AI агентство для предприятий: активное развитие или пассивное внедрение?

Автор: Чжан Фэнь

一、Когда «агент» перестает быть просто концептом, почему компании все еще колеблются?

С 2025 года AI-агенты быстро перешли от обсуждений в технической сфере к стратегическим задачам предприятий. В недавнем отчете Deloitte отмечается, что агентный ИИ переходит от роли «инструмента повышения эффективности» к «ядру принятия решений», и у компаний есть три основных пути развития.

Однако в противоположность популярности мнений большинство предприятий сталкиваются с трудностями при реализации: хаос в выборе технической архитектуры, отсутствие соответствующих организационных изменений, трудности с измерением затрат и результатов. Более фундаментальный вопрос: является ли AI-агент технологическим обновлением или организационной трансформацией? Если ответ — второй, то простая покупка инструментов или создание платформы, скорее всего, будет лишь «упакованной старой виноградной лозой в новую бутылку».

二、От «человеко-машечного сотрудничества» к «структурной перестройке «агентного» взаимодействия

Бизнес-модель AI-агента в компании — это не просто автоматизация процессов, а три уровня когнитивных скачков: от выполнения правил к пониманию намерений, от одностадийных задач к многошаговым рассуждениям, от пассивных ответов к активному планированию. Это требует переопределения границ разделения ролей человека и машины.

Например, в сфере обслуживания клиентов агент уже не просто отвечает на заранее заданные вопросы, а способен предлагать решения в зависимости от контекста; в управлении цепочками поставок агент может в реальном времени координировать запасы, логистику и прогноз спроса, формируя динамический цикл принятия решений. Такая структурная перестройка предполагает разбиение бизнес-процессов на «агентные» атомарные единицы и создание дата-центров и графов знаний для поддержки логики агентных рассуждений.

三、Снижение затрат, увеличение доходов и создание новых бизнес-экосистем

Модель получения прибыли от AI-агентов не является однолинейной. Во-первых, самый очевидный доход — повышение операционной эффективности: за счет замены повторяющегося когнитивного труда (например, подготовка отчетов, анализ данных) компании могут значительно снизить расходы на персонал, и практика показывает, что в зрелых сценариях достигается значительная оптимизация затрат. Во-вторых, агенты могут генерировать дополнительный доход за счет точных рекомендаций и оптимизации в реальном времени, например, платформы электронной коммерции используют агентные системы для динамического ценообразования и персонализированного маркетинга, что значительно повышает конверсию.

Более глубокая модель — это возможность упаковки агентных возможностей в подписные сервисы или API для партнеров, создавая платформенные доходы. Однако устойчивость прибыли зависит от «перепользуемости» и «масштабируемости» агентов, что требует поддержки архитектуры, способной к переносу между сценариями.

四、Непревзойденные преимущества когнитивных рассуждений, автономного планирования и системного взаимодействия

В отличие от традиционных RPA (роботизированной автоматизации процессов) или деревьев решений, ключевые преимущества AI-агента проявляются в трех аспектах: во-первых, в когнитивных способностях рассуждения — агент не только выполняет команды, но и понимает неясные намерения и разбирает задачи; во-вторых, в способности к автономному планированию — при сложных задачах он может динамически генерировать пути выполнения и корректировать их по мере получения обратной связи; в-третьих, в системной интеграции — через протокол A2A обеспечивается обмен информацией и координация задач между агентами и системами.

Практика Amazon AWS показывает, что архитектура корпоративных агентных систем должна включать раздельное проектирование четырех ключевых модулей: движка рассуждений, модуля памяти, вызова инструментов и системы безопасности, чтобы обеспечить гибкость и управляемость. Такой подход позволяет агентам выполнять «серые» задачи, которые трудно прописать правилами, но по опыту решаются на основе человеческого опыта, что делает их незаменимыми в части интеллектуальной работы.

五、Четыре сценария внедрения и логика выбора

На рынке существует четыре основных типа построения корпоративных AI-агентов: поток технической оркестрации, модельная экосистема, независимый гик-проект и бизнес-основа.

Поток оркестрации подчеркивает использование платформ с низким кодом (например, LangChain) для интеграции LLM и внешних инструментов, подходит для быстрого прототипирования, но требует больших затрат на поддержку; модельная экосистема связана с одним поставщиком (например, GPT от OpenAI), обладает зрелой экосистемой, но риск «запирания» высок; независимый гик-проект ориентирован на полностью самостоятельную разработку фреймворка агента, требует высокого уровня технических навыков и подходит только для компаний с сильными AI-командами; бизнес-основа — это интеграция агента в существующие бизнес-системы (ERP, CRM), постепенное расширение через «сценарий-ориентированный» подход, что является доминирующим выбором для средних и крупных предприятий.

По сравнению с другими, бизнес-основа обеспечивает хороший баланс между глубиной и гибкостью, однако предъявляет высокие требования к стандартизации данных, что является слабым местом многих компаний.

六、Проблемы фрагментации технологий, организационных барьеров и отсутствия оценки

Несмотря на привлекательность перспектив, внедрение AI-агентов сталкивается с серьезными вызовами.

Первое — фрагментация технологий: отсутствует единый интерфейс между различными платформами, хотя Google предложил протокол A2A, его внедрение еще впереди; также проблема «галлюцинаций» моделей — неверных или вводящих в заблуждение ответов — еще не решена полностью, что особенно опасно в высокорискованных сценариях (финансовые операции и т.п.).

Второе — организационные барьеры: внедрение требует преодоления данных-островов и согласования интересов разных отделов, что часто вызывает сопротивление и тормозит процессы; исследования показывают, что именно организационные проблемы — главный фактор неудач, а не технические.

Третье — отсутствие системы оценки: традиционные KPI не позволяют измерить «качество решений» или «степень автономности» агентов, что усложняет оценку эффективности инвестиций.

Deloitte рекомендует развивать внутренние «агентные» компетенции, включая подготовку кадров, изменение процессов и управление, однако это требует решимости руководства сверху.

七、Требования к данным, этике и объяснимости

Риск несоблюдения нормативных требований — это «красная линия» для масштабирования AI-агентов.

Во-первых, в процессе восприятия и рассуждения агенты работают с внутренними конфиденциальными данными (клиентская информация, финансовые показатели), и утечка через сторонние инструменты может нарушить законы о защите данных. Во-вторых, автономные решения могут привести к дискриминационным результатам или непредвиденным действиям, например, при найме — из-за предвзятости данных — отказать кандидатам с определенным бэкграундом, что вызывает этические и юридические риски. Кроме того, «черный ящик» моделей усложняет аудит и объяснение решений, особенно в финансовой и медицинской сферах, где требуется прослеживаемость и прозрачность.

Компании должны внедрять на архитектурном уровне «барьеры безопасности»: разграничение прав доступа, десенситизация данных, ручные контрольные точки и ведение логов действий, а также устанавливать четкие «красные линии» для решений агента, чтобы человек всегда имел возможность вмешаться.

八、Эволюционный путь от «инкубации возможностей» к «экосистемной интеграции»

В будущем развитие AI-агентов в компаниях пройдет по трем этапам: «пилотирование — платформизация — экосистемное объединение».

Краткосрочно (1-2 года) компании должны сосредоточиться на сценариях высокой ценности и низкого риска (например, интеллектуальное обслуживание, управление знаниями), накапливая опыт через «человек-машина» сотрудничество; среднесрочно (3-5 лет), по мере развития протоколов A2A и стандартов безопасности, агенты превратятся из отдельных инструментов в платформу цифровых сотрудников, поддерживающую межсистемную оркестрацию и динамическое расширение; долгосрочно (более 5 лет) агенты глубоко интегрируются в цепочки поставок, формируя межорганизационные сети интеллектуального взаимодействия, подобно тому, как облачные технологии изменили ИТ-инфраструктуру и бизнес-логику.

Для руководителей важно сейчас не столько вопрос «использовать ли агента», сколько «как организовать его взаимодействие»: кто отвечает за результаты? как оценивать и спрашивать у сотрудников и агентов? эти организационные вопросы важнее технических решений и определяют успех. Рекомендуется создать «Комитет по управлению AI-агентами», включающий представителей бизнеса, технологий и юриспруденции, для разработки правил использования и проведения регулярных стресс-тестов в рамках управляемых границ.