Андреа Плешеа, PhD, COO и соучредитель Druid AI — серия интервью

Andreea Pleşea, PhD, COO и со‑учредитель Druid AI, является технологическим руководителем и предпринимателем с почти двумя десятилетиями опыта в области разработки программного обеспечения, корпоративных технологий, искусственного интеллекта, операций и успеха клиентов. С момента основания Druid AI она занимала несколько высших руководящих позиций в компании, включая должности Chief Operating Officer, Chief Revenue Officer и Chief Customer Success Officer, получив опыт как в технической, так и в коммерческой части масштабирования предприятия по разработке программного обеспечения. До Druid AI Плешеа проработала почти десять лет в TotalSoft, продвигаясь от .NET‑программиста до менеджера по разработке программного обеспечения и, в конечном итоге, директора бизнес‑приложений Charisma, где она руководила разработкой продукта, внедрением, технической поддержкой, архитектурой решений и ответственностью за P&L. Её академический опыт также включает исследования в области ИИ в Университете Рима Тор‑Вергата, где она работала с группой исследований искусственного интеллекта университета над технологиями извлечения и структурирования информации из неструктурированных данных. Она также входит в совет советников Women in Tech Romania.

Druid AI — это компания в сфере корпоративного ИИ, сосредоточенная на создании и оркестрации AI‑агентов, способных автоматизировать сложные бизнес‑процессы в организациях. Её платформа объединяет понимание естественного языка, генеративный ИИ, генерацию с поддержкой поиска (RAG), корпоративные интеграции, автоматизацию рабочих процессов, аналитику и управление, при этом Druid Conductor координирует несколько специализированных агентов и систем для достижения бизнес‑результатов. Организации могут подключать агентов Druid к таким системам, как планирование ресурсов предприятия (ERP), управление взаимоотношениями с клиентами (CRM), управление ИТ‑сервисами (ITSM) и платформы управления персоналом, при этом развертывая технологию в облаке, гибридных, локальных или изолированных средах. Компания заявляет, что её технология используется более чем 300 корпоративными клиентами и поддерживается более чем 200 глобальными партнёрами, с применениями в областях поддержки сотрудников, обслуживания клиентов, здравоохранения, высшего образования и совместных сервисов.

Вы соучредили Druid AI в Бухаресте в 2018 году после почти десятилетней работы в TotalSoft, где прошли путь от разработки на .NET до старших технологических и бизнес‑руководящих позиций. Что тогда убедило вас, что разговорный ИИ может стать основной составляющей корпоративных технологий, и как изначальная идея эволюционировала по мере перехода Druid к агентному ИИ? 

Слияние двух разных путей — академической строгости и проблем, с которыми сталкиваются предприятия на передовой — сформировало моё мышление во время работы над PhD. Однако только когда Люви Драган, чрезвычайно дальновидный лидер, предложил идею создания Druid AI, я понял, как мои исследования могут наконец‑то применяться в реальной жизни.

В период с 2008 по 2011 годы моё исследование PhD было сосредоточено на автономных AI‑агентах, взаимодействующих через технологии семантической паутины и онтологии, исследуя, как интеллектуальные системы могут заменять или надстраиваться над традиционным корпоративным программным обеспечением. Вскоре после этого работа в руководстве корпоративных технологий открыла передо мной суровую реальность: мы просили сотрудников управлять невыносимой сложностью.

Выполнение даже одной рутинной задачи требовало знать, какое приложение открыть, где находятся данные, какая политика применяется и кто отвечает за следующий шаг. Тем временем за пределами офиса обмен сообщениями становился доминирующим интерфейсом человеческого взаимодействия.

Когда мы основали Druid AI в 2018 году, наша цель была простой, но амбициозной: предоставить каждому сотруднику и клиенту виртуального помощника, способного оркестрировать работу по всей компании.

Почти через десятилетие эта базовая идея не изменилась — технологии просто догнали её. Разговорный ИИ в основном занимался распознаванием намерений, поиском и запуском статических скриптов. Агентный ИИ меняет границы делегирования. Современные агенты оценивают цели, сотрудничают со специализированными суб‑агентами, перемещаются по разрозненным системам и автономно выполняют сложные многошаговые рабочие процессы.

Для нас текущая агентная революция не является стратегическим отклонением от разговорного ИИ. Это естественное воплощение нашей первоначальной гипотезы: корпоративные технологии должны стать проще для людей, помогая им выполнять работу, даже если оркестровка за кулисами становится бесконечно более сложной.

Большая часть индустрии ИИ сосредоточилась на создании всё более мощных базовых моделей, тогда как Druid AI сосредоточилась на соединении различных моделей с корпоративными данными, системами и рабочими процессами. По мере того как модели становятся всё более взаимозаменяемыми, считаете ли вы, что оркестровка станет более важным конкурентным преимуществом, чем сама базовая модель?

В Druid AI наша основная миссия проста: извлекать исключительное из каждого человеческого взаимодействия, эффективно выполняя задачу. Но по мере созревания рынка ключ к предоставлению этой ценности — отойти от базового технологического стека.

Мы наблюдаем классический паттерн в корпоративных технологиях: возможности, которые ранее служили ранними дифференциаторами, быстро становятся товаром. Сегодня базовые модели доступны каждому игроку. Предприятия неизбежно развернут гибридную матрицу моделей, выбранных по конкретным показателям производительности, стоимости, безопасности или нормативным требованиям. По мере того как интеллект становится товаром, стратегическое поле битвы поднимается выше по стеку.

Сегодня самые сложные задачи в корпоративном ИИ связаны с контекстом выполнения: управление и доступ (какие данные может использовать ИИ и при каких политиках), агентная маршрутизация (какой специализированный агент должен обрабатывать конкретную задачу), интеграция систем (как несколько транзакционных систем безопасно координируют работу), автономия против контроля (когда агент может действовать самостоятельно, а когда требуется одобрение человека), проверяемость (если рабочий процесс не удался, можно ли пошагово восстановить цепочку решений).

Именно поэтому оркестровка стала главным стратегическим рычагом. Модели генерируют интеллект, но предприятия нуждаются в надёжном выполнении.

Druid AI построена как окончательный слой контроля и оркестровки. Она безопасно соединяет различные модели с корпоративными данными, рабочими процессами и людьми. Ключевым является предоставление эталонной структуры для измерения эффективности выполнения, оценивая реальные бизнес‑результаты.

В долгосрочной перспективе победоносным вопросом будет не “Какую модель вы используете?”, а “Насколько эффективно вы можете превратить сырый интеллект в завершённую работу для своих сотрудников и клиентов?”

Druid Conductor может координировать несколько специализированных агентов в области поиска знаний, логики принятия решений и системных действий. Что становится технически сложным, когда предприятие переходит от одного AI‑ассистента, отвечающего на вопросы, к множеству агентов, способных самостоятельно выполнять многошаговые бизнес‑процессы?

Переход от простых разговорных интерфейсов к многопользовательским архитектурам фундаментально меняет инженерную задачу. Вы перестаёте управлять линейным диалогом и начинаете управлять распределённой системой принятия решений и выполнения.

При наличии единственного помощника Q&A основные препятствия — распознавание намерений, поиск и генерация ответов с высоким уровнем точности. Экосистемы с множеством агентов вводят совершенно иной класс распределённых систем и вопросов:

1. Какой агент имеет полномочия действовать, и как предотвратить отклонение от предметной области?
2. Как сохраняется состояние при передаче ответственности между агентами?
3. Как согласовываются противоречивые решения между специализированными агентами?
4. Как суб‑агенты динамически и безопасно наследуют разрешения доступа?

Эти вызовы усиливаются при применении к реальной корпоративной инфраструктуре. Один рабочий процесс может охватывать CRM, ERP, платформу управления идентификацией, систему тикетирования и устаревшие базы данных. Каждая работает по отдельной бизнес‑логике и имеет свои режимы отказов, но в конечном итоге агент‑кондуктор должен выполнить задачу правильно.

Если четвертый шаг из шести‑шагового процесса не удаётся после того, как три системы уже выполнили транзакционные изменения, базовый агентный конвейер ломается. Слой оркестровки не может просто выдать общую ошибку. Он должен управлять состоянием, при необходимости выполнять откаты, определять наличие альтернативного маршрута или элегантно переходить к вмешательству человека.

Настоящая корпоративная оркестровка — это управление состоянием, транзакционная согласованность, наблюдаемость, соблюдение политик и надёжная автономность. Цель этой скрытой сложности — простота: предоставить единственное беспрепятственное взаимодействие, при котором сложные многосистемные задачи просто выполняются.

Druid AI уже обработала более одного миллиарда разговоров через тысячи развернутых агентов. При таком масштабе, чему вы научились о корпоративном ИИ, чего было бы невозможно понять из пилотных проектов или контролируемых демонстраций?

Работа в продакшене быстро учит скромности.

Пилотный проект обычно представляет собой относительно контролируемую среду. Сценарий определён, данные в целом чисты, пользователи известны, и обычно над проектом внимательно наблюдает команда.

Продакшн совсем не похож на это. Люди задают один и тот же вопрос двадцатью разными способами. Они меняют своё мнение в середине разговора. Предоставляют неполную информацию. Переключаются между языками или темами. Взаимодействуют в неожиданное время. Политики меняются. API дают сбои. Бэкенд‑системы замедляются. Появляются новые граничные случаи, о которых никто не думал в оригинальном дизайне. Одно ясно: пользователи ожидают, что задача будет выполнена эффективно, бесшовно и естественно. Будь то текст, но особенно голос, разговор должен течь естественно, без задержек; он должен звучать отчасти эмпатично и выполнять задачу, предлагая лучшие варианты и дальнейшие шаги, либо обрабатывать исключения и циклы с участием человека, когда это необходимо.

Некоторые из самых ценных автоматизаций происходят из выполнения относительно обычных задач исключительно хорошо и сотни тысяч раз: ответы на вопросы сотрудников, проверка счёта, переназначение встречи, решение ИТ‑запроса или извлечение нужной информации из корпоративной системы. Это изменило наше представление о ценности ИИ.

Второй урок состоит в том, что запуск в продакшн — лишь начало цикла обучения. Нужно наблюдать, что запрашивают пользователи, какие намерения растут, где разговоры прерываются, где люди эскалируют, а иногда и где сам бизнес‑процесс требует изменения.

Возможно, самый важный урок — доверие является операционным, поскольку предприятия доверяют ИИ, потому что со временем он ведёт себя предсказуемо, исключения обрабатываются корректно, решения видимы, и организация сохраняет контроль.

Данные продакшена Druid показывают, что относительно небольшое количество рабочих процессов может объяснить большую часть реального использования корпоративного ИИ. Указывает ли это на то, что компании следует изначально сосредоточить инвестиции в ИИ на небольшом числе высокообъёмных процессов, а не пытаться реализовать масштабную трансформацию по всей организации?

Один из самых очевидных паттернов в наших продакшен‑данных — концентрация спроса. В финансовых услугах, например, три категории рабочих процессов составляют около 90 % использования в продакшене. В высшем образовании концентрация ещё выше. Это даёт важный сигнал о том, как компаниям следует мыслить о трансформации ИИ. Мы проанализировали эти инсайты и создали отчёты‑бенчмарки для высшего образования, здравоохранения и банковского сектора, позволяющие нашим партнёрам и клиентам определить процессы, которые принесут эффективность, и спрогнозировать, как люди будут взаимодействовать с агентами.

Существует искушение, особенно на уровне совета директоров, начать с очень широкого запроса: «Вам ОБЯЗАТЕЛЬНО использовать ИИ, иначе мы отстанем». Операционная команда затем вынуждена искать, какие задачи могут выполнять агенты, одновременно боясь потерять свои рабочие места. Итак, как найти правильный баланс и как они смогут нанять подходящего AI‑агента, который будет работать С НИМИ, одновременно максимизируя KPI, ожидаемые советом?

Начинайте там, где есть потенциал увеличить доход и/или сократить расходы, в задачах, которые обычно люди выполняют повторно. Если тысячи клиентов, сотрудников, студентов или пациентов постоянно пытаются достичь одинакового результата, у вас есть измеримая база и сильная возможность продемонстрировать ценность.

Но есть важное различие: начните узко, проектируйте широко.

Первые случаи использования могут быть сосредоточены. Платформа под ними должна быть способна к расширению по всей компании. Вы доказываете экономику, модель управления, интеграции и механизмы эскалации к человеку на небольшом наборе значимых рабочих процессов. Затем вы расширяете охват на смежные процессы, используя полученный опыт.

Объём не должен быть единственным критерием. Низкочастотный процесс всё равно может быть чрезвычайно ценным, если каждое успешное решение несёт значительное финансовое или операционное влияние.

По мере того как компании всё больше ориентируются на успешное решение, а не просто на максимизацию процента взаимодействий без участия человека, как им определить, какие решения AI‑агент может принимать автономно, а где обязательна человеческая эскалация?

Druid AI разработала оценочную рамку, охватывающую 26 критериев и обеспечивающую объективную оценку агентной оркестровки от её создания до выполнения задачи.

Если действие обратимо, относительно низкорисково, регулируется чёткими правилами и поддерживается надёжной информацией, то есть веские основания для автономии. Переназначение встречи с предустановленными параметрами сильно отличается от принятия клинического решения и может казаться простым. Однако при эффективном выполнении необходимо учитывать множество факторов: например, если у врача B есть свободный слот, но он хочет его заблокировать, AI‑агент не должен переназначать пациенту встречу в этом слоте лишь потому, что задача — максимизировать заполненность календаря врача.

Я бы рассмотрел несколько измерений: финансовые или человеческие последствия ошибки, обратимость действия, полноту и качество доступной информации, нормативные требования и необходимость реального человеческого суждения или эмпатии. Затем вы намеренно проектируете эскалацию.

Здесь, как я считаю, раннее мышление об автоматизации ИИ было слишком упрощённым. Целью стало «захватить как можно больше взаимодействий без участия человека». Но во многих процессах эскалация именно тот правильный результат.

Поэтому я предпочитаю мыслить в терминах управляемого разрешения, а не чистого захвата.

Цель состоит в том, чтобы ИИ автономно решал задачи, которые он может решить, распознавал ситуации, в которых ему не следует действовать, и привлекал человека в процесс уже с собранным релевантным контекстом.

Когда AI‑агенты могут получать конфиденциальную информацию, обновлять корпоративные системы и инициировать реальные действия, наблюдаемость и управление становятся гораздо более значимыми. Что компании должны иметь возможность аудировать в отношении рассуждений агента, доступа к данным и действий, прежде чем доверять ему критически важные рабочие процессы?

Согласно рекомендациям Gartner, DRUID имеет встроенную оценочную рамку, анализирующую агентов по 5 направлениям: толерантность к ошибкам, риск, соответствие, наблюдаемость и отклонения. В рамках этих категорий у нас всего 26 компонентов. Каждый имеет определение, артефакт, который можно открыть, и метрику.

При оценке агента платформа должна уметь восстановить полную цепочку от исходного запроса пользователя до конечного действия в системе. Это подразумевает знание, какой агент обработал запрос, какая модель использовалась, какой контекст получил модель, какая корпоративная информация была получена, какие бизнес‑правила или политики применялись, почему выбран конкретный маршрут или действие и какие именно изменения произошли в базовых системах. Десятки аудируемых взаимодействий отслеживаются, анализируются и измеряются.

Идентичность также важна. AI‑агент никогда не должен обходить корпоративный контроль доступа. Нужно знать, кто инициировал запрос, какие права доступа у этого человека были, и оставался ли агент строго в этих границах.

В многопользовательских архитектурах трассируемость становится ещё более важной. Какой агент делегировал задачу другому агенту? Какая информация пересекла эту границу? Где возникло решение? Какой компонент фактически выполнил действие? И затем идут оперативные доказательства: метки времени, сигналы уверенности, результаты выполнения, исключения, события эскалации и возможность понять или воспроизвести произошедшее.

Это одно из крупнейших изменений при переходе от разговорного к агентному ИИ.

Когда ИИ лишь отвечает на вопрос, наблюдаемость полезна. Когда ИИ может изменить запись клиента, инициировать платёж, обновить несколько систем учёта или запустить бизнес‑процесс, наблюдаемость становится частью архитектуры управления.

Вы занимали необычно широкий спектр ролей в Druid AI, охватывая разработку, операции, доходы и успех клиентов. Как непосредственная работа с клиентами сформировала ваше представление о том, почему некоторые внедрения корпоративного ИИ приносят измеримую ценность, а другие остаются в режиме пилота?

Я начал карьеру как разработчик, и, как многие инженеры, изначально полагал, что если технология достаточно хороша, её ценность будет очевидна. Клиенты быстро учат, что в корпоративных технологиях всё иначе.

Технически сложное внедрение может всё равно приносить мало ценности, если бизнес‑проблема недостаточно важна, если владелец процесса отсутствует, если интеграция рассматривается как второстепенная задача или если никто не согласовал, что значит успех. Клиенты превосходно умеют отсеивать технологический нарратив. Их не интересует, насколько элегантна архитектура, если процесс, за который они отвечают, не улучшился.

Когда мы говорим о внедрениях такого масштаба, существует бизнес‑владелец с реальной проблемой для решения. Есть измеримый объём, стоимость/доход или трение. ИИ подключён к системам, где действительно происходит работа. И есть план внедрения и непрерывного улучшения после запуска. Пилоты часто остаются пилотами, потому что они доказывают, что технология работает, но не доказывают, что операционная модель работает. Поэтому, когда мы разрабатываем AI‑проект, мы обучаем наших сотрудников и партнёров сначала понимать задачу, а не клики пользователей в системах. «Задача» означает весь процесс, как обрабатываются исключения, какой результат, как часто появляются исключения, что мешает повышению продуктивности, сколько времени занимает и какие усилия требуются для повышения продуктивности, если задача не будет автоматизирована.

Моя собственная карьера прошла через технологии, операции, продажи, успех клиентов и построение компании, и теперь я считаю эту широту одним из своих главных преимуществ. Технологии учат, как что‑то работает. Продажи показывают, почему кто‑то будет за это платить. Успех клиентов демонстрирует, работает ли это в реальном мире. Операции показывают, может ли организация доставлять это последовательно и в масштабах.

Во многих отношениях развитие Druid AI следовало тому же пути: от доказательства работоспособности разговорного ИИ, к доказательству его ценности, к построению инфраструктуры, необходимой для надёжных интеллектуальных агентов на уровне предприятия.

Вы также участвовали в Women in Tech Romania, пока строили Druid в международную AI‑компанию. Где вы по‑прежнему видите крупнейшие барьеры для женщин‑основательниц и руководителей AI‑компаний, и что могло бы существенно повысить их представительство на уровне руководителей и основателей? 

Недавние данные подчёркивают поразительный разрыв в европейском технологическом секторе: только 5 % AI‑стартапов основаны или со‑основаны женщинами, и лишь половина этих основателей имеет степень PhD. Хотя статистика выглядит резкой, решение этой диспропорции требует взгляда за пределы традиционных нарративов о гендерной дискриминации.

В своей основе предпринимательство — это индивидуальное стремление, формируемое личностью, готовностью к риску, личными приоритетами и карьерными выборами. Вместо того чтобы рассматривать это исключительно как социальный барьер, необходимо изучать практический путь, по которому формируются основатели.

Хотя статистически девочки реже выбирают технические дисциплины в раннем возрасте, гораздо более значительное и менее обсуждаемое препятствие появляется позже в корпоративной карьере: отсутствие опыта полного владения бизнесом.

Женщины часто достигают уровня мировых технических специалистов и функциональных лидеров. Однако меньшее число переходит в роли с прямой ответственностью за доход, управлением P&L, коммерческими решениями и общей корпоративной стратегией. Именно эти операционные навыки необходимы для основания и масштабирования компании в сфере корпоративных технологий.

Мой собственный путь от разработки программного обеспечения до роли CEO был нелинейным, а представлял собой серию переходов через лидерство, операции, коммерческое исполнение и, в конечном итоге, построение компании. В таких условиях, как румынская система образования, где практические финансовые знания и предпринимательская подготовка отсутствовали у всех независимо от пола, обучение управлению бизнес‑рисками происходило постепенно, через последовательные контакты.

Преодоление этого разрыва также требует разрушения распространённого мифа: идея, что технологическое лидерство требует абсолютного мастерства перед тем, как сделать шаг вперёд. В эпоху быстро развивающегося ИИ никто не обладает всеми ответами. Ключевые качества лидера сегодня — любознательность, непрерывное обучение и уверенность в решении сложных проблем, даже если результат ещё не гарантирован.

Чтобы увидеть больше женщин, руководящих технологическими компаниями, необходимо расширять доступ к коммерческим сетям, продвигать видимых образцов для подражания и активно поощрять опытных специалистов выходить из функциональных силосов, брать на себя ответственность за P&L и принимать риски владения бизнесом.

Смотря в будущее, что, по вашему мнению, будет отличать платформы корпоративного ИИ, которые глубоко внедрятся в бизнес‑операции, от множества AI‑продуктов, которые в конечном итоге не смогут выйти за рамки экспериментов?

Разделяющая черта будет в способности перейти от интеллекта к надёжному выполнению.

Генерировать впечатляющий ответ уже становится относительно простым. Надёжно работать внутри крупного предприятия — совсем другая история.

Платформы, которые внедрятся в бизнес‑операции, должны будут безопасно подключаться к существующим системам, а не требовать от компаний заменять всё, что они уже используют. Им потребуется работать с различными моделями и технологиями.

Им понадобится оркестровка, способная координировать агентов, рабочие процессы и человеческие решения. И им потребуются идентификация, управление, наблюдаемость и контроль, встроенные в архитектуру изначально, а не добавленные позже.

Однако есть ещё одно требование, которое, как я считаю, всё более будет отделять эксперименты от инфраструктуры: надёжность в неполных условиях. Демонстрация показывает, что система ИИ может сделать, когда всё работает, но предприятие хочет знать, что произойдёт, когда что‑то идёт не так.

Что происходит, когда данные неполные? Когда API выходит из строя? Когда два правила конфликтуют? Когда уверенность низка? Когда пользователь запрашивает то, к чему у него нет доступа?

Если агент работает блестяще 90 % времени, но непредсказуемо в оставшиеся 10 %, нельзя поручать ему критически важный процесс.

В последние несколько лет доминирующим вопросом было: «Что может эта модель?

Вопрос предприятий меняется на: «Как я могу эффективно выполнить эту работу?»

AI‑платформы, которые глубоко внедрятся в организации, будут теми, кто сможет убедительно ответить на второй вопрос: технически, оперативно и экономически. Это, в конечном счёте, та возможность, которую мы увидели, когда запускали Druid AI: сделать интеллект частью самого процесса работы.

Спасибо за отличное интервью, читатели, желающие узнать больше, должны посетить Druid AI.