Как обстоят дела с ИИ в реальном мире? Узнайте из опыта Лили Ван, CIO в Barclays, и Бернхарда Шаффрика, главного аналитика Forrester, которые исследуют, как предприятия преодолевают разрыв между инвестициями в ИИ и получаемыми результатами.

Компании вливают миллиарды в инициативы по искусственному интеллекту во всех отраслях. Но McKinsey сообщает, что 80% компаний не видят существенного вклада в прибыль от своих инвестиций в GenAI.

Этот парадокс огромен. И охватывает все индустрии.

Системы здравоохранения тестируют инструменты, которые так и не доходят до критически важных рабочих процессов. Руководители ритейла внедряют рекомендательные движки, которые почти не влияют на показатели конверсии. Демо-кейc у каждого вендора — это чат-бот, выданный за «AI-агента».

Картина повторяется: огромные инвестиции, минимальные преобразования.

В нашем недавнем вебинаре опрос технологических лидеров показал сложность предстоящих вызовов. 38% указали, что «не знают, с чего начать» — это до сих пор их главный барьер на пути агентного ИИ. Ещё 25% сталкиваются с «сложностью систем и интеграций», а 13% называют «отсутствие доверия к AI-агентам» основной преградой.

Тем временем данные о готовности организаций показывают, что 49% остаются на уровне разовых и изолированных внедрений ИИ, и лишь 8% достигают управляемых и масштабируемых подходов. Отклоняющихся от этой нормы — единицы.

Эти цифры выявляют коренную проблему: организации активно инвестируют в технологии ИИ, но им не хватает операционной основы для эффективного масштабирования.

Ловушка copilot

Бернхард Шаффрик, главный аналитик Forrester Consulting, отмечает, что предприятия раз за разом совершают одну и ту же ошибку. Они массово внедряют копилоты, ожидая, что за их использованием автоматически последует трансформация.

«Просто выдать технологию — доступ к LLM общего назначения — всем сотрудникам компании или любой организации ещё не делает вас лидером в освоении ИИ», — замечает Шаффрик. Результаты от широкого внедрения «обычно довольно разочаровывают», из-за чего руководители начинают задаваться вопросом, что пошло не так.

Данные опроса подтверждают эту проблему. Организации сталкиваются не только с базовым непониманием ИИ, но и со сложностью интеграции и недоверием к нему на операционном уровне. Клиентские агенты остаются редкостью, поскольку компании внедряют агентный ИИ «осторожно и постепенно по разным причинам».

Это порождает парадокс масштабирования: предприятиям нужны трансформационные результаты, но внедрение они осуществляют фрагментарно и чрезмерно осторожно, что отдаляет их от той сферы, где ИИ мог бы принести наибольший эффект — основных, критически важных процессах. А для этого требуется новый подход.

Прорыв благодаря оркестрации

Решение находится тогда, когда организации рассматривают агентный ИИ как задачу оркестрации, а не как ограничение технологии. Реальные бизнес-процессы не являются бинарными. Часто они включают чётко определённые, основанные на правилах процессы, которым одновременно требуется динамическая, контекстная работа с знаниями.

Поэтому сочетание детерминированной оркестрации с динамической становится необходимым для получения реальной отдачи от агентного ИИ.

Лили Ван, CIO по клиентскому онбордингу в оптовом бизнесе и финансовым преступлениям (CIO for Wholesale Client Onboarding and Group Financial Crime) в группе Barclays, столкнулась с этим, решая задачу выявления финансовых преступлений. «Инструменты, которые у нас есть, традиционные инструменты, они довольно тупые, правда? Это буквально просто использование этих инструментов, чтобы сказать: “А плюс B — это вероятно? Очень вероятно? Не знаю, но давайте посмотрим”. Поэтому приходится добавлять человека в уравнение». Простые системы на правилах создают лавину ложноположительных результатов, которые перегружают аналитиков.

Прорыв произошёл, когда она поняла, что сложное финансовое поведение требует объяснения, а не только пометки. «Когда речь идёт о специализированной дисциплине по выявлению нарушителей в финансовых преступлениях… сложные клиентские отношения, которые у нас есть, чрезвычайно запутанные. Попробовать заставить разработчика создать что-то и затем объяснить это людям, которые смотрят на информацию перед собой, — это очень тяжело». Возможность Business Process Model and Notation (BPMN) строить «читаемые человеком процессы и объяснять довольно сложные куски головоломки» решила то, чего традиционная разработка достичь не могла. И теперь эта же сила применяется к агентному ИИ: доверие закладывается прямо в агента с помощью BPMN.

Для сложного онбординга клиентов, включающего тысячи регуляторных вариантов, агенты теперь могут анализировать несколько путей и предлагать оптимизированные решения. «Есть цель оптимизации. Клиент чётко сказал нам, что хочет запустить бизнес через три недели», — объяснила Ван. Система может предложить: «Если вы такой-то тип бизнеса и выбираете такие-то продукты… мы сможем провести ваш онбординг за это время».

Такой подход сохраняет контроль человека в принятии решений высокой значимости, одновременно позволяя агентам обрабатывать сложную работу с знаниями в заданных рамках. В итоге это улучшает жизнь сотрудников и клиентов, которых они обслуживают.

Проблема готовности

Команда Шаффрика разработала «AI-коэффициент», измеряющий готовность организации по таким параметрам, как понимание, софт-скиллы, технические навыки и осведомлённость в области этики. Эта оценка показывает, почему масштабирование проваливается даже тогда, когда пилоты успешны.

«Внедрение не работает без экспертизы предметной области», — отметил Шаффрик. Пилоты успешны, потому что эксперты участвуют в проектах на всём протяжении. Но без специалистов по предметной области масштабирование останавливается, так как человеческие знания остаются недоступными.

Ван подтвердила эту организационную проблему: «Самая сложная часть — это помочь людям понять, что организационно мы должны быть готовы, когда у нас появляется такого рода решение. Организационный сдвиг на самом деле очень и очень труден».

За пределами организационной готовности лежит проблема знаний предметной области. «Мы не используем просто общий LLM и, знаете, применяем его к банковской отрасли. Нам действительно нужно привязать его к знаниям, которые специфичны именно для банковской сферы», — пояснила Ван. Эти знания зачастую «в значительной степени находятся в головах людей».

«Неважно, насколько умны сегодня машины, они не могут читать ваши мысли», — подчеркнула Ван. Поэтому сделать скрытые организационные знания доступными для систем ИИ, сохранив при этом человеческое суждение, становится критически важным условием успеха масштабирования.

Преимущество автоматизации

Шаффрик отметил, что организации, которые «уже лидируют в автоматизации» с точки зрения «масштабирования, управления, федерации», также «лидируют в освоении ИИ». Они развили процессную оркестрацию как «внутреннюю дисциплину или компетенцию», которая переносится и на агентное внедрение.

Это говорит о том, что успешное масштабирование ИИ требует координации людей, процессов и технологий, а не просто добавления инструментов ИИ к существующим операциям. Те самые 8%, которые достигают масштаба предприятия, внедряют не только лучшие технологии. Они используют возможности оркестрации для интеграции интеллектуальных агентов в операционные процессы и полного переосмысления подхода.

Парадокс инвестиций и результатов сохраняется, потому что большинство предприятий рассматривают агентный ИИ как покупку технологии, а не как трансформацию операций. Данные опросов подтверждают эту реальность: при том что 91% организаций всё ещё находятся на этапах ad-hoc или пилотов, у большинства нет структур управления и масштабируемости, необходимых для успеха на уровне предприятия.

Организации, преодолевающие этот парадокс, следуют совершенно другой дорожной карте готовности к ИИ. Они понимают, что успех в ИИ определяется не только моделями. Он определяется зрелостью по пяти фундаментальным направлениям, которые должны развиваться одновременно.

Пока отстающие организации гонятся за «эмоциональными ad-hoc»-покупками из страха упустить момент, успешные компании системно работают над ясностью видения, готовностью людей, гибкостью архитектуры, способностью к поставке и строгостью измерений. Контраст разителен: ad-hoc-организации измеряют успех через анекдоты без KPI, в то время как адаптивные предприятия отслеживают результаты на уровне бизнеса в реальном времени и корректируют стратегию. Одни строят красивые прототипы, которые не могут запустить в операционную практику; другие создают процессы, которые «учатся на себе» и оптимизируются непрерывно. Это созревание зависит от одновременного развития пяти ключевых направлений: видение, люди, архитектура, поставка и измерение.

Успех требует переосмыслить, как выполняется работа, когда интеллектуальные агенты становятся частью команд, создавая системы, где человеческая экспертиза усиливает искусственный интеллект, а не конкурирует с ним. Организации, освоившие эту оркестрацию, выходят за пределы миллиардного парадокса к измеримой трансформации.

BPM Developers — про бизнес-процессы: новости, гайды, полезная информация и юмор.

Большой тест на прочность для агентного ИИ