Новый этап развития ИИ

Современные возможности генеративного ИИ, такие как чат-боты, позволяют эффективно обрабатывать текст или резюмировать переписку. Однако такие инструменты лишь локально повышают продуктивность, не меняя фундаментальных показателей работы организации. Чтобы получить реальный экономический эффект, компаниям нужно переходить к следующему этапу — автономному интеллекту.

Согласно экспертам Deloitte, развитие технологий проходит три стадии: от «вспомогательного интеллекта», который помогает человеку интерпретировать данные, через «искусственный интеллект», дополняющий решения человека, к «автономному интеллекту». На последнем этапе ИИ способен самостоятельно принимать решения и действовать в заданных рамках.

От ответов к результатам

Главное отличие автономного интеллекта от обычного генеративного ИИ заключается в наличии «агентности». Если обычный ИИ просто выдает ответ на запрос, то автономная система стремится к достижению конкретной цели. Она может самостоятельно использовать инструменты, обращаться к данным и адаптироваться к меняющимся условиям, в то время как человек лишь устанавливает правила и границы дозволенного.

Примером может служить процесс закупок. Автономное приложение может непрерывно сверять складские запасы с актуальными ценами поставщиков в системе управления ресурсами (ERP). Система способна самостоятельно оформлять заказы в рамках заранее определенных финансовых лимитов, запрашивая подтверждение у человека только в случае отклонений от правил.

Проблема данных и процессов

Для успешного внедрения автономных систем недостаточно просто выбрать подходящую модель ИИ. Основные сложности возникают на этапе подготовки данных и проектирования процессов. Часто компании пытаются автоматизировать уже сломанные или плохо настроенные рабочие процессы, что делает внедрение бессмысленным.

Существует критическое различие между данными для отчетности и данными для принятия решений. Большинство корпоративных баз данных созданы для аналитиков-людей и обновляются раз в сутки или неделю. Автономному же агенту нужны «решения высокого качества»: данные с актуальной временной меткой, четким происхождением и строгим контролем доступа. Использование устаревших данных может привести к тому, что система совершит сделку по недействительным ценам или нарушит правила комплаенса.

Ловушка пилотных проектов

Многие компании сталкиваются с «разрывом производства» при попытке масштабировать ИИ. Пилотный проект может быть успешным благодаря ручной поддержке команды и тщательно отобранным наборам данных, но при развертывании на всю компанию возникают проблемы. К ним относятся необходимость непрерывной оценки работы модели, интеграция с существующими системами безопасности и непредсказуемые расходы на вычислительные мощности.

Еще одна проблема — «долг управления». Чтобы ускорить запуск пилота, команды часто обходят стандартные протоколы безопасности и аудита. Однако при попытке масштабирования именно эти пропущенные шаги становятся главным препятствием, так как юридические отделы и службы комплаенса не могут допустить работу системы в реальной среде без надлежащего контроля.

Что это значит

Для достижения реального роста компаниям необходимо рассматривать внедрение автономного ИИ не как серию разрозненных экспериментов, а как создание единой масштабируемой платформы. Это требует заблаговременной разработки архитектуры управления, обеспечения актуальности данных и внедрения механизмов финансового контроля с самого первого этапа разработки.