ИИ в бизнесе покинул пространство экспериментальной лаборатории. По мере распространения самостоятельных агентов по корпоративным ландшафтам возникает понимание того, что возможности LLM в цифровой трансформации играют менее критичную роль, чем процессы в самой компании, а также ее готовность глубоко перестраиваться под возможности технологии.
Эксперименты с ИИ закончились: что дальше?
Первая волна корпоративного внедрения генеративного ИИ носила характер эксперимента. Компании открывали сотрудникам доступ к чат-ботам, подключали к ним внутренние базы знаний, запускали пилоты в отдельных подразделениях и оценивали результат через экономию рабочего времени.
Этот подход дал заметный эффект. По данным исследования BCG AI at Work, 74% сотрудников уже регулярно используют ИИ, а 42% пользователей отмечают, что благодаря использованию ИИ значительно экономят рабочее времени — как минимум восемь часов в неделю. Microsoft фиксирует другое измерение ИИ-сдвига: 58% опрошенных говорят, что благодаря машинному интеллекту они способны создавать результаты, которые ранее были им недоступны.
Все это выглядело оптимистично, пока не выяснилось, что производительность отдельного сотрудника и производительность компании — далеко не одно и то же.
Сотрудник может вдвое быстрее подготовить отчет, но если документ проходит прежнюю цепочку согласований, а сам бизнес-процесс и распределение обязанностей не меняются, компания получает лишь локальную экономию времени. Результат использования ИИ получается изолированным, замкнутым на себе.
Таким образом измерять, насколько быстрее человек выполняет с помощью ИИ отдельную операцию, уже не актуально. Гораздо важнее понять, можно ли перестроить с помощью ИИ весь процесс — не только сократить количество ручных действий, но и изменить распределение ролей, а также передать машине часть последовательной работы от постановки задачи до получения результата.
Так заканчивается эпоха экспериментов с чат-ботами и начинается значительно более сложный этап внедрения ИИ.
ИИ получает руки
Новая фаза характеризуется тем, что ИИ перестает ждать от человека каждой следующей команды. В привычной модели сотрудник остается главным оператором процесса. Нейросеть помогает выполнить отдельную операцию, но сама последовательность действий по-прежнему находится под контролем человека.
ИИ-агент меняет эту схему. Человек задает не отдельную команду, а общую цель. Например, обработать обращение клиента. Для этого агент может самостоятельно найти информацию во внутренних системах, проверить историю взаимодействия с заказчиком, подготовить ответ, внести изменения в CRM и передать задачу следующему сотруднику.
Для бизнеса разница принципиальна. Ошибка чат-бота чаще всего остается ошибкой в промежуточном результате: сотрудник может заметить неточность в подготовленном письме или отчете до того, как они покинут корпоративный контур. Ошибка агента способна сразу превратиться в действие. Если система самостоятельно отправила письмо клиенту, изменила данные в CRM, предоставила пользователю права доступа или инициировала платеж, исправить ответ в диалоговом окне уже недостаточно.
Чтобы агент приносил больше пользы, ему необходимо дать доступ к данным, корпоративным системам и возможность самостоятельно выполнять больше операций. Но чем шире эти полномочия, тем меньше компания может относиться к нему как к еще одному офисному инструменту.
Переход от экспериментов к полноценному внедрению существенно меняет экономику ИИ-проектов. Исследование Cloud.ru и Высшей школы бизнеса НИУ ВШЭ, основанное на 25 глубинных интервью, анализе более 15 внедрений в России, EMEA и США и 116 внешних источников, оценивает типичные инвестиции в проект с ИИ-агентами в крупной российской компании в
Однако экономические показатели здесь напрямую зависят не только от возможностей модели.
Порядок на старте
На практике возможности ИИ-агента упираются в устройство самого бизнеса.
Так, чтобы самостоятельно обработать обращение клиента, недостаточно научить ИИ понимать запрос и формулировать ответ. Ему необходимо получить данные о клиенте, обратиться к истории заказов, проверить условия договора, при необходимости изменить статус заявки и передать результат в другие системы. Однако если информация распределена между несколькими базами данных, часть операций выполняется вручную, а правила существуют только в головах сотрудников, агенту просто не на что опереться.
Поэтому внедрение агентов возвращает бизнес к давно знакомым проблемам корпоративной автоматизации: качеству данных, интеграции систем и формализации процессов. Прежде чем передавать такой процесс ИИ, компании придется разобраться, как он в действительности устроен.
При этом автоматизировать весь процесс с помощью агента зачастую и не требуется. Гораздо важнее определить оптимальное разделение труда. Одни операции эффективнее оставить классической автоматизации, другие — передать ИИ, третьи требуют человеческого решения.
В результате компании приходится буквально разложить бизнес-процессы на составляющие и решить, где нужен человек, где достаточно обычного алгоритма, а где ИИ действительно способен действовать самостоятельно. И чем больше таких действий ему передается, тем важнее следующий вопрос — сколько самостоятельности можно дать машине в принципе.
Сколько власти дать машине
Между помощником, который только предлагает следующий шаг, и полностью автономной системой существует множество промежуточных вариантов. Для каждой операции компании придется отдельно определять допустимый уровень автономности.
Критерий здесь во многом определяется ценой ошибки. Если агент неверно классифицировал внутреннее обращение, последствия можно сравнительно легко исправить. Совсем другой уровень риска возникает, когда он меняет условия договора, предоставляет права доступа или инициирует платеж.
Поэтому один и тот же агент в рамках одного процесса может обладать разными полномочиями: самостоятельно выполнять рутинные и обратимые операции, запрашивать подтверждение для более значимых действий и передавать человеку исключительные ситуации.
Агенту нужны технически заданные границы: к каким системам он имеет доступ, какие данные может читать и изменять, от чьего имени совершает действия, какие операции требуют подтверждения и что произойдет, если его поведение выйдет за предусмотренный сценарий. Не менее важна возможность восстановить цепочку событий и при необходимости откатить совершенные изменения.
Пока практика заметно опережает создание таких механизмов. По данным исследования «Лаборатории Касперского» и К2 Кибербезопасность среди более чем 200 крупных российских организаций, 61% компаний хотят контролировать использование сотрудниками внешних ИИ-сервисов, однако полноценные политики и технические средства такого контроля внедрены только у 29%.
С распространением агентов этот разрыв становится существеннее: контролировать нужно уже не только то, какие данные сотрудник передает нейросети, но и то, что сама нейросеть способна сделать внутри корпоративного контура.
Организационный дефицит
По мере развития моделей технологический барьер для внедрения ИИ будет становиться все ниже. Разница возникает в качественном понимании того, что именно бизнес способен доверить нейросети, а также в грамотной организации доступа к своим ресурсам и объему действий.
Поэтому следующая фаза внедрения ИИ будет в гораздо большей степени организационной, чем технологической. Чем больше операций передается агентам, тем точнее бизнесу придется понимать устройство своих процессов и тем жестче определять границы между решениями машины и ответственностью человека.
В этом смысле агенты не столько упрощают автоматизацию, сколько повышают требования к зрелости организации. И настоящая граница внедрения ИИ теперь проходит между теми, кто научился с его помощью выполнять отдельные задачи, и теми, кто способен перестраиваться под его возможности комплексно.
Источник: Илья Народицкий, директор по стратегическим инновациям компании «Навикон»
