отработанной схемой действий, методологией, аналитическими инструментами и контрольными показателями.

Главный вывод, который можно сделать из этих преобразований, заключается в том, что наиболее важными аспектами трансформации являются реорганизация процессов и очистка данных и среды приложений. Не стоит экономить на оптимизации процессов, данных и приложений. По мнению экспертов Bain & Company, Inc – каждый день промедления – это еще один день отставания.

Инновации в области искусственного интеллекта все больше направлены на обучение моделей работать с гораздо более сложными рассуждениями, контекстом и неструктурированными данными при взаимодействии с SaaS-приложениями²SaaS-приложения (Software as a Service) – это облачная модель ПО, где программы размещаются на серверах провайдера и доступны пользователям по подписке через Интернет. Это избавляет от необходимости локальной установки и поддержки ПО, обеспечивая доступ с любого устройства, автоматические обновления и масштабируемость, что делает их идеальными для бизнеса и другими агентами.

Развитие возможностей агентного ИИ можно условно разделить на четыре уровня.

Уровень 1: агенты для поиска информации на основе больших языковых моделей (например, помощники в получении знаний, вторые пилоты)

Уровень 2: однозадачные агентные рабочие процессы (например, исполнители задач с автономными циклами действий)

Уровень 3: межсистемная организация агентских рабочих процессов (например, выполнение сложных рабочих процессов с помощью управляемых агентов).

Уровень 4: многоагентные констелляции (например, агенты, взаимодействующие друг с другом, слабо связанные коллаборативные агенты)

В 2023 и 2024 годах технологически продвинутые компании внедряли инструменты первого уровня. При бессистемном использовании они повышали микропродуктивность. Но при интеграции в функциональные рабочие процессы в таких областях, как продажи, разработка и управление продуктами, эффект накапливался – особенно после тщательной очистки и систематизации данных, а также постоянного контроля качества.

На уровнях 2 и 3 капитал, инновации и скорость внедрения сближаются. Уровень 4 пока находится в разработке, но его реализация сдерживается рядом практических факторов.

В 2025 году ведущие технологические компании сосредоточились на том, чтобы сделать одно- и многосистемные рабочие процессы более интеллектуальными с помощью агентов.

По мере того как поставщики стремятся воплотить в жизнь свои агентные концепции, перед корпоративными командами встают новые задачи: как обеспечить безопасность этих агентов, как они будут находить друг друга и взаимодействовать, как будут собирать необходимый контекст и данные и продуктивно сотрудничать, когда концепция вступает в противоречие с корыстными интересами поставщиков, разрозненностью данных, неформальным контекстом, корпоративными данными, интеллектуальной собственностью и вопросами безопасности?

По мере повышения уровня агентной автономии предприятия сталкиваются с рядом сложных проблем.

— Человеческий труд: большая часть работы выполняется в рамках нескольких систем и организаций с использованием контекстных и неформальных процессов.

— Технологические пробелы: к ним относятся отсутствие стандартов связи (Model Context Protocol³Model Context Protocol (MCP) – это открытый стандарт, разработанный Anthropic, который действует как «USB-порт для ИИ». Он стандартизирует способ подключения больших языковых моделей к внешним данным (базам данных, файлам) и инструментам (API, CRM-системы), или MCP, не является стандартом USB) и накопление ошибок при выполнении многоэтапных задач.

— Реальность корпоративного мира: данные не всегда достоверны, а конфиденциальность, безопасность и защита интеллектуальной собственности вызывают серьезные опасения.

— Мотивы поставщиков: они противоречат принципам открытых стандартов, совместного использования интеллектуальной собственности, рабочих процессов и данных, что приводит к конфликтам и созданию закрытых экосистем.

Существует несколько архитектурных концепций, объясняющих, как можно обеспечить более высокий уровень агентной автономии. Большинство из них предполагают создание взаимосвязанной структуры или сети, которая будет регистрировать, распределять и обеспечивать коммуникацию между агентами для безопасного сотрудничества. Как и в случае с Web 3.0, ожидается, что эти концепции послужат полезным ориентиром, но они могут не сохранить свой первоначальный вид при столкновении с корпоративной реальностью.

По этой причине жесткий подход к архитектуре не соответствует современным требованиям. Поскольку искусственный интеллект развивается со значительную скорость, прогресс может быть стремительным, неравномерным и непредсказуемым. Лидирующие позиции займут закрытые экосистемы. В течение некоторого времени в корпоративных архитектурах будут преобладать специализированные пользовательские сборки. В ближайшие годы, вероятно, сохранится прагматичный подход к приложениям, в которых человек играет ключевую роль. Контекстная и графовая аналитика останутся тщательно охраняемыми активами. Борьба за стандарты будет вестись с молниеносной скоростью, действующие игроки могут попытаться выборочно раскрыть свои интеллектуальные права; появятся лидеры в конкретных областях.

Чтобы получить максимальную отдачу на следующем этапе, необходимо сосредоточить внимание на небольшом количестве приоритетных задач, которые принесут наибольшую пользу. Организации, которые будут действовать решительно, укрепят свои позиции, а те, кто будет медлить, рискуют отстать.

Важнейшая задача – перестроить процессы и рабочие потоки, очистить и стандартизировать данные. Это позволит избежать технического долга и сложностей с наверстыванием упущенного.

• 1
  EBITDA (Earnings Before Interest, Taxes, Depreciation, and Amortization) – это аналитический показатель, отражающий чистую прибыль компании до вычета процентов по кредитам, налогов, износа и амортизации. Он используется для оценки эффективности основной деятельности, способности обслуживать долги и сравнения компаний в отрасли.
• 2
  SaaS-приложения (Software as a Service) – это облачная модель ПО, где программы размещаются на серверах провайдера и доступны пользователям по подписке через Интернет. Это избавляет от необходимости локальной установки и поддержки ПО, обеспечивая доступ с любого устройства, автоматические обновления и масштабируемость, что делает их идеальными для бизнеса
• 3
  Model Context Protocol (MCP) – это открытый стандарт, разработанный Anthropic, который действует как «USB-порт для ИИ». Он стандартизирует способ подключения больших языковых моделей к внешним данным (базам данных, файлам) и инструментам (API, CRM-системы),

Похожие записи:

Подходы и методы регулирования применения искусственного интеллекта и ответственности за эти действия Искусственный интеллект: технологии и применение Стандартизация искусственного интеллекта в ЕС Прогнозы Gartner на основе данных, аналитики и искусственного интеллекта Отчет о мониторинге правоприменения регулирования информационного пространства в странах мира в 2020 году