Проблема «черного входа» в данных
Для успешного внедрения ИИ-агентов компаниям необходимо обеспечить доступность данных для их потребления. Нильс Зейлемакер, технический директор Xebia, утверждает, что возможности агентов напрямую зависят от прочности фундамента данных. Если данные не подготовлены, агент может найти неверную информацию, неверно интерпретировать её или ошибочно объединить несвязанные поля.
Зейлемакер подчеркивает, что такие ошибки — это не вина самого ИИ, а следствие неподготовленной инфраструктуры. В работе с людьми существует «черный ход»: если документация к данным неполная, сотрудник может просто подойти к коллеге и уточнить детали. У ИИ-агентов такого механизма нет — они полностью полагаются на то, что записано в каталоге данных. Если описание неверно, агент не сможет выполнить задачу.
Подход Agentic Data Foundation
Для решения этих проблем Xebia предлагает концепцию Agentic Data Foundation (ADF). Этот подход расширяет возможности платформ данных, позволяя размещать на них ИИ-агентов для использования как во внутренних процессах, так и в работе с клиентами. ADF помогает объединить разрозненные массивы данных и ускорить процесс миграции с устаревших систем на современные платформы.
Использование ИИ-агентов в сочетании с экспертной инженерией позволяет значительно сократить сроки внедрения. То, что раньше занимало от 12 до 24 месяцев, при использовании специализированных решений может быть реализовано в рамках фиксированного бюджета и четких этапов проекта.
Безопасная разработка с помощью ИИ
Помимо работы с данными, важным аспектом является внедрение ИИ в процесс разработки программного обеспечения (SDLC). Xebia предлагает фреймворк ACE (AI-Native Software Engineering), который интегрирует ИИ на всех этапах создания продукта. Это позволяет ускорить поставку решений на 40%, при этом снижая затраты на трансформацию устаревшего кода на 70%.
Зейлемакер отмечает, что это особенно актуально для крупных предприятий, которым важно сохранять контроль и соблюдать стандарты управления (governance) даже при использовании языковых моделей. Это позволяет избежать рисков, связанных с бесконтрольной генерацией кода, который может содержать уязвимости.
Будущее контроля качества кода
С ростом объемов кода, создаваемого ИИ, индустрия ищет способы обеспечения безопасности. Одним из перспективных направлений является использование LLM в качестве «третьего эксперта» для проверки запросов на слияние (pull requests). Это позволит автоматизировать глубокую проверку кода перед выпуском обновлений, добавляя в процесс еще один уровень контроля качества.
Что это значит
Для эффективного использования ИИ-агентов компаниям недостаточно просто внедрить современные модели; необходимо сначала создать качественный фундамент данных и обеспечить их точное описание в каталогах. Без этого даже самые продвинутые технологии будут выдавать ошибочные результаты.