ИИ – агенты: гайд по правильному внедрению

ИИ-агенты уже становятся полноценными участниками бизнес-процессов в компаниях из самых разных отраслей. Эксперты Axenix провели исследование, в котором рассмотрели как эффекты от внедрения ИИ-агентов, так и риски подобных проектов. Оказалось, что их интеграция в бизнес-процессы – сложный многоэтапный процесс. Однако начинать внедрение ИИ-агентов лучше уже сегодня, чтобы получить конкурентные преимущества и не оказаться в «ловушке» устаревших процессов.

В чем ИИ-агенты превосходят стандартные ИИ-системы

ИИ-агенты представляют собой новый уровень эволюции искусственного интеллекта. В отличие от традиционного (неагентного) ИИ, ограниченного узкими задачами или фиксированными сценариями, это интеллектуальная система, которая обладает несколькими ключевыми свойствами:

• автономность: действует без постоянного контроля; 
• целеполагание: понимает и следует поставленным целям; 
• инструментальность: умеет использовать API, программы и базы данных;
• адаптивность: учится на основе обратной связи. 

Агенты могут объединяться в системы, оркестрируемые единым центром. Однако же будущее – за мультиагентными системами, которые способны осуществлять децентрализованную координацию как на уровне агентов, так и на уровне систем агентов.

Цифровые помощники способны решать широкий спектр задач: 

• автоматизация полноценного цикла продаж — от лида до закрытия;
• круглосуточная техническая поддержка; 
• аналитик данных, который сам формирует отчеты и дайджесты; 
• персональный ассистент по планированию встреч и поручений.

По своей функциональности и эффективности ИИ-агенты превосходят традиционный ИИ (например, классификатор изображений или чат-бот по сценарию), поскольку он  эффективен в одной узкой задаче. ИИ-агенты не просто отвечают на вопрос, а выполняют всю цепочку действий, например, промпт «подготовить квартальный отчет» влечет за собой сбор данных, анализ, визуализацию и рассылку.

Кроме того, виртуальные помощники на основе ИИ-агентов могут выбирать действия из нескольких вариантов, исходя из изменяющихся условий, одновременно использовать несколько внешних систем и источников данных, что недоступно большинству «узких» ИИ.

Драйверы и барьеры развития

Эксперты выделили несколько социальных и технологических факторов, которые влияют на развитие ИИ-агентов:

• Изменение рабочих моделей: новые роли, гибридные человеко-машинные команды
• Прогресс в обучении больших языковых моделей, мультимодальных и автономных агентов
• Прогресс в области объяснимости и трассируемости решений
• Повышение синергии ИИ-агентов с робототехникой, сенсорами и IoT
• Неопределенность в области стандартов и совместимости между платформами
• Нехватка качественных и структурированных данных для обучения и поддержки моделей
• Этические и правовые опасения, связанные с прозрачностью, приватностью и сбором данных
• Изменение роли человека и страх перед утратой рабочих мест
• Риск попадания в зависимость от внешних поставщиков
• Сложность расчета экономических показателей (как стоимости внедрения, так и эффектов)
• Необходимость изменения бизнес-процессов при внедрении ИИ-агентов
• Базовое недоверие к результатам работы ИИ (чувство «черного ящика»)**, страх потерять контроль над процессами
• Регуляторные ограничения на автономное принятие решений в определенных сферах/процессах (медицинская диагностика, юридические выводы и пр.)

Зачем нужен AI-лидер?

По мнению авторов исследования, по мере роста сложности и масштаба ИИ-инициатив возникнет необходимость в специальной роли ИИ-лидера, который будет координировать все аспекты управления ИИ-агентами и проектами.

ИИ-лидер — это не технический специалист, а стратег. Основной фокус его работы – сделать так, чтобы агенты приносили реальную ценность. Ключевые функции ИИ-лидера: 

• стратегическое развитие (определение целей для агентов и их роли в бизнес-процессах);
• координация кросс-функций (выявление возможности применения ИИ-агентов, поддерживает раннюю вовлеченность стейк-холдеров, обеспечивает прозрачность дорожной карты);
• внедрение и эксплуатация ИИ-решений (определение требований к ИИ-решениям, управление их жизненным циклом, совместно с CIO управление их архитектурой, формирование дорожной карты обновлений технологической инфраструктуры, обеспечение эффективности, надежности и масштабируемости); 
• управление данными (совместно с CDO формирует и реализует стратегию управления данными, обеспечивает объяснимость и прозрачность моделей и их результатов);
• культура и обучение (совместно с HR организует обучение сотрудников и формирует культуру доверия к ИИ и устойчивого обмена знаниями, формирует и развивает команду специалистов).

Эволюция команд по управлению цифровыми помощниками

На практике сформировались две основные организационные схемы (модели) управления ИИ-агентами — централизованная и децентрализованная.

Децентрализованная модель предполагает управление ИИ-агентами без введения отдельной роли. При централизованном управлении отдельная роль отводится ИИ-лидеру.

Централизованные и децентрализованные модели представляют две крайности, возможны и гибридные варианты. В целом, выбор модели управления ИИ-агентами зависит от масштаба компании и уровня внедрения ИИ. Децентрализация уместна, пока проектов мало, а решения нужно принимать быстро.

Эксперты отмечают, что эволюция управления ИИ-агентами выглядит как движение от автономных инициатив к более структурированным формам управления. Сначала команды действуют децентрализованно, решая узкие прикладные задачи, быстро внедряют прототипы без общих правил. Затем управление перемещается на функциональный уровень, где внутри отдельных бизнес-юнитов появляются стандарты и практики, но они остаются ограниченными рамками одного департамента. 

Следующий этап – межфункциональная координация: проектные команды начинают обмениваться решениями и данными, формируются рабочие группы и общие процессы, однако усилия по контролю и согласованию по-прежнему носят частный характер. Наконец, накопившиеся потребности в единой ответственности, стандартизации и управлении рисками естественно приводят к созданию централизованной структуры – AI Governance, которая обеспечивает согласованность политик, распределение ролей и обязательную отчетность по ИИ-инициативам.

Как ИИ-агенты меняют бизнес-модели

Внедрение агентов ведет не к оптимизации, а к фундаментальным изменениям бизнес-модели. ИИ-агенты начинают принимать решения, оптимизировать процессы, автоматизировать операции и взаимодействовать с клиентами автономно. Это влияет как на цепочки создания ценности, так и на структуры выручки, затрат и маржи в разных сегментах бизнеса.

ИИ-агенты сами по себе становятся новыми ценностями в структуре нематериальных активов. Соответственно, баланс ценности может смещаться в сторону нематериальных активов и ценностей – ПО и моделей, баз данных, интеллектуальной собственности.

Также происходит трансформация ролевой модели и культуры организации. Переход к работе с ИИ-агентами меняет структуру затрат на человеческий капитал, формирует потребность в обучении и переобучении сотрудников, а также в развитии новых функциональных ролей.

Появляются новые факторы риска. Финансовое моделирование будет требовать учета рисков деградации моделей, утраты данных, киберрисков, регуляторных ограничений и многих других категорий, которые ранее имели меньшее значение.

В результате усложняется прогнозируемость и меняется структура финансовых потоков – как структура затрат (капитальных и операционных), так и структура экономических эффектов (прямых и косвенных), растет значимость нематериальных эффектов.

Цена автоматизации: от пилотного проекта до корпоративного внедрения

Стоимость внедрения зависит от численности компании и масштабности проекта. 

Так, для малого бизнеса (штатная численность до 50 чел.), интеграция пилотной версии, настройка и подключение к облачной инфраструктуре, может обойтись до 15 млн рублей. Затраты на техподдержку и обучение персонала может достигать от 0,5 до 4 млн рублей ежегодно.   

Для среднего бизнеса (50-500 чел.) – интеграция платформ и разработка кастомных интеграций потребует финансирования в размере 15-30 млн рублей. Дороже будет и техподдержка решения – порядка 5-10 млн в год. Общие затраты, по подсчетам экспертов, на внедрение ИИ-агентов, достигают  30-60 млн рублей.

 Для крупного бизнеса (от 5000+ чел.)  проект по переходу на ИИ-агентов может потребовать инвестиций от 75 до 150 млн рублей. На поддержание и улучшение цифровых моделей, работу команды поддержки затраты составят до 60 млн рублей ежегодно.

Для корпорации с численностью сотрудников 50 тысяч человек и более проект по цифровой трансформации  будет стоить от 350 млн рублей и потребует дополнительно от 200 млн рублей на техподдержку.

Как правило, компании выбирают два пути внедрения ИИ-агентов: самостоятельная либо  заказная разработка. В зависимости от сделанного выбора, распределение стоимости и сложности внедрения будет различным. 

Самостоятельная разработка. Полный контроль, гибкость, но высокие затраты на найм редких специалистов, долгий срок разработки и ответственность за поддержку.

Заказная разработка. Быстрый старт, доступ к экспертизе, предсказуемый бюджет, но возможная зависимость от вендора, меньшая гибкость под уникальные задачи и ежемесячные подписки/оплата.

Экономические и стратегические эффекты

Авторы исследования разделили эффекты от внедрения ИИ-агентов на 3 группы.

Прямые. Измеримые и напрямую возникающие от внедрения ИИ-агентов изменения в операционных и финансовых показателях компании: повышение производительности за счет ускорения процессов и автоматизации рутинных задач, снижение числа ошибок и соответствующих затрат на исправление, а также экономия фонда оплаты труда за счет перераспределения или сокращения ручного труда.

Косвенные. Менее заметные, но значимые последствия внедрения ИИ, которые проявляются через влияние на смежные бизнес-процессы и рынок: увеличение скорости принятия решений, улучшение клиентского опыта и удержания, рост продаж и рыночной доли благодаря более качественным продуктам и услугам, а также снижение операционных рисков и затрат на мониторинг и контроль, которые не всегда прямо отражаются в бухгалтерских строках, но усиливают долгосрочную финансовую устойчивость.

Нематериальные. Качественные изменения, трудно поддающиеся прямому количественному измерению, включая улучшение репутации и бренда, повышение мотивации и удовлетворенности сотрудников, усиление инновационной культуры и способности компании привлекать таланты, а также появление новых знаний и организационного опыта, которые создают ценность в долгосрочной перспективе, но не всегда сразу отражаются в финансовой отчетности.

Следует также учитывать, что при масштабировании эффекты могут изменяться по нелинейным законам из-за взаимного усиления синергетических аспектов.

К самым значимым экономическим эффектам можно отнести следующие:

• снижение операционных издержек (до 30-50% в зависимости от отрасли, специфики компании ); 
• увеличение скорости обработки заявок;
• сокращение ошибок;
• высвобождение человеческих ресурсов для других задач.

К основным нематериальным эффектам можно отнести: 

повышение удовлетворенности клиентов – например, улучшение пользовательского опыта может увеличить LTV (Lifetime Value, — пожизненная ценность) пользователя в несколько раз за счет удержания и формирования привычки пользоваться определенным продуктом;

влияние на репутацию компании / бренда – эффективная работа ИИ может быстро стать элементом публичного образа и ассоциироваться с ценностями компании;  

влияние на удовлетворенность сотрудников – автоматизация рутинных задач и своевременная поддержка высвобождают время сотрудников для других видов деятельности, повышая ощущение полезности, значимости и самореализации;

изменение доверия к технологиям и институтам – эффективные, прозрачные и  предсказуемые действия ИИ-агентов укрепляют доверие работников, а непрозрачные и непредсказуемые – наоборот, подрывают;

изменение норм человеко-машинного взаимодействия – повсеместное использование ИИ формирует новые ожидания относительно скорости, доступности и характера взаимодействия, включая способы и формы коммуникации и границы ответственности.

5 шагов для принятия решения о внедрении ИИ-агентов

Аудит процессов. Выявить повторяющиеся, рутинные и многошаговые задачи.

Оценка зрелости данных. Достаточно ли данных качественных и структурированных для обучения агента?

Расчет ROI. Сопоставить потенциальную экономию/прибыль с затратами на разработку и внедрение.

Старт с пилота. Выбрать один некритичный, но показательный процесс для тестирования.

План масштабирования. Разработать дорожную карту внедрения на другие процессы по итогам успеха пилота.

Резюме

ИИ-агенты — это новый качественный скачок в автоматизации, переход от ИИ-инструментов к автономным сотрудникам. Их внедрение требует новых ролей (ИИ-лидер) и моделей управления. Эффект — не только экономия, но и создание принципиально новых бизнес-моделей и конкурентных преимуществ. Внедрять цифровых ассистентов необходимо поэтапно, данный процесс следует начинать с аудита и пилотирования. Компании, которые откладывают освоение цифровых технологий, рискуют безнадежно отстать от более гибких и эффективных конкурентов.