Агентная логика против масштабирования: как IBM решает проблему внедрения ИИ в бизнесе

Суть

Несмотря на стремительное развитие искусственного интеллекта, масштабируемое внедрение ИИ в крупном бизнесе сталкивается с серьезными трудностями. Исследователи из IBM Research опубликовали материал, в котором доказывают: для решения сложных корпоративных задач недостаточно просто использовать передовые большие языковые модели (LLM). Чтобы ИИ-агенты работали надежно, предсказуемо и экономически выгодно, им необходима «агентная логика» — строгий программный каркас, который направляет работу языковой модели.

Контекст

Многочисленные исследования показывают высокий процент неудач при запуске пилотных ИИ-проектов в компаниях. Проблема заключается в специфике корпоративных рабочих процессов. Они динамичны, занимают много времени, требуют взаимодействия с множеством баз данных и API, а также жестко ограничены бизнес-правилами и нормативными требованиями.

Попытка решить эти задачи путем простого расширения контекстного окна LLM приводит к негативным последствиям. Увеличивается риск галлюцинаций, а затраты на вычисления (потребление токенов) возрастают до неприемлемых значений. Языковой модели нужен своеобразный «GPS-навигатор», который не позволит ей сбиться с пути в лабиринте корпоративных данных.

Детали

IBM определяет «агентную логику» как программные примитивы: графы знаний (knowledge graphs), классические алгоритмы и библиотеки анализа кода. Они работают на уровне управления агентом и целенаправленно сужают пространство контекста для LLM. Эффективность этого подхода подтверждается внутренними тестами компании в нескольких сложных областях:

1. Разбор устаревшего кода (Cobol / PL/1). Использование агента, который предварительно индексирует структуру приложения с помощью статического анализа кода, позволило сохранить высокое качество понимания архитектуры, при этом снизив потребление токенов примерно в 30 раз по сравнению с использованием чистой LLM.
2. Генерация тестов для разработчиков. Система Aster, использующая алгоритмический анализ программ, показала улучшение покрытия кода на 20-45% при снижении расхода токенов до 15 раз по сравнению с современными ИИ-агентами для программирования.
3. Реакция на ИТ-инциденты. Использование графов знаний, описывающих ИТ-инфраструктуру, позволило агенту Instana I3 превзойти стандартный ReAct-агент в 4 раза по скорости и точности выявления корневых причин сбоев.
4. Автоматизация комплаенса. Сложные задачи по проверке соответствия стандартам решаются путем алгоритмического разбиения на мелкие шаги. Это повысило процент успешного выполнения задач с однозначных чисел до более чем 80%.

Анализ

Эти данные иллюстрируют важный сдвиг в индустрии. Первоначальный энтузиазм по поводу того, что LLM способны самостоятельно планировать и выполнять любые задачи, сменяется прагматичным инженерным подходом. Оказывается, что классические методы информатики — статический анализ, детерминированные алгоритмы, строгие политики доступа — не устарели. Напротив, их интеграция с генеративным ИИ создает системы, которые превосходят базовые модели как по надежности, так и по стоимости эксплуатации.

Агентная логика снимает с LLM нагрузку по планированию сложных многошаговых процессов в незнакомой среде, оставляя модели ту работу, с которой она справляется лучше всего: понимание естественного языка, генерацию текста и локальный анализ небольших фрагментов данных.

Перспектива

Вероятно, в ближайшие годы мы увидим стандартизацию фреймворков для создания ИИ-агентов, где жесткая программная логика будет встроена по умолчанию. Разработчики корпоративного ПО будут конкурировать не в размере используемых языковых моделей, а в качестве архитектуры графов знаний и алгоритмов маршрутизации задач. Это сделает ИИ-решения менее «магическими», но гораздо более предсказуемыми и безопасными для бизнеса.