Андрей Йонович, генеральный директор XBP Global — интервью

Андрей Йонович — генеральный директор XBP Global, международной технологической и сервисной компании, специализирующейся на критически важных для бизнеса рабочих процессах. XBP Global внедряет агентный ИИ в регулируемых сферах, включая здравоохранение, государственный сектор и финансовые услуги, где необходимы точность, безопасность, суверенитет данных и возможность аудита. В этом интервью Йонович рассказывает об адаптивной оркестрации процессов, моделях с открытыми весами, интеллектуальной обработке документов, принятии решений с участием человека и о том, что нужно, чтобы превратить ИИ из технической возможности в измеримые операционные результаты.

Вы начинали карьеру юристом по сделкам, затем перешли к слияниям и поглощениям, корпоративной трансформации и в итоге возглавили XBP Global. Как этот опыт повлиял на то, как вы оцениваете управление, коммерческие риски и организационные последствия внедрения искусственного интеллекта в критически важные рабочие процессы?

Прежде всего я рассматриваю ИИ с точки зрения операционной модели. Работа в сфере сделок и трансформации приучает задаваться вопросом: будет ли эта структура работать на практике, когда презентация закончится и начнётся реализация.

Для ИИ это особенно важно: модель может прекрасно работать сама по себе, но при этом приводить к плохим операционным результатам. В здравоохранении, государственном секторе и банковской сфере точность обработки, соблюдение нормативных требований и возможность аудита обязательны. Нужно понимать, где хранятся данные, что системе разрешено делать, как контролируются решения и какова структура затрат при обработке больших объёмов рабочих процессов.

Принципы управления необходимо закладывать в саму архитектуру. Важно понимать, где работает модель, какая информация пересекает границы предприятия, что фиксируется в журнале аудита и что происходит, когда рабочий процесс доходит до решения, требующего более высокого уровня контроля.

Вероятно, именно здесь мой опыт оказывает наибольшее влияние. Меня обычно меньше интересует, на что способна технология в условиях контролируемой демонстрации. Я хочу знать, можно ли встроить её в критически важный процесс и полагаться на неё.

XBP Global описывает агентный ИИ как следующий этап развития автоматизации на основе традиционных правил и роботизированной автоматизации процессов. Что технически меняется, когда рабочий процесс переходит от следования заранее заданным инструкциям к использованию ИИ-агентов, способных делать выводы, принимать решения и координировать несколько задач?

Архитектура становится гораздо более адаптивной.

Традиционная автоматизация рабочих процессов действует детерминированно. У вас есть правила, вы знаете, что произойдёт на следующем этапе, и по мере усложнения процесса добавляете жёстко заданную логику. Для предсказуемых задач это работает очень хорошо. Проблемы возникают, когда правил становится слишком много или процесс меняется быстрее, чем можно перестроить систему.

Сейчас мы занимаемся адаптивной оркестрацией процессов. Там, где этого требуют точность и соблюдение нормативных требований, можно сохранить детерминированные системы правил, а в тех частях рабочего процесса, где выводы модели приносят пользу, внедрить интеллектуальные модели. Агенты могут координировать задачи, получать доступ к информации и выбирать следующее действие — без необходимости заранее прописывать кодом все возможные маршруты процесса.

Ещё одно изменение состоит в том, что базовую модель становится проще заменять. Мы видим, как модели с открытыми весами корпоративного уровня стремительно совершенствуются. Если конвейер правильно спроектирован, по мере развития экосистемы можно подключить более совершенную модель, не перестраивая вокруг неё весь операционный процесс.

Поэтому, на мой взгляд, всё более важным техническим активом становится сам рабочий процесс: оркестрация, отраслевые знания, средства контроля и данные, связанные с моделью.

Многие компании экспериментируют с ИИ, но не могут перейти от пилотных проектов к промышленной эксплуатации. Какие архитектурные или организационные барьеры чаще всего мешают предприятиям масштабно внедрять агентные рабочие процессы? 

Клиенты уже переходят от экспериментов к следующим этапам. Они видели демонстрации и слышали очень смелые обещания высокой окупаемости инвестиций. В какой-то момент технология должна быть встроена в реальный процесс и начать работать.

Именно здесь архитектура становится сложной. Промышленный рабочий процесс должен взаимодействовать с уже существующей в компании средой. Конфиденциальную информацию может потребоваться хранить в частном облаке или локально, в собственной инфраструктуре. Необходимо обеспечить доступ к действующим системам и соблюсти нормативные требования. Экономическая модель также должна оставаться жизнеспособной при масштабах предприятия.

Недавно мы выиграли тендер на проект, связанный с жизненным циклом технического обслуживания глобального авиапарка. Данные по каждому элементу обслуживания будут преобразованы в векторы и сохранены в частной векторной базе данных в частном облаке клиента. Агентная инфраструктура управляет доступом к этой информации и помогает восстановить записи, когда срок аренды самолётов истекает или их продают.

Это совсем не то же самое, что доказать способность модели ответить на вопрос о документации самолёта. Здесь нужно работать со всей операционной средой, контролировать данные и обеспечивать бесперебойное выполнение процесса снова и снова.

С точки зрения организации проблема обычно заключается в том, кто отвечает за процесс. Кто-то должен достаточно глубоко разбираться в нём, чтобы определить, что именно означает готовность к эксплуатации. Без такой операционной дисциплины пилотный проект может ещё очень долго производить впечатление, так и не став полезным.

XBP Global сочетает автоматизацию с контролем человека, особенно при принятии решений с серьёзными последствиями. Как вы определяете, какие решения система ИИ может принимать самостоятельно, а в каких случаях человек должен оставаться частью процесса? 

Мы отводим человеку роль в рассмотрении спорных случаев.

В рабочем процессе, где решения могут иметь серьёзные последствия, обычно есть большой объём задач, которые можно выполнять с высокой степенью уверенности. Но встречаются и нестандартные случаи: информации недостаточно, обстоятельства необычны или цена ошибки слишком высока.

Когда конвейер доходит до одного из таких случаев, он направляет операцию профильному эксперту. Тот разбирается в ситуации, а принятое решение затем можно передать системе, чтобы модель продолжала совершенствоваться.

Я считаю, что эта обратная связь очень важна. Контроль со стороны человека приносит больше пользы, если со временем помогает улучшать рабочий процесс. Эксперт привносит специальные знания в рассмотрение тех случаев, где модели пока нужна помощь.

Порог автономности во многом зависит и от среды. Рассмотрение вопросов в сфере здравоохранения, работа с документами государственного сектора и регулируемые финансовые процессы предъявляют иные требования, чем внутренняя задача с низкими ставками. Допустимый уровень уверенности должен учитывать реальные последствия решения, когда система начинает действовать на его основании.

Ваши клиенты работают в регулируемых отраслях и государственном секторе, где важны суверенитет данных, безопасность и возможность аудита. Как организации могут внедрять большие языковые модели в защищённых средах, не теряя тех возможностей, которые делают эти системы полезными? 

Модели с открытыми весами существенно меняют ответ на этот вопрос.

Долгое время считалось, что для достижения наилучших результатов модели нужно передавать информацию в чужую среду. Это создаёт очевидную проблему, когда данные должны оставаться внутри корпоративного периметра.

Теперь мы можем брать модели с открытыми весами корпоративного уровня и встраивать их в развёрнутые агентные конвейеры, сохраняя данные в среде клиента. В зависимости от требований это может быть частное облако или локальная инфраструктура. При этом организации могут пользоваться достижениями всей экосистемы моделей и одновременно сохранять необходимые им средства контроля над суверенитетом данных.

Архитектура также должна допускать изменения. Нет причин считать, что сегодняшняя модель останется лучшей для конкретной задачи. Наши протоколы обучения разработаны так, чтобы мы могли быстро интегрировать новые модели в существующий конвейер.

Для клиентов из регулируемых отраслей такая гибкость особенно ценна: рабочий процесс может совершенствоваться, а данные при этом остаются в прежнем периметре. Это также позволяет начать выполнять такие требования, как EU AI Act, не рассматривая соблюдение нормативов как нечто, что добавляют уже после внедрения технологии.

Значительный объём корпоративной информации по-прежнему скрыт в документах, изображениях, устаревших системах и бумажных архивах. Как развивается интеллектуальная обработка документов и какую роль она играет в преобразовании разрозненных данных в информацию, которой агенты ИИ могут надёжно пользоваться?

Думаю, интеллектуальная обработка документов становится частью инфраструктуры агентных рабочих процессов.

Исторически обработка документов во многом строилась на шаблонах: система знала, как выглядит документ, какой именно реквизит нужно найти, и извлекала его. Но корпоративная информация редко бывает настолько упорядоченной. Только в сфере здравоохранения приходится работать с EOB, сложной корреспонденцией, данными о страховых требованиях и документами в разных форматах.

Новый подход гораздо лучше учитывает контекст. Он позволяет анализировать неструктурированную информацию, определять, что в ней важно, и преобразовывать её в структурированные данные, пригодные для использования последующими системами. Это важно, потому что агент не сможет надёжно координировать работу, если лежащая в её основе информация неполна или неверно интерпретирована.

Масштаб также меняет характер задачи. Мы работаем со средами, в которых обрабатываются огромные объёмы изображений, страховых требований, платёжных операций и других документов. При таких объёмах даже небольшое снижение качества извлечения данных превращается в серьёзную операционную проблему.

Таким образом, интеллектуальная обработка документов всё чаще становится начальным этапом интеллектуального рабочего процесса. Она преобразует разрозненную информацию в пригодные для использования данные, даёт следующим этапам надёжную основу для действий и создаёт условия для дальнейшей автоматизации.

XBP Global рассказывала о переносе устаревших процессов, основанных на правилах, в агентные конвейеры ИИ и о повышении доли задач, решённых с первой попытки. Что система ИИ должна знать о процессах организации, исключениях и накопленных в ней знаниях, чтобы стабильно обеспечивать надёжные результаты?

Значительная часть накопленных в организации знаний так и не попала в чётко оформленные документы о процессах.

Эти знания заложены в старых системах, наборах правил и профессиональных суждениях людей, которые годами выполняли эту работу. Они знают, какая информация важна, какое правило применимо в конкретной ситуации и к каким последствиям на следующих этапах приведет неверное решение.

При переносе этой работы необходимо сохранить накопленные практические знания. В нашей сфере это часто означает сочетание детерминированной логики с ИИ, а не предположение, что от всех правил нужно немедленно отказаться. В регулируемых рабочих процессах есть задачи, для которых механизм правил чрезвычайно полезен, поскольку требования к ним точны. Другие задачи интеллектуальная модель способна выполнять с учетом различий между ситуациями гораздо эффективнее.

Именно знание предметной области подсказывает, где уместен каждый из этих подходов.

Именно поэтому успешное решение с первой попытки нельзя оценивать только по показателю модели. Рабочий процесс должен приводить к результату, который выдерживает проверку на следующем этапе. Если где-то дальше возникает новая эскалация, значит, вы не решили проблему, а лишь переместили ее.

Система должна достаточно хорошо понимать процесс, чтобы знать, как выглядит успешное выполнение операции от начала до конца.

XBP Global применяет автоматизацию не только в работе с клиентами, но и в собственном переходе к модели работы, в основе которой лежит ИИ. Что вы узнали, используя компанию как внутреннюю испытательную площадку, и как вы сочетаете повышение производительности с развитием персонала и управлением изменениями?

Мы довольно активно внедряли эти решения внутри компании, потому что, на мой взгляд, когда от результата напрямую зависят собственные экономические показатели, очень быстро понимаешь, что работает.

Ожидается, что наши инициативы по автоматизации на основе ИИ принесут операционную экономию в годовом выражении в размере от $65 млн до $75 млн, причем около $35 млн эффекта ожидается в 2026 году. Во втором квартале выручка на одного сотрудника достигла примерно $89 000 против примерно $82 000 в предыдущем квартале; к концу года, как ожидается, этот показатель приблизится к $100 000.

Эти показатели полезны, поскольку позволяют понять, действительно ли новая операционная модель повышает производительность.

Последствия для персонала вполне реальны. По нашим оценкам, к концу 2026 года глобальная численность сотрудников сократится примерно на 20% по мере перехода к более производительной операционной модели. При управлении изменениями необходимо учитывать, что повышение производительности меняет требования к численности персонала.

В то же время сотрудники, которые продолжат работать в рамках этих процессов, должны обладать более высокой квалификацией. Нам нужны эксперты в предметной области, архитекторы и операционные специалисты, способные структурировать работу, оценивать результаты и брать на себя ответственность за принятие более значимых решений.

Проводя эту трансформацию внутри собственной компании, мы сделали обсуждение гораздо более практичным. Очень быстро становится ясно, какая автоматизация обеспечивает устойчивый рост эффективности, а где человек просто чаще использует ИИ.

Корпоративные проекты в области ИИ часто продвигают с помощью демонстраций, а не измеримых бизнес-результатов. Какие показатели руководителям следует использовать для оценки интеллектуального рабочего процесса и как учитывать точность, долю исключений, время обработки, операционные затраты и снижение рисков?

Я бы оценивал рабочий процесс на двух уровнях.

На операционном уровне я хочу знать точность, долю решений с первой попытки, время обработки, количество исключений и стоимость обработки работы. В регулируемой среде для меня также важно, поддается ли операция аудиту и надежно ли работают средства контроля при больших объемах.

Затем я хочу понять, отражаются ли эти улучшения на экономических показателях бизнеса.

Во втором квартале скорректированная валовая маржа XBP достигла 24,9% — это самый высокий показатель на сегодняшний день, — а выручка на одного сотрудника выросла примерно до $89 000. Кроме того, мы повысили целевой показатель операционной экономии в годовом выражении до $65 млн–$75 млн, выявив дополнительные возможности для автоматизации.

Эти показатели говорят о другом, чем результаты тестирования на эталонных данных. Они показывают, меняет ли технология структуру операционных затрат.

Даже при высокой точности модели внедрение может оказаться неудачным, если рабочий процесс слишком дорого обходится или создает слишком много дополнительной ручной работы. На мой взгляд, руководителям нужно прослеживать результат до самого конца. Технология должна давать операционный эффект, который можно где-то реально измерить.

Как вы считаете, сохранится ли агентный ИИ в будущем лишь как надстройка над существующими корпоративными системами или станет основным уровнем оркестрации, через который взаимодействуют люди, программное обеспечение, данные и бизнес-процессы?

Думаю, все больше рабочих процессов будут становиться агентными.

В корпоративной среде по-прежнему будут системы, хранилища данных и приложения, выполняющие определенные функции. Изменится то, как работа перемещается между ними. Агентный конвейер может получать информацию, координировать работу инструментов, запускать действия и определять, когда для операции требуется вмешательство другого типа.

Это уже видно на примере авиакомпании. Записи о техническом обслуживании хранятся в закрытой векторной базе данных в среде клиента, а агентный уровень управляет доступом к этой информации и ее использованием на протяжении всего цикла технического обслуживания.

Я ожидаю, что такая оркестрация станет гораздо более распространённой.

Базовые модели будут и дальше меняться. Модели с открытыми весами быстро совершенствуются, и за теми, которые мы используем сегодня, последует новое поколение. Поэтому уровень оркестрации становится всё важнее: компаниям нужна надёжная основа, которая будет работать с этими моделями.

Если выстроить конвейер с учётом процессов, отраслевой специфики, требований безопасности и механизмов корпоративного контроля, можно и дальше использовать более совершенные модели по мере их появления. Именно в этом, на мой взгляд, будет заключаться значительная часть долгосрочной ценности.

Спасибо за интересное интервью. Читатели, которые хотят узнать больше, могут посетить сайт XBP Global.