Агент без прикрытия

На виртуальном круглом столе, организованном IT-World и клубом «ИТ-Диалог», модератор встречи Иван Козлов (Группа ЛАТЕО) предложил участникам сосредоточиться на более узких и пока менее устоявшихся вопросах. Где заканчивается обычный ассистент и начинается агент, которому можно передать часть процесса. Где агент может действовать сам. Где обязан остановиться. Какие данные ему доступны. Кто проверяет результат. Что происходит, если он ошибся или внезапно исчез вместе с внешним сервисом.

Рутина как первый полигон

Лучше всего такие решения пока приживаются там, где много повторяемой работы, понятен результат и можно заранее ограничить ущерб от ошибки. Во ВГИКе, например, ИИ используют для ежедневной обработки новостей. Сложность не в том, чтобы собрать публикации, а в том, что они заранее не размечены тегами. Система сама определяет, относится ли материал к воспитательной работе, патриотическому воспитанию, духовно-нравственным ценностям, и распределяет новости по заданной рамке. Это уже не просто поиск по словам, а регулярная смысловая классификация, встроенная в рабочий процесс.

Другой пример — из практической боли. В медиаархиве вуза накопилось более 400 тысяч фотографий с мероприятий. Когда поиск двух нужных снимков занял несколько дней, стало понятно, что героизм сотрудников пора заменить чем-то более устойчивым. Теперь при появлении новой папки система распознает лица, связывает их с базой персон и маркирует архив. «Если он не знает, кто это, либо ищет в Интернете, либо присылает мне на почту: у тебя появилось новое лицо, но я не знаю, кто это. ID персоны такой-то, будь добр, сходи в базу, запомни», — рассказывает Алексей Наймушин» (ВГИК). Это хорошая модель раннего внедрения. Человек остается в контуре, только подключается уже не к рутине, а к исключениям.

При этом чем активнее компании пробуют ИИ, тем легче назвать агентом почти любую автоматизацию с языковой моделью внутри. Система классифицирует обращение, извлекает данные из документа, пишет черновик, резюмирует переписку. Все это полезно, но агентность начинается не в момент появления LLM. Технологическая граница проходит там, где система сама выбирает последовательность действий. «Если взять просто скрипт и добавить туда вызов LLM, агентской системой от этого скрипт не становится. В агентской системе вы даете ей инструменты, даете задачу, и дальше, используя эти инструменты, искусственный интеллект сам находит путь достижения задачи», — объясняет Иван Волков (Content AI).

Для бизнеса, правда, эта граница не всегда выглядит такой уж принципиальной. Руководителю важнее другое. Снимает ли система нагрузку, ускоряет ли процесс, не создает ли новых рисков и окупается ли внедрение? Поэтому в корпоративной среде у агентного ИИ сразу две оптики. Технологическая помогает не путать агента с обработчиком документов. Управленческая заставляет спросить, где здесь эффект и кто отвечает за результат.

Владимир Нелюб («Группа Астра») предлагает именно такую прагматичную рамку: «Агентный искусственный интеллект — это вопрос уже не только про технологии, это вопрос, прежде всего, про экономику, про процесс, про контур управления». Иначе это легко превращается в дорогой пилот, который отлично выглядит на демо, но плохо переживает встречу с реальной эксплуатацией. В самой «Группе Астра» такие сценарии развиваются, прежде всего, вокруг разработки. Агентные инструменты помогают автоматизировать тестирование, развертывание приложений и часть задач, связанных с созданием кода. По оценке эксперта, это может ускорять разработку в среднем на 30–40%.

От ассистента к цифровому сотруднику

Путь к агентному ИИ в корпоративной среде редко начинается с автономного цифрового сотрудника. Обычно сначала компания дает людям безопасный доступ к языковой модели, затем подключает внутренние документы и базы знаний, потом появляются ассистенты для отдельных операций. И только после этого становится понятно, какие части процесса можно передавать системе.

В «Маревен Фуд Сэнтрал» идут именно таким путем. Первый шаг — внутренний аналог ChatGPT или DeepSeek в корпоративном контуре. Сотрудники могут пользоваться моделью, а компания сохраняет контроль над запросами и данными. «Роутер расположен на нашем портале, мы логируем все запросы и пользуемся API. Мы гарантированы от того, что данные, которые сотрудники загружают в модель, утекут куда-то на сторону, либо модель на них будет обучаться», — говорит Петр Сагаловский.

Второй шаг —цифровые советчики (так называемый RAG — Retrieval-Augmented Generation) на базе инструкций, локальных нормативных актов и документов по внутренним процессам.

На третьем шаге появляются ассистенты, которые уже не просто отвечают на вопросы, а разбирают документы, извлекают причины рекламаций или отбраковки партии и передают данные в информационную систему. Это еще не агент, которому можно поручить процесс целиком. Скорее промежуточный этаж между справочной системой и цифровым сотрудником. Но без него трудно прыгнуть выше, так как компания учится работать с моделями в своем контуре, видит ограничения, накапливает данные и понимает, где автоматизация действительно снимает нагрузку.

Четвертый шаг требует уже не только новых инструментов, но и пересмотра процессов. Где человек остается владельцем решения. Где система готовит черновик. Где агент может сам завести задачу. Где нужна проверка. Агентный ИИ здесь больше похож не на кнопку «сделать по-умному», а на лестницу, по которой лучше подниматься без лишнего героизма. На верхних ступенях этой лестницы и появляется главный корпоративный принцип: автономность не должна означать бесконтрольность.

Самая жизнеспособная модель внедрения пока не похожа на полную автономию. Скорее это управляемая самостоятельность. Агент может сам запускаться, анализировать поток данных, выбирать инструменты и готовить результат. Но в чувствительных сценариях финальный шаг остается за человеком.

В SimpleOne эту границу показывают на примере базы знаний. Обычная ИИ-функция может разобрать письмо в службу поддержки, определить тип обращения, связать его с пользователем и выставить приоритет. Это полезно, но работает по заранее заданной логике.

Агентный сценарий сложнее. Система анализирует обращения пользователей, ищет повторяющиеся решения, понимает, что по ним можно подготовить статью, и создает черновик для базы знаний. Но не публикует его сама. «Если находит какой-то набор однотипных решений, он начинает писать статью на эту тему. И отправляет эту статью человеку — менеджеру базы знаний. Он смотрит, проверяет, и, если все окей, нажимает кнопку «опубликовать», — поясняет Александр Стародубцев (SimpleOne).

Это нормальная корпоративная гигиена. В корпоративном мире даже очень умному агенту полезно помнить, что кнопка «опубликовать» пока принадлежит человеку.

Процессы придется трогать

Агента можно аккуратно встроить в существующий процесс. Он будет отвечать в том же чате, получать задачи из той же системы, пользоваться привычными инструментами и возвращать результат туда, где его ждут. Для внедрения это выглядит удобно, так как бизнесу не нужно объяснять новую вселенную, достаточно включить агента в уже работающий процесс.

Но долго притворяться, что ничего не изменилось, не получится. Если часть работы начинает выполнять система, меняются роли, контрольные точки, права доступа и ожидания от людей. В этом смысле AI-native-организация не сводится к тому, чтобы заменить сотрудника цифровым двойником в той же переписке.

Здесь появляется и вопрос доверия. «К ИИшке сотрудники и сами могут пойти, если им это интересно. Но от сервис-деска они ждут помощи живого человека», — говорит Иван Козлов. Настоящий эффект появляется там, где компания не маскирует агента под сотрудника, а пересобирает работу вокруг новых возможностей: быстрее проверяет гипотезы, отдает рутину агентам, меняет роли людей и по-другому выстраивает контроль.

«Похоже, мы последние руководители, которые управляли только командами из людей. Уже на нашем веку придется управлять гибридными командами, где рядом работают люди и цифровые сотрудники», — считает Герберт Шопник (АНТ — Цифровые Сервисы). Но гибридная команда не собирается сама, как конструктор из коробки. Если агент работает 24×7 и выполняет задачу быстрее человека, возникает новая проблема — синхронизация. Где агент получает поручение. Где отдает результат. В какой момент подключается человек. Какие действия можно выполнять без ожидания, а какие требуют проверки. Старые правила командной работы начинают поскрипывать, потому что в них внезапно появился участник без рабочего дня.

Быстрее код не значит быстрее продукт

Разработка стала самым очевидным полигоном для агентного ИИ. Модели уже помогают писать код, проверять гипотезы, собирать черновые решения, автоматизировать часть рутины. Но в корпоративной среде код не живет сам по себе. Его нужно протестировать, отревьюить, собрать, выкатить, задокументировать, встроить в релизный цикл, объяснить пользователям и поддержать после внедрения. «Если генерировать код «не в себя» на локальном этапе, получится огромная очередь незавершенных задач, которая до прода так и не дойдет. Поэтому процессы действительно нужно менять», — подчеркивает Александр Стародубцев.

Та же логика действует и за пределами разработки. Агент может быстрее готовить документы, разбирать обращения, формировать сводки или искать ошибки. Но если дальше результат упирается в ручное согласование, перегруженного эксперта или старый регламент, эффект теряется по дороге. Агентный ИИ не отменяет узкие места. Он просто делает их заметнее.

При всей новизне агентного ИИ сама необходимость менять процессы для ИТ не выглядит революцией с чистого листа. Отрасль уже проходила через похожие переломы: системы контроля версий, CI/CD, автодеплой, контейнеризацию, Kubernetes, удаленную работу, совместный дизайн, автотесты. Сначала это казалось набором инструментов. Потом выяснялось, что вместе с инструментами меняются роли, привычки, ответственность и ритм команд.

Агенты не падают на компании с другой планеты. Они просто подкидывают очередную задачу. Приходится снова искать узкие места, расшивать их и пересобирать работу вокруг новых возможностей. Разница в том, что новый инструмент разговаривает уверенно и похож на разумного помощника, поэтому соблазн дать ему больше полномочий появляется быстрее.

Практический рецепт внедрения звучит гораздо скучнее, чем хотелось бы продавцам будущего. Самый надежный старт — понятный и детерминированный процесс, где правила формализованы, данные доступны, а цена ошибки ограничена. Не всякая задача достойна агента сразу. Некоторые пока вполне переживут без цифрового коллеги.

«Начинать нужно не с того, что нам интересно, а с того, что просто и наиболее детерминировано. Мы рекомендуем сначала выбрать два-три сквозных процесса, именно их автоматизировать, а не все подряд», — говорит Владимир Нелюб.

Еще один слой этой истории связан с данными. Чем ближе агентные сценарии подходят к клиентскому опыту, тем заметнее простая вещь. Без данных агент остается вежливым интерфейсом без контекста и плохой памятью. С ними появляются персонализация, более точные рекомендации, автоматический анализ истории взаимодействий, обучаемость и снижение когнитивной нагрузки на человека.

В медицине эта тема особенно чувствительна. Здесь выше требования к качеству, безопасности и доверию, а пользовательский сценарий гораздо более персонализированный и требующий большой объем контекста и историчности данных. Но именно накопленные данные о приемах, обращениях к врачу, измерениях, транзакциях и поведении пользователя позволяют строить полезные и индивидуальные сценарии. «Люди достаточно положительно начинают это воспринимать, когда видят в этом ценность. Ценность через доставленную пользу, персонализацию и заботу, через то, что удобно ответить, быстро понять», — отмечает Андрей Руднев (СберЗдоровье).

Эта логика выходит далеко за пределы корпоративных процессов. Агентные и мультимодальные сценарии уже живут в телефонах, приложениях, носимых устройствах, поиске товаров и услуг. Система распознает голос, работает с изображениями, учитывает текстовый контекст, учитывает показатели здоровья и анализы, сравнивает варианты, помогает выбрать цену или следующий шаг.

Пользователь может не знать слова «агентный ИИ», но уже привыкает к быстрым подсказкам, персонализации и автоматическому сбору информации. После этого корпоративные сервисы с очередями, ручными согласованиями и ответами «по регламенту» выглядят все менее убедительно. Агентный ИИ становится не отдельным ИТ-проектом, а частью новой нормы ожиданий.

Один вход, много агентов

Агент в сервис-деске, агент в офисном приложении, агент в корпоративном портале, агент в почте — и вот уже вместо единой среды у компании набор разрозненных помощников. Иван Козлов формулирует эту проблему так: «В результате у меня пять разных точек входа и пять источников правды». Для ИТ-директора такой сценарий опасен не количеством агентов самим по себе, а тем, что каждый из них живет в своем контексте. У одного свои данные, у другого свои ограничения, у третьего своя логика работы. Локальный эффект появляется, но единой среды нет. Вместо интеллектуального контура компания получает набор умных островов, между которыми снова вручную приходится строить мосты.

Поэтому все большее значение получает не отдельный агент, а AI-платформа. В ней должны быть данные, коннекторы, low-code-инструменты, управление навыками, безопасность, регистрация агентов и возможность собирать сценарии под надзором человека. Иначе агент остается автоматизацией отдельного действия. Полезной, но ограниченной.

По мнению Петра Сагаловского, в идеальной картине сотрудник не должен угадывать, к какому агенту идти: «Точкой входа должен быть единый агент, которому можно задать любой вопрос. Дальнейшую маршрутизацию в сервисные AI-агенты по разным функциональным направлениям (возможно с обогащением запроса контекстом) уже производит модель».

Единый вход не означает одного универсального агента на все случаи жизни. Скорее наоборот, внутри могут работать разные специалисты: один понимает сервис-деск, другой документы, третий CRM, четвертый разработку, пятый кадровые процессы. Но для пользователя это не должно выглядеть как цифровой квест по кабинетам.

Для вендоров вопрос тоже не сводится к тому, чтобы просто добавить агента в интерфейс. Можно встроить его в конкретный продукт, дать доступ к данным этой системы и ограничить задачами внутри одного контура. Это понятный и безопасный старт, но его ценность ограничена границами приложения.

Эффективнее выглядит вариант, когда агент выходит за пределы своей «коробки» и подключается к общему слою данных компании. «Агент создает реальную ценность только тогда, когда он встроен в операционный контур компании, а не существует как отдельный экспериментальный инструмент. Интеграция с внутренними системами, базами данных и корпоративными сервисами позволяет ему не просто отвечать на вопросы, а выполнять действия в рамках уже существующих бизнес-сценариев: обрабатывать заявки, готовить документы, запускать согласования, фиксировать результаты и передавать данные между системами. Именно такой подход превращает ИИ из вспомогательной технологии в полноценный элемент корпоративной автоматизации», — считает Владимир Нелюб.

При этом для агента важна не только модель, но и контекст. Без него даже сильная LLM превращается в уверенного собеседника, который плохо понимает конкретную компанию. А контекст лежит в системах: заявках, документах, базе знаний, истории обращений, статусах, правах пользователей, связях между объектами.

Чем самостоятельнее цифровой участник процесса, тем жестче должен быть описан его контур. Иначе компания получает не помощника, а инициативного стажера с доступом к нескольким системам сразу. Звучит интересно, но ИТ-директору от такого интереса обычно хочется не инноваций, а валерьянки.

Безопасность становится частью дизайна

У цифрового сотрудника есть неприятное свойство, о котором легко забыть на этапе пилота. Он может исчезнуть не потому, что уволился или заболел, а из-за сбоя сервиса, изменения условий, поломки интеграции или недоступности нужной модели. Иван Козлов описывает этот риск почти сказочно: вчера у компании были цифровые сотрудники, а сегодня из-за внешней платформы «все эти агенты превратились в тыкву».

Для компании это новая форма старого риска. Если процесс зависит от внешнего сервиса, значит, нужен план на случай отказа — например, резервный сценарий, возможность переключиться на другого поставщика, дублирование, аварийное восстановление, понятный порядок возврата человека в контур. Иначе компания рискует однажды обнаружить, что ее цифровая трансформация держалась на одном внешнем аккаунте и хорошем настроении провайдера.

Второй риск связан с данными. До появления агентов компании и так решали, что можно хранить внутри, что допустимо отдавать в облако, какие сведения требуют особой защиты. Агентный ИИ ничего в этой логике не отменяет. Он просто добавляет новый маршрут, по которому данные могут уйти туда, куда их никто не собирался отправлять.

Особенно это заметно в системах вроде сервис-деска. Формально туда должны попадать обращения пользователей. Фактически туда могут загрузить что угодно: платежную ведомость, договор, файл с персональными данными, скриншот с учетными записями, кусок внутренней переписки. Пользователь хотел «просто спросить, почему не открывается документ», а в обработку модели уже улетел файл, который в этой системе вообще не должен был появляться.

В таких сценариях нужны технические фильтры. Один из вариантов — LLM firewall, быстрый предварительный слой, который проверяет запрос до отправки в основную модель. Нашел персональные данные — маскирует или отправляет в другой контур. Увидел финансовую информацию — не выпускает наружу. Обнаружил логины, пароли или явно запрещенные сведения — останавливает запрос и создает событие для безопасников. Да, это утяжеляет процесс. Зато снижает риск того, что человек случайно превратит умного агента в канал утечки.

Важно, что безопасность нельзя прикручивать к агенту в самом конце. Если система получает доступ к данным, инструментам и корпоративным процессам, ограничения должны быть заложены в архитектуру сразу.

Агенту нужны права, но не нужны лишние. Доступ к данным, но не ко всем подряд. Возможность действовать, но с понятными границами. Журналирование, чтобы потом было ясно, кто что сделал. Фильтры, чтобы пользовательская неосторожность не превращалась в утечку. Резервные сценарии, чтобы отказ модели не останавливал процесс.

Чем больше агент похож на сотрудника, тем больше к нему должно быть требований как к сотруднику. Только с одной поправкой: человека можно спросить, зачем он так сделал. С агентом лучше заранее позаботиться, чтобы он не мог сделать то, что потом придется долго объяснять.

On-prem не решает все

Для чувствительных данных самый понятный ответ часто звучит как on-prem. Если нельзя отдавать информацию наружу, модели размещаются внутри контура. В крупном enterprise это уже почти рефлекс. Безопасники не готовы обсуждать облако там, где есть персональные данные, коммерческая тайна или критичные производственные процессы.

В производстве осторожность становится еще жестче. Там агент может не просто подготовить текст или подсказать ответ, а повлиять на физический процесс. Например, заметить отклонение на линии, предложить технологу, что подкрутить, предупредить о браке или в перспективе подать команду оборудованию. Здесь ошибка уже не выглядит как плохой черновик письма. Она может стоить партии продукции, простоя или аварийной остановки.

На кондитерской фабрике «Победа», по словам Ростислава Гордиенко, не спешат отпускать такие сценарии в продуктив. Данные и модели разворачиваются внутри, облачные ИИ запрещены, а агенты остаются в режиме проверки гипотез. Среди возможных направлений — подсказки технологам, анализ отклонений, помощь в контроле брака на линии. Но свободное плавание для агента в производственном контуре пока слишком рискованно.

Это хороший контраст с офисными сценариями. В базе знаний агент может ошибиться в формулировке. В производстве он может не вовремя вмешаться или, наоборот, не вмешаться там, где должен был. Там автономность придется выдавать не сразу, а маленькими порциями, как доступ к особо опасному инструменту.

При этом on-prem не всегда возможен и не всегда экономически разумен. Собственное «железо» стоит дорого, потребности растут быстро, специалисты нужны уже сейчас, а эффективность проекта еще не доказана. Если к стоимости разработки агента сразу добавить инфраструктуру под все потенциальные сценарии, экономика может умереть до первого нормального запуска.

Поэтому облачные модели и аренда мощностей останутся частью реальности. Но тогда нужны сертифицированные площадки, договорные гарантии, внутренние правила по типам данных, фильтрация персональной информации и архитектура, которая не привязывает компанию намертво к одному поставщику.

Модель выбирают под задачу

В выборе модели для агентного ИИ «самая умная» не всегда означает «подходящая». Для одной задачи важнее качество рассуждения, для другой скорость, для третьей стоимость токенов, для четвертой возможность держать данные внутри контура. Иногда достаточно внешней модели и аккуратно настроенного RAG. Иногда нужен выделенный инстанс. Иногда без on-prem лучше даже не начинать разговор.

Вариантов больше, чем кажется при первом подходе. Можно использовать западные модели, если компания готова жить с рисками доступа, оплаты и трансграничной передачи данных. Можно идти к российским провайдерам и платить за API. Можно арендовать видеокарты и разворачивать open source-модели. Можно брать готовые foundation-модели у облачных платформ. Можно строить собственный контур, но там быстро появляются «железо», люди, сопровождение и все те расходы, которые на слайде обычно живут мелким шрифтом.

В «Маревен Фуд Сэнтрал» пока не пытаются подвести под каждый сценарий жесткую экономику. «Очень многое зависит от конкретной задачи. Есть сценарии, которые невозможно безопасно или эффективно реализовать на открытых моделях — для них требуется развертывание в выделенном инстансе, это довольно большие затраты для проверки гипотезы, с точки зрения операционной стоимости. А есть те, которые можно обрабатывать, используя модели в облаке, без специализированных доработок, стоимость использования которых — несколько рублей. Мы, когда в векторный формат переводим документы, RAG-хранилище держим у себя, а модель используем открытую в облаке», — говорит Петр Сагаловский.

Даже внутри on-prem нет одной модели на все случаи. Один кейс лучше идет на одной системе, другой — на другой, и выбирать приходится не по названию, а по результату. «Просто так не заменить одну модель на другую. Какие-то кейсы у нас на Qwen хорошо получаются, какие-то еще где-то. Поэтому, когда начинаем откатывать, смотрим сразу несколько систем: где результат лучше получается, туда и ныряем», — добавляет Ростислав Гордиенко.

Даже если компания заранее тестирует несколько моделей, переход между ними не становится автоматическим. Данные и RAG-контур перенести легче, чем уже отточенное поведение агента. Модели по-разному понимают инструкции, ошибаются и реагируют на контекст.

«Вы не сможете безболезненно перейти с одной модели на другую. У вас поменяется результат, который вы накопили и отточили за полгода или год. Взять развернутую модель RAG и свои данные перенести от одного провайдера к другому — без проблем. А перейти от модели к модели — сложная история», — считает Герберт Шопник.

Поэтому модель лучше выбирать не как разовую покупку, а как часть архитектуры. Нужны тесты и объективное сравнение качества, иначе можно уйти от зависимости от поставщика и тут же попасть в другую — от привычек конкретной модели.

ROI лучше считать до того, как все понравилось

Агентный ИИ легко запускать из любопытства. Он быстро показывает вау-эффект, умеет собирать информацию, писать, анализировать, вызывать инструменты. Но корпоративный проект живет не в демозале. После первых удачных показов приходят интеграции, безопасность, мониторинг, поддержка, вычисления и вопросы к качеству результата.

По наблюдениям «Группы Астра», многие компании уже экспериментировали с агентами, но до ощутимой ценности доходят далеко не все. «Главный барьер — это не только модели, а скорее данные и управляемость. Перед тем как начинать разработку решения, обязательно должен быть просчитан ROI проекта», — говорит Владимир Нелюб.

Собственный on-prem в одном случае может быть оправдан, в другом похоронит экономику еще до запуска. Облако часто позволяет быстрее проверить гипотезу и не покупать инфраструктуру под сценарий, который через месяц окажется не нужен. Но облако подходит не всегда, потому что все упирается в данные, риски и требования к контролю. Поэтому вопрос «какая модель лучше?» слишком общий. Полезнее спрашивать, какие данные обрабатываются, какова цена ошибки, какой поток задач ожидается, можно ли измерить эффект, что произойдет при смене провайдера и сколько будет стоить не пилот, а нормальная эксплуатация.

Будущее будет неравномерным

В ближайшие год-два агентный ИИ не изменит рынок ровным слоем. Где-то он станет рабочим инструментом, где-то останется аккуратным экспериментом, а где-то его почти не заметят. «В нашей компании ничего не изменится за два года. Никакого агентского массового внедрения не пройдет, я бы сказал, даже в нашей отрасли. А наша отрасль — это высшее образование России», — считает Алексей Наймушин.

В ИТ изменения пойдут быстрее. Агентные сценарии будут развиваться не только вокруг написания кода, но и в DevOps, автотестах, документации, сопровождении. Вместе с этим вырастет спрос на людей, которые умеют не просто выполнять задачу, а правильно ее поставить, описать требования, проверить результат и связать технологию с бизнесом.

Крупные корпорации будут двигаться осторожнее. У них есть юристы, безопасники, закупки, архитектурные комитеты и регламенты, которые умеют остановить даже очень красивую идею простым вопросом о владельце процесса. Малому бизнесу проще: меньше согласований, быстрее проверяются гипотезы, а один человек уже может собрать вокруг себя набор агентов и закрывать объем работы, для которого раньше требовалась команда. «Компании околоцифровые, которые генерируют контент, выполняют какую-то digital-работу, из одного человека превращаются в полноценный комбайн с кучей агентов», — добавляет Александр Стародубцев.

Для производственных компаний вопрос будет упираться не только в технологии, но и в доказанную пользу. На фоне APS, ERP, модернизации оборудования и других тяжелых проектов агентный ИИ должен не просто выглядеть перспективно, а показывать эффект. Здесь особенно важен нормальный ликбез: где ИИ помогает, где ошибается, какие данные нельзя загружать, как проверять результат и когда нужно звать человека. Без этого агенты так и останутся игрушкой для айтишников и энтузиастов.

Постепенно ИИ станет не отдельной темой для ИТ-отдела, а профессиональным навыком. «Для меня, как для нанимающего руководителя, важно, чтобы люди хотя бы базовые знания в своей профессии по применению ИИ уже имели. Во все описания вакансий у нас уже добавлена строка про базовое владение ИИ», — рассказывает Герберт Шопник.

Главный вывод здесь не в том, что агенты завтра заменят всех сотрудников. Чем больше система умеет действовать сама, тем меньше ей можно позволять работать «как-нибудь». Выиграют не те, кто громче всех объявит о цифровых сотрудниках, а те, кто сумеет встроить их в нормальный рабочий контур. Агент без прикрытия не притворяется человеком и не живет «умным чатом» в углу экрана. У него есть роль, доступы, правила и тот, кто отвечает за результат, если что-то пошло не так.