Только что выступил на панели "AI Agents: The Next Digital Workforce" от CATECH и Rice FW Technologies в Окемосе, Мичиган Делил сцену с Кевином (Data Scientist по центру) и Крисом Боуденом (AI-стратег для энтерпрайза). Что особенно круто: ребята работают сугубо на рынке США, у нас абсолютно разный бэкграунд, но в главном наши мнения об агентах сошлись на 100%. Вот 4 главных инсайта: 1. Не автоматизируйте хаос Самая частая ошибка - пытаться прикрутить ИИ к процессам, которых в идеале вообще не должно существовать. Крис привел шикарный пример из своей практики. Допустим, у вас финтех или автосервис. Вы можете потратить кучу денег, чтобы ИИ на лету угадывал причину звонка в саппорт и выводил оператору подсказки. Но это автоматизация ради автоматизации. Правильный агентный подход - предсказать боль клиента до звонка и предиктивно ее устранить. Если данные показывают, что клиенты определенного возраста часто звонят добавить бенефициара в договор, или владельцам конкретной марки авто скоро понадобятся новые шины - ИИ должен сам отправить им таргетированный email с кнопкой решения. Меняйте сам воркфлоу, а не просто ускоряйте плохой процесс. 2. Как выбрать процесс для ИИ-трансформации Здесь мы сошлись на том, что главный вопрос - не "как" автоматизировать, а "для чего". Крис подчеркнул, что важно решать корневую проблему, а не просто брать рутину потому, что она есть. От себя я добавил, что начинать оценку нужно именно с ценности (для юзера, бизнеса или стратегии). Дальше разбирали критерии отбора: - Кевин отметил, что агентам лучше отдавать задачи, требующие круглосуточного мониторинга и запуска понятных цепочек действий, где пока не требуется тонкое "человеческое чутье". - Мой фреймворк строится на матрице "Бюджет - Данные". Если мало денег и данных - просто учите команду применять базовые LLM в рутине. Если данные есть, но бюджета нет - ждите нишевых SaaS-решений. А вот если есть бюджет и данные - смело интегрируйте готовые API. На документоемких задачах это легко дает до 300% ROI за первые 3 месяца. Главное - всегда замеряйте KPI до старта. 3. RAG - не панацея от галлюцинаций Был отличный вопрос от аудитории: решит ли внедрение RAG (на базе корпоративных документов) проблему с галлюцинациями? (Спойлер - нет) Основное тут разложил Крис: RAG нужен в первую очередь для того, чтобы дешево скормить модели свои корпоративные данные, а не для стопроцентного снижения галлюцинаций. Кевин подсветил, что узким местом часто становится кривая индексация неструктурированных документов. Если кусок текста размечен плохо, модель всё равно соврет. Что реально работает на практике: - Жестко структурированный вывод (structured output) и многошаговые пайплайны. - Подход "LLM Council": создание панели из нескольких разных агентов, которые оценивают и ранжируют ответы друг друга (например, просите ChatGPT сгенерировать ответ, а Claude - найти в нем ошибки). 4. Насмотренность и оркестрация важнее кода ИИ не заберет работу, но заставит нас подняться на уровень выше. Кевин отметил, что даже программистам пора отходить от рутинного кодинга и переключаться на проектирование автономных систем. Крис резонно добавил, что для управления агентами теперь не обязательно быть хардкорным технарем, но критически важно уметь правильно формулировать проблему и фокусироваться на конечном результате. Я резюмировал это тем, что главным скиллом становится продуктовая насмотренность - умение понимать, как выглядит реально качественный результат работы ИИ, и навык оркестрации, чтобы правильно распределять задачи между агентами. Рад был посетить мероприятие, унес с собой крутые контакты, с которыми будем работать. 🚀 Влад Корнышев про AI и создание AI-продуктов