Олег Мангутов, партнер Б1, отдел по предоставлению услуг в области технологического консалтинга, департамент консалтинга, технологий и транзакций:

Под термином ИИ-агент понимается автономная программа, способная выполнять во многом рутину человека, при этом бизнес сходится во мнении, что решения в ключевых точках все равно должен принимать человек. Условно можно выделить агенты, в которых логика заложена единожды, и те, что в ходе выполнения задач могут дообучаться на получаемой обратной связи и выдавать более точный результат.

Ключевое отличие ИИ-агентов от автоматизированных систем или RPA заключается в детерминированности логики последних. В RPA прописан четкий алгоритм, последовательность шагов, развилки, и если что-то идет не по сценарию, то программа эту ситуацию, скорее всего, решить не сможет. Концептуальное же отличие ИИ-агента в том, что систему обучают понимать не последовательность операций, а смысл того, что от нее ожидают. Ей объясняют, какую роль она должна выполнять в процессе и дают установки (часто на естественном языке), как действовать в тех или иных случаях.

Можно сказать, что ИИ-агенты — это следующий этап в развитии корпоративных систем. Но де-факто на данный момент за многими ИИ-агентами стоит либо RPA-система, либо программный код, в которые добавлены ограниченные шаги работы с генеративными моделями. На лицо работа эволюционного процесса, однако ожидания от ИИ-агентов совершенно иные, и выглядеть эти системы должны иначе.

Российским компаниям в разработке и применении ИИ-агентов пока тяжело конкурировать с западным рынком, где часто компании, работая с глобальными ИТ-вендорами в их облачной инфраструктуре, получают бесшовный, удобный сервис для построения собственных агентов. Наша страна находится в более сложной ситуации, потому что нам, прежде чем создавать умные решения для прикладных задач, приходится сперва решать инфраструктурные задачи в области работы с генеративным ИИ, в том числе строить и внедрять платформы, которые позволили бы безопасно и бесшовно работать с ИИ-агентами.

За прошедшие несколько лет компании реализовали первые пилоты на генеративном ИИ, и сейчас в ряде функций ИИ-агенты уже внедрены, начинается этап тиражирования. Прежде всего ИИ-агенты стали применяться в функциях с большим количеством текстовой информации, накопленных знаний, внутренних правил и регламентов. Например, автоматизация ИТ-поддержки (базовая задача, с которой многие начинают), рекрутинг и HR (скрининг резюме, коммуникация с кандидатами и пр.), работа с корпоративными политиками, построение ассистентов для юристов.

Если упростить, то в сердце ИИ-агента — большая языковая модель (LLM). Ей пытаются задать роль, которую она должна выполнять. На вход через определенные программные «ручки» модель получает входные сигналы от человека или иных ИТ-систем, отрабатывает входное воздействие исходя из «понимания» своей роли и формирует выход, который также или направляется человеку, или поступает в следующие шаги обработки.

Одиночный агент часто остается «черным ящиком», что вызывает недоверие и необходимость перепроверки. Один из подходов к решению этой проблемы – работа не с одним агентом, а с так называемым «роем агентов» при реализации одного бизнес-процесса. Строится несколько агентов с разными ролями: один – генерирующий, который производит действия и формирует решения, а другие – критики, которые проверяют первого агента на предмет выполнения ограничений, решения задачи и отсутствия «выдумок». Эта работа может выполняться итеративно, агенты общаются между собой, и за счет нескольких операций формирования и контроля решения получается итоговый результат.

Классический пример – агент-рекрутер. Он мониторит резюме, определяет подходящих под вакансию кандидатов, формирует по ним краткую справку, указывая на сильные и слабые стороны. Может писать кандидатам в мессенджеры, планировать собеседование, ставить его в календаре или проводить базовые опросы. В конце резюмирует данные по результатам интервью.

Если подобный агент работает в одиночку, он может ошибаться. Поэтому применяют второго или даже третьего агента, каждый из которых критикует решение первого: как он отобрал кандидата, какие выводы сделал, какие конкретные факты может привести, почему он так решил. Таким образом повышается надежность системы.

Другой пример – агент Б1 для прогнозирования спроса в FMCG. Он взаимодействует с прогнозной моделью на базе нейросетей-трансформеров, мониторит внешнюю ситуацию, просчитывает прогноз продаж, себестоимости, маржинальности и помогает категорийным менеджерам выявить критические факторы, влияющие на продажи. ИИ-агент проактивно предлагает сценарии решений, например, по размеру скидки в зависимости от целей – максимизации маржи или товарооборота.

Оценка эффективности внедрения ИИ-агентов – пока вопрос непростой. Заранее оценить влияние агентов, которые помогают персональной эффективности (т.е. помогают в рутинных операциях пользователей за ПК в работе с текстом, почтой, электронными таблицами) на эффективность всего предприятия, практически невозможно, только постфактум: внедрять, давать сотрудникам доступ и смотреть на результат.

В целом польза агентов заключается в том, что они убирают трудозатраты на рутинные операции, формируют для человека аналитические справки и дают доступ к информации, получение которой вручную заняло бы существенное количество времени и усилий.

Когда сотрудник получает проанализированную ИИ-агентом информацию о рынках, конкурентах, собственном производстве, он может принимать более взвешенные и правильные решения.

Во всем мире активно происходит накопление удачных и неудачных кейсов, и агенты все больше встраиваются в бизнес-процессы. Через год-два мы будем воспринимать ИИ-агентов как нечто обыденное в рутинных операциях, как сейчас воспринимаем RPA.

Вероятно, в России развитие инструмента будет отличаться: мы будем стараться переиспользовать лучший зарубежный опыт, создавая своих ИИ-агентов. Постепенно сформируется рынок систем и поставщиков, когда текущие крупные технологические игроки разовьют свои сервисы, а из средних и мелких выделятся лидеры, которые представят продукты для бесшовной интеграции агентов с процессами ERP, бухгалтерии, финансов. 

С развитием ИИ-агентов часть ролей действительно уйдет, но это не значит, что люди останутся без работы. Сотрудники перепрофилируются из исполнителя в оператора искусственного интеллекта, который помогает им выполнять их функции. Сейчас большинство компаний считает, что человек должен контролировать результат работы агентов, хотя функций и этапов процесса, которые доверяют ИИ, становится понемногу больше и больше.

Будущее также за развитием «экосистем ИИ-агентов», где все большие участки процесса выполняются без необходимости вовлекать сотрудника. Вероятно, на горизонте 5 лет могут существенно трансформироваться бэк-офисные процессы: когда из них уйдут люди, то изменятся и сами бизнес-процессы, так как машины будут взаимодействовать между собой иначе.

Риски понятны: как доверять решениям машины и вопросы безопасности? Работа с безопасностью в больших языковых моделях будет расти как отдельная наука. Будут применяться многоступенчатые фильтры, в том числе на базе самих LLM, которые будут проверять и пользовательские запросы, информацию, передаваемую в публичные модели, помогая ее синтезировать и анонимизировать.
 

Виталий Баум, партнер Б1, отдел по предоставлению услуг в области технологического консалтинга, департамент консалтинга, технологий и транзакций:

Одно из важных отличий от классических алгоритмов и RPA заключается в идее, что агентов можно создавать быстрее, без долгого написания и тестирования кода, практически словами ставя задачу. Однако пока технология недостаточно обкатана, и эта концепция не так легко реализуема на практике. Сейчас часто возникают гибриды агентов и RPA-систем, где RPA-вендоры добавляют искусственный интеллект в свою уже готовую экосистему интеграций. Это дает больше шансов, что робот сработает в сложной ситуации, и, как правило, у таких систем более привычный формат взаимодействия с человеком – голосом или чатом.

Например, наша компания занимается созданием платформы, которая умеет общаться с ИИ-моделями, синтезировать запросы, обеспечивает логирование, удобный доступ и безопасность. Один из блоков платформы поддерживает защищенную работу с агентами: можно их запускать, смотреть статистику потребления, себестоимость (что редко встречается в платформенных решениях) и создавать новых ИИ-агентов. В совокупности с нашим решением для процессного анализа и Task Mining мы можем определять узкие места, которые максимально эффективны для автоматизации с помощью агентов.

Технология ИИ-агентов активно развивается пока в некритичных, поддерживающих функциях. Чаще всего это именно ассистенты, помогающие человеку с его рутиной, например, сравнение и подготовка документов, подготовка выжимки из текста, назначение встреч, ответы по почте. Для создания полноценных агентов по изменению процессов требуются более сложные технические и процессные навыки.

Агенты работают примерно так же, как любой другой алгоритм, только инструкции закладываются естественном языком. Им нужен триггер – вопрос в чате или событие в корпоративной системе. Далее агент выполняет заложенные инструкции, которые даже могут иметь эмоциональную окраску (например, выделение большими буквами), что помогает интерпретатору понять, что действительно важно.

Доверять принятие решений ИИ-агентам без строгого инженерного подхода нельзя. Нужно использовать несколько моделей для взаимного контроля, тестировать, определять алгоритмические ответвления. Для надежности и безопасности никто не отменял классические алгоритмы, лежащие в основе программирования. Чтобы правильно составить схему работы и дать инструкции агенту, все равно требуется алгоритмический склад ума.

У нашей компании есть пример агента, который используется в аналитике: он рассчитывает прогноз эластичности спроса и помогает категорийному менеджеру в рознице или у производителя FMCG интерпретировать результаты этого прогноза и назначать скидки.

Метрики эффективности для ИИ-агентов те же, что и для любой автоматизации: это себестоимость, выручка и прибыль.

Однозначно мы увидим большой рост в части генерации контента, включая разработку программного кода. Изменятся инструменты, но суть автоматизации процессов останется прежней. Это даст возможность большему числу людей участвовать в автоматизации, так как не нужно будет знать синтаксис конкретных языков программирования. Однако для качества все равно потребуются алгоритмические знания и отраслевая экспертность. Наиболее ценны будут сотрудники, обладающие и тем, и другим.

Вопрос замены человека пока остается открытым. ИИ-помощники уже существуют и будут развиваться. Это следующий этап технологического развития, вероятно, он не приведет к масштабным революционным изменениям, хотя у некоторых инвесторов есть такие надежды.

Появление экосистем, где агенты взаимодействуют друг с другом без человека, станет продолжением текущей интеграции между бизнесами и компаниями.