Дирижер вместо оператора

За последний год фокус рынка начал смещаться от точечных ИИ-помощников к универсальным агентам, способным целиком выполнять многошаговые рабочие операции. С их помощью ИИ по заданию сотрудника может работать в корпоративных системах самостоятельно и при наличии прав действовать от его имени.

Первыми реальную пользу для бизнеса показали агенты для кодинга. Они уже умеют раскладывать задачу разработчика на этапы, читать и менять файлы, запускать внешние инструменты и проверять итог. Тот же подход применим и к другим рабочим сценариям: финансовому моделированию, сравнению поставщиков, обновлению CRM.

Именно из этой логики за последние полгода за рубежом выросли универсальные рабочие агенты. Например, Claude Cowork использует тот же подход, что и Claude Code, но применяет его к исследованиям, анализу и созданию документов.

Таким образом, рабочее место сотрудника превращается в центр управления агентами, где можно делегировать ИИ часть рутины как персональному ассистенту. Пользователю больше не нужно самому решать, какие приложения открывать и что в них делать. Достаточно сформулировать задачу вроде «найди все актуальные исследования по теме и составь тезисы для моей научной статьи». Агент сам выберет нужные системы и выполнит необходимые действия. По оценкам Yandex B2B Tech, универсальные агенты смогут брать на себя 30–50% задач офисных сотрудников, на которые уходит до трети рабочего времени.

При этом пользоваться таким агентом может любой, кто готов передать нейросетям свою рутину,— от разработчика до маркетолога. Он полезен и исследователям для научных и образовательных целей.

Например, ИИ уже применяется в медицине не как эксперимент, а как рядовой инструмент. Ассоциация детских ревматологов совместно с Yandex Cloud внедрила ассистента для дистанционного наблюдения за 1,5 тыс. детей с юношеским артритом: он собирает данные, готовит черновики ответов, определяет срочность обращения, а окончательное решение оставляет врачу. В результате число вопросов, решенных при первом обращении, выросло на 40%. Другой пример — созданный «Яндексом» и фондом «Не напрасно» ИИ-ассистент для онкопациентов: он отвечает на медицинские и бытовые вопросы, опираясь на более чем 1,2 тыс. экспертных статей, но не ставит диагнозов и не назначает лечение.

«Ъ-Наука» поговорила с руководителем Yandex AI Studio Артуром Самигуллиным о том, как ИИ-агенты меняют исследовательскую работу.

Выйти из полноэкранного режима

Развернуть на весь экран

— Раньше компьютер был продолжением линейки и микроскопа — строгим измерительным прибором. Теперь агент сам решает, какую кнопку нажать и какой параметр проверить. Меняет ли это статус исследователя? Перестаем ли мы быть «операторами» данных и превращаемся в «дирижеров» сложных вычислительных оркестров?

— Ученый и раньше оперировал множеством инструментов: писал код, работал с базами данных, проводил расчеты, строил графики в специализированном ПО, готовил презентации. Появление ИИ-агентов фактически меняет интерфейс работы. Вместо разрозненных приложений исследователь будет работать в едином окне, к которому подключены все сервисы. Так, он поднимается на уровень постановки задачи, выбора методологии, критериев оценки и интерпретации результата. Нейросети берут на себя практическое выполнение: расчеты, перебор вариантов, составление отчетов, формулировку гипотез на основе проанализированных данных.

От этого ученый не перестает быть исследователем — напротив, наиболее ценной становится его способность правильно сформулировать проблему, определить, что считать хорошим результатом, заметить ошибку в постановке эксперимента и принять решение там, где данных недостаточно.

— В классической науке ценятся воспроизводимость и детерминизм. Но LLM-агент — это вероятностная машина: сегодня он решит задачу за пять шагов, завтра — за десять, но оба ответа будут формально валидны. Как быть с требованием «повторить эксперимент», если действие агента принципиально нестабильно? Нужны ли новые стандарты воспроизводимости?

— Действительно, нейросети пока плохо подчиняются требованиям фундаментальной науки с точки зрения повторяемости эксперимента. В случае с ИИ стоит разделять воспроизводимость процесса и результата. Один и тот же агент при одинаковых исходных данных может строить разные цепочки рассуждений, но регулярно приходить к тому же выводу. При каждом запуске нужно сохранять условия ИИ-эксперимента: версию модели, инструкции, исходные данные, параметры, версии инструментов, журнал действий, код и итоговые артефакты.

Но даже стабильность ответа не гарантирует его достоверность. Проблемы начинаются там, где ученый не может повторить исследование самостоятельно — из-за больших объемов данных, сложности вычислений или особых условий. При этом переоценивать возможности ИИ тоже не стоит: по оценкам ScienceAgentBench, даже лучший агент с трех попыток самостоятельно решил лишь около трети сложных научных задач.

Поэтому ИИ-агентов в науке стоит использовать там, где ученый способен верифицировать результат. Самый простой пример — генерация кода: его всегда можно запустить и проверить, решает ли он задачу (хотя и здесь нужны дополнительные тесты). А в задачах с труднопроверяемым итогом агенты все равно экономят время — например, при подборе литературы или выполнении рутинных вычислений.

— Чтобы агент работал с нашим «зоопарком» из устаревших баз, 1С и специфического ПО в закрытых контурах, ему нужен доступ к экрану. Как технически выстроить защиту от «галлюцинаций действий», решить проблему вычислительной нагрузки при обработке скриншотов в реальном времени и где проходит граница, за которой агент гарантированно «упадет в ступор», а человек еще сможет выкрутиться?

— Самый надежный путь — создание коннекторов через API. Но в нашем ландшафте значительная часть профессионального ПО не поддерживается и не обновляется, а для интеграции нужны либо разработчики, либо специализированные интеграторы. Поэтому проще писать новое ПО, изначально ориентированное на работу с нейросетями,— и здесь ИИ сам помогает, хорошо генерируя код под узкие задачи.

Если же API нет, приходится использовать захват экрана. Это технически сложнее: требуются снимки экрана, данные accessibility tree, OCR и анализ только изменившихся областей. Такой подход медленнее, дороже и менее надежен, чем API, создает высокую вычислительную нагрузку и риски случайной ошибки модели. В legacy-системах агент часто становится бесполезен именно из-за этого.

Защита от ошибочных действий строится на трех уровнях: ограничение прав агента в системе, логирование всех шагов и требование подтверждения от человека в критических точках.

Но главная граница применимости — там, где часть контекста находится вне интерфейса: в голове специалиста, в особенностях конкретной базы, которые передаются сарафанным радио, в истории экспериментов, в негласных соглашениях между коллегами или в знании, что «эта кнопка иногда не работает, но есть обходной путь». Агент не знает, что делать, если приложение отказывается выполнять задачу. Решить это могут только человеческий опыт и здравый смысл.

— Чем такой агент принципиально отличается от RPA-бота, который просто исполняет жестко прописанные макросы?

— В отличие от RPA, универсальный агент решает задачи недетерминированно, без заранее заданного сценария. Он больше похож на человека: сам решает, как выполнить поручение, может запросить дополнительные параметры и перепроверить результат перед передачей исследователю.

Для работы с интерфейсом агент не обязан постоянно анализировать видеопоток. Обычно используются снимки экрана после значимых событий, данные accessibility tree, OCR и анализ только изменившихся областей. Но такой подход все равно медленнее, дороже и менее надежен, чем API.

— Уже известно, что «Яндекс» и «Сбер» заявили об амбициях создать универсального агента. Если гипотетически завтра они выпустят продукт — это замена младшего научного сотрудника, который полдня сводит отчеты и перегоняет таблицы, или все же «стажер» без права самостоятельных решений, за которым нужен постоянный присмотр?

— Сегодня универсальный агент скорее похож на стажера. В ограниченной задаче с понятными исходными данными и критериями проверки он уже может работать самостоятельно: собрать материалы, подготовить код, выполнить расчеты, оформить результат. Но выбор методологии, проверка корректности и интерпретация остаются за исследователем.

Самое важное: агент не заменяет научных и любых других сотрудников, а автоматизирует их рабочие задачи. Это дополнительный инструмент, который экономит время на вычислениях, не требующих научной новизны, и позволяет сосредоточиться на действительно исследовательских задачах.

— Ученый обычно знает, почему он делает шаг: физический смысл, химическая логика, биологическая целесообразность. Агент выдает результат, но его внутренний путь — это «черный ящик» с миллиардами параметров. Не приведет ли это к ситуации, когда мы перестанем понимать природу исследуемого явления, просто принимая красивые цифры, выданные ИИ, на веру? Сохраняется ли в такой схеме право ученого на «научное удивление»?

— Один из главных рисков — потеря субъектности, когда человек перестает понимать, что делает система. Речь не об абстрактной деградации, а о вполне конкретной утрате прикладных навыков. Если агент будет идеально проводить все расчеты, умение самостоятельно пользоваться научными методами может стать необязательным. Это делает цену ошибки модели еще выше: ее могут не заметить, а исправить сможет лишь небольшое число специалистов.

На практике проблема решается просто: не надо строить «черный ящик» вместо человека. Нужны системы, где у человека остается право остановить, проверить и вмешаться. Внедрять ИИ следует поэтапно, регулярно проводить аудит агента и оценивать его ответы на достоверность.

Рынку потребуется полноценный слой управления ИИ-агентами: логирование, валидация действий, запрос подтверждения в критических точках. В этих условиях ценность опытных специалистов, умеющих работать руками, многократно возрастет: они будут нести ответственность за систему и контролировать ее качество.

— Агент способен перебрать на несколько порядков больше гипотез, чем человек за тот же период. Но у него нет «научной интуиции» — чувства, что этот путь заведомо бесперспективен с точки зрения фундаментальной физики. Не захлебнемся ли мы в океане бессмысленных, но статистически значимых корреляций, которые агент нароет за ночь, засоряя тем самым поле настоящих открытий?

— Чем больше гипотез проверяет агент, тем выше риск ложных открытий. Поэтому до начала поиска необходимо задать физические и методологические ограничения, критерии новизны и опровержимости, применять поправки на множественное тестирование, проверять выводы на отложенных данных и воспроизводить их независимо. Задача агента — расширить и ранжировать пространство гипотез, задача ученого — определить, какие из них имеют научный смысл.

Часто научной интуицией называют огромный контекст знаний, накопленный за годы исследований, чтения литературы и общения с коллегами. Частично этот этап можно автоматизировать уже сейчас: загрузить в агента свои труды (включая неопубликованные), дать доступ к Scopus, Elibrary, Google Scholar и другим профильным системам. Агента можно подключить и к узкоспециализированному ПО для генерации графиков и вычислений, но для этого нужны ИИ-коннекторы.

Однако научная интуиция — это не только накопленный опыт, но и экспертное видение, куда стоит двигаться дальше. Нейросети могут предложить множество гипотез, но опытный исследователь сразу отсечет бесперспективные направления.

Здесь прямая аналогия с бизнесом. В теории при планировании нужно опираться на метрики, аналитику, исследования. Но на практике этого недостаточно: во многом руководитель ведет компанию на основе предпринимательского чутья. Эту интуицию ИИ не заменит, зато поможет сэкономить время на проработке идей, которые уже прошли первичный отбор.

Мария Грибова