24 апреля 2025 г.
Агентный ИИ в последнее время, судя по горячим его обсуждениям, рассматривается как одно из наиболее плодотворных направлений развития искусственного интеллекта в применении к реальным, повседневно решаемым бизнесменами и производственниками задачам. Одна тонкость: при всех достоинствах агентных моделей базируются они на тех же принципах, что и любой другой генеративный ИИ, — и потому подвержены ровно тем же самым напастям. Только вот цена ошибки для ИИ-агентов, автономно принимающих деловые решения, оказывается куда выше, чем для умных чат-ботов, с которыми многие так любят сегодня поболтать по душам.
Огромные генеративные модели вроде Grok, ChatGPT или Claude — настолько огромные, что для работы им требуются сотни гигабайт серверной видеопамяти, — привлекательны своей универсальностью, однако чрезмерно ресурсоёмки для узких, практически ориентированных бизнес-приложений. Вдобавок, главное предназначение таких моделей — отвечать на сформулированные оператором вопросы, тогда как повседневные задачи торговли и производства часто подразумевают реагирование на объективные факторы обстановки, составление планов, коррекцию их в зависимости от непрерывно меняющихся вводных и т. п. Иными словами, умные чат-боты — прекрасное средство, чтобы скрасить досуг (хотя по части написания программ, скажем, они способны оказать человеку вполне реальную помощь), но для эффективного применения в повседневной работе необходимы более специализированные на решении сравнительно узких прикладных задач генеративные модели, — ИИ-агенты.
Более того, важнейшая отличительная черта агентского ИИ, — автономность; принципиальная готовность работать в отсутствие непрерывного контроля со стороны человека — в том числе принимать значимые для бизнеса (пусть и на узких участках) решения и контролировать их исполнение, при необходимости меняя изначально взятый курс, чтобы достичь в итоге намеченного результата. В американском ИТ-канале разработчики уже начинают продвигать целые ансамбли ИИ-агентов, модели верхнего уровня в составе которых готовы осуществлять общее планирование и управлять более специализированными ИИ-агентами, нарезая им ограниченные по срокам и масштабам задачи и дирижируя всеми участниками этого генеративного конклава ради совместной реализации им общей цели.
Примером такой цели может служить повышение объёмов продаж некоторого продукта за счёт проводимого различными ИИ-агентами совокупного анализа всех возможных факторов, препятствующих росту спроса на него, — от затруднений вендора с оказанием технической поддержки в особо сложных случаях до пользовательского недовольства чересчур запутанным интерфейсом. До самого последнего времени подобные задачи решались — и в массе своей решаются ныне — живыми специалистами. Однако даже оставляя в стороне вопрос о затратах на оплату их труда (а чем выше квалификация эксперта, тем дороже он обходится), невозможно в каждом конкретном случае гарантировать, что у человека хватит способностей и опыта добиться поставленного результата. С ИИ-агентами проще: поскольку их тренируют на обширном массиве данных, содержащем заведомо сработавшие решения для множества схожих ситуаций, эффективность их в среднем достаточно высока — и более предсказуема.
Вместе с тем, отдавая на откуп генеративным моделям чувствительные бизнес-задачи, заказчики вынуждены доверяться предлагаемым ИИ-агентами решениям. Смысл именно в этом: неавтономные экспертные бизнес-системы (на алгоритмической основе) существуют достаточно давно, но всякий раз выдаваемые ими рецепты перепроверял и подтверждал — либо отвергал — обладающий адекватными компетенциями человек. Принципиальное преимущество ИИ-агентов в бизнесе перед классическими экспертными системами — как раз автономность первых; работа их в режиме, не предусматривающем экспертного надзора и верификации. Понятно, что действовать таким образом могут только доверенные ИИ-агенты, — но вот как убедить заказчика, что генеративной модели можно бестрепетно вручить рычаги управления (пусть даже ограниченного) его персональными, по сути, деньгами, — вопрос отдельный.
Некоторых, разумеется, убеждать уже не нужно. Наоборот: разработчик одной из известнейших глобальных платформ для e-commerce, канадская компания Shopify, новых сотрудников просто так уже не нанимает, — сперва главе подающего заявку в HR-департамент отдела требуется предметно доказать, что работу, которую планируется поручить будущему новичку, не в состоянии выполнить генеративный ИИ. Согласно же оценке AlixPartners, в одних только США за прошлый год более сотни софтверных разработчиков среднего размера были вытеснены из бизнеса — как раз по той причине, что ранее предлагавшиеся ими услуги написания ПО на заказ (по модели SaaS, в основном) оказались вполне по плечу ИИ-агентам, к которым клиенты обращаются чем дальше, тем чаще.
Впрочем, и у противников повальной ИИ-агентизации имеются свои веские аргументы. Специалисты из Microsoft Research провели недавно испытания генеративных моделей, которые наилучшим образом проявляют себя в решении задач программирования, — Claude 3.7 Sonnet разработки Anthropic, а также o1 и o3-mini, созданных в OpenAI. Хотя формально это не ИИ-агенты, как раз в области кодинга именно они исправно занимают первые места в разнообразных состязаниях и текстах. Так вот, выяснилось, что если брать не написание нового кода с нуля, а отладку (дебаггинг) уже существующего, все три этих лидера чартов едва справляются с обнаружением хотя бы половины присутствующих в листингах программ ошибок. Исследователи подчёркивают, что отладка — задача едва ли не на порядок более сложная, чем сам по себе кодинг, и что, возможно, в будущем специализированные на дебаггинге ИИ-агенты всё-таки выйдут на уровень хотя бы среднего живого программиста, — но пока что именно в этой области доверия к агентам у заказчиков, очевидно, немного.
Так или иначе, агентный ИИ явно торит себе дорогу, заинтересовывая потенциальных заказчиков всё сильнее: к примеру, по оценке Gartner, всего через 4 года именно генеративные агенты примутся автономно решать до 80% типичных проблем, возникающих в ходе клиентского обслуживания. Так что ИТ-каналу, не исключая российский, необходимо отслеживать этот тренд — и, по возможности, его возглавлять, способствуя как росту доверия к ИИ-агентам со стороны заказчиков, так и повышению качества самих этих систем разработчиками. Ведь генеративные модели нуждаются в обширных массивах высококачественных данных, чтобы демонстрировать затем достойные результаты, — а кто в избытке располагает такими данными по части бизнес-взаимодействия с клиентами по ИТ-направлению, как не канальные партнёры?
Источник: Максим Белоус, IT Channel News
