18 июля 2025 г.
По крайней мере, в США, — если верить регулярно появляющимся, в частности, в канальном американском издании CRN интервью с топ-менеджерами различных компаний, что предлагают заказчикам услуги по сопровождению и трансформации их бизнес-процессов при помощи искусственного интеллекта. И хотя структура экономики там заметно отличается от российской, вполне возможно, какие-то наиболее яркие тренды из этой области найдут отражение и у нас.
К примеру, Срини Паллиа (Srini Pallia), CEO и управляющий директор крупного провайдера ИТ- и консалтинговых услуг Wipro (выручка только за последний полный квартал — 2,6 млрд долл. США), констатируя, что актуальные геополитические и макроэкономические неурядицы не способствуют повышению расходов на высокие технологии в сферах промышленного производства и ритейла — из-за банальной нехватки оборотных средств, — отмечает, что банки, поставщики финансовых услуг и страховщики, напротив, сегодня готовы инвестировать в ИТ куда больше, чем прежде. Причина понятна: мировой финансовый рынок в настоящее время ёмок как никогда (один взлёт капитализации Nvidia до 4 трлн долл. чего стоит), что позволяет реализовывать такие проекты, которые компании из менее насыщенных денежной массой отраслей попросту не в состоянии себе позволить.
Прежде всего, разумеется, речь об интеграции искусственного интеллекта в бизнес-процессы, причём с применением не широко доступных в облаках чат-ботов общего назначения вроде ChatGPT или Claude, а специализированных, дотренированных на специфических массивах данных ИИ-агентов — генеративных моделей (в сочетании с иными программными средствами), что не просто выдают ответ на пользовательский запрос, а анализируют поставленную задачу, подыскивают средства для её решения, ведут автономный поиск информации (в Интернете и/или в закрытых базах данных заказчика) и на выходе порождают обоснованный, последовательный план достижения заявленной цели, — который могут сами же потом и реализовывать. Такой агентный, автономный подход позволяет минимизировать участие человека в проводимых ИИ операциях — тем самым ощутимо перестраивая привычные бизнес-процессы и принципы работы коммерческих организаций.
В частности, агентный ИИ заказчики привлекают к оптимизации жизненного цикла своих продуктов — для банкиров, финансистов и страховщиков в нынешних реалиях это особенно важно. Подходя к поставленной задаче комплексно, «сшитые по мерке» клиента генеративные модели не только персонифицируют кредитные предложения с привязкой к истории каждого отдельного пользователя банковских услуг, или формируют столь же индивидуализированные маркетинговые треки (когда клиент получает в приложении финорганизации рекламные сообщения лишь по заведомо интересующим его темам), или сами эффективно обрабатывают поступающие жалобы, разгружая живой персонал служб поддержки, — но ещё и дают советы по совершенствованию самой ИТ-инфраструктуры заказчиков.
Так, обоснованные выкладки ИИ-агентов склоняют всё больше их эксплуатантов к консолидации вендоров — сокращению числа поставщиков аппаратного обеспечения и ПО, что позволяет (поскольку те же банки — весьма крупные покупатели ИТ-продукции) выторговывать более выгодные условия и удешевляет в дальнейшем обслуживание тяготеющей к унификации инфраструктуры. Другой эксперт CRN, Навин Шарма (Naveen Sharma), глобальный руководитель направления ИИ и аналитики в ИТ-консалитинговой и аутсорсиновой компании Cognizant, подтверждает, что ИИ-агенты уже настолько развились, что готовы принимать на себя функции «цифровых сотрудников» коммерческих предприятий, — речь даже может идти уже об их «найме» в штат. Эта формулировка подчёркивает, что технически применяемая заказчиком агентная генеративная модель ему не принадлежит, как и наёмный работник не превращается после заключения контракта в крепостного, — за эксплуатацию ИИ-агента его разработчику выплачивается регулярная сумма, для развитых и эффективных моделей сопоставимая даже с жалованьем живого сотрудника.
Причём, подчёркивает эксперт, сравнение тут вовсе не однозначно в пользу биологических офисных клерков: агентный ИИ (не нуждающийся, кстати, в отпусках, выходных, медстраховках и проч.) не уступает им ни по возможности коммуникаций с ним простым человеческим языком, ни по объёму памяти и погружению в контекст решаемой задачи, ни по возможности кооперироваться и координировать свои усилия с другими членами команды — вне зависимости от того, живые они работники или такие же генеративные ИИ-агенты.
Особенно ярко это проявляется на той стадии ИИ-консалтинговой работы, когда у только что обратившегося за помощью клиента следует провести аудит его действующей ИТ-инфраструктуры и цифровых бизнес-процессов. Вот как раз здесь проявляют себя глубокие аналитические способности систем машинного обучения, естественным развитием которых являются ИИ-агенты, — отыскивать закономерности, даже не самые явные, даже порой осознанно скрываемые, они обучены на самом высоком уровне.
Отмечается и такой чисто психологический момент, что когда в процессе аудита требуется следить за тем, как сотрудники выполняют свои повседневные обязанности и фиксировать происходящее в мельчайших деталей, для живого персонала заказчика это всегда оборачивается немалым стрессом. ИИ-агент же, внедрённый в действующую инфраструктуру, соберёт, систематизирует и проанализирует необходимые данные практически неинвазивно. Многие разработчики уже предлагают заказчикам целую библиотеку предварительно подготовленных агентов — если не на все случаи жизни, то по крайней мере для исполнения наиболее рутинных, но вместе с тем ответственных операций, которые встречаются и в банковском, и в страховом бизнесе, и на множестве других коммерческих направлений.
И даже те ситуации, когда конечный клиент компании-заказчика принципиально отказывается коммуницировать «с каким-то там ботом», вполне возможно обратить на пользу — как самому этому заказчику, так и разработчику ИИ-агентов. Генеративные модели, анализируя паттерны поведения «новых луддитов», выявляют специфику их запросов и предпочтительную манеру общения — что позволяет уже живым специалистам эффективнее взаимодействовать с ними. В то же время генеративные модели, сравнивая результаты работы биологических сотрудников и цифровых агентов, непрерывно изыскивают пути совершенствования последних — с тем, чтобы позволить заказчикам ещё более оптимизировать свои повседневные расходы, повышая тем самым прибыльность бизнеса.
Источник: Максим Белоус, IT Channel News
