Чому агенти штучного інтелекту в підприємствах зіштовхуються з проблемою знань, а не технологій

Минулого року S&P Global (SPGI ) повідомив, що частка компаній, які відмовляються від більшості своїх ініціатив штучного інтелекту, більше ніж подвоїлася – з 17% до 42%. До цього Gartner опублікував прогноз щодо проектів агентського штучного інтелекту: 40% з них буде закрито до кінця 2027 року.

За даними McKinsey & Company, майже половина всіх компаній експериментують з агентами штучного інтелекту. Але скільки з них перейшли за межі пілотної стадії та фактично працюють? Близько одна десята.

Промисловість не має дефіциту пояснень: галюцинації моделей, відсутність управління, високі витрати на GPU та нестача спеціалістів. Все це реальні виклики. Але після трьох років роботи з системами управління знаннями та агентами штучного інтелекту я все частіше бачу інший шаблон: компанії передають своїм агентам неповні дані.

Як доктор педагогічних наук, я розглядаю це як проблему передачі знань. Якщо людина не може пояснити, як вона приймає рішення, її логіка не може бути передана новому співробітнику, не кажучи вже про агента штучного інтелекту. Давайте розглянемо, чому це відбувається та що можна зробити з цим.

Де знаходиться знання про те, як компанія фактично працює

Запитайте у великої компанії, де зберігається знання працівників, і ви почуєте довгий список: Confluence, SharePoint, платформи LMS, чат-боти FAQ, архіви Slack. Можна подумати, що це саме те, що система RAG може використовувати для отримання всього необхідного. Але одного важливого елемента не вистачає – знання, яке живе в головах людей. Знання, яке ніхто ніколи не записував.

Чому це проблема?

Бо агент штучного інтелекту, щоб взяти на себе частину робочого процесу – зрозуміти контекст, вибрати дію та виконати завдання до кінця – потребує не тільки доступу до бази знань, але й логіки прийняття рішень, яку використовує досвідчений спеціаліст.

П уявіть нового агента підтримки, який отримує запит: клієнт стверджує, що сплатив за послугу, але доступ не активований. Сценарій включає стандартний набір кроків, який закінчується запитом клієнта чекати. Однак агент помічає, що ситуація незвичайна: клієнт вже звертався до підтримки двічі, і в системі є кілька подібних випадків за останню годину. Він звертається до більш досвідченого колеги, який пояснює, що він вже бачив це раніше і що проблема, ймовірно, полягає в невдачі на перетині платіжної системи, банку та внутрішньої системи активації – тому справу потрібно передати в інший відділ.

Для агента штучного інтелекту ця логіка невидима. Він може мати доступ до сценарію, історії тикетів та статусу оплати, якщо ці джерела даних підключені, але він не знає, які сигнали досвідчений оператор вважає вирішальними. Не тому, що експерти свідомо приховують цю інформацію. Вони просто не можуть формалізувати її або розбити на кроки: які варіанти були виключені, чому була вибрана певна дія, і на якому етапі стало зрозуміло, що стандартний сценарій не підходить. Когнітивні вчені називають це явище неявним знанням – імпліцитним знанням, яке навіть його власник може не бути повністю свідомий.

Це пояснює, чому瓶ешка не виникає на рівні доступу до документів, а на етапі конвертування досвіду експерта у формат, придатний для навчання агента штучного інтелекту.

Що робити з цим

Щоб агент штучного інтелекту працював ефективно, недостатньо просто підключити LLM до корпоративної бази знань, оскільки успішні рішення часто залежать від неявного знання. Спочатку потрібно створити шар знань, включаючи структуровані критерії прийняття рішень.

У сфері управління знаннями цей процес називається екстерналізацією – конвертуванням неявного знання в явне знання. Інакше кажучи, компанії потрібно зрозуміти не тільки, що робить експерт, але й як він думає. Це зазвичай робиться шляхом серії глибоких інтерв’ю з провідним експертом. Разом з ним повинен бути хтось, хто вміє ставити правильні питання: методолог, інженер знань або спеціаліст з інструктивного дизайну. Їхня задача полягає не в тому, щоб написати “інструкцію на основі того, що говорить експерт”, а в тому, щоб реконструювати критерії вибору між варіантами, розбити крайні випадки та виявити типові помилки, які експерт вже автоматично обробляє.

Тут штучний інтелект може суттєво допомогти: транскрибувати інтерв’ю, групувати подібні випадки, перетворювати пояснення експерта в чернетку сценаріїв та генерувати ситуації для валідації. Однак кінцеву структуру все одно потрібно переглянути та затвердити експертом.

Результатом повинна бути робоча база знань. Її можна використовувати в двох напрямках одночасно – для навчання нових працівників та для конфігурації агента штучного інтелекту. Обидва сценарії залежать від одного й того ж фундаменту: структурованого досвіду провідних спеціалістів.

Альтернативою є продовжувати сприймати припущення, що RAG над Confluence якимось чином реконструює логіку, яка ніколи не була задокументована. На практиці це майже ніколи не працює: система може отримати відповідний документ, але вона не навчиться приймати рішення в ситуаціях, коли правильна дія залежить від контексту та досвіду.

Як перевірити, чи готовий агент до роботи

Ви перетворили знання експерта на сценарії та сконфігурували агента. Але існує розрив між правдоподібними відповідями агента та реальною робочою продуктивністю – і цей розрив стає видимим лише під час валідації. На цьому етапі важливо визначити, чи ви дійсно захопили все необхідне знання.

Практичний підхід – сценарійне тестування. Ви даєте агенту реальні випадки з щоденної роботи експерта: клієнт оскаржує платіж, надходить незвичайний електронний лист, або з’являється запит, який не підходить до базового сценарію. Результати не повинні оцінюватися іншим LLM, а тим самим експертом, який допоміг створити базу знань. Якщо агент вибере інший шлях, ніж досвідчений спеціаліст, це не завжди означає, що модель слабка. Частіше це вказує на те, що критичний правило, виняток або приклад відсутній. У цьому випадку процес повертається до початку: методолог уточнює логіку з експертом, базу знань оновлюється, інструкції уточнюються, і тест повторюється.

Цей цикл не є необов’язковим кроком, а стадією, яка визначає різницю між агентом, який просто “демонструє потенціал”, і тим, який фактично виконує роботу. Це повільна і не дуже вражаюча частина процесу: вона не створює ефектного демо та вимагає участі експертів. Але ті, хто систематично проходить її, отримують агентів, які дійсно зменшують робоче навантаження спеціалістів. Ті, хто її пропускає, часто знаходяться в статистиці Gartner, яка передбачає, що 40% проектів буде скасовано.

Агентський штучний інтелект не зазнає невдачі через технології – сучасні моделі вже здатні виконувати складні завдання. Він зазнає невдачі, бо компанії “годують” його неповними знаннями. У 2024-2025 роках це ще можна було пояснити експериментальною стадією. У 2026 році ця помилка вже має високу ціну.