Первая волна решений на основе генеративного искусственного интеллекта уже достигла значительных успехов в корпоративной среде. Однако эти решения показывают лишь малую часть того, что возможно с использованием больших языковых моделей (LLM). Настоящий потенциал этой технологии раскрывается сейчас в следующем поколении ИИ-приложений — основанных на агентах системах, которые строятся на прочной основе LLM и выводят их использование на новый уровень.

В отличие от традиционных чат-ботов или простых помощников для SaaS-продуктов, ИИ-агенты используют весь спектр возможностей LLM. Они могут не только генерировать текст, но и решать сложные задачи (почти) автономно. ИИ-агент — это система, которая преследует конкретные цели в рамках определенных границ автономии и использует различные инструменты.

Можно ли разработать одно универсальное приложение, которое могло бы решать все проблемы компании? Короткий ответ — нет. LLM способны к обобщению, однако для корпоративной среды характерна относительно узкая направленность каждого отдельного приложения. Только так удается обеспечить стабильную производительность и контролировать доступ к данным и инструментам.

Гипотетически «суперприложение» звучит очень привлекательно, но оно потребовало бы полного доступа ко всем данным и инструментам компании — от самых банальных до самых конфиденциальных. Так же, как сотрудник должен иметь доступ только к тем данным и инструментам, которые необходимы для его работы, доступ агентоориентированного приложения должен быть точно ограничен тем, что ему нужно для выполнения своей функции.

Поэтому реалистичный прогноз для крупных организаций по числу требуемых ИИ-агентов — несколько сотен. Компании, которым необходимо несколько новых приложений, неминуемо сталкиваются с дилеммой «создавать или покупать». Поставщики ПО уже выводят на рынок соответствующие решения. В то же время организации-первопроходцы разрабатывают свои первые агентоориентированные приложения самостоятельно.

Готовые ИИ-агенты обладают важными достоинствами: они обеспечивают готовое решение, поддерживаются профессиональными разработчиками и быстро внедряются. Среди недостатков готовых решений — обычно сложная интеграция в существующие корпоративные системы и проблемы управления.

С другой стороны, самостоятельно разработанные, адаптированные ИИ-агенты могут быть точно настроены под конкретную бизнес-среду и, таким образом, предложить потенциал для реального дифференцирования компании на рынке. Организации сохраняют полный контроль, прозрачность своих приложений и независимость от внешних поставщиков программных продуктов, ИИ-моделей и облачных сервисов. Однако эти преимущества имеют свою цену: работников требуемой квалификации в организации может и не найтись, а с увеличением числа саморазработанных ИИ-приложений значительно возрастает сложность их мониторинга и обслуживания.

Поэтому большинство компаний будут покупать часть ИИ-агентов, а часть — разрабатывать самостоятельно. Стоит отметить, что, ИИ-агенты могут повысить эффективность операционных процессов, однако если эти их будут использовать и конкуренты, добиться конкурентного преимущества не получится. Разработка уникальных агентов позволяет создавать инструменты, которых нет у конкурентов, но требует обязательной фокусировки усилий на ключевых областях бизнеса.

Таким образом для каждой организации есть свой «порог сложности» — максимальное количество приложений, которые она может разрабатывать, отслеживать и поддерживать.

По мере того как компания создает все больше агентоориентированных приложений, сложность их мониторинга и поддержки возрастает, пока, в какой-то момент, не будет достигнут максимальный уровень сложности, и дальнейшая разработка станет невозможной — даже если это принесло бы пользу бизнесу. Чтобы повысить этот порог, компании должны стандартизировать и структурировать процесс разработки.

В прошлом организации использовали различные архитектурные парадигмы: от монолитных приложений до сервис-ориентированных архитектур и микросервисов. Имеющиеся инфраструктуры для создания агентоориентированных приложений в основном монолитны. Такой подход подходит для разработки первых прототипов, однако он отражает относительную незрелость подходов к созданию агентоориентированных приложений в корпоративной среде.

Более совершенная парадигма создания и поддержки множества агентоориентированных приложений предуматривает использование многоуровневой архитектуры, которая включает следующие компоненты:

— базовые модели: обученные ИИ-модели;

— слой данных: разделен на структурированные и неструктурированные данные;

— слой сервисов: включает сервисы для работы модели и доступа к данным;

— слой оркестрации: объединяет запросы, агентов и инструменты;

— слой приложений: готовые приложения с интерфейсами пользователя.

Главное преимущество такой архитектуры — абстракция. Она формирует стандартизированные интерфейсы между уровнями, позволяя заменять один сервис без необходимости адаптации других компонентов. Это помогает компаниям увеличить свой порог сложности и эксплуатировать больше ИИ-агентов.