Внедрение агентов искусственного интеллекта (ИИ) в производственные процессы часто сопряжено со значительными трудностями. Тем не менее, эксперты выделяют несколько ключевых подходов для успешной интеграции: особое внимание к вопросам управления и разработке четких операционных рамок, привлечение профильных специалистов, а также определение конкретных и измеримых результатов.
Несмотря на ажиотаж вокруг потенциала ИИ-агентов, практические доказательства их окупаемости пока не столь многочисленны. Аналитическая компания Gartner прогнозирует, что к 2027 году до 40% предприятий откажутся от автономных ИИ-агентов или понизят их статус. Основной причиной такого решения станут пробелы в управлении, которые выявляются только после возникновения инцидентов уже в процессе эксплуатации агентов.
На недавнем саммите Snowflake, прошедшем в Сан-Франциско, три ведущих эксперта в области цифровых технологий поделились опытом внедрения ИИ-агентов в своих организациях. Они предложили три ключевых урока для профессионалов, стремящихся эффективно использовать искусственный интеллект: применять структурированные подходы, опираться на экспертные знания и монетизировать данные.
1. Сосредоточьтесь на фреймворках
По словам Мэтта Луицци, вице-президента по аналитике компании Whoop, специализирующейся на носимых устройствах, его организация круглосуточно собирает биометрические данные для предоставления персонализированных рекомендаций по здоровью и благополучию. Внутренние аналитические сервисы компании поддерживаются платформой Snowflake.
Луицци отметил, что агенты играют все более значимую роль в этом процессе, особенно Snowflake CoCo — агент для кодирования, предназначенный для разработчиков и инженеров данных.
В компании начали использовать CoCo несколько месяцев назад, первоначально только в аналитической команде, члены которой могли оперативно проверять ответы на запросы. К настоящему времени в компании разработаны более формализованные рамки оценки, и агенты начинают внедряться в широком масштабе.
По словам Луицци, инженеры-программисты компании проводят A/B-тестирование (сравнительный метод исследования, при котором сравниваются две версии продукта или функции для определения, какая из них эффективнее) и используют CoCo для анализа результатов, предложения новых функций, их тестирования и последующей доработки. Такой подход значительно ускоряет не только предоставление бизнес-ценности за счет автоматизации процесса экспериментирования, но и повышает ценность для клиентов.
Луицци отметил, что организация имела преимущество благодаря уже существующей инфраструктуре для экспериментов с агентами, поскольку все данные компании централизованы на платформе Snowflake. Для начала тестирования агентов и получения первых уроков использовался сервис Cortex AI от Snowflake.
Было быстро установлено, что контекст играет решающую роль. Это означало необходимость тщательной работы с семантическим слоем и обеспечения структурированного хранения контекстных данных.
Луицци подчеркнул, что ключевым уроком стало понимание решающей роли фреймворков (структурированных подходов) для успешных исследований в области агентского ИИ. Целью является выполнение всех процессов более повторяемым образом, аналогично тому, как это было реализовано с архитектурой данных на протяжении последних 10 лет. Разработка масштабируемых фреймворков для рабочих нагрузок ИИ является приоритетной задачей.
2. Используйте экспертов-аналитиков
Мадлен Вант, вице-президент по данным в спортивной компании Fanatics, руководит направлениями инженерии данных, науки о данных и машинного обучения в подразделении ставок и игр. Эта деятельность также поддерживается платформой Snowflake.
В начале экспериментов в компании не было уверенности, какие подходы окажутся успешными, а какие — нет. Однако вскоре стало очевидно, что чем лучше состояние и управление исходными данными, тем проще большие языковые модели (LLM, Large Language Models) могут извлекать смысл и эффективно отвечать на вопросы.
Хотя акцент на данных и управлении ими может показаться очевидным сегодня, Вант отметила, что еще 18 месяцев назад это было не так. В организации имелся значительный опыт разработки индивидуальных моделей машинного обучения, поэтому поначалу было сложно поверить в эффективность импорта сторонней модели и ее прямого применения к данным для анализа. Однако сейчас этот подход глубоко интегрирован во все рабочие процессы.
Успех был достигнут на ранних этапах в тех областях, которые имели четко ограниченный контекст и где работали эксперты-аналитики, глубоко понимающие бизнес-процессы и способные обучать агента.
Вант сообщила, что со временем организация добилась большего успеха. Инвестиции в контекстный слой уменьшаются, как и степень контроля, требуемая агенту до того, как он сможет автономно отвечать на вопросы. Возможность измерения точности ответов возрастает благодаря внедрению масштабируемых систем оценки, что позволяет быть уверенными в работе агентов без постоянного надзора — в этом и заключается основная идея.
По словам Вант, эти успехи расширяют сферу применения агентов. Теперь их функционал не ограничивается только аналитикой: другие специалисты также видят преимущества и стремятся использовать возможности агентов.
Хотя Fanatics продолжает использовать интерфейсы и агентов Snowflake, компания также интегрирует API (интерфейсы программирования приложений) и ответы в другие сторонние инструменты, чтобы пользователи могли более эффективно работать с аналитическими данными. Пользователи стремятся к более широкому применению операционных сценариев. Возрастает спрос на доступ к аналитическим данным через различные каналы и среды потребления, поскольку людям необходимо использовать данные непосредственно в процессе своей работы.
3. Монетизируйте свои данные
Шрирам Ситараман, директор по информационным технологиям компании Synopsys, заявил, что его организация является давним клиентом Snowflake и использует ее платформу данных, а также агентские сервисы, такие как CoCo, для поддержки процессов принятия решений.
Примерно 18 месяцев назад в компании Ситарамана осознали потенциал ИИ-агентов для выполнения задач младших сотрудников, таких как проведение быстрых запросов, создание графиков и получение аналитических данных. Организация воспользовалась этой возможностью, решив, что создание интеллектуального агента позволит развернуть его в различных областях.
Примеры включают агента по доходам для финансового отдела, который формирует отчеты, и агента по отладке для системы обработки заявок, связанной с центрами обработки данных компании.
Ситараман сообщил, что команда оценивала потенциал ИИ по трем параметрам: качество результатов, время получения результатов и стоимость результатов. Было обнаружено, что ИИ оказывает положительное влияние во всех трех областях, что, по его словам, является значительным прорывом, поскольку ранее приходилось жертвовать одним из показателей.
Теперь, вместо того чтобы перепрограммировать системы при каждой корректировке ИИ-модели для контекста, можно сосредоточиться на получении аналитических данных, не беспокоясь о базовых технических аспектах.
«Начинайте с данных — монетизируйте их с помощью ИИ», — подытожил Ситараман, рассказывая о пути своей компании в развитии агентских систем. Он добавил, что объем данных не имеет значения, поскольку ИИ масштабируется линейно: чем больше данных, тем точнее принимаемые им решения.
Однако Ситараман также сделал предупреждение: «Было замечено, что на данный момент существует небольшая разница между автоматизацией и автономией, поэтому необходимо проявлять осторожность». Возникает вопрос: требуется ли автоматизировать процесс или создать полноценного агента, что предполагает иную структуру затрат, паттерны использования и подходы к управлению?
Ситараман призвал специалистов определять подходящие сценарии использования, разрабатывать правильные фреймворки и никогда не недооценивать возможности агентов. Можно внедрить агента, позиционируя его как, например, агента по операциям с продажами. Однако часто ничто не мешает ему также стать агентом-аналитиком по продажам или другим типом агента. Поэтому важно задаться вопросом: «Именно это мы хотим от него получить?» Фреймворки играют очень важную роль, как и необходимые навыки. Необходимо тщательно продумывать весь процесс.
12.06.2026