Agents can do the work
Статья утверждает, что главный ограничитель развёртывания AI-агентов — не возможности моделей, а организационная готовность компаний. Автор выделяет пять уровней готовности: контентная, по охвату, процедурная, по данным и исполнительная — и большинство компаний имеют только первые две-три. Исследование шести отраслей (энергетика, здравоохранение, e-commerce, гейминг, финуслуги, управление недвижимостью) показало, что команды упираются не в технические ограничения AI, а в невозможность надёжно идентифицировать пользователя, получить живые данные или передать права на действия. Те, кто продвинулся в автоматизации, выигрывают за счёт стандартизированных операций, а не «лучшего AI». Оценка агентов должна сместиться с вопроса «может ли AI это сделать?» на «готовы ли мы позволить ему это сделать?». Пробелы конкретны и решаемы: отсутствующий API, рассогласованные данные, недокументированный процесс, неназначенный владелец риска.
Под каждой оценкой AI-агента лежит один вопрос: что он умеет?
Два года назад это был правильный вопрос, потому что агенты были ограничены, и возможности были реальным узким местом. Разрыв между тем, что было нужно организациям, и тем, что могла дать технология, был широк.
С тех пор этот разрыв заметно сократился, и всё же большинство организаций используют своих агентов значительно ниже технически возможного уровня. Они применяют их для ответов и маршрутизации, но не доходят до того, чтобы те искали информацию, выполняли действия или решали сложные многошаговые задачи.
Стандартное объяснение этому — что AI пока недостаточно хорош: либо моделям нужно стать лучше, либо вендорам выпустить больше функций. Но изучив организации в разных отраслях, активно расширяющие AI-автоматизацию, мы обнаружили, что это объяснение работает реже, чем принято считать.
Команды, за которыми мы наблюдали, были ограничены прежде всего не тем, что мог сделать их AI, а тем, что их организация была структурно готова ему позволить.
Пять видов готовности
«Готовность» к AI распадается на пять отдельных видов, и у большинства организаций есть одни, но не все.
Контентная готовность — это способность ясно и последовательно объяснить свой продукт и политики. Большинство компаний это умеют. Готовность по охвату — это то, определили ли вы границы: когда AI должен включаться, а когда отступить? Краевых случаев становится всё больше, намерения варьируются по сегментам клиентов, в разговоре всплывают чувствительные темы — но большинство команд могут проработать это при должных усилиях. Процедурная готовность — здесь начинается сложное. Речь о том, способны ли вы сформулировать свои процессы достаточно чётко, чтобы их мог выполнить кто-то, кроме человека с годами неявных знаний. Счастливый путь редко становится проблемой. Проблема — это пути сбоев, точки ветвления решений, вариации, которые никогда не были записаны, потому что всегда жили у кого-то в голове. Готовность данных — это первый настоящий обрыв. Можете ли вы надёжно идентифицировать нужного пользователя, аккаунт или объект в момент, когда требуется принять решение? Можно ли доверять данным в реальном времени? Стабильны ли API, доступны ли они и действительно ли подключены? Для большинства организаций честный ответ — «частично, но мы не всегда понимаем, когда это ломается». Исполнительная готовность — это самая высокая планка. Не только технически (может ли агент внести изменение?), но и организационно. Кто несёт ответственность, когда оформляется неправильный возврат? Кто это обнаруживает? Кто восстанавливает? Действительно ли кто-то с полномочиями принимает этот риск?
У большинства компаний есть первые два, у некоторых — третий, у меньшего числа — четвёртый и пятый.
Что происходит, когда команды пытаются пойти глубже
Мы изучили компании в шести отраслях — энергетика, здравоохранение, e-commerce, гейминг, финансовые услуги, управление недвижимостью — все пытались расширить возможности своих агентов.
Закономерность была такой: команды брались автоматизировать реальные действия — проверку статуса аккаунта, оформление изменений, проведение транзакций. В большинстве случаев AI технически мог это сделать, но в какой-то момент (где-то между сопровождением пользователя по процессу и поиском информации от его имени) они упирались в стену.
Одна команда пыталась автоматизировать изменения в заявках, но не могла надёжно определить, какую именно заявку модифицировать в их внутренних системах. Другая исследовала автоматизацию биллинга, но не могла получить доступ к живым данным аккаунтов из-за регуляторных ограничений. Третьей нужно было проверять статусы в системах сторонних вендоров, до которых их агент не мог надёжно дотянуться.
В большинстве случаев команда перепроектировала решение под то, что могла поддержать её инфраструктура. Они смещались в сторону сопровождения — пошагового проведения пользователей через процессы вместо выполнения изменений от их имени. Это работало, закрывало разговоры и приносило реальную ценность, просто иначе, чем кто-либо планировал.
Ловушка оценки
Большинство оценок агентов строится вокруг возможностей. Справляется ли он со сложными запросами? Поддерживает ли несколько каналов? Может ли интегрироваться с нашими системами?
Это разумные критерии для оценки, но они дают балл возможностей, а он не говорит вам, сможет ли ваша организация на самом деле использовать то, что вы покупаете.
Команды, которые добрались до более глубокой автоматизации — те, что рано начали выполнять действия, — не имели «лучшего AI», у них были более стандартизированные операции. Действия, которые уже были чётко определены, единообразно применялись и предоставлялись через стабильные системы с ясными правилами. Автоматизация не изобретала новое поведение — она запускала действия, которые уже были жёстко контролируемы где-то ещё.
Готовность даёт возможности, а не наоборот. Это переформулирует вопрос оценки с «может ли AI это сделать?» на «действительно ли мы готовы, чтобы он это делал?»
Готовы больше, чем кажется
В большинстве разговоров о готовности к AI теряется одна мысль: организации часто продвинулись дальше, чем им кажется, — просто не в той работе, которую они планировали.
Команда, которая взялась автоматизировать возвраты, но способна надёжно сопровождать пользователей через сложную диагностику, обладает реальной развёрнутой возможностью. Они работают на том уровне, который поддерживает их готовность, и это отправная точка, а не дефицит.
Более полезная постановка вопроса — не «готовы ли мы?», а «к чему мы готовы и что конкретно стоит между нами и следующим уровнем?». Пробелы обычно конкретны: отсутствующий API, данные, которые живут в трёх системах и не согласуются друг с другом, процесс, который никогда не был задокументирован, или вопрос ответственности, на который никто не ответил. Это решаемые проблемы. Просто они требуют другого рода инвестиций, чем покупка более способного агента.
Открытый вопрос
Никто пока всерьёз не разобрался в том, как организации на самом деле выстраивают готовность.
Развивается ли она естественно через использование AI на более поверхностных уровнях? Или это в основном следствие предыдущих решений — выборов архитектуры систем, сделанных годы назад, операционной зрелости, накопленной со временем, инженерных вложений, не имеющих никакого отношения к AI? Когда готовность всё-таки растёт, что именно меняется? Развивает ли её команда поддержки? Предоставляет ли её инженерия? Требует ли она спонсорства на уровне руководства и инвестиций в инфраструктуру без очевидной AI-метки?
Пока нет более ясных ответов, картина, скорее всего, будет повторяться. Компании будут покупать способных агентов, планировать амбициозные внедрения и обнаруживать, что более тяжёлая работа — это выстраивание организационной инфраструктуры.
Агенты могут делать работу. Вопрос в том, что нужно, чтобы им это позволили.