Ваши агенты ИИ терпят неудачу, потому что они не знают ваш бизнес

В прошлом году Absa, один из крупнейших банков в Африке, потребовалось 120 дней, чтобы переместить новую модель обнаружения финансовых преступлений из стадии разработки в производство. Хотя это было близко к среднему показателю отрасли на тот момент, сегодня этот же банк может развернуть новую модель за 15 дней, даже с тем же регуляторным окружением, объемом транзакций и требованиями соблюдения нормативов.

И все же, опрос PwC показал, что 56% руководителей предприятий не видели значительной финансовой выгоды от своих инвестиций в ИИ. Каждый руководитель предприятия, с которым я говорю, слышал эту презентацию: если вы развернете агентов ИИ и автоматизируете свои рабочие процессы, вы быстро увидите возврат инвестиций. Вместо этого, через 18 месяцев и несколько миллионов долларов, бизнес-эффект отсутствует. Отсутствующим ингредиентом является контекст области, операционно обоснованное понимание, которое дает агенту то, что ему нужно для принятия внутренних бизнес-решений, и что делать, когда он ошибается.

Когда агенты перестают советовать и начинают действовать

Gartner оценивает, что к 2027 году 50% бизнес-решений будут дополнены или автоматизированы агентами ИИ для интеллекта решений. До очень недавнего времени роль ИИ в предприятии заключалась в том, чтобы советовать, оставляя сотруднику принимать решение. Худший сценарий был пропущенным прозрением, задержанным решением или отсутствием действий в ответ на оповещение. С агентами последствия намного больше.

На заводе глобального производителя биологических препаратов, когда инспектор сканирует лабораторную дверь, автоматически запускается правильный контрольный рабочий процесс, адаптированный к оборудованию и спецификациям этой комнаты. Агент последовательно запускает контроль, выводит справочный материал и позволяет инспектору подтвердить. На заводе, регулируемом GxP, каждая проверка должна быть готова к аудиту, то есть агент берет на себя часть операционной нагрузки в среде, где есть реальные последствия, если он ошибется.

Большинство существующих сегодня рамок управления были построены для предыдущего консультативного мира: периодические обзоры модели с человеком, проверяющим вывод одной системы. Теперь у нас есть агенты, которые передают задачи другим агентам, координируют рабочие процессы и накапливают плохой ранний вызов на протяжении всего процесса до тех пор, пока кто-то не заметит.

Почему универсальные агенты сталкиваются с препятствием

Универсальный агент может выглядеть действительно впечатляюще в контролируемых условиях. Однако он начинает испытывать трудности в операциях предприятия, которые имеют ограничения, взаимозависимости и решения, очевидные для любого, кто работал на полу, и невидимые для модели, которая никогда не была обучена их видеть.

Менеджер категорий в одной из пяти лучших глобальных компаний по производству продуктов питания и напитков столкнулся с подобной проблемой на другом уровне: 96% рыночной доли, без традиционных рычагов, которые можно было бы использовать. Менеджер категорий определил логiku решения напрямую, объединив более 100 источников данных по более чем 1 000 атрибутам на магазин, и позволил модели ИИ собрать магазины в профили поведения покупателей, на которые команда категорий могла влиять. Результат? Три кластера покупателей, еженедельные спринты с розничными партнерами, 8% увеличение продаж и 35% более быстрые обновления полок.

Это сработало потому, что агент уже знал, что такое планограмма, что означает кластер покупателей и как изменение промоакции влияет на соседние категории. Универсальная модель должна быть обучена отраслевому словарю, что стоит 12-18 месяцев, которых большинство предприятий не имеют.

Почему управление должно быть архитектурно спроектировано

Рамки подотчетности, которые имеют большинство предприятий сегодня, были построены вокруг объяснения вывода модели после факта и периодического обзора. Они не были построены для того, что происходит, когда агент запускает необратимое действие внутри рабочего процесса.

Я работал с страховой компанией, действующей на рынках Центральной и Восточной Европы, которая должна учитывать регуляторные требования каждого рынка при принятии решений о соблюдении нормативов. Каждое решение о проверке клиента регистрируется как живая запись, включающая входные данные, модель, вывод и подпись лица, подтверждающего. Система ИИ компании может направить транзакцию, которая соответствует требованиям одного рынка, но не другого, без ручного вмешательства аналитика соблюдения.

Это та же архитектура, которая позволяет Absa развернуть свою систему AML в производство за 15 дней вместо 120. Скорость встроена, поэтому банк может сразу передать версию политики для каждого решения регулятору.

Предприятия, которые мы видим, инвестирующие в эти слои управления на ранней стадии, все еще запускают агентов в крупном масштабе через 18 месяцев. Те, кто рассматривает это как упражнение по соблюдению нормативов, прикрепленное после развертывания, – это те, кто должен постоянно перестраивать.

Доменный интеллект не является донастройкой

Мощные основные модели не обеспечивают надежно результатов предприятия самостоятельно, потому что они предназначены для широкого использования. Операции предприятия требуют глубокой, узкой специализации. Смешивание этих двух уже стоило отрасли времени и ресурсов, но это все еще наиболее распространенная ошибка, которую я вижу.

Доменный интеллект не является применением генерации с помощью извлечения (RAG) или донастройкой универсальной модели. Это разница между агентом, который может обрабатывать информацию о магазине продуктов и тем, который понимает, как бизнес построил и развернул 5 000 индивидуально адаптированных планограмм по более чем 750 магазинам без единого командного управления каждым местом.

Такой операционный флюентность возникает из-за лет домен-специфических данных обучения, логики решения, построенной вокруг реальных операционных ограничений, и слоя знаний, который включает, как изменение цены влияет на маржу, как сдвиг ассортимента влияет на доступность на полке и как это влияет на лояльность покупателей. Для одной крупной американской сети продуктов питания этот связанный рассуждение произвело $200M в дополнительную прибыль.

Построение этой основы или получение ее от партнера, который уже сделал эту работу, – это реальная первоначальная стоимость в данных, домен-экспертизе и дисциплине для кодирования институциональных суждений вместо того, чтобы сразу переходить к пилотному проекту. Если эта основа спешна, агент, который выглядит домен-осведомленным в концепции доказательства, все еще может разрушиться с первым производственным краем случая.

Что на самом деле означает правильное использование агентов предприятия

Предприятия, которые продолжают бросать мощные модели в существующие рабочие процессы, будут должны признать своим советам директоров, что ROI не появляется. MIT заключил в прошлом году, что несмотря на инвестиции предприятий в генеративный ИИ, 95% организаций не получают никакой выгоды. Если вы не хотите быть в этом лагере, установите домен-интеллект на месте до первого дня, встроите управление в архитектуру и держите агентов подотчетными за конкретные результаты.

Модель за любым данным агентом является, иронически, наименее прочной частью этого уравнения. Лучшая модель будет выпущена в следующем квартале, от компании, которая построила ту, которую вы используете сегодня, или одного из ее конкурентов. Что не меняется с выпуском следующей модели, – это понимание вашего бизнеса агентами. Вы должны построить это намеренно. Агенты, которые преуспеют в вашей среде, не будут наиболее способными, универсальными агентами на рынке, но они заслужат ваше доверие, чтобы делать больше и больше для вашего бизнеса.