Разрывая цикл: Как организации могут избежать Doomprompting и достичь успеха

С момента теоретического концепта в 1950-х годах, искусственный интеллект (ИИ) проложил путь для бизнеса, чтобы испытать улучшенные возможности и производительность через различные методы, особенно системы машинного обучения. Эти инструменты/технологии улучшили прогнозирование и принятие решений, заложив основу для будущих технических достижений. В последнее время, Генеративный ИИ обещает перевернуть все, что мы знаем о работе, и демократизировать опыт ИИ. Пользователи теперь взаимодействуют с моделями ИИ, такими как ChatGPT, через “промптинг”, где пользователь взаимодействует с моделью ИИ туда и обратно. Однако эти выгоды также приходят с новым вызовом: Doomprompting. Это эквивалентно бесконечному скроллингу в интернет-контенте, без определенной цели, запирая пользователей в кроличьих норах. Но с ИИ кроличья нора отвечает обратно. Этот акт постоянного усовершенствования промптов ИИ для как генеративных, так и агентных моделей, обусловленный амбицией получить идеальный вывод (и иногда без конкретной цели), приводит к увеличению затрат и снижению эффективности. Это создает значительное препятствие на пути к успеху и подрывает саму цель использования технологии ИИ.

По мере того, как бизнес увеличивает свои бюджеты, связанные с ИИ, лица, принимающие решения, должны понять путь к реальным результатам от своих инвестиций и какую ценность они генерируют. Отчет 2025 года IEEE, “Скрытые затраты ИИ: Как небольшие неэффективности накапливаются в значительные экономические бремена”, демонстрирует, как незначительные корректировки могут накопиться в значительные экономические бремена. Чтобы избежать участия в этом дорогостоящем борьбе, организации должны усовершенствовать обучение своих сотрудников с помощью Больших Языковых Моделей (LLM), чтобы достичь полного потенциала своих инвестиций в ИИ.

Генеративный ИИ несет обещание оптимизации и эффективности. Однако, когда команды попадают в цикл бесконечного усовершенствования (или блуждания без цели), неэффективность подрывает эту основу.

Очистка “Workslop”

Одной из причин, по которой команды постоянно усовершенствуют выводы, чтобы получить идеальный ответ, является Workslop. Во-первых, описанный в Harvard Business Review, Workslop охватывает ‘содержание, сгенерированное ИИ, которое маскируется под хорошую работу, но не имеет substance, чтобы существенно продвинуть задачу.’

Это сгенерированное ИИ ‘сlop’ является первым домино в длинной цепи, создающей цикл Doomprompting. Хотя модификация низкокачественного контента через итерации или редактирование важна, необходимо понять, когда остановиться, прежде чем это перейдет в зону снижения эффективности. Организации должны подойти к своему времени, инвестируемому в обучение ИИ, с тонким балансом. С одной стороны, команды должны быть осведомлены о необходимом качестве; с другой стороны, они должны знать, когда это слишком много. Обучение сотрудников более эффективному использованию моделей ИИ через оптимальное промптинг и четкие цели также будет полезно.

Использование Агентного ИИ для избежания Doomprompting

В последние годы бизнес значительно увеличил свой интерес и инвестиции в агентный ИИ, который признан за свою способность улучшать оперативную эффективность. Агентный ИИ может взять сложные задачи, оркестрировать с несколькими агентами (включая RAG и действующие агенты), чтобы решить курс действий, и выполнить задачи, чтобы завершить общую задачу автономно.

Эти качества могут помочь ИИ смягчить Doomprompting или полностью избежать его. Это может устранить необходимость инструктирования интерфейсов Генеративного ИИ через множество промптов, чтобы выполнить задачу. Примером этого может служить ИИ-операции, или AIOps, которые модернизируют ИТ, вплетая ИИ в повседневные задачи. Традиционно команды тратят свое время на ручную настройку систем. 21-вековые отделы – это те, которые используют ИИ для автономного выполнения критических функций, таких как устранение неполадок, реагирование на инциденты и распределение ресурсов.

Другим подходящим примером является то, как системы агентного ИИ могут обработать сложный инцидент автономно. Эти агенты, вместе с ITOps, способны понять контекст проблемы, оркестрировать с рассуждениями агентов, чтобы решить курс действий, использовать действующие агенты, чтобы выполнить последнюю милю исправлений на ИТ-системах, и, наконец, использовать обучающие агенты, чтобы понять решение и применить его более эффективно в будущих инцидентах.

Интеллектуальная автоматизация агентного ИИ помогает уменьшить человеческое взаимодействие и выполнять задачи автономно. Чтобы удовлетворить меняющиеся бизнес-потребности, повторяющиеся задачи и операции должны быть переданы автономному ИИ. Это делегирование устраняет цикл повторного промптинга и повторного усовершенствования, который часто подпитывает Doomprompting. Автономные операции позволяют моделям ИИ непрерывно оптимизировать и реагировать на меняющиеся переменные без ручного вмешательства, что приводит к более быстрым результатам с минимальным человеческим вмешательством.

Хотя обученные профессионалы все еще будут играть важную роль в повседневных операциях через подход “человек в цикле”, их время будет лучше использовано в сканировании результатов для верификации. Этот подход минимизирует риск введения ошибок или чрезмерной корректировки.

Роль управления в предотвращении Doomprompting

В недавнем обзоре McKinsey, 88% респондентов сообщили об использовании ИИ в至少 одной бизнес-функции. Это было на 10% больше, чем в 2024 году, и на 33% больше, чем в 2023 году. Для агентного ИИ этот скачок был еще более значительным. С 33% в 2023 году до почти 80% в 2025 году.

Это широкое внедрение заставляет бизнес искать новые решения для Doomprompting. Одним из таких инструментов являются прочные рамки управления. Они должны быть тщательно разработаны, чтобы обеспечить, что проекты ИИ остаются согласованными с бизнес-целями и не становятся жертвами бесконечного вальса оптимизации. Когда команды разрабатывают эти рамки, они должны учитывать:

• Установление руководящих принципов: Потоки данных к и от моделей ИИ становятся все более сложными. Чтобы упростить это, руководящие принципы ИИ должны создать основу для команд, чтобы работать с данными, принимать решения и управлять выводами ИИ ответственно.
• Обучение пользователей: Правильное обучение в использовании промптов может помочь в оптимальной производительности
• Использование специализированных моделей: Модели ИИ, специфичные для отрасли или цели, вероятно, обеспечат контекстные и осмысленные выводы быстрее
• Обучение моделей ИИ: Обучение моделей ИИ с данными, специфичными для отрасли, задачи или организации (где это возможно), может привести к меньшему количеству Workslop и более подходящим выводам быстрее.
• Разработка правил: Разработка и реализация четкого набора правил необходима для руководства разработкой и развертыванием ИИ. Когда команды устанавливают оперативные границы, они обеспечивают, что принятые системы согласованы с организационными целями, этическими стандартами и нормативными требованиями.

Хотя внедрение решений ИИ увеличивается, управление не следует этому темпу. Согласно отчету PEX Industry 2025 года, менее половины имеют политику управления ИИ. Тем временем только 25% были в процессе реализации ее, и почти треть не имели никакой политики управления ИИ. Эти рамки могут стать определяющим фактором в помощи бизнесу установить четкие границы того, что составляет приемлемую производительность.

Побег из цикла Doomprompting

Чтобы избежать попадания в цикл Doomprompting, бизнес должен принять стратегии ИИ, которые отдают приоритет результатам над совершенством. Использование обучения промптов, моделей ИИ, специфичных для цели, и моделей, обученных на контекстных данных предприятия, может уменьшить необходимость в обширном повторном промптинге. Бизнес, который использует агентный ИИ, автономные ИТ-операции и прочные рамки управления, может перенаправить критические ресурсы на достижение своих бизнес-целей без застревания в бесконечных циклах оптимизации. Успех придет, когда команды сместят свой взгляд с постоянного усовершенствования на сосредоточенную реализацию и измеримые результаты. Организации, которые используют ИИ, автономные ИТ-операции и прочные рамки управления, могут перенаправить критические ресурсы на достижение своих бизнес-целей без застревания в бесконечных циклах оптимизации. Успех придет, когда команды сместят свой взгляд с постоянного усовершенствования на сосредоточенную реализацию и измеримые результаты.