Как ИИ-агенты превращают данные в бизнес-активы
В крупных компаниях собираются большие массивы данных, которые при отсутствии обработки становятся "бесполезным грузом". По данным международной IT-компании Globant, наиболее востребованными системами становятся ИИ-агенты, которые принимают решения на массивах данных и выполняют задачи без постоянного участия человека.
Так, ИИ-агенты, обученные на собственных данных компаний, в среднем ускоряют решение рутинных задач в три раза. В 75% случаев это приводит к успешному результату с первого раза.
Наиболее критично качество работы с информацией в отраслях, насыщенных цифровыми следами, - в финансах, телекоме, ритейле, а также в логистике, рассказал "Агенту будущего" руководитель направления Т1 ИИ (ИТ-холдинг Т1) Сергей Голицын.
Конкурентное преимущество дает обработка информации и в промышленности - например, для предиктивного обслуживания оборудования, в медицине - для поддержки клинических решений. В целом правило простое: чем больше в компании данных, тем больший потенциал для их монетизации.
"Чтобы превратить данные в бизнес-актив важно, во-первых, очистить и стандартизировать информацию, во-вторых, выстроить прозрачную систему по управлению ею. В противном случае сырые некаталогизированные сведения становятся бесполезным "болотом". Избежать этого помогут ИИ-агенты: они автоматически анализируют все данные, распутывают их взаимосвязи, уточняют, дополняют, то есть делают их пригодными для использования в бизнесе", - отмечает Голицын.
При этом компании годами инвестировали в создание масштабных корпоративных хранилищ, но для извлечения из них реальной пользы требовались штат аналитиков и время на подготовку отчетов. ИИ-агенты меняют саму парадигму работы с информацией, переводя данные из архива в плоскость принятия решений, говорит директор по искусственному интеллекту Лиги Цифровой Экономики Олег Белоусов.
По его словам, чтобы этот актив заработал, данные должны быть структурированы и доступны через API. ИИ-агенту необходимо предоставить инструменты для действий - интегрировать его с CRM или ERP-системами. В таком случае он сможет самостоятельно интерпретировать неструктурированные запросы, принимать решения на основе неполных данных и выполнять многошаговые задачи, с которыми классическая автоматизация не справляется.
Особенно ярко эффективность такого подхода заметна в отраслях с высокой ценой ошибки. Например, в промышленности и ТЭК ключевую роль играют предиктивная аналитика и мониторинг. В крупных компаниях заметен потенциал в прогнозировании состояния оборудования: ИИ-агент круглосуточно анализирует показания датчиков и при выявлении аномалий не только сигнализирует об этом, но и может автоматически сформировать шаблон заявки на техническое обслуживание.
Белоусов отмечает, что в корпоративном секторе фокус смещается на внутреннюю автоматизацию. Интеллектуальные чат-боты снимают до половины нагрузки с первой линии поддержки, кадровиков и юристов. Сотрудники получают мгновенный доступ к базе знаний компании: от поиска регламентов до шаблонов договоров. В закупках и документообороте агенты экономят тысячи человеко-часов, автоматически извлекая суть из входящих файлов и подготавливая документы к согласованию.
При этом при интеграции ИИ-агентов в процесс работы с данными могут возникнуть и сложности. Главный архитектор больших данных Cloud X Владимир Пугачев объясняет, что самая распространенная сложность - низкая зрелость самих данных. У компании может быть большой объем информации, но при этом отсутствовать единая структура и справочники, качественные метаданные, контроль версий, понятные права доступа и уверенность в достоверности источников.
В такой ситуации ИИ-агент получает слишком слабую основу для работы. Решение здесь не в том, чтобы сразу внедрять сложных агентов, а в том, чтобы сначала навести порядок в данных и ключевых процессах их использования.
Второй проблемой становится разрыв между цифровым контуром и реальным бизнес-процессом. Агент умеет хорошо анализировать информацию, но не встроен в операционную логику компании: не знает, в какой момент нужно эскалировать задачу, где требуется согласование, кто является владельцем решения и какие действия допустимы автоматически. Поэтому интеграция агентов должна идти не как эксперимент с интерфейсом, а как проект по изменению процесса, говорит эксперт.
"Если компания пыталась "срезать углы" и не выстраивала практик руководства данными, то она не знает, где какие данные находятся, не управляет их происхождением и метаданными. Тогда и агенты тоже в этом не разберутся. Они будут брать некорректные сведения из неправильных источников и неверно их интерпретировать. При этом цена ошибки здесь выше, чем у обычных ИИ-помощников, поскольку агенты действуют автономно", - отмечает управляющий директор практики "Данные и прикладной ИИ" Axenix Лариса Малькова.
По ее мнению, решением может стать выстраивание практик руководства данными и создание семантического слоя, который служит своего рода навигатором по данным компании, позволяя агентам корректно интерпретировать те или элементы.