Три стадии зрелости интеллекта
По мнению Deloitte, предприятиям необходимо выйти за рамки генеративных приложений и масштабировать «автономный интеллект», чтобы обеспечить реальный рост. Генерация текста или суммаризация внутренних коммуникаций дают локальные улучшения продуктивности, но эти возможности редко меняют базовую структуру затрат или выручки крупной организации.
Prakul Sharma, principal and AI & Insights Practice Leader at Deloitte Consulting LLP, определяет три стадии на кривой зрелости интеллекта: «assisted intelligence», где ИИ и аналитика помогают людям интерпретировать информацию; «artificial intelligence», где машинное обучение дополняет человеческие решения; и «autonomous intelligence», где ИИ принимает решения и выполняет действия в заданных границах.
«Возможности эпохи GenAI — чат-боты и разговорный ИИ — находятся в середине этой кривой. Agentic AI выступает мостом к автономии, и именно здесь сейчас смещается центр тяжести. Ключевое отличие — в агентности: GenAI выдаёт ответ, тогда как автономный интеллект преследует результат, рассуждая над целью, вызывая инструменты и данные и адаптируясь к изменяющимся условиям, при этом люди задают рамки безопасности, а не управляют каждым шагом», — пояснил Sharma.
Автономный ИИ в бизнес-процессах
Чтобы извлечь реальную экономическую ценность, автономные системы должны интегрироваться напрямую в процессы, генерирующие выручку или создающие значительные затраты. Пример из корпоративных закупок: агентное приложение непрерывно сопоставляет данные об инвентаре в цепочке поставок с актуальными ценами поставщиков в системе ERP. Оно способно Сэмостоятельно авторизовать заказы на закупку в рамках заданных финансовых параметров, останавливаясь только для человеческого одобрения при отклонениях.
Однако такая система должна также иметь верифицируемую идентичность в ERP, работать с ценовыми данными, достаточно актуальными для юридически обязательства, и действовать в пределах порогов утверждения, формально одобренных юридическими и комплаенс-подразделениями. Любая нерешённая зависимость полностью обесценивает кейс автономного исполнения.
«Мы видим это в различных отраслях, и в каждом случае ключом является не Сэм агент, а окружающая архитектура управления — идентификация и контрольные точки human-in-the-loop, которые делают автономию безопасной для масштабирования», — подчёркивает эксперт Deloitte.
Технические барьеры: не модель, а данные
Базовые модели от ведущих провайдеров продвинулись достаточно быстро, чтобы справляться со сложными задачами рассуждения, и по большей части стали взаимозаменяемым сырьём. Реальное трение возникает при подключении этих движков рассуждений к устаревшим архитектурам данных.
Sharma отмечает, что истинные технические барьеры возникают задолго до того, как промпт попадает в большую языковую модель: «По нашим наблюдениям, модель редко является узким местом, поскольку передовые возможности стремительно становятся товаром. Предприятия спотыкаются на этапе проектирования ещё до модели. Они выбирают кейс, не картируя базовый рабочий процесс, в результате чего агент автоматизирует процесс, который изначально был сломан или плохо инструментирован».
Второй паттерн — данные: клиенты могут недооценивать, что автономные системы требуют данных уровня принятия решений, а не данных уровня отчётности, то есть линии происхождения и контроля доступа, для которых большинство корпоративных хранилищ данных изначально не проектировались. Большинство корпоративных данных создавались для человеческих аналитиков, а не для автономных систем: данные уровня отчётности агрегируются в ночных или недельных пакетах, структурируются для потребления дашбордами и лишены линий происхождения, фиксирующих, как было получено значение.
Методология Делойт: от аудита к масштабированию
Для достижения уровня автоматизации требуется кропотливый анализ существующих операций перед выделением любых вычислительных ресурсов. Sharma описывает методологию Deloitte для инициирования этой трансформации и поиска областей, где автономия способна генерировать осязаемую выручку.
«Первый шаг, который мы рекомендуем, — начать с аудита решений и процесса. Мы просим руководителей выбрать одну или две цепочки создания ценности, где результаты ограничены решениями, а не задачами в процессе, и картировать, как эти решения принимаются сегодня. Мы задаём вопросы: кто владеет данными, кто обладает полномочиями, где разрываются передачи, какие действия необходимы и где применяется экспертная оценка», — поясняет он.
«Задавание этих вопросов выявляет рабочие процессы, где автономия создаст реальную экономическую ценность, одновременно обнажая любые пробелы в данных и управлении, которые могли бы сорвать пилот. Далее мы помогаем руководителям выстроить последовательность перестройки: создать базовые слои — ИИ- и агентную ткань, данные, оценку, идентичность агента и паттерны human-in-the-loop — на основе первой цепочки создания ценности, доказать, что это работает, и затем использовать это как шаблон для масштабирования».