Бизнес завербовал ИИ-агентов
Технологии
В России компании все активнее встраивают автономные ИИ-агенты в бизнес-процессы — но речь идет не о готовых «коробочных» решениях, а о кастомных системах и платформах, адаптированных под корпоративные контуры. По данным компании «Яков и партнеры», рынок формируется вокруг внутренних разработок и специализированных инструментов, а польза от ИИ-агентов проявляется там, где задачи формализуемы, результат измерим, а контроль остается за человеком.
Фото: Евгений Павленко / Коммерсантъ / купить фото
Фото: Евгений Павленко / Коммерсантъ / купить фото
В России рынок готовых ИИ-агентов пока окончательно не сформировался, об этом идет речь в исследовании консалтингового агентства «Яков и партнеры» (бывшей российской «дочки» McKinsey & Company). Отечественные платформы для сборки агентов, адаптированных к корпоративным процессам (Yandex AI Studio, Agent Platform, MWS AI Agents Platform, GigaChat Enterprise), занимают большую часть рынка, но на нем нет готовых ИИ-агентов, которых можно купить как самостоятельное решение. Полноценные ИИ-агенты возникают как внутренние решения компаний, при этом аналитики отмечают, что применяемые компаниями ИИ-агенты обеспечивают точечную автоматизацию, выполняя работу с определенными инструментами, но не обладают такими возможностями, как планирование, память и автономное завершение задач.
Ощутимый эффект
Собеседники Guide из различных отраслей подтверждают, что внедрение ИИ-агентов в бизнес-процессы приносит ощутимый экономический эффект. При этом полная автономия таких инструментов пока остается недостижимой — контроль за их работой сохраняется за человеком.
«Для ИТ-компании ключевой процесс — разработка ПО, именно здесь ИИ-агенты показали наибольшую эффективность. Задачи в этом процессе хорошо формализуются и быстро верифицируются: код либо компилируется и проходит тесты, либо нет. Там, где результат работы агента проверяется за минуты, автономный ИИ дает максимальную пользу при минимальном риске»,— рассказывает президент ГК «СофтБаланс» Владимир Каменецкий, добавляя, что программисты используют ИИ-агенты при написании кода, поиске ошибок, рефакторинге, подготовке сценариев тестирования, при этом скорость разработки увеличилась в среднем до пяти раз.
Заместитель генерального директора по внедрению и эксплуатации компании «Базис» Денис Романов отмечает, что ИИ-агент собственной разработки «Цифровой техлид» используется в техподдержке и эксплуатации ИТ-инфраструктуры. «Он анализирует исходный код для диагностики, логи и техническую документацию, ищет причины сбоев, а затем готовит инженеру инструкции и скрипты для устранения проблем. Критические решения при этом остаются за инженером»,— сказал господин Романов, отметив, что в итоге инженеры компании стали в два раза меньше тратить времени на типовые операции, а на точечные задачи — в шесть раз, срок устранения инцидентов сократился вдвое. Новые сотрудники выходят на полную продуктивность на 40–60% быстрее.
Директор по аналитике гипермаркета «Сантехника-Онлайн» Юрий Жуков назвал динамическое ценообразование одним из самых эффективных сценариев применения ИИ в компании. «Агент анализирует конкурентную среду, изменения цен и другие параметры, позволяя оперативно корректировать стоимость товаров. Эффект от внедрения мы достаточно быстро увидели в финансовых показателях: валовая прибыль выросла на 15% при сохранении сопоставимого уровня продаж»,— указывает он.
Автономные агенты работают там, где процесс формализуем и есть измеримый результат, поясняет руководитель службы веб-платформы и инфраструктуры «Электрорешения» Михаил Лексаков. При обработке входящих заявок и документов ИИ-агент классифицирует, извлекает данные, заполняет системы и маршрутизирует задачу. Также он используется в сфере информационной безопасности, отвечает за первичный разбор событий и приоритизацию инцидентов. KPI прикладные: доля задач, закрытых без человека, время цикла, число возвратов на доработку, стоимость операции. Время обработки заявок сократилось с 40 до 5–7 минут, около 40% закрывается без участия оператора, добавил он.
Операционный директор IT-Agency Егор Сизяков поделился своим опытом: в компании ИИ-агентов интегрируют через shared workspace — единую рабочую память компании, объединяющую стандарты, клиентские досье, переписку и данные из CRM. На этой базе работает свыше 50 командных скиллов. Наиболее эффективный кейс — скилл legal-check: он сопоставляет договоры с playbook агентства и присваивает статус (green, yellow, red), высвобождая до 50 часов рабочего времени юриста ежемесячно. По итогам внедрения выработка на одного сотрудника выросла на 23% при сокращении штата на 8%.
В рекрутинге ИИ-агент может самостоятельно искать кандидатов по нескольким источникам, анализировать и ранжировать резюме, вести первичную коммуникацию, уточнять опыт и условия, проводить скрининг и передавать рекрутеру уже подготовленный пул кандидатов, говорит основатель WMT Group Игорь Никитин. «Время на отбор сокращается до 73%, релевантность кандидатов растет на 32%, а с одного рекрутера снимается до четырех часов рутинной работы в день. Показатели Time to hire и Cost of hire могут сокращаться примерно на 30%»,— подчеркнул он.
Под наблюдением
Когда компании переходят от тестирования языковых моделей к использованию автономных агентов, на первый план выходят уже не технические ограничения алгоритмов, а вопросы данных, безопасности и готовности корпоративной инфраструктуры. Опрошенные Guide руководители компаний-разработчиков и ИТ-директора сходятся в одном: технически подключить агента возможно, но удержать его в границах допустимого — задача более трудная.
Главный риск автономного агента связан не с ошибками, а с возможностью перехвата управления, считает основатель «Нанодент» Вадим Камашев. «Он воспринимает любой текст как команду — в том числе скрытые инструкции в файлах или вложениях. Поэтому считаем все прочитанное данными, даем минимальные права под задачу, а необратимые действия оставляем на подтверждение человека»,— делится господин Камашев.
Вопросы информационной безопасности одни из самых важных, подтверждает господин Каменецкий, отмечая, что сложность при встраивании ИИ-агентов — не интеграция, а конфиденциальность. Данные клиентов — это персональная информация и коммерческая тайна, которые нельзя передавать в облачные модели. Поэтому перед отправкой наружу ее обезличивают — модель заменяет реальные наименования на ничего не значащие метки, таким образом чувствительная информация не покидает периметр, но для работы используется мощь облачных моделей, поясняет эксперт.
«Чаще всего сложности связаны с корпоративным контуром и устройством самого процесса. Данные могут находиться в нескольких системах, часть информации живет в Excel, почте и переписках, права доступа настроены по-разному. Служба безопасности может ограничивать использование внешних моделей. Также возникают требования к персональным данным, закрытому контуру и интеграциям с CRM, ERP и внутренними системами»,— перечисляет господин Никитин.
При внедрении ИИ-агентов существуют риски, связанные с данными и галлюцинациями, подчеркивает господин Сизяков. Он рассказал, что в компании их нивелируют за счет продуманной архитектуры: единой живой базы знаний, в которой прописаны стандарты, есть досье, данные из CRM, мессенджеров. Применяются жесткие правила работы агента, исключающие домысливание и постоянное дообучение через фиксацию эталонов. Ключевой принцип: сначала надежная память, затем скилл, потом изменение процесса — иначе есть риск лишь ускорить появление ошибок.
Руководитель отдела маркетинга диджитал-агентства «Маркетика» Александра Покиданова в своем кейсе видит главную сложность не с техническим подключением, а с доверием к самостоятельным действиям агента. «Рекламный кабинет — это реальные бюджеты, поэтому полный контроль ИИ мы не отдаем. Мы выстроили поэтапную модель: агент анализирует данные и формирует рекомендации, специалист их проверяет и согласовывает, и только после этого агент вносит правки. Так мы наращиваем его автономность и постепенно расширяем зону ответственности»,— рассказывает она.