Разорвать порочный круг: как организации могут избежать негативных прогнозов и добиться успеха.

С момента своего теоретического появления в 1950-х годах искусственный интеллект (ИИ) открыл бизнесу новые возможности и повысил производительность благодаря различным методам, особенно системам машинного обучения. Эти инструменты/технологии улучшили прогнозирование и принятие решений, заложив основу для будущих технических достижений. В последнее время генеративный ИИ обещает перевернуть все наши представления о работе и демократизировать опыт использования ИИ. Теперь пользователи взаимодействуют с моделями ИИ, такими как ChatGPT, посредством «подсказок», когда происходит обмен сообщениями между пользователем и моделью ИИ. Однако эти преимущества также сопряжены с новой проблемой: «прокрутка в никуда» (doomprompting). Это эквивалентно бесконечной прокрутке онлайн-контента без определенной цели, затягивающей пользователей в «кроличью нору». Но с ИИ «кроличья нора» отвечает взаимностью. Этот акт непрерывного совершенствования подсказок ИИ как для генеративных, так и для агентных моделей, движимый стремлением получить идеальный результат (а иногда и подсказками без какой-либо конкретной цели), приводит к увеличению затрат и снижению отдачи. Это создает серьезное препятствие на пути к успеху и сводит на нет цель использования самой технологии ИИ.

По мере того как компании увеличивают свои бюджеты на внедрение ИИ, лицам, принимающим решения, необходимо понимать путь к реальной отдаче от инвестиций и то, какую ценность они приносят. В отчете IEEE за 2025 год говорится: «Скрытые издержки ИИ: как небольшие неэффективности влияют на результат»«Это демонстрирует, как незначительные корректировки могут накапливаться и превращаться в значительные экономические издержки. Чтобы избежать участия в этой дорогостоящей борьбе, организациям необходимо усовершенствовать обучение сотрудников с использованием программ обучения на уровне магистратуры, чтобы в полной мере реализовать потенциал своих инвестиций в ИИ».

Генеративный ИИ обещает оптимизацию и повышение эффективности. Однако, когда команды попадают в ловушку бесконечного совершенствования (или блуждания без радара), неэффективность подрывает этот фундамент.

Уборка «рабочего мусора»

Одна из причин, по которой команды постоянно совершенствуют результаты своей работы, чтобы получить идеальный ответ, — это «рабочая шелуха». Впервые описанная в Harvard Business Review, «рабочая шелуха» включает в себя «сгенерированный искусственным интеллектом контент, который маскируется под качественную работу, но не обладает содержанием, необходимым для существенного продвижения к выполнению данной задачи».

Этот созданный ИИ «хлам» — первая костяшка домино в длинной цепочке, создающей порочный круг. Хотя модификация некачественного контента посредством итераций или правок важна, необходимо понимать, когда следует остановиться, прежде чем начнет снижаться отдача. Организации должны подходить к инвестициям времени в обучение ИИ с тонким балансом. С одной стороны, команды должны осознавать требуемое качество; с другой стороны, они должны знать, когда этого слишком много. Обучение сотрудников более разумному использованию моделей ИИ с помощью оптимальных подсказок и четких целей также окажется полезным.

Использование агентного ИИ для предотвращения катастрофических последствий

В последние годы компании значительно возрос интерес и инвестиции в агентный ИИ, который известен своей способностью повышать операционную эффективность. Агентный ИИ может брать на себя сложные задачи, координировать действия с несколькими агентами (включая RAG и агентов действий) для определения плана действий и автономно выполнять задачи для завершения общей задачи.

Эти качества могут помочь ИИ смягчить негативные последствия или вовсе обойти их. Это может устранить необходимость в многократном вводе инструкций в интерфейсы GenAI для выполнения задачи. Примером этого может служить ИТ-операции с использованием ИИ (AI-powered IT operations, AIOps), которые модернизируют ИТ, интегрируя ИИ в повседневные задачи. Традиционно команды тратят время на ручную настройку систем. Подразделения XXI века используют ИИ для автономного выполнения критически важных функций, таких как устранение неполадок, реагирование на инциденты и распределение ресурсов.

Еще один подходящий пример — это то, как агентные системы искусственного интеллекта могут автономно справляться со сложным инцидентом. Эти агенты, наряду с ITOps, способны понимать проблему в контексте, координировать действия с помощью агентов, обладающих аналитическим мышлением, для принятия решения о дальнейших шагах, использовать агентов действий для устранения неполадок в ИТ-системах и, наконец, применять обучающиеся агенты для понимания решения и его более эффективного применения в будущих инцидентах.

Интеллектуальная автоматизация Agentic AI помогает сократить участие человека и выполнять задачи автономно. Для удовлетворения меняющихся потребностей бизнеса повторяющиеся задачи и операции следует передавать автономному ИИ. Такое делегирование устраняет цикл повторных запросов и уточнений, который часто приводит к негативным последствиям. Автономные операции позволяют моделям ИИ постоянно оптимизировать свою работу и реагировать на изменяющиеся переменные без ручного вмешательства, что приводит к более быстрым результатам с минимальным участием человека.

Хотя квалифицированные специалисты по-прежнему будут играть важную роль в повседневной работе благодаря использованию человеческого фактора, их время будет более эффективно использовано для проверки результатов сканирования. Такой подход минимизирует риск внесения ошибок или чрезмерной корректировки.

Роль управления в предотвращении провоцирования катастроф.

В одном из последних Опрос McKinsey88% респондентов сообщили об использовании ИИ как минимум в одной бизнес-функции. Это на 10% больше, чем в 2024 году, и на поразительные 33% больше, чем в 2023 году. Для Agentic AI этот скачок был еще более значительным: с 33% в 2023 году до почти 80% в 2025 году.

Широкое распространение ИИ заставляет компании искать новые решения для предотвращения негативных последствий. Одним из таких инструментов являются надежные системы управления. Их следует тщательно разрабатывать, чтобы проекты в области ИИ оставались согласованными с бизнес-целями и не становились жертвами бесконечного вальса оптимизации. При разработке таких систем командам следует учитывать следующее:

• разработка руководящих принциповПотоки данных, поступающих в модели ИИ и исходящих от них, становятся все более сложными. Для упрощения этого процесса в руководствах по ИИ следует создать основу для того, чтобы команды могли обрабатывать данные, принимать решения и ответственно управлять результатами работы ИИ.
• Обучение пользователей: Правильное обучение использованию подсказок может способствовать достижению оптимальной производительности.
• Использование специализированных моделей: Отраслевые и специализированные модели ИИ, вероятно, смогут быстрее предоставлять контекстно-значимые результаты.
• Обучение моделей ИИ: Обучение моделей ИИ с использованием данных, специфичных для отрасли/задачи/организации (где это возможно), может привести к уменьшению трудозатрат и получению более подходящих результатов в кратчайшие сроки.
• Разработка правилРазработка и внедрение четкого набора правил имеет важное значение для руководства разработкой и внедрением ИИ. Когда команды устанавливают операционные границы, они гарантируют, что внедряемые системы соответствуют целям организации, этическим стандартам и нормативным требованиям.

Хотя темпы внедрения решений на основе искусственного интеллекта растут, в сфере управления ими этого не наблюдается. Согласно отчету PEX Industry Report за 2025 год,менее половины В то же время, только 25% компаний находились в процессе внедрения такой политики, а почти треть вообще не имела никакой политики управления ИИ. Эти структуры могут стать определяющим фактором, помогающим компаниям установить четкие границы того, что считается приемлемой производительностью.

Как вырваться из замкнутого круга мрачных прогнозов

Чтобы избежать замкнутого круга бесконечных напоминаний о грядущих проблемах, предприятиям необходимо внедрять стратегии ИИ, которые ставят результаты выше совершенства. Использование обучения с подсказками, специализированных моделей ИИ и моделей, обученных на контекстных корпоративных данных, может снизить необходимость в частых повторных подсказках. Компании, использующие агентный ИИ, автономные ИТ-операции и надежные системы управления, могут перераспределять критически важные ресурсы для достижения своих бизнес-целей, не увязая в бесконечных циклах оптимизации. Успех придет, когда команды изменят свой подход от постоянного совершенствования к целенаправленному выполнению и измеримым результатам.