Czasem najlepszym wynikiem pilotażu AI jest rezygnacja z tworzenia agentów
Czasem najlepszym wynikiem pilotażu AI jest rezygnacja z tworzenia agentów
Wnioski płynące z praktyk korporacyjnych wskazują, że optymalnym rezultatem pilotażu AI może być uproszczenie procesów i eliminacja ręcznych czynności, a nie wdrożenie agenta.
Czasem najlepszym wynikiem pilotażu sztucznej inteligencji jest decyzja o nietworzeniu agentów AI.
Występując na konferencji TNF, Anton Rubenchik, CIO firmy SIBUR, podzielił się ciekawą obserwacją: jeśli poważnie i szczegółowo opiszesz zasady danego procesu, okaże się, że część planowanych agentów AI jest zbędna.
To brzmi niemal paradoksalnie, ponieważ w branży przywództwo w zakresie AI często ocenia się przez pryzmat liczby wdrożeń. Jednak SIBUR kieruje się inną logiką. Firma aktywnie eksperymentuje z agentami, testuje nowe scenariusze i dąży do większej autonomii. Niemniej jednak wynik pilotażu ocenia się przez pryzmat tego, co zmieniło się w pracy: czy ograniczono liczbę operacji wykonywanych ręcznie oraz powtarzalnych zatwierdzeń.
Sam pilotaż działa również jako narzędzie diagnostyczne. Gdy zespół wyjaśnia agentowi, skąd pobierać dane i jakie zasady stosować przy podejmowaniu decyzji, na jaw wychodzą luki między systemami, nieudokumentowane wyjątki oraz nawyki, które dotychczas spajały cały proces.
Po takim rozłożeniu problemu na czynniki pierwsze czasem okazuje się, że zadanie można rozwiązać taniej i bardziej niezawodnie bez użycia modelu językowego (LLM) – poprzez naprawę integracji, usunięcie zbędnego etapu zatwierdzania lub zapisanie reguły jako standardowego algorytmu.
Agent nie trafił do produkcji przemysłowej, ale proces stał się krótszy i bardziej przejrzysty. To całkowicie godny uwagi rezultat eksperymentu.
Dlaczego to ważne
AnalizaPodkreśla to fakt, że adopcja AI powinna służyć optymalizacji, a nie być celem samym w sobie. Wartość diagnostyczna pilotaży często przewyższa bezpośrednią użyteczność wdrażanych agentów.
Dyskutuj w społeczności
Dziel się swoimi pytaniami i spostrzeżeniami z programistami
Powiązane w ekosystemie
Praktyczne poradniki, kluczowa terminologia i skille agentów
15 promptów do tworzenia agentów w Claude Code
Claude Code potrafi działać nie tylko poprzez główną rozmowę, ale także za pośrednictwem subagentów – oddzielnych konfiguracji z własnym systemowym promptem, ograniczonym zestawem narzędzi i, w razie potrzeby, odr...
Claude Code Projects: jak jeden AI koordynuje zespół autonomicznych agentów
Głęboka analiza Claude Code Projects: architektura Coordinator i Threads, równoległe gałęzie, wspólna pamięć MEMORY.md oraz zarządzanie agentami w chmurze.
Benchmarki dla agentów: GAIA i SWE-bench
Nowe pokolenie rygorystycznych, praktycznych benchmarków służących do oceny autonomii sztucznej inteligencji. GAIA testuje zadania multimodalne w otwartym internecie z wykorzystaniem plików i przeglądarki, natomiast SWE-bench sprawdza zdolność agentów do znajdowania i naprawiania rzeczywistych błędów w dużych repozytoriach GitHub.
Ocena agentów i benchmarking SWE-bench
Metodologia i infrastruktura systematycznego pomiaru niezawodności, dokładności i bezpieczeństwa agentów AI przy użyciu testów syntetycznych, SWE-bench oraz symulacji repozytoriów w trybie headless.