Эволюция внедрения ИИ: от обучения сотрудников к планированию агентов

Суть

Внедрение искусственного интеллекта в корпоративный сектор проходит через стремительную эволюцию. Если еще в конце 2023 года основным запросом бизнеса было обучение сотрудников работе с новыми инструментами, то сегодня фокус смещается на стратегическое планирование и внедрение автономных агентов. Натаниэль Уиттемор, основатель платформы Superintelligent и ведущий подкаста AI Daily Brief, в разговоре с McKinsey отмечает, что компании сталкиваются с «плато» в своих ИИ-стратегиях. Преодоление этого застоя требует не просто новых технологий, а фундаментального пересмотра рабочих процессов и подготовки данных.

Контекст

Индустрия искусственного интеллекта развивается настолько быстро, что традиционные циклы адаптации технологий ломаются. Раньше компании могли годами внедрять одно решение. Сейчас ситуация меняется каждые полгода. Уиттемор описывает три фазы эволюции своего продукта, которые зеркально отражают состояние рынка:

1. Октябрь 2023: Образование. Компании просто хотели, чтобы сотрудники научились нажимать правильные кнопки в ChatGPT.
2. Осень 2024: Обмен опытом. Появилось понимание, как использовать инструменты, но возник вопрос для чего. Команды начали делиться успешными кейсами.
3. Текущий момент: Планирование агентов (agent planning). С появлением моделей, способных к рассуждению (reasoning models), бизнес осознал потенциал автономных агентов, но столкнулся с неготовностью инфраструктуры.

Детали: Проблема «Плато»

Уиттемор выделяет феномен, который он называет «разрушитель плато» (plateau breaker). Многие организации, занимающиеся внедрением ИИ уже 12–18 месяцев, застревают на определенном этапе. Они прошли фазу первичного восторга и экспериментов, но не могут масштабировать успех. Причины этого системные:

• Готовность данных. Компании упираются в потолок качества и доступности своих данных. Без чистых, структурированных данных агенты бесполезны.
• Фрагментация стратегии. В разных отделах уровень внедрения и понимания технологий кардинально отличается. Нет единого центра управления и стандартов.
• Картирование процессов. Чтобы автоматизировать процесс с помощью агента, этот процесс нужно сначала детально описать. Выясняется, что знания о том, как реально выполняется работа, часто «заперты» в головах отдельных сотрудников и нигде не задокументированы.

Анализ

Ключевой инсайт заключается в том, что технологическая гонка создает парадокс для разработчиков фундаментальных моделей и прикладных решений. Компании-разработчики (как OpenAI или Anthropic) нацелены на создание общего искусственного интеллекта (AGI). Им может быть невыгодно тратить ресурсы на оптимизацию текущих, промежуточных версий моделей для нужд бизнеса.

Это открывает окно возможностей для посредников и интеграторов. Предприятиям нужны решения «здесь и сейчас», адаптированные под их несовершенные процессы, а не абстрактный сверхразум в будущем. Однако здесь кроется риск: стоит ли инвестировать в сложную инженерную обвязку для моделей, которые через полгода станут устаревшими?

Уиттемор решает эту дилемму через постоянный контакт с клиентами. Вместо того чтобы строить продукт на опережение, ориентируясь на прогнозы футурологов, он фокусируется на текущих болях бизнеса. Даже если технология позволяет уйти далеко вперед, продукт должен соответствовать реальному уровню зрелости клиента.

Перспектива

В ближайшие годы мы увидим массовый переход от использования ИИ как «второго пилота» (copilot) к полноценным агентским системам. Однако этот переход не будет мгновенным. Основным барьером станет не отсутствие мощных моделей, а организационная неготовность компаний.

Бизнесу придется провести «генеральную уборку» в своих процессах. Те, кто сможет формализовать неявные знания сотрудников и превратить их в алгоритмы для агентов, получат колоссальное преимущество. Остальные рискуют остаться с набором дорогих инструментов, которые некому и не к чему применить.