AI-агенты – следующий этап развития искусственного интеллекта?

Интервью с Андреем Андреевым, Pre-Sale Architect по направлению Microsoft Azure, о перспективах и проблемах ИИ

За последние несколько лет искусственный интеллект и, в частности, генеративные модели, повсеместно вошли в нашу рабочую и личную жизнь. Современные ИИ-системы умеют генерировать контент, отвечать на вопросы и выполнять последовательные действия для решения конкретных задач. AI-агенты могут обрабатывать данные из различных источников, анализировать информацию, принимать решения и совершать необходимые действия — от бронирования билетов до составления отчетов из CRM и их отправки вашим коллегам. О развитии этих технологий, практических сценариях и роли AI-агентов мы поговорили с Андреем Андреевым, Pre-Sale Architect по направлению Microsoft Azure в компании Noventiq.

Искусственный интеллект – это тренд только последних нескольких лет?

Искусственный интеллект появился далеко не вчера. Но вот генеративный, в виде многочисленных нейронок, которые обрели свою популярность за последние несколько лет, возник относительно недавно, так как у технологий появился понятный и удобный интерфейс для работы. На самом деле об ИИ мы говорим уже как минимум последние лет десять, но до этого его применение было более узконаправленным. Например, анализ изображений, применяемый на пропускных пунктах и автомобильных дорогах или автоматизация производственных процессов на предприятиях.

Можно ли сказать, что следующий этап развития искусственного интеллекта связан с AI-агентами, а не с генеративными моделями?

Генеративный ИИ стал связующим звеном между человеком и большими массивами данных. Теперь мы можем задать любой вопрос на естественном человеческом языке и получить ответ на том же человеческом языке. Это действительно стало очень удобно. Это лишь одна из граней генеративных моделей как класса. Существует множество сервисов для создания изображений, видео и аудио, и их число продолжает расти. При этом можно сказать, что этап активного эксперимента с такими инструментами уже позади. Перевести подобные решения в устойчивое коммерческое использование оказалось сложнее, чем казалось на старте. На этом фоне всё чаще возникает практический вопрос: как применять искусственный интеллект в задачах реального бизнеса.

Существуют сервисы и продукты, которые заметно повышают эффективность сотрудников и позволяют выполнять больше задач за меньшее время. Например, Microsoft Copilot уже хорошо зарекомендовал себя в работе с контентом, данными и коммуникациями, помогая командам работать быстрее и продуктивнее. Но хотелось бы, чтобы ИИ делал больше. К примеру, чтобы была возможность подключить ИИ к внутрикорпоративным данным или чтобы был возможен не только поиск и компиляция найденных данных, но также чтобы ИИ самостоятельно выполнял необходимую последовательность действий и предоставлял финальный результат.

Например, для заказа авиабилетов одного запроса недостаточно. В лучшем случае система сообщит, что билеты существуют. При этом даже для такого ответа данные нужно где-то получить, а для поиска задать исходные параметры, такие как даты и города. Но даже если мы говорим про подключение к Интернету или к какому-то конкретному ресурсу по бронированию билетов, то нужна не просто натренированная год назад база знаний, которую использует модель, а возможность подключения к актуальным данным. Но можно пойти по другому пути и подключить к моделям агентов, которые в свою очередь могут быть умными и самостоятельными, со своими моделями и логикой работы. Они обращаются к нужным сервисам, получают актуальные данные и выполняют необходимые действия. При этом сами сервисы могут быть вполне стандартными и хорошо знакомыми бизнесу, например CRM-системы или платформы для бронирования билетов. Таким образом мы переходим на следующий этап, который называется Agentic-AI или AI-агенты. Такие системы умеют отвечать на вопросы или вести диалог, выполнять конкретные действия за человека. В этом и заключается их ключевая ценность. Бизнесу важен результат, а не сам факт взаимодействия с искусственным интеллектом.

В течение многих лет крупные компании инвестировали в развитие информационных систем. Сегодня встает новая задача: связать эти системы с искусственным интеллектом и AI-агентами. Именно это направление станет одним из ключевых стратегических векторов развития в ближайшие годы. Мы можем снова посмотреть на Copilot от Microsoft – это не просто умный помощник, а концепция «UI for AI», то есть интерфейс, через который пользователь взаимодействует с искусственным интеллектом. Сам ИИ при этом становится способом взаимодействия с данными.

Здесь мы говорим не только про поиск и компиляцию данных, но и про схемы выбора и принятия решений. Например, при запросе на бронирование билетов на конкретную дату и направление система сама определяет, к каким сервисам обратиться и какие действия выполнить, без детальных инструкций со стороны пользователя. Подобный подход к выстраиванию информационных процессов должен стать определяющим в ближайшее время.

Скажите, пожалуйста, можно ли расписать из каких компонентов должен состоять типовой AI-агент?

Если мы говорим про корпоративный сегмент, то у Microsoft есть специальное решение для быстрого создания AI-агентов – Azure AI Foundry. В нем есть множество разных сервисов, интегрированных между собой и которые могут выполнять множество разных задач при этом в рамках Low-code среды, что позволяет пользоваться платформой не только разработчикам или дата-аналитикам, но и более широкому кругу пользователей.

Здесь вы можете работать с сервисами Azure и с моделями практически любых производителей, доступных в open source сценариях, что позволяет собирать агента как конструктор. Агенту в первую очередь нужно дать «мозги» в виде модели (1), которые будут отвечать за взаимодействие агента с миром, а также базу знаний (2) (реализация подхода RAG), к примеру, в виде корпоративных документов, которые не обязательно должны находиться в облаке, а могут храниться у вас локально. И в конце важно подключить навыки (3), которые представляю собой цепочки действий и обладают коннекторами для подключения к корпоративным, облачным и другим системам.

Цикл работы AI-агента выглядит так: сначала он получает запрос пользователя и анализирует его с помощью генеративной модели. При необходимости агент обращается к Источнику знаний, а затем решает, нужна ли пользователю только информация или нужно выполнить какие-то действия. В зависимости от этого он использует Базы знаний, Модели и Навыки и выбирает, к какой модели обратиться. 

Здесь можно построить довольно сложную систему взаимодействия и агентов, которую теоретически можно было бы просто автоматизировать как запрограммированные сценарии, но это была бы очень статичная система, лишенная той самой гибкости работы, которая есть у агентских решений и в этом и есть их главное преимущество.

Несколько раз уже упоминалось, что это может быть не только один агент, а целая группа связанных между собой агентов. Расскажи поподробнее как это работает?

Да, возможна ситуация, когда есть один агент, у которого много знаний и умений, но также возможна и целая группа агентов вместе с агентом-оркестратором, который сам по себе может быть довольно простым и использовать только модель для своих «рассуждений» и принятия решений, но при этом находиться в связке со всей группой, где каждый агент будет уметь делать что-то особенное.

Какие чаще всего встречаются и запрашиваются со стороны заказчика сценарии для AI-агентов?

Теоретически и клиенты, и вендор, и мы ограничены здесь только фантазией, потому что это могут быть действительно любые сценарии использования, но практически есть все-таки несколько ограничений. В первую очередь применяются те сценарии, которые уже тщательно подготовлены со стороны вендора и эффективность которых понятна, а этапы внедрения предсказуемы. Важно отметить, что не для всех задач нужен искусственный интеллект и, в частности, Agentic AI. Во многих случаях достаточно стандартной автоматизации бизнес-процессов, например с помощью Power Automate.

И третье, о чем бы я хотел сказать, подводя к теме сценариев, — вопрос доверия. Насколько можно доверять математическим моделям, основанным на статистике? Современный искусственный интеллект и машинное обучение опираются на статистические методы, которые не дают 100% точности. Всегда остается доля неопределённости и вероятность ошибки. Именно поэтому ИИ нельзя использовать во всех сферах, особенно там, где высока ответственность, например в технической области и на промышленных объектах. Да, пусть в 99% случае эта модель будет давать правильный ответ и генерировать отличные результаты, но останется 1% вероятности, что модель может дать неправильный результат и это может привести к непоправимому ущербу, поэтому такие сферы управляются функциональным системами, где есть жесткие алгоритмы и четко прописанные правила. Поэтому мы в Noventiq считаем, что очень важно всегда объяснять, что в самом принципе моделей есть вероятности генерации некорректного результата, а также в целом предусматривать ситуацию, когда модель не нашла правильный ответ, но не давать ей возможность этот ответ выдумывать, так как отсутствие ответа будет честнее и безопаснее.

Конечно, есть системы, которые можно полностью или частично заменить искусственным интеллектом, при этом важно оставлять возможность вмешательства человека в финальный результат. К таким системам относятся, например, сервисы общения с клиентами, где ИИ отвечает на типовые повторяющиеся вопросы в клиентской или технической поддержке.

Каждые полгода в сфере искусственного интеллекта происходят быстрые изменения, технологии развиваются стремительно. Как ты думаешь, каким станет ИИ, например, через три года?

Я думаю, что вопрос использования ИИ сегодня скорее социокультурный, чем чисто технический. Статистическая природа ИИ всегда оставляет долю вероятности ошибки, и это поднимает вопрос ответственности. Сейчас ответственность несет человек. Пока это условие сохраняется, использовать ИИ везде, особенно там, где цена ошибки очень высока, кажется маловероятным.

Пока что мы имеем такую картину мира: человек в компании получает документацию, подготовленную ИИ, с пометкой о том, что она сгенерирована искусственным интеллектом и может содержать ошибки. Человек должен учитывать этот факт и при необходимости перепроверять данные. В технологическом плане ИИ будет развиваться: агенты станут более совершенными и их внедрение расширится. Но если раньше считалось, что ИИ будет «думать за человека», то сейчас он чаще применяется там, где можно обойтись без человеческого опыта, способа мышления и чувства ответственности.