Иногда лучший итог ИИ-пилота в том, чтобы не создавать ИИ-агентов
Иногда лучший итог ИИ-пилота в том, чтобы не создавать ИИ-агентов
Корпоративный опыт показывает, что иногда результативнее не внедрять агента, а использовать пилот для диагностики и упрощения бизнес-процессов.
Иногда лучший итог ИИ-пилота в том, чтобы не создавать ИИ-агентов.
Выступая на TNF, директор по цифровым и информационным технологиям СИБУРа Антон Рубенчик сказал любопытную вещь: если всерьез описать правила процесса, часть запланированных ИИ-агентов окажется не нужна.
Звучит почти парадоксально, потому что со стороны ИИ-лидерство часто оценивают по количеству запусков. В СИБУРе логика другая. Компания активно экспериментирует с агентами, проверяет новые сценарии и движется к большей автономности. Но результат пилота оценивают по тому, что изменилось в работе: стало ли меньше ручных операций и повторных согласований.
Сам пилот при этом работает еще и как диагностика. Пока команда объясняет агенту, откуда брать данные и по каким правилам принимать решения, наружу выходят разрывы между системами, неописанные исключения и привычки, на которых держался весь процесс.
После такого разбора иногда становится понятно, что задачу дешевле и надежнее решить без LLM — поправить интеграцию, убрать лишнее согласование, записать правило обычным алгоритмом.
Агент не вышел в промышленную эксплуатацию, зато процесс стал короче и понятнее. Вполне достойный результат эксперимента.
Почему это важно
АналитикаВнедрение ИИ должно служить оптимизации, а не быть самоцелью. Диагностика процессов через пилоты часто приносит больше пользы, чем запуск самих агентов.
Обсудить в сообществе
Делитесь опытом и мыслями с ИИ-разработчиками
Связанные материалы экосистемы
Практические гайды, терминология и агентские скиллы
Гайд: как правильно создавать циклы для ИИ-агентов
Инжиниринг циклов — это дисциплина проектирования замкнутого контура, внутри которого действует агент: что он делает между вызовами инструментов, когда проверяет свою работу и как решает, что задача завершена. Полное руководство по верификаторам, общей памяти и безопасности.
Claude Code Projects: как один ИИ координирует команду автономных агентов
Глубокий разбор Claude Code Projects: архитектура Coordinator и Threads, параллельные ветки, общая память MEMORY.md и управление облачными агентами.
Бенчмарки для агентов: GAIA и SWE-bench
Новое поколение строгих практических бенчмарков для оценки автономности искусственного интеллекта. GAIA тестирует мультимодальные задачи в открытом вебе с файлами и браузером, а SWE-bench проверяет способность агентов находить и исправлять настоящие баги в больших репозиториях GitHub.
Оценка Агентов и Бенчмаркинг SWE-bench
Методология и инфраструктура систематического измерения надежности, точности и безопасности ИИ-агентов с помощью синтетических тестов, SWE-bench и headless репозиторных симуляций.