Внедрение агентного ИИ: препятствия и пути решения
По новым данным автономной платформы знаний на базе искусственного интеллекта Teradata, распространённое стремление внедрять агентный ИИ в предприятиях сталкивается с серьёзным препятствием: многие компании, несмотря на активные инвестиции, не переходят от экспериментальных проектов к масштабному внедрению, приносящему ощутимую деловую отдачу.
Исследование, проведённое по заказу Teradata, выявило ключевые причины этого разрыва в рентабельности и предлагает практическое направление для изменения стратегии — в первую очередь сосредоточиться на создании надёжного базиса данных и измерений, пригодного для работы автономных агентов.
В опросе приняли участие 1000 руководителей в области технологий и данных на уровне вице‑президента и выше в компаниях с численностью сотрудников не менее 500 человек из нескольких стран. Исследование показывает, что подавляющее большинство лидеров технологий планируют наращивать инвестиции в агентный ИИ: девяносто процентов респондентов ожидают увеличения вложений в ближайшие двенадцать месяцев.
Однако лишь небольшая доля организаций фиксирует измеримый бизнес‑эффект: всего тридцать семь процентов предприятий сообщают о заметном бизнес‑влиянии от проектов агентного ИИ, а шестьдесят три процента отмечают лишь незначительную или пока формирующуюся положительную отдачу.
Авторы отчёта классифицировали компании по индексу зрелости внедрения агентного ИИ. Примерно четверть организаций находятся на стадии экспериментов: они проводят локальные пилотные проекты, которые чаще всего приносят улучшение личной продуктивности сотрудников. Сорок процентов компаний относятся к стадии развития: в этих организациях уже есть отдельные успешные модели и автоматизации, но отсутствует способ связать знания вне пределах отдельных команд и получить единое, масштабируемое решение.
Ещё около четверти компаний находятся на стадии построения: они внедрили базовое управление и рабочие процессы, но не решили фундаментальные проблемы с данными, мешающие масштабировать автономные решения по всему предприятию. Лишь семь процентов компаний достигли стадии операционной зрелости: они внедрили динамическое управление и правила безопасности, гармонизировали и обогатили данные настолько, что ИИ может надёжно выполнять многошаговые рабочие процессы.
Именно на этой стадии, по мнению исследователей, организации делают качественный переход к «автономным знаниям» — данным, которые поддерживаются в актуальном, контекстуально насыщенном и управляемом виде без постоянного ручного вмешательства, что в свою очередь позволяет реально рассчитывать на возврат инвестиций.
Ключевой вывод отчёта: многие компании пытаются добиться масштабного эффекта при помощи инфраструктуры, заточенной под личный ИИ, а не под корпоративные автономные агенты. Это приводит к несоответствию между создаваемыми слоями данных и измерений и требуемыми бизнес‑результатами.
Такое несоответствие обусловлено фрагментацией контекста: переход от разрозненных систем, ориентированных на человеческое использование в отдельных бизнес‑единицах, к единой, насыщенной контекстом базе, в которой агенты могли бы эффективно действовать внутри функций и между ними, оказывается куда сложнее, чем предполагают многие пилоты.
В опрошенных компаниях локальные успешные демонстрации часто строятся на чистых, выборочных наборах данных и требуют дополнительного человеческого контекста для корректной работы. Как только инженерные команды пытаются перевести такие модели в реальное автоматизированное производство на уровне всего предприятия, ИИ сталкивается с проблемами: каждый набор данных имеет собственную структуру и правила, часто отсутствует общий смысл и необходимый контекст, который позволил бы агентам понимать взаимосвязи между системами.
В результате, по данным отчёта, семьдесят семь процентов руководителей считают, что для агентной работы надёжно готово не более двадцати процентов корпоративных данных и знаний, а семьдесят восемь процентов испытывают трудности при создании связанной, целостной базы данных, критичной для успеха агентного ИИ на уровне предприятия.
Более половины участников опроса прямо указывают на проблемы с точностью и надёжностью выводов как серьёзное препятствие при развёртывании. Ещё сорок процентов технологических лидеров говорят, что свыше сорока процентов их пилотных проектов останавливаются до стадии промышленного внедрения, потому что инфраструктура не готова к автономности.
Авторы отчёта подчёркивают, что исходная инфраструктура многих компаний не была разработана с учётом «понимания» агентами: она не структурирована так, чтобы позволять автономным системам безопасно и надёжно действовать в масштабе предприятия.
В связи с этим в документе предлагается изменить порядок действий: сначала сфокусироваться на создании надёжного дата‑фундамента — объединении и обогащении ключевых систем контекстом, происхождением данных и управлением, — а затем применять программные решения и агенты.
Когда компании определяют критические системы, которые нужно унифицировать и снабдить контекстом, следами происхождения и правилами управления, они оказываются в гораздо лучшем положении для масштабирования пилотов и получения реальной отдачи от инвестиций в агентный ИИ.
Итоговый посыл исследования ясен: чтобы перейти от повышения индивидуальной продуктивности к реальной окупаемости на уровне всего предприятия, необходимо создать «фонд автономных знаний» — базу данных с достаточным уровнем контекста, прослеживаемости и управления, на которой агенты смогут действовать надёжно, между функциями и от имени всей организации. Только при таком подходе инвестиции в агентный ИИ смогут принести ожидаемый бизнес‑эффект за пределами единичных успешных экспериментов.