Успіх або провал корпоративного ШІ залежить не від моделі, а від «контексту»... 7 умов епохи інтелектуальних агентів

企業級 штучного інтелекту (AI) впровадження вже виходить за межі “експериментальної” стадії, переходячи до реального бізнес-розгортання, але на місцях результати все ще часто не відповідають очікуванням. Індустрія зазначає, що причина полягає не у відсутності кращих моделей, а у відсутності “контексту”. Навіть найефективніший AI-агент, якщо він не має належного доступу до внутрішніх знань компанії та бізнесового контексту, зупиниться на етапі прийняття рішень.

Голова компанії Appen Ltd. Ванесса Лю нещодавно у theCUBE у спільній події з Нью-Йоркською фондовою біржею (NYSE) заявила: “Дані є надзвичайно важливими для використання AI у бізнесі. Як і найкращі співробітники, які після працевлаштування потребують адаптаційного навчання, AI-агенти також повинні мати доступ до бізнесового контексту для нормальної роботи.” У цій події взяли участь керівники у сферах інфраструктури даних, фінансів, модернізації підприємств та відкритого AI, з метою обговорення “як зробити агентів дійсно корисними у реальному бізнесі”.

1. Конкурентоспроможність компанії залежить від “власних даних”

Учасники одностайно вважають, що лише за допомогою передових AI-моделей важко досягти диференціації. Головне — це довгострокове накопичення внутрішніх даних та бізнесових знань. Лю зазначила, що унікальні професійні знання компанії часто не систематизовані. Головний виконавчий директор Hasker вважає, що у майбутньому конкурентоспроможними будуть не лише “зручні” агенти, а ті, що мають “захисний даний вал у ринковій ніші”.

2. Користувачі не чекатимуть, і агенти теж

Швидкість вже вважається базовою умовою, а не опцією. Головний продукт-офіцер Bright Data Ltd. Аріель Шульман пояснив: коли користувачі бачать на екрані чат-бота фразу “шукає веб-сторінки”, їхній терплячий таймер запускається. Bright Data наразі надає дані для початкової відповіді чат-бота у вигляді веб-скрапінгу, з часом передачі сторінки менше 1 секунди, середнє — 500 мілісекунд. Через повільність отримання даних, агент може втратити користувача ще до формування відповіді.

3. AI-агенти, що обробляють гроші, потребують “рахунків” та системи ідентифікації

Деякі висловлюють думку, що якщо AI-агент має виконувати фінансові операції, такі як платежі або перекази, йому потрібна система автентифікації, подібна до людських документів. Співзасновник і головний виконавчий директор Catena Labs Inc. Шон Невілл зазначив, що банки повинні мати можливість підтвердити, від імені кого діє агент, що він може робити і чому виконує ту чи іншу дію. Це концепція “знай свого агента” (Know Your Agent), яка має забезпечити відповідальність і відстежуваність автоматизації фінансових операцій.

4. Вийти за межі “залежності від постачальника”, тепер “залежність від токенів” — головна проблема

На заході також прозвучала застереження: якщо всі системи будуть побудовані навколо однієї конкретної AI-моделі, у майбутньому компанії можуть втратити контроль над витратами. Головний виконавчий директор OutSystems Вудсон Мартін зазначив, що компанії, які покладаються на одну передову модель, з часом стикнуться з фінансовим тиском через зростання витрат на обчислення. Він підкреслив необхідність платформи, яка дозволяє замінювати модель без переписування базових систем, що є реальним рішенням для управління прибутками та збитками у стратегії агентів.

5. “Надання” AI-інструментів і справжнє “застосування” — різні речі

Між реальним застосуванням і усвідомленням керівництва існує значна різниця. Тай Кім, головний інформаційний директор WalkMe Ltd., зазначив, що 80% керівників вважають, що вони забезпечили співробітників чудовими AI-інструментами, але лише невелика частина працівників погоджується з цим. Проблема полягає не у кількості інструментів, а у здатності вчасно і природно демонструвати їхню функціональність. Без контекстуального керівництва у бізнес-процесах у потрібний момент, інвестиції у AI матимуть низький ефект.

6. Починати потрібно з найпотужнішої моделі, а потім шукати дешеві альтернативи

Деякі вважають, що стратегія зосередження на зниженні витрат — стратегічна помилка. Представник AG2ai Ву Ціньюнь зазначив, що спершу потрібно підтвердити рівень можливостей найпотужнішою моделлю, а потім порівнювати її з дешевими відкритими моделями, щоб побачити, чи здатні вони забезпечити той самий рівень продуктивності. Це означає, що якщо з самого початку встановити ціль для дешевих моделей, компанія може пропустити необхідний рівень можливостей. Лише згодом можна досягти балансу між вартістю та продуктивністю.

7. Пілотні проєкти легкі, але у реальній експлуатації вони найуразливіші

Найбільші ризики не у пілотних проєктах, а у виробничому середовищі. Монтекарло Data Inc. співзасновник і головний виконавчий директор Бар Мозес пояснив, що багато агентів, які добре працювали на етапі прототипування (POC), у реальності стикаються з застарілими даними, пропуском логіки, надмірним споживанням токенів або появою “ілюзій”, які не були виявлені під час тестування. Особливо важливо, що суди вже постановили, що відповідальність за поведінку агентів несе компанія, яка їх створила. Тому для компаній критично важливо впроваджувати системи контролю та моніторингу.

Остаточна оцінка показує, що наступний етап конкуренції у AI для бізнесу залежить не так від характеристик моделей, як від здатності “надавати точний контекст і стабільно працювати”. У міру наближення епохи, коли AI-агенти замінюють людську працю, ключовими факторами стануть власні дані компанії, внутрішні знання, швидкість, контроль витрат і відповідальність.

TP AI зауваження: Цей текст базується на мовній моделі TokenPost.ai і є коротким викладом. Основний зміст може бути опущений або відрізнятися від реальності.