Глава Google Cloud Томас Куриан объясняет, как большие языковые модели переходят от простых ответов на вопросы к автоматизации сложных бизнес-процессов.
2 мин
Искусственный интеллект в корпоративном секторе проходит важный этап трансформации. Если еще недавно главным достижением считалось создание умного корпоративного чат-бота, то сегодня фокус смещается на автономных агентов. В недавнем интервью Бену Томпсону генеральный директор Google Cloud Томас Куриан подробно рассказал о наступлении «эпохи агентов» (agentic moment) и о том, как это меняет бизнес-процессы.
Суть происходящего заключается в том, что модели научились не просто генерировать текст, а выполнять последовательности действий для достижения конкретного результата. Агенты берут на себя рутину, объединяя разрозненные системы внутри компании. Это позволяет не только повысить продуктивность, но и радикально изменить способы вывода новых продуктов на рынок.
Для того чтобы этот переход стал возможным, потребовалось развитие технологий сразу в нескольких направлениях. Куриан выделяет три ключевых фактора. Во-первых, сами модели (в частности, Gemini) стали лучше справляться со сложной логикой и рассуждениями. Во-вторых, появилась долгосрочная память, критически важная для многошаговых задач. В-третьих, улучшились абстракции и протоколы (например, Model Context Protocol), позволяющие моделям взаимодействовать с внешними инструментами, базами данных и API.
Важно отметить, что это уже не теоретические исследования, а реально работающие системы. В качестве примера Куриан приводит опыт крупных клиентов Google Cloud. Финансовая корпорация Citigroup использует агентов для анализа портфелей клиентов в сфере управления капиталом. Система изучает приоритеты клиента, сопоставляет их с финансовым положением и выдает персонализированные рекомендации.
Другой пример — телекоммуникационная компания Comcast, которая применяет агентов для обслуживания потребителей. Процесс вызова технического специалиста включает в себя множество шагов: от согласования расписания до проверки наличия нужных запчастей на складе и обновления инвентарных баз. Агент берет на себя оркестрацию всех этих разрозненных систем.
Интересный вывод из слов Куриана заключается в том, как ИИ справляется с корпоративными ограничениями. На первый взгляд кажется, что сложные системы с множеством правил усложняют работу агентов. Однако на практике именно эти ограничения заставляют модели становиться умнее. В сложных процессах невозможно заранее запрограммировать каждый возможный сценарий. Вместо этого модели задается конечная цель (goal-seeking), и она самостоятельно находит путь к ее достижению, адаптируясь к возникающим условиям.
В перспективе мы увидим, как платформы агентов станут базовой инфраструктурой для большинства крупных компаний. Успех на этом рынке будет зависеть не только от качества самой языковой модели, но и от того, насколько безопасно и эффективно она интегрируется с существующими корпоративными данными и инструментами безопасности.
Корпоративный ИИ переходит от стадии пилотных чат-ботов к полномасштабным агентам, способным самостоятельно достигать поставленных целей в условиях сложных бизнес-процессов.
Жесткие корпоративные ограничения и сложные процессы не мешают внедрению ИИ, а наоборот, требуют от моделей перехода к самостоятельному целеполаганию (goal-seeking), так как детерминированное программирование всех сценариев становится невозможным.
