AI інтелектуальний агент, ключ до збільшення масштабу бізнесу в сотні разів

Написано: vas

Редакторство: AididiaoJP, Foresight News

AI — це не магія, але й не настільки простий інструмент, щоб просто «зібрати AI-програму, автоматично все зробити і чекати прибутків». Більшість людей насправді не розуміють, що таке AI.

А ті, хто справді розуміє (менше 5%), намагаються самі його налаштувати, і зазвичай терплять невдачу. Інтелект може з’являтися «галюцинації», він може забувати, на якому етапі був у процесі, або неправильно викликати інструменти, коли це не потрібно. Під час демонстрацій він працює ідеально, але в реальному виробництві одразу падає.

Я впроваджую AI-програми вже понад рік. Моя кар’єра у софтвері почалася в Meta, але півроку тому я звільнився і заснував компанію, яка спеціалізується на розгортанні виробничо придатних AI-інтелектуальних агентів для бізнесу. Зараз наш річний дохід уже досягає 3 мільйонів доларів і зростає. Це не тому, що ми розумніші за інших, а тому, що ми багато разів пробували і помилялися, і нарешті знайшли формулу успіху.

Нижче — все, що я дізнався під час створення справді корисних інтелектуальних агентів. Незалежно від того, чи ви початківець, експерт або посередині, ці досвіди мають бути корисними.

Перший урок: контекст — це все

Це може здаватися очевидним, і ви, можливо, вже давно це чули. Але саме тому, що це так важливо, потрібно постійно наголошувати. Багато хто вважає, що створення інтелекту — це просто з’єднати різні інструменти: обрати модель, відкрити доступ до бази даних, і все — можна відпочивати. Такий підхід одразу провалиться, і причин кілька:

Інтелект не розуміє, що є головним. Він не знає, що сталося п’ять кроків тому, бачить лише поточний етап і здогадується, що робити далі (часто помилково), і намагається вгадати.

Контекст — це найважливіша різниця між інтелектом, який коштує мільйони, і тим, що нічого не коштує. Вам потрібно зосередитися і покращити саме ці аспекти:

Що пам’ятає інтелект: не лише поточне завдання, а й повну історію, що привела до нинішнього стану. Наприклад, при обробці аномалій у рахунках, інтелект має знати: що саме викликало проблему, хто подав оригінальний рахунок, яка політика застосовується, як раніше вирішували подібні питання з цим постачальником. Без цієї історії інтелект просто здогадується, і це гірше, ніж його відсутність. Адже якщо б цим займався людина, проблему давно б вирішили. Це також пояснює, чому деякі скаржаться: «AI — дуже незручний».

Як інформація передається: коли у вас кілька агентів або один агент виконує багато кроків, інформація має точно передаватися між етапами, без втрат, пошкоджень або неправильного тлумачення. Агент, що класифікує запити, має передавати чистий, структурований контекст іншому агенту, що вирішує проблему. Якщо передача неякісна, все йде наперекосяк. Це означає, що кожен етап має мати перевірену структуровану вхідну і вихідну інформацію. Наприклад, функція /compact у Claude Code дозволяє передавати контекст між сесіями LLM.

Знання про бізнес-область: агент, що перевіряє юридичні договори, має чітко розуміти, які пункти є ключовими, які ризики оцінювати, які політики компанії застосовуються. Не можна просто дати йому купу документів і чекати, що він сам зрозуміє, що важливо — це ваша відповідальність. І також ваша відповідальність — структуровано подавати ресурси, щоб агент міг здобути галузеві знання.

Погане управління контекстом проявляється у тому, що агент через забуття вже отриманої відповіді повторно викликає один і той самий інструмент; або через неправильну інформацію викликає неправильний інструмент; або приймає рішення, що суперечить попереднім крокам; або кожного разу розглядає завдання як нове, ігноруючи схожі раніше випадки.

Гарне управління контекстом — це як досвідчений бізнес-експерт: він може встановлювати зв’язки між різною інформацією без того, щоб ви йому прямо казали, що і як пов’язано.

Контекст — це ключова різниця між «просто демонстраційним» інтелектом і «справжнім, що працює у виробництві і дає результати».

Другий урок: AI — це мультиплікатор результатів

Помилкове уявлення: «З ним нам вже не потрібні люди».

Правильне уявлення: «З ним трьох людей достатньо для роботи, яку раніше робили п’ятнадцять».

Інтелект рано чи пізно замінить частину людської праці, і заперечувати це — означає обманювати себе. Але позитив у тому, що AI не замінює людське судження, а усуває різні труднощі, що виникають навколо нього: пошук інформації, збір даних, крос-перевірки, форматування, розподіл завдань, нагадування тощо.

Наприклад: фінансовий відділ все ще має приймати рішення щодо аномалій, але з AI вони вже не витрачають 70% часу на пошук відсутніх документів, а використовують цей час для вирішення проблем. AI виконує всю базову роботу, а люди — лише фінальне затвердження. З мого досвіду роботи з клієнтами, насправді: компанії не звільняють людей. Їхні обов’язки змінюються: від нудної ручної роботи до більш цінних завдань, принаймні наразі. Звісно, у довгостроковій перспективі, з розвитком AI, ця ситуація може змінитися.

Компанії, що справді отримують вигоду від AI, — це не ті, що прагнуть виключити людей із процесу, а ті, що усвідомлюють: більша частина роботи співробітників — це «підготовчі» задачі, а не створення цінності.

Якщо проектувати агентів за цим принципом, не потрібно буде боротися за «точність»: агент робить те, що вміє найкраще, а люди — те, що роблять найкраще.

І це дозволяє швидше запускати рішення у виробництво. Не потрібно, щоб агент обробляв усі крайні випадки, достатньо, щоб він справлявся з типовими ситуаціями, а складні і аномальні — передавав людині з достатнім контекстом для швидкого вирішення. Принаймні, так потрібно робити на цьому етапі.

Третій урок: пам’ять і управління станом

Як агент зберігає інформацію у межах одного завдання і між завданнями — визначає, чи зможе він масштабуватися.

Зазвичай існує три моделі:

Окремий агент: обробляє весь робочий процес від початку до кінця. Це найкраще для побудови, оскільки весь контекст зосереджений в одному місці. Але з довгими процесами управління станом стає складніше: агент має пам’ятати рішення третього кроку, щоб використовувати його на десятому. Якщо вікно контексту заповнене або структура пам’яті неправильна, рішення на пізніх етапах буде позбавлене підтримки ранніх даних, і це призведе до помилок.

Паралельні агенти: одночасно обробляють різні частини однієї проблеми. Швидше, але виникає питання координації: як об’єднати результати? Що робити, якщо два агенті дають суперечливі висновки? Потрібно чітко прописати протоколи для об’єднання інформації і вирішення конфліктів. Зазвичай вводять «суддю» (людину або інший LLM), що вирішує конфлікти або гонки.

Співпраця агентів: послідовна передача роботи. Агент А класифікує, передає B для дослідження, потім — C для виконання рішення. Така модель підходить для процесів із чіткими етапами, але найчастіше проблеми виникають саме при передачі. Що навчив агент А, має бути у форматі, що може безпосередньо використовувати агент B.

Більшість помилок — це сприйняття цих моделей як «рішень для реалізації». Насправді, вони — архітектурні рішення, що визначають межі можливостей вашого інтелекту.

Наприклад, якщо потрібно створити агент для затвердження продажних контрактів, потрібно вирішити: чи агент відповідатиме за весь процес цілком, чи створити маршрутизуючого агента, що розподіляє завдання між агентами з різними спеціалізаціями — ціноутворення, юридична перевірка, затвердження керівництвом. Тільки зрозумівши реальні бізнес-процеси, ви зможете навчити агентів цим процесам.

Як обрати? Залежить від складності кожного етапу, скільки контексту потрібно передавати між ними і чи потрібно працювати у реальному часі або послідовно.

Якщо архітектура вибрана неправильно, ви можете витратити місяці на налагодження проблем, які насправді не є багами — це просто неправильне проектування, невідповідність між вашою проблемою і рішенням.

Четвертий урок: активне перехоплення аномалій, а не їхній звіт

При створенні AI-систем багато хто починає з ідеї: зробити дашборд, щоб показати інформацію всім. Благаю, забудьте про дашборди.

Дашборд — це марна річ.

Ваші фінансові або продажні команди вже знають про відсутність документів або проблеми з договорами. AI має перехоплювати проблему одразу, коли вона виникає, і передавати її відповідальним особам для швидкого вирішення, надаючи всю необхідну інформацію.

Якщо з’явився рахунок, але документів не вистачає? Не просто занесіть це у звіт. Відмітьте, хто має додати матеріали, і передайте цю проблему з повним контекстом (постачальник, сума, застосовна політика, що саме не вистачає). Забороніть проведення операції до вирішення. Це дуже важливо, інакше проблема «злитися» по всій організації, і ви не встигнете її виправити.

Якщо затримка у затвердженні договору понад 24 години? Не чекайте на нараду. Автоматично підвищуйте пріоритет, додаючи деталі транзакції, щоб затверджувач міг швидко прийняти рішення без пошуку інформації по системах. Відчуття терміновості — обов’язкове.

Якщо постачальник не виконав ключові етапи вчасно? Не чекайте, поки хтось помітить. Автоматично активуйте аварійний план і запустіть процес реагування ще до того, як хтось усвідомить проблему.

Ваш обов’язок — зробити так, щоб проблему було неможливо ігнорувати і щоб її вирішення було максимально легким.

Показуйте проблему напряму, а не через косвені дашборди.

Це зовсім протилежно тому, як більшість компаній використовують AI: вони використовують AI, щоб «бачити» проблему, а ви маєте використовувати AI, щоб «примусити» її вирішити швидко. Коли рівень вирішених проблем наблизиться до 100%, тоді вже можна подумати про дашборд.

П’ятий урок: економіка AI-інтелекту vs універсальні SaaS

Компанії постійно купують безліч SaaS-інструментів, які ніколи не використовуються — з причин зрозумілих.

SaaS легко купити: демонстрація, ціна, чекбокс у списку вимог. Якщо його затвердили, здається, що справа зроблена (хоча часто це не так).

Найгірше з AI SaaS — він просто стоїть і чекає. Він не інтегрований у реальні робочі процеси, стає ще одним системним входом. Ви змушені переносити дані, і через місяць це просто ще один постачальник, якого потрібно керувати. Через 12 місяців його відмовляються використовувати, але ви не можете його позбавитися, бо вартість переходу занадто висока — з’являється «технічний борг».

Інтелектуальні агенти, створені на основі ваших систем, — це запобігання цим проблемам.

Вони працюють у вже існуючих інструментах, не створюючи нових платформ, а навпаки — прискорюючи існуючі процеси. Агент виконує завдання, а люди дивляться на результати.

Реальні витрати — не «розробка проти ліцензійних платежів», а простий логічний підхід:

SaaS накопичує «технічний борг»: кожен новий інструмент — це ще один інтеграційний компонент, що з часом застаріє, або системний компонент, що може бути куплений, реорганізований або закритий.

Самостійна розробка агентів — це накопичення «знань»: кожне оновлення робить систему розумнішою, кожен новий робочий процес розширює можливості. Інвестиції — це складний ефект складного відсотка, а не знецінення з часом.

Тому я вже рік кажу: універсальний AI SaaS — це міф. Галузеві дані підтверджують: більшість компаній, що купують AI SaaS, припиняють його використовувати через 6 місяців і не бачать підвищення продуктивності. Ті, хто справді отримують вигоду, — це компанії з власними або сторонніми кастомізованими агентами.

Саме тому компанії, що рано освоїли агентів, мають довгострокову структурну перевагу: вони будують все більш потужну інфраструктуру. Інші просто орендують інструменти, які рано чи пізно доведеться замінити. У цьому швидкозмінному світі кожен тиждень втрат — це серйозний удар по вашому продукту і бізнесу.

Шостий урок: швидке розгортання

Якщо ваш проект AI-агента планується реалізувати за рік — ви вже програли.

Планування не встигає за змінами. Ваші робочі процеси можуть бути зовсім не такими, як ви передбачали, і найважливіше — це крайові ситуації, які ви не врахували. Через 12 місяців AI-індустрія може кардинально змінитися, і ваш продукт стане застарілим.

Мінімум — 3 місяці, щоб вивести його у виробництво.

У цьому інформаційному вибуху справжня здатність — це вміння ефективно використовувати інформацію і співпрацювати з нею, а не боротися з нею. Потрібно реально працювати: виконувати реальні завдання, приймати реальні рішення, залишати сліди для аудиту.

Найпоширеніша проблема — внутрішні команди часто оцінюють AI-проекти у 6-12 місяців, хоча реально — 3 місяці. А ще гірше — обіцяють 3 місяці, а через «неочікувані причини» постійно відтягують запуск. Це не їхня провина, AI — справді складна галузь.

Тому потрібно залучати справжніх фахівців з AI: тих, хто розуміє, як AI масштабується, бачив реальні кейси, знає його можливості і обмеження. Зараз багато «напівпрофесійних» розробників, що вважають, ніби AI може все — це далеко від реальності. Якщо ви — інженер, що прагне працювати з AI у бізнесі, потрібно міцно засвоїти його реальні межі.

Підсумовуючи

Створення корисних агентів — це в першу чергу:

Контекст — це все: без хорошого контексту інтелект — це просто дорогий генератор випадкових чисел. Обов’язково налагоджуйте потік інформації, збереження пам’яті і вбудовування галузевих знань. Раніше всі сміялися з «інженерів підказок», тепер — «інженери контексту» — це їхня 2.0 версія.

Проектуйте для «підсилення», а не для «замінювання»: дайте людині робити те, що вона робить найкраще, а інтелекту — очищати шлях і робити її більш зосередженою.

Архітектура важливіша за вибір моделі: рішення щодо незалежних, паралельних або співпрацюючих агентів — це набагато важливіше, ніж вибір конкретної моделі. Спершу зробіть правильну архітектуру.

Перехоплюйте і вирішуйте проблеми, а не просто звітуйте і аналізуйте: дашборди — це могила проблем. Створюйте системи, що змушують проблеми швидко вирішуватися.

Швидко запускати і постійно вдосконалювати: найкращий агент — той, що вже працює у виробництві і постійно покращується, а не той, що ще в проектуванні. (І при цьому слідкуйте за своїм графіком!)

І все інше — деталі.

Технології вже готові, але ви можливо ще не підготовлені.

Зрозумівши це, ви зможете масштабувати бізнес у 100 разів.