AI интеллектуальный агент, ключ к увеличению масштаба бизнеса в сто раз

Написано: vas

Редактор: AididiaoJP, Foresight News

AI — это не магия, но и не настолько просто, чтобы «запустить AI-программу, всё автоматически решить и ждать доходов». Большинство людей на самом деле не понимают, что такое AI.

А те, кто действительно понимает (менее 5%), пытаются самостоятельно его собрать, и зачастую терпят неудачу. Интеллект может «галлюцинировать», забывать, на каком этапе выполнения задачи он находится, или ошибочно вызывать инструменты в неподходящий момент. В демонстрации всё работает идеально, а в рабочей среде — сразу падает.

Я развертываю AI-программы уже больше года. Моя карьера в софтверной индустрии началась в Meta, но полгода назад я уволился и создал свою компанию, которая занимается развертыванием производственных AI-агентов для предприятий. Сейчас наш ежегодный доход уже достигает 3 миллионов долларов и продолжает расти. Это не потому, что мы умнее других, а потому, что мы многократно ошибались и учились на ошибках, наконец найдя формулу успеха.

Ниже я расскажу всё, что узнал в процессе построения действительно работоспособных интеллектуальных систем. Независимо от того, новичок вы, эксперт или что-то среднее — эти знания пригодятся.

Первый урок: контекст — всё

Это может казаться очевидным, и многие уже слышали об этом. Но именно потому, что это так важно, стоит повторять снова и снова. Многие считают, что создание интеллектуального агента — это просто соединить разные инструменты: выбрать модель, открыть доступ к базе данных — и всё, можно расслабиться. Такой подход сразу провалится по нескольким причинам:

Интеллект не знает, что важно. Он не помнит, что происходило пять шагов назад, видит только текущий этап и пытается угадать, что делать дальше (часто ошибочно), и в итоге просто надеется на удачу.

Контекст — это самая важная разница между агентом за миллионы и бесполезным «куском железа». Нужно сосредоточиться и оптимизировать именно эти аспекты:

Что помнит агент: не только текущую задачу, но и всю историю, которая привела к текущему состоянию. Например, при обработке ошибок с выставлением счетов, агент должен знать: как возникла ошибка, кто подал исходный счет, какая политика применима, как решались подобные ситуации ранее. Без этой истории агент просто догадывается, и это хуже, чем вообще без интеллекта. Ведь если бы человек решал проблему, она могла бы быть уже давно решена. Это объясняет, почему некоторые жалуются: «AI — это сложно и неудобно».

Как информация течёт: при наличии нескольких агентов или сложных цепочек, важно, чтобы информация передавалась точно, без потерь, повреждений или недоразумений. Агент, отвечающий за классификацию запросов, должен передавать чистый, структурированный контекст следующему агенту, который решает проблему. Если передача некачественная, всё идет наперекосяк. Значит, каждый этап должен иметь проверяемый структурированный вход и выход. Например, функция /compact в Claude Code позволяет передавать контекст между сессиями LLM.

Знание бизнес-области: агент, который занимается юридическими контрактами, должен чётко понимать, какие пункты критичны, как оцениваются риски, какова политика компании. Нельзя просто дать ему кучу документов и надеяться, что он сам всё поймёт — это ваша ответственность. И также ваша задача — структурировать ресурсы для агента, чтобы он действительно обладал знаниями в области.

Плохое управление контекстом проявляется в том, что агент повторно вызывает один и тот же инструмент, забыв, что уже получил ответ; или вызывает неправильный инструмент из-за неправильной информации; или принимает противоречивые решения; или каждый раз воспринимает задачу как новую, игнорируя очевидные паттерны в похожих случаях.

Хорошее управление контекстом — это как у опытного бизнес-эксперта: он может связывать разные куски информации, не требуя от вас объяснений, как они связаны.

Контекст — это ключ к разграничению «только для демонстрации» и «настоящей рабочей системы, которая реально доставляет результат».

Второй урок: AI — это мультипликатор результатов

Ошибочное мнение: «Он есть — и всё, больше никого не нужно».

Правильное: «Он есть — и три человека делают работу, на которую раньше уходило пятнадцать».

В конечном итоге, агенты заменят часть человеческого труда, и отрицать это — значит обманывать себя. Но позитив в том, что AI не заменит человеческое суждение полностью, а устранит трения, связанные с ним: поиск информации, сбор данных, перекрёстная проверка, форматирование, распределение задач, напоминания и так далее.

Например: финансовая команда всё ещё принимает решения по аномалиям, но с помощью AI они не тратят 70% времени на поиск недостающих документов, а используют это время для решения самой проблемы. AI выполняет всю рутинную работу, а человек — только финальное утверждение. По моему опыту, компании не сокращают штат из-за этого. Рабочие обязанности меняются: от рутинных ручных операций к более ценным задачам, по крайней мере сейчас. В долгосрочной перспективе, с развитием AI, ситуация может измениться.

Компании, которые реально выигрывают от AI, — это не те, кто хочет просто исключить людей из процессов, а те, кто понимает: большинство времени сотрудников уходит на «подготовительную работу», а не на создание ценности.

Если проектировать агента по такому принципу, то не нужно зацикливаться на «точности»: пусть агент делает то, в чем он хорош, а человек — то, что у него лучше получается.

Это также ускоряет запуск системы: не обязательно, чтобы агент обрабатывал все экстремальные ситуации, достаточно, чтобы он справлялся с типичными, а сложные и необычные передавал человеку — с достаточным контекстом, чтобы быстро разобраться. По крайней мере, так нужно делать сейчас.

Третий урок: память и управление состоянием

Как агент хранит информацию внутри задачи и между задачами — определяет его масштабируемость.

Есть три распространённых модели:

Изолированный агент: обрабатывает весь рабочий поток полностью, от начала до конца. Самая простая в построении, потому что весь контекст в одном месте. Но при увеличении длины процесса управление состоянием становится сложнее: агент должен помнить решения третьего шага, чтобы использовать их на десятом. Если окно контекста переполнено или структура памяти неправильная, то поздние решения будут лишены поддержки ранних данных, что ведет к ошибкам.

Параллельные агенты: одновременно работают над разными частями одной задачи. Быстрее, но требуют координации: как объединить результаты? Что делать, если два агента дают противоречивые выводы? Нужно прописать чёткие протоколы для объединения информации и разрешения конфликтов. Обычно вводится «судья» (человек или другой LLM), который решает споры или гонки.

Кооперативные агенты: работают по очереди, передавая работу друг другу. Агент A классифицирует, передает B для исследования, затем C для выполнения решения. Такой подход подходит для рабочих процессов с ясными этапами, но передача между агентами — самая уязвимая часть. То, что узнал агент A, должно передаваться в формате, который B сможет сразу использовать.

Самая распространённая ошибка — воспринимать эти модели как «готовые решения». На самом деле, это архитектурные решения, которые определяют возможности вашего агента.

Например, если вы создаёте агента для одобрения продажных контрактов, нужно решить: полностью ли агент отвечает за весь процесс? Или сделать маршрутизирующего агента, который распределяет задачи между агентами по ценам, юристам, руководству? Важно понять бизнес-процессы и научить ваших агентов этим сценариям.

Как выбрать? Всё зависит от сложности каждого этапа, объема контекста, который нужно передавать, и необходимости реального взаимодействия или последовательного выполнения.

Если выбрать неправильную архитектуру, то можно потратить месяцы на исправление несуществующих багов. На самом деле, это проблема вашей проектной схемы, а не системы.

Четвертый урок: активное предотвращение ошибок, а не их последующее сообщение

При создании AI-систем многие начинают с идеи: сделать дашборд, показывать информацию, чтобы все видели, что происходит. Но, пожалуйста, забудьте о дашбордах.

Дашборды — это не решение.

Ваши финансовые или другие команды уже знают о проблемах раньше, чем они станут критическими. AI должен перехватывать проблему в момент её возникновения и передавать её ответственным, вместе с полной информацией для решения, — сразу.

Если пришёл счёт, но документы не готовы? Не просто зафиксировать в отчёте. Немедленно отметить, кто должен дополнить материалы, и передать проблему с полным контекстом (поставщик, сумма, применимая политика, что именно не хватает). И при этом — заблокировать проведение операции, пока проблема не решена. Это очень важно, иначе проблема «утечет» по организации, и исправить её будет уже поздно.

Если договор не одобрен за 24 часа? Не ждать собрания. Автоматически поднять уровень, прикрепить детали сделки, чтобы руководитель мог быстро принять решение, не лазя по системам. Важно ощущение срочности.

Поставщик не выполнил этап вовремя? Не ждать, пока кто-то заметит. Автоматически запустить план реагирования, пока проблема не стала критической.

Задача AI — сделать так, чтобы проблему было невозможно игнорировать, и чтобы её решение было максимально простым.

Обнаруживать проблему напрямую, а не через косвенные отчёты.

Это противоположно тому, как большинство компаний используют AI: они используют его, чтобы «видеть» проблему, а вам нужно — чтобы «заставить» её решать быстро. Когда уровень решения проблем достигнет почти 100%, тогда можно подумать о дашборде.

Пятый урок: Экономика AI-агентов против универсальных SaaS

Компании продолжают покупать SaaS-инструменты, которыми никто не пользуется, по понятным причинам.

SaaS легко купить: есть демонстрация, есть цена, есть чекбокс в списке требований. Одобрение — и всё, дело движется (хотя зачастую — нет).

Самое худшее в покупке AI SaaS — он зачастую просто стоит там. Он не интегрирован в рабочий процесс, а превращается в ещё одну систему, в которую нужно входить. В результате — приходится переносить данные, через месяц появляется ещё один поставщик, которого нужно управлять. Через 12 месяцев его начинают забрасывать, а вы всё равно не можете избавиться, потому что затраты на смену слишком высоки — так появляется «технический долг».

Созданные под ваши системы AI-агенты решают эту проблему.

Они работают внутри уже используемых инструментов, не создают новых платформ, а ускоряют выполнение текущих задач. Агент выполняет работу, человек — только финальный контроль.

Настоящие затраты — не «разработка против лицензии», а более простая логика:

SaaS накапливает «технический долг»: каждый новый инструмент — это ещё одна интеграция, устаревающая система, поставщик, которого рано или поздно купят или закроют.

Самодельные AI-агенты накапливают «возможности»: каждое улучшение делает систему умнее, новые рабочие процессы расширяют возможности. Инвестиции растут по сложной формуле — эффект сложного процента, а не обесцениваются со временем.

Поэтому я всё время говорю: универсальный AI SaaS — это иллюзия. И отраслевые данные подтверждают: большинство компаний, купивших AI SaaS, через полгода прекращают его использовать и не замечают повышения производительности. Те, кто реально выигрывает, — это компании с кастомными агентами, созданными самостоятельно или заказанными у сторонних разработчиков.

Именно поэтому компании, которые первыми освоили агентов, имеют долгосрочные структурные преимущества: они строят всё более мощную инфраструктуру. Остальные просто арендуют инструменты, которые рано или поздно придётся менять. В эпоху постоянных перемен в этой сфере каждая неделя — это потеря для вашего продукта и бизнеса.

Шестой урок: быстрое внедрение

Если ваш проект по AI-агентам занимает год, чтобы запуститься — вы уже проиграли.

Планировать нельзя — меняется всё. Проект может не соответствовать реальному рабочему процессу, а самые важные ситуации — это те, что вы не учли. Через 12 месяцев AI может кардинально измениться, а ваш продукт — устареть.

Максимум — 3 месяца, чтобы вывести систему в продакшн.

В эпоху информационного взрыва важна способность: эффективно использовать информацию и взаимодействовать с ней, а не бороться. Нужно реально работать: решать реальные задачи, принимать реальные решения, оставлять следы.

Самая распространённая проблема — внутренние команды оценивают AI-проекты в 6–12 месяцев, хотя реально их можно сделать за 3. Или ещё хуже — обещают 3 месяца, а после начала работы постоянно откладывают по разным причинам. Это не только их вина, AI — очень сложная область.

Поэтому нужны инженеры, которые действительно понимают AI: как он работает на масштабах, сталкивались с реальными проблемами, знают его возможности и ограничения. Сейчас слишком много «полуфабрикатов», которые думают, что AI — это универсальный инструмент. Это далеко от истины. Если вы хотите заниматься AI для корпоративных решений, нужно хорошо знать его реальные границы.

Итог:

Создавать рабочие агенты — это в первую очередь:

Контекст — всё: без хорошего контекста агент — просто дорогой генератор случайных чисел. Обеспечьте поток информации, долговременную память и внедрение знаний в область. Раньше называли «инженеров подсказок», сейчас — «инженеров контекста» — это версия 2.0.

Дизайн под «усиление», а не «замещение»: пусть человек делает то, в чем он силен, а агент помогает ему, очищая путь.

Архитектура важнее выбора модели: решите, будете ли использовать изолированного, параллельных или кооперативных агентов — это гораздо важнее, чем выбор конкретной модели. Сначала сделайте правильную архитектуру.

Обнаруживайте и решайте проблемы активно, а не просто создавайте отчёты и обзоры: дашборды — это могила проблем. Создайте систему, которая заставит проблему решаться быстро.

Быстрое внедрение и постоянное улучшение: лучший агент — тот, что уже работает в продакшне и постоянно совершенствуется, а не тот, что только проектируется. (И при этом строго следите за сроками).

Все остальные детали — мелочи.

Технологии уже готовы, а вы, возможно, ещё нет.

Поняв это, вы сможете увеличить масштаб бизнеса в 100 раз.