Сотрудничество должно находиться в центре многопользовательского ИИ‑подхода в производстве. Вот как.

Большинство, если не все, крупномасштабных производителей управляют множеством систем в своей цифровой инфраструктуре. Часто все они работают одновременно на цеховом полу: агент предиктивного обслуживания следит за вибрационными датчиками в поисках опасных шаблонов, агент контроля качества на основе визуального анализа отмечает дефекты продукции, а планировочный агент управляет переналадками, в то время как агент по запасам следит за закупками. У каждого есть чёткая операционная задача, но чаще всего эти системы не взаимодействуют друг с другом.

Именно отсутствие сотрудничества подрывает агентный ИИ в крупномасштабном производстве. То, работает агент или нет — одно, но другая значимая проблема для крупных производственных компаний заключается в том, что они функционируют почти в полной изоляции.

И хотя количество крупных организаций, внедряющих ИИ‑агентов хотя бы в одной функции, выросло с от 27 % до 40 % год к году, они сосредотачиваются на конкретных функциях, таких как ИТ и программная инженерия, вместо равномерного распределения агентов по всему предприятию как согласованной системы. При этом, хотя большинство организаций планируют развернуть автономных агентов, лишь около трети считают, что их инфраструктура готова их поддерживать. Более того, исследование 2025 года показало, что 79 % сбоев многопользовательских LLM‑систем обусловлены проблемами координации и спецификации.

Производители добавляют автономные системы принятия решений на цех и в производственную линию быстрее, чем создают между ними связь. Это усиливает проблему координации и сотрудничества, подрывающую эффективность этих моделей. В конечном итоге это проявляется в трёх отдельных уровнях ИИ‑стека. Вот где и что должны делать производители, чтобы обеспечить совместные, хорошо связанные агентные системы.

Самые крупные препятствия для сотрудничества

Первый и, возможно, крупнейший барьер — данные, которые продолжают оставаться существенным препятствием для многих крупных организаций, стремящихся масштабировать ИИ. Большинство производителей работают на основе десятилетий накопленной инфраструктуры (и связанных с ней данных) в виде систем MES и ERP, которые не имеют общей схемы с другими потоками данных, такими как коммуникации и кадровые ресурсы. Из‑за этого агентам трудно общаться друг с другом, если вообще удаётся; изолированные или плохо отформатированные данные создают почти непреодолимый барьер между несколькими агентами.

На фабричном полу это проявляется так: агент, мониторящий состояние и производительность машины на одной линии, не имеет надёжного способа узнать, что планирует агент планирования, находящийся на два участка дальше, для предстоящей переналадки, хотя оба решения и рабочие процессы напрямую влияют друг на друга.

Следующим препятствием является протокол. Это элемент, которому уделяется недостаточно внимания при построении сотрудничества ИИ. Агентный ИИ очень нов, и до недавнего времени не существовало реального стандарта, позволяющего агентам, построенным на разных фреймворках, платформах или у разных поставщиков, взаимодействовать и сотрудничать.

К счастью, это начинает меняться. Например, протокол Agent2Agent (A2A) от Google, запущенный в прошлом году, стандартизирует, как независимые агенты (возможно построенные на совершенно разных платформах) обнаруживают возможности друг друга и делегируют задачи. Важно, что он специально разработан в дополнение к Model Context Protocol (MCP) от Anthropic, который стандартизирует, как каждый агент получает доступ к инструментам и источникам данных. Общая цель здесь — преодолеть изоляцию и обеспечить сотрудничество даже в многопользовательских настройках в масштабе.

Наконец, многие производители всё ещё сталкиваются с вопросом человеческого надзора. Даже идеально скоординированная сеть агентов потерпит неудачу, если люди, контролирующие её, не доверяют её решениям или имеют нереалистичные ожидания относительно её возможностей. Аналитики MIT Sloan высказали предупреждения о завышенных ожиданиях и падении уверенности в агентном ИИ, а также о потенциальной угрозе отстранения человека от ИИ‑агентов. На цеховом полу эти пробелы и препятствия могут стать катастрофическими: человеческая нить, связывающая агентную экосистему, абсолютно необходима для безопасной и надёжной работы.

Устранение разрыва доверия

Существует искушение рассматривать человеческую сторону как чисто культурный вопрос, который можно решить дополнительными тренировочными сессиями. Однако такие усилия окажутся недостаточными, если их не сопутствуют надёжные архитектурные решения. Дизайн надзора должен учитывать, когда человеческое суждение должно уступать системе, а не автоматически переопределять предложение агента лишь потому, что человек в цепочке с ним не согласен.

Внедрите прозрачность рассуждений, что подразумевает постоянную видимость и возможность разобрать, почему агент принял решение или отметил предложение, а не просто наблюдать за результатом. И когда операторы не согласны, обеспечьте чёткий и эффективный путь эскалации, закрепляющий прозрачность и прослеживаемость процессов принятия решений.

Восстановление чувства целостности

Агенты, как и команды, которые они созданы поддерживать, нуждаются в большем, чем доступ к узкой, конкретной задаче. Им требуется то, что можно назвать ощущением целостности; рабочая модель того, как их часть операции связана со всем остальным. Планировочный агент, оптимизирующий время переналадки, не имея никакой видимости того, что видит агент по обслуживанию относительно стареющего оборудования, принимает лишь отчасти приемлемое решение, которое может оказаться неверным, если сравнить его с другими требованиями рабочего процесса.

Здесь сходятся слой протоколов и проблема ощущения целостности. Общий контекст — это практический способ привязать индивидуальную задачу агента к реальному состоянию всего завода. В производстве уже существует частичное решение в виде стандартов, таких как ISA-95, которые определяют общие методы того, как корпоративные и управляющие системы взаимодействуют на уровне завода. Новизна сейчас заключается в том, чтобы расширить эту идею общего операционного словаря от интеграции, понятной человеку, к информации, которую могут обрабатывать агенты.

Без этой общей модели каждый добавленный агент создает новую изолированную точку рассуждения и принятия решений, не входящую в единое целое. Именно так разрастание агентов ухудшается, а не решается, по мере масштабирования внедрения.

Контроль над правильными измерениями для успеха

Еще одна ловушка — измерять агентный ИИ тем же способом, что и любой другой запуск программного обеспечения: сосредотачиваться на показателях эффективности и следить за их постоянным ростом. Для скоординированных и совместных многопользовательских систем это не обязательно полезно и может даже обернуться против вас, если это станет единственной метрикой производительности.

Первое, что следует подтвердить, — это не просто сколько денег экономит агент, а безопасно ли и надежно ли он работает в соответствии с задумкой. Убедитесь, что он действует в пределах своих предустановленных границ, имеет предсказуемые отказы и позволяет при необходимости вмешательство человека и эскалацию. Только после того как это будет обеспечено, качество может выйти на передний план, например, проверяя, действительно ли вывод агента точен и согласован, а не просто мгновенен.

Это порядок приоритетов, который должны соблюдать производители. Скорость, пропускная способность и экономия затрат находятся внизу списка. Рост производительности, построенный на основе небезопасного или ненадежного агента, представляет собой риск для команд, технологий, производственных линий, взаимоотношений и репутации бизнеса.

Тестируйте в небольшом масштабе, прежде чем переходить к более крупным проектам. Один агент, выполняющий одну четко определённую задачу, позволяет получить чистое сравнение «до‑и‑после». Однако когда охват расширяется до десятков взаимодействующих агентов по всему заводу, при том что ни один из них ещё не прошёл индивидуальную проверку, становится гораздо сложнее определить, какая часть системы влияет на результат. Сложность следует вводить в методику измерений только с той же скоростью, с которой она добавляется в развертывание.

Здесь сотрудничество и измерения начинают сосуществовать. Вывод агента будет надёжным лишь в той мере, в какой он имел доступ к соответствующему контексту во время действия. Это означает, что упомянутая проблема общего контекста фактически является предпосылкой для измерений. Производители, не создавшие единую картину операций во всех системах, не имеют надёжного способа понять, отражает ли положительный или отрицательный результат суждение агента или пробел в доступных ему данных. Важные метрики становятся понятными, когда последовательность и общий контекст зафиксированы.

Координация и сотрудничество в центре возможностей

В конечном счёте, структурные преимущества крупных производителей (их огромные объёмы производства, исторические наборы данных, стабильность процессов, а также кадровые и технологические ресурсы) несомненны. Однако эти преимущества усиливаются только в том случае, если производители сначала решат проблему сотрудничества.

Смотря в будущее, по мере того как возможности ИИ развиваются до потенциальной полной автономии, а системы и производственные линии растут, сотрудничество и координация становятся абсолютной необходимостью. Рассматривать совместимость, протокольные стандарты, общий контекст, калиброванный человеческий контроль и ощущение целостности как архитектурные предпосылки перед масштабированием и внедрением — это обязательное условие. Это разделительная линия между производителями, успешно и безопасно масштабирующими агентный ИИ, и теми, кто застрял на пилотных проектах.