Агенты искусственного интеллекта преобразуют операции предприятия, автономно интерпретируя контекст, принимая решения и выполняя задачи с минимальным вмешательством человека. Но вау-фактора автономии на уровне задач недостаточно для истинного возврата инвестиций (ROI). Это начинается, когда команды привлекают нескольких агентов для совместной работы в качестве цифровых коллег, работающих независимо, вместе и с людьми в критически важных рабочих процессах.
Одно крупное финансовое учреждение, с которым я недавно разговаривал, устранило 45-дневную задержку в проверке ипотеки после закрытия, внедрив совместные агенты искусственного интеллекта для предварительной проверки документов и выявления вероятных проблем. Группа поддержки клиентов в другой организации использовала мультиагентный шаблон для семантического поиска заявок CRM и статей базы знаний, чтобы решить множество проблем без необходимости вмешательства человека. Подобные истории становятся все более распространенными, и они основаны на двух осознанных решениях:
Давайте рассмотрим, как сделать и то, и другое. Мы рассмотрим, как агентный ИИ на самом деле повышает ценность предприятия, как спроектировать совместную экосистему агентов и как выбрать и реализовать высокоценные варианты использования таким образом, чтобы не ухудшить ваш профиль риска.
Проектирование совместных экосистем агентов ИИ
Агенты ИИ — это автономные протоколы для таких задач, как анализ данных, маршрутизация работ, обновление системы и выполнение процессов. То, как вы используете агента, зависит от того, какую автономию вы хотите ему предоставить:
- Уровень 0 – На основе правил: классическая детерминированная автоматизация.
- Уровень 1 – с помощью ИИ: контроль осуществляется человеком, ИИ предлагает или предварительно заполняет.
- Уровень 2 – автоматизированный с помощью ИИ: ИИ выполняет задачи в пределах ограждения.
- Уровень 3 – организованный искусственным интеллектом: агенты преследуют цели и при необходимости вызывают другие инструменты/агенты.
Повышение эффективности многократно возрастает, когда агенты сотрудничают, выходя за рамки своих изолированных задач, и действуют больше как цифровые коллеги в общем рабочем процессе: один агент может классифицировать входящий документ, другой может извлекать структурированные данные, а третий перенаправляет работу нужному человеку или системе. Именно в этих многоагентных системах организации видят свои первые совокупные преимущества: более короткие очереди, лучшие соглашения об уровне обслуживания (SLA), более чистые данные и больше времени для людей, чтобы сосредоточиться на исключениях и более ценной работе.
«Зрелость» этой экосистемы не означает повсеместного стремления к уровню 3, а, скорее, калибровку автономии с учетом риска. В примере с ипотекой, о котором я рассказывал ранее, агенты уровня 1 и уровня 2 сотрудничали при закрытии пакетов, но окончательное решение по-прежнему принимал человек-аудитор. Правильное размещение агентов ИИ и способ их сотрудничества, особенно в этой и других жестко регулируемых отраслях, зависит от:
- Цена ошибки (финансовая, нормативная, безопасность, доверие клиентов).
- Зрелость процесса (хорошо ли он понят и инструментирован?)
- Качество данных и инструментов, доступных агентам.
Например, вы можете оставить агентов на уровне 1, чтобы они действовали как вторая группа наблюдателей за обновленными правилами и большими пакетами контрактов для строго регулируемых финансовых операций, тогда как вы можете полагаться на более автоматизированные или организованные шаблоны для внутренней поддержки, маршрутизации или сортировки, где профиль риска ниже.
Выбор правильных вариантов использования
В масштабе всего предприятия ищите сценарии, в которых процессы являются повторяемыми, объемными и уже хорошо оснащены в большинстве сред, что делает их идеальными кандидатами для раннего многоагентного развертывания. Вы также можете расставить приоритеты для сложных или непоследовательных процессов, в которых команды склонны каждый раз «изобретать велосипед», а также для любых проблем, в которых клиенты или внутренние пользователи застревают или уходят. Сильные примеры раннего использования агентов совместной работы включают в себя:
- Сортировка обращений (для предупреждений о соответствии требованиям, обращений в службу поддержки или исключений из случаев мошенничества)
- Классификация и извлечение документов
- Межсистемная сверка, проверка качества данных и отчетность или обобщение для аудитов и операционных обзоров.
Как отмечалось ранее, рабочие процессы управления рисками сильно различаются по своим профилям. Финансовые риски возникают из-за неверных решений по кредитам, отсутствия контроля или неправильной оценки инструментов. Риски для безопасности и здоровья проявляются в клинических операциях, здравоохранении и инфраструктуре. Репутационный риск возникает из-за решений, касающихся клиентов, которые могут подорвать доверие.
Такие области высокого риска все еще могут быть кандидатами на использование совместного агентного ИИ, но с большим количеством возможностей для человеческого надзора и надежной регистрации. Если вариант использования несет в себе неоправданный риск, сделайте шаг назад и определите смежный или вспомогательный рабочий процесс, в который агенты могут безопасно внести свой вклад. Помните, что осведомленность о рисках на уровне разработчиков должна соответствовать более широкой толерантности к риску в организации; более консервативным фирмам могут потребоваться сценарии использования с меньшей автономией и более строгий надзор.
Контрольный список для команд модернизации
Совместные агенты обеспечивают огромную рентабельность инвестиций, но дьявол кроется в деталях. На практике вы получаете ценность только в том случае, если можете положиться на агентов так же, как на межфункциональную команду людей: с четкостью ролей, общими протоколами и архитектурой совместной работы, которая позволяет агентам свободно и безопасно обмениваться контекстом. Вот пять пунктов контрольного списка, которые должны быть в любом руководстве по модернизации агентного ИИ:
1. Создайте явные карты ролей агента.
Для каждого агента в рабочем процессе напишите карточку ролей, в которой описываются его миссия, разрешенные инструменты и пути эскалации. Подчеркните разделение обязанностей: агент «создателя» не должен одновременно быть «утверждающим» или «издательским» в регулируемом процессе. Примеры:
- Агент планировщика: декомпозирует задачи и распределяет работу.
- Агент поиска: извлекает документы и данные.
- Агент-анализатор: классифицирует, оценивает риски или синтезирует информацию.
- Агент валидатора: проверяет выходные данные на соответствие политике и правилам соответствия.
- Агент-репортер: генерирует удобочитаемые сводки и отчеты.
Кодификация этих ролей обеспечивает ясность и облегчает обоснование решений по рискам и контролю доступа.
2. Разработка шаблонов и протоколов межагентного взаимодействия.
Будьте целенаправленны при настройке шаблонов связи, будь то с помощью организованной звездообразной модели, где маршрутизатор или планировщик упорядочивает задачи, или с помощью подхода, управляемого событиями, когда агенты публикуют и подписываются на общую шину сообщений. Затем примените дисциплинарные меры, такие как:
- Использование структурированных сообщений (JSON, Protobuf) с необходимыми метаданными: идентификатор агента, идентификатор задачи, показатель достоверности, временные метки.
- Принятие общего контекста и протоколов инструментов (например, протокола контекста модели или MCP), чтобы агенты знали, какие инструменты и ресурсы доступны.
- Сообщения должны быть небольшими и ориентированными на задачи, чтобы уменьшить сложность сопряжения и отладки.
Думайте об этом как о разработке API для агентов; это спасет вас позже, когда вы добавите новые возможности.
3. Инженер по устойчивости, наблюдаемости и управлению жизненным циклом
Агенты совместной работы — это операционные компоненты, которыми следует управлять так же, как микросервисами:
- Используйте модели версий, подсказки и конфигурации инструментов с планами отката.
- Реализуйте повторные попытки, автоматические выключатели и таймауты, чтобы предотвратить неконтролируемые циклы агента.
- Отслеживайте задержку для каждого агента, сбои передачи обслуживания, частоту эскалации и шаблоны ошибок.
Панели мониторинга, показывающие взаимодействие агентов с агентами (кто кого вызывал, какие полезные данные были переданы, где проверки не прошли и т. д.), быстро становятся важными операционными инструментами.
4. Проектирование с учетом совместимости и независимого от поставщика исполнения.
Большинство предприятий в конечном итоге будут использовать агентов от нескольких поставщиков, а также агентов, созданных по индивидуальному заказу. План для этой реальности:
- Отдавайте предпочтение открытым или широко распространенным протоколам (MCP, A2A и т. д.) для доступа к инструментам и контексту.
- Используйте модульные API, чтобы новые агенты могли подключаться к вашей экосистеме с минимальными изменениями.
Думайте об агентах как о первоклассных компонентах, которые координируют свои действия через стандартные интерфейсы, что очень похоже на переход к сервис-ориентированной или микросервисной архитектуре в прошлые эпохи.
5. Обеспечить комплексную безопасность, доверие и управление.
В многоагентных системах появляются новые поверхности атак и режимы сбоев, например, когда один агент выдает себя за другого, утечка данных между задачами с разными привилегиями или случайные «бесконечные циклы» агентов, вызывающих друг друга. Рассматривайте взаимодействие агентов как надежные межмашинные рабочие процессы, защищенные:
- Надежные удостоверения и аутентификация для агентов
- Доступ с наименьшими привилегиями для каждой роли
- Подробные журналы того, кто (или что) имел доступ к каким данным, когда и почему.
- Ограждения и выходные фильтры на основе политик (для PHI/PII, коммерческой тайны и т. д.)
Для шагов с высоким риском держите людей в курсе либо в качестве утверждающих, либо в качестве запасных вариантов, когда уверенность падает ниже порогового значения.
В идеале вся экосистема агентного ИИ должна поддерживаться базовой структурой данных или аналогично развитой архитектурой. Агенты совместной работы работают только тогда, когда они могут подключиться к единому семантическому слою; установленные сервисы бизнес-логики и правил; системы идентификации для проверки разрешений и существующие механизмы рабочих процессов или модели процессов.
Каждый агент должен быть сопоставлен с необходимыми ему системами (такими как CRM, ERP, обработка заявок, базы данных соответствия или хранилища документов) и подключаться через модульные интерфейсы, а не через жестко запрограммированные интеграции. Это гарантирует, что системы или поставщики могут быть заменены позже без необходимости полной перестройки уровня агента.
Заключение
Модернизация успешна, когда профессиональные технологи воплощают обещания ИИ в оперативную реальность. Для агентного ИИ этот перевод требует дисциплинированной и практичной дорожной карты для выбора правильных вариантов использования, калибровки автономии с учетом рисков и разработки агентов, которые общаются, эскалируют и сотрудничают в рамках общих рабочих процессов. Это позволяет предприятию превратить изолированные возможности искусственного интеллекта в скоординированные системы, которые приносят реальный результат.
Наша цель в Tabnine — создать и реализовать полный рабочий процесс разработки с использованием искусственного интеллекта, который расширяет возможности всех создателей кода на всех языках, от концепции до завершения. Узнайте больше Последние новости от Tabnine ТЕНДЕНЦИОННЫЕ ИСТОРИИ YOUTUBE.COM/THENEWSTACK Технологии развиваются быстро, не пропустите ни одной серии. Подпишитесь на наш канал YouTube, чтобы смотреть все наши подкасты, интервью, демонстрации и многое другое. ПОДПИСАТЬСЯ Группа, созданная в Sketch. Марк Талбот — эксперт в области искусственного интеллекта, педагог и новатор, специализирующийся на глубоком обучении, генеративном искусственном интеллекте, генерации с расширенным поиском (RAG) и инфраструктуре искусственного интеллекта корпоративного уровня. Он возглавляет группу Appian Customer Success AI, помогая организациям внедрять масштабируемый и совместимый искусственный интеллект на основе таких технологий, как… Подробнее от Марка Талбота
