От моделей к результатам

Искусственный интеллект перестает быть просто собеседником, превращаясь в автономного исполнителя, встроенного в бизнес-процессы. Первые итоги масштабного внедрения корпоративных ИИ-ассистентов показывают: скорость генерации ответа теряет смысл, если сотрудникам приходится тратить часы на проверку и исправление данных. Сегодня конкуренция платформ разворачивается на уровне «связанных сред» — интеграции нейросети с календарями, CRM-системами и платежными шлюзами.

Рейтинги моделей помогают сравнивать их теоретические способности: работать с текстом, программировать, рассуждать и анализировать изображения. Показатели аудитории позволяют оценивать популярность продуктов. Но ни те, ни другие сами по себе не отвечают на вопрос, насколько успешно ассистент выполняет поручения.

Пользователь может получить содержательный ответ о том, как организовать поездку, и затем самостоятельно искать билеты, проверять условия и заполнять формы. А может поручить сервису подобрать варианты под конкретные ограничения и подготовить бронирование к подтверждению. Внешне оба сценария начинаются с сообщения в чате, но объем переданной системе работы существенно различается.

Для бизнеса эта разница выражается во времени сотрудников, количестве ручных операций и стоимости результата. Если подготовленный ассистентом документ приходится долго проверять и переделывать, быстрый ответ еще не означает экономии. Если система умеет собрать исходные сведения, обнаружить недостающие данные и подготовить проверяемый результат, ее ценность становится другой.

Поэтому конкуренция охватывает несколько уровней: возможности модели, устройство продукта и среду, в которой он действует. Удобный интерфейс помогает сформулировать поручение. Дальше нужны механизмы его исполнения.

«Между моделью и пользовательским результатом находится большой инженерный слой — харнесс, или среда исполнения агента. Он управляет тем, какой контекст получает модель, как используются память и инструменты, как сохраняется ход работы и проверяется результат. При выполнении длинного поручения система должна понимать, что уже сделано, где возникла ошибка и когда необходимо обратиться к человеку. Поэтому сравнивать агентные продукты только по лежащим в их основе моделям недостаточно. Одна и та же модель в разных средах может давать существенно разный практический результат. При этом сильная обвязка не отменяет требований к самой модели: сложность задачи должна соответствовать ее возможностям»,— комментирует Роман Душкин, старший преподаватель Института интеллектуальных кибернетических систем НИЯУ МИФИ.

Локальные игроки уже активно вкладываются в качество архитектурной обвязки, которая делает модель сильнее и добавляет агентные возможности. Крупные разработчики замеряют качество собственного харнесса на примере открытых моделей: на внутренних тестах из сложных задач модель получает заметно больше баллов в интеграции с продвинутым харнессом, чем в базовой конфигурации. Существенный вклад в этот результат вносят поисковые инструменты, которые находят и подготавливают материалы для ответа.

Значение этой инженерной работы видно и на примере программирования. В опубликованных фундаментальных исследованиях отечественных ИИ-лабораторий подробно описаны проблемы агентов, выполняющих длительные задания: потеря состояния между рабочими сессиями и преждевременное объявление задачи завершенной. (См., например, разбор прорывных архитектур БЯМ ученых НИЯУ МИФИ в научном журнале «Парадигма» / Пресс-служба НИЯУ МИФИ). Для повышения надежности разработчики использовали фиксацию прогресса, последовательную работу над отдельными частями проекта и проверку полного пользовательского сценария. Это частный пример более общего принципа: способность сгенерировать решение и способность довести работу до конца требуют разных механизмов.

Даже хорошо организованный агент ограничен доступными ему данными и действиями. Для составления графика встреч ему нужен актуальный календарь. Для подготовки финансового обзора — документы и правила их обработки. Для покупки — сведения о наличии товара, доставке и способах оплаты.

Здесь появляется второй источник конкурентного преимущества — связность продукта с другими сервисами. Для пользователя она означает меньше ручных переходов и повторного ввода информации. Для компании — возможность включить ассистента в существующий процесс, где уже используются почта, система управления клиентами, учетные программы и внутренние базы знаний.

Харнесс и экосистема выполняют разные функции. Первый организует работу агента, вторая предоставляет значительную часть среды для этой работы. Их сочетание позволяет перейти от отдельного ответа к последовательности взаимосвязанных действий.

При этом экосистема не обязательно должна ограничиваться продуктами одного владельца. Значение имеют и внешние подключения: рабочий процесс компании редко целиком укладывается в программное обеспечение одного поставщика.

Пример такого подхода — современные корпоративные ИИ-ассистенты. В режиме решения задач они могут выполнять составные поручения: анализировать запись встречи и ставить задачи ответственным, находить повторяющиеся проблемы в обращениях клиентов, собирать сведения из счетов и договоров. Помимо базовых офисных сервисов разработчики предусматривают подключение сторонних корпоративных систем через плагины.

Этот пример показывает, как меняется предмет конкуренции: значение приобретает сочетание модели, рабочего контекста, инструментов и правил доступа. Само наличие подключений, впрочем, еще не доказывает эффективность: ее необходимо оценивать на конкретных процессах.

Один из наиболее наглядных примеров нового устройства ИИ-продуктов — транзакционные сценарии. Ассистент помогает пройти путь от намерения к действию: выбрать товар и оформить заказ, найти подходящее место и забронировать столик, подобрать услугу и записаться на свободное время. Для пользователя потенциальное преимущество заключается в сокращении числа операций. Вместо самостоятельного изучения нескольких страниц и заполнения форм он описывает цель и ограничения, а затем проверяет предложенный вариант.

Для бизнеса такие сценарии создают дополнительный канал продаж и взаимодействия с клиентом. Для платформы они могут стать одним из способов монетизации ИИ — через оплату услуг, партнерские модели или участие в транзакционной выручке.

Но именно здесь особенно заметно, сколько компонентов требуется вокруг модели. Нужно получить актуальную цену, проверить наличие, учесть условия доставки, запросить необходимое подтверждение и убедиться, что заказ действительно оформлен. Ошибка на любом из этих этапов может обесценить правильное понимание запроса.

Согласно отраслевым аналитическим срезам российского рынка программного обеспечения и ИИ, компании со встроенными ассистентами фиксируют заметный рост вовлеченности аудитории и конверсии в продажах. Эти данные показывают коммерческий интерес к технологии, но методологически не доказывают, что различия вызваны именно ассистентом. Люди, использующие его при выборе товара, могут изначально быть сильнее настроены на покупку.

«Транзакции удобны для обсуждения агент-ориентированного ИИ, потому что у них есть наблюдаемый результат: заказ оформлен, запись появилась в системе, подтверждение получено. Но рост конверсии — только одна сторона оценки. Нужно понимать, сколько операций завершилось корректно, сколько потребовало вмешательства человека, не выросло ли число отмен и возвратов.

Для рабочих поручений логика похожая. Если ассистент подготовил отчет за несколько минут, а сотрудник потратил час на исправления, оценивать нужно весь процесс. Полезные показатели — доля принятых результатов, время проверки и общие затраты на выполнение задачи.

Таким образом, транзакции иллюстрируют более широкий сдвиг. Аналогичная архитектура нужна и там, где покупка вообще не предполагается: при обработке документов, подготовке исследования или организации совместной работы. Пользователь передает системе цель, а продукт должен обеспечить выполнение необходимых шагов и возможность проверить итог»,— комментирует Роман Душкин.

«Модели могут применяться в разных странах, но задачи выполняются в конкретной среде. Ресторан должен принимать бронирования, товар — доставляться по нужному адресу, документ — соответствовать правилам организации. Для выполнения поручения требуются актуальные сведения и доступ к системам, в которых можно совершить действие.

У локальных экосистем здесь есть потенциальное преимущество. Они уже взаимодействуют с местными компаниями, поддерживают каталоги, карты, платежи и логистику, знают особенности спроса. Эти связи могут сократить путь от запроса пользователя до результата.

Россия — один из рынков, где такая инфраструктура сформировалась до массового распространения генеративного ИИ. В то же время ключевой задачей становится обеспечение безопасности и доверенности таких распределенных интеллектуальных систем. (Методологическая база для развертывания подобных сред разрабатывается в рамках федерального проекта, например, специалистами Исследовательского центра доверенного искусственного интеллекта ИСП РАН). Однако противопоставление локальных экосистем глобальным компаниям было бы упрощением. Глобальные поисковые и технологические гиганты также развивают связи своих моделей со своими приложениями, включая почту, карты и сервисы для повседневных задач. Крупнейшие торговые платформы соединяют ИИ с коммерческой инфраструктурой, настраивая обращение ассистента к данным о товарах, ценах и наличии. Конкуренция идет между разными способами объединить модели, данные и инструменты.

Локальность в этой системе — источник конкретных возможностей. Для агента важна доступность той среды, в которой находится задача пользователя. Знать, что существует определенная услуга, и иметь возможность проверить условия и воспользоваться ею — разные способности. Локальные платформы получают преимущество там, где предоставляют актуальный контекст и работающие инструменты.

Но многое зависит от открытости. Если поручение требует обращения к внешней системе, продукт должен уметь подключиться к ней с разрешения пользователя. Для бизнеса важны условия таких подключений, для человека — возможность получить нужный результат без привязки к искусственно ограниченному набору вариантов»,— комментирует Роман Душкин.

Распространение агентных продуктов добавляет рынку новые критерии сравнения. Наряду с качеством модели и размером аудитории значение приобретают доля успешно выполненных задач, количество необходимых вмешательств, стоимость проверки и надежность работы с внешними сервисами.

Это меняет и смысл удобства. Оно определяется всем путем от поручения до результата: сколько информации пришлось повторить, сколько шагов сделать самостоятельно, насколько понятно, что именно выполнила система.

Гонка моделей продолжится. Просто сейчас она усиливает конкуренцию продуктов, которые умеют использовать их возможности в конкретной среде. Преимущество локальных экосистем проявляется там, где их данные и сервисы помогают агентам надежно решать реальные задачи пользователей и бизнеса.