ИИ-агенты предоставляют организациям новые возможности для повышения операционной эффективности, ускорения принятия решений и улучшения качества обслуживания клиентов. Но по мере того как компании внедряют агентов в различные функции, возникает важный вопрос: как руководители могут гарантировать, что эти возможности будут работать сообща для создания долгосрочной ценности?
Когда агенты начинают обмениваться информацией, координировать действия или участвовать в одном и том же бизнес-процессе, задача становится все более сложной.
Чтобы решить эту проблему, руководители не могут просто внедрять более интеллектуальных агентов. Вместо этого они должны продумать, как эти агенты соединяются между собой, как регулируется их деятельность и способна ли более широкая архитектура эффективно поддерживать бизнес-требования.
Почему разрозненные ИИ-агенты могут ограничивать ценность для предприятия
Отдельные ИИ-агенты могут приносить значимые результаты, особенно когда они применяются к четко определенным бизнес-задачам. Однако успех в одном рабочем процессе не переносится автоматически на уровень всего предприятия.
Например, для обработки запроса клиента может потребоваться информация из нескольких отделов. Один агент может извлекать данные об учетной записи, другой — проверять транзакцию, а третий — готовить рекомендуемый ответ. Без надлежащей координации агентов для объединения этих действий могут потребоваться дополнительные интеграции, разрешения и механизмы мониторинга.
По мере того как организации расширяют использование агентного ИИ, это может привести к возникновению трех проблем.
- Повышение операционной сложности. Независимо разработанные агенты могут дублировать подключения к корпоративным системам или полагаться на разные подходы к управлению информацией. Поддержание этих возможностей по мере изменения бизнес-процессов может потребовать дополнительных инженерных усилий.
- Фрагментированное управление. Когда агенты работают в разных системах, организациям необходимо понимать, к чему каждый из них имеет доступ, какие действия разрешены и где требуется контроль со стороны человека. Непоследовательный контроль может затруднить обеспечение подотчетности.
- Ограниченная прозрачность производительности и затрат. Различные модели, инструменты и платформы могут затруднить оценку эффективности полных рабочих процессов и определение того, где потребляются ресурсы.
Эти опасения выходят за рамки теоретических дискуссий об архитектуре. Согласно данным Gartner, только 13% организаций считают, что у них внедрена надлежащая система управления ИИ-агентами. Gartner также прогнозирует, что к 2028 году в среднем глобальном предприятии из списка Fortune 500 будет использоваться более 150 000 агентов. Без скоординированного подхода к управлению идентификацией, разрешениями и деятельностью агентов организации рискуют создать все более сложную среду, которую становится труднее контролировать и которой сложнее управлять.
Как агентная фабрика поддерживает связный корпоративный ИИ
Одним из способов решения этой проблемы является использование агентной фабрики — общего архитектурного уровня, который помогает объединять ИИ-агентов, модели, корпоративные системы и данные.
Вместо того чтобы рассматривать каждое агентное приложение как отдельную среду, агентная фабрика может предоставить общие возможности для оркестрации, выбора моделей и управления.
Координация работы между агентами и системами
Выполнение задачи может потребовать поиска информации, анализа, взаимодействия с системами и одобрения человеком. Общие возможности оркестрации могут помочь координировать эти действия, распределяя работу между специализированными агентами и существующими корпоративными приложениями.
Однако координация должна быть тщательно спроектирована, всегда стремясь внедрить именно тот уровень координации, который действительно необходим рабочему процессу, а не увеличивать сложность ради нее самой.
Выбор моделей в соответствии с потребностями бизнеса
Разные задачи предъявляют разные требования к моделям ИИ. Извлечение структурированной информации из документа может потребовать иных возможностей, чем анализ операционного исключения или подготовка рекомендации для экспертной проверки.
Агентная фабрика поддерживает маршрутизацию моделей на основе требований задачи, включая точность, задержку, стоимость и ограничения по обработке данных. Такая гибкость может помочь организациям оценить, где уместны специализированные или небольшие модели, а где необходимы более продвинутые возможности рассуждения.
Установление последовательного управления
Организациям необходим четкий контроль над деятельностью агентов, такой как определение прав доступа, мониторинг действий, запись соответствующих решений и установление моментов, когда требуется вмешательство человека.
Общие возможности управления могут способствовать большей согласованности в агентных рабочих процессах, но они должны функционировать наряду с существующими в компании механизмами безопасности, управления рисками и подотчетности.
Создание архитектуры для масштабируемого агентного ИИ
Эффективная агентная фабрика зависит от надежности более широкой технологической среды. Организациям необходим доступ к подходящим моделям, надежным средам выполнения агентов, корпоративным системам и вычислительной инфраструктуре, способной поддерживать их рабочие нагрузки.
Поставщики облачных услуг и сервисов ИИ, такие как AWS, могут поддерживать разработку и эксплуатацию агентных приложений. Например, Amazon Bedrock предлагает доступ к базовым моделям, а его предложение AgentCore предоставляет такие возможности, как среда выполнения агентов, идентификация, управление политиками, интеграция инструментов и наблюдаемость. Amazon SageMaker AI предоставляет дополнительные возможности для организаций, разрабатывающих и развертывающих специализированные модели машинного обучения.
Руководители также должны учитывать базовую вычислительную среду. Агентные рабочие процессы могут включать в себя множественные взаимодействия с моделями, операции по извлечению данных, вызовы инструментов и этапы обработки. Таким образом, производительность и стоимость всего рабочего процесса зависят не только от инференса модели.
AMD предоставляет вычислительные технологии, которые могут поддерживать различные элементы рабочих нагрузок ИИ. Серверные процессоры AMD EPYC могут поддерживать обработку общего назначения, работу с данными и подходящие рабочие нагрузки инференса, в то время как ускорители AMD Instinct предлагают варианты для рабочих нагрузок, требующих выделенного ускорения ИИ.
Соответствующая комбинация зависит от таких факторов, как требования к модели, задержка, пропускная способность, совместимость программного обеспечения и ограничения развертывания.
От связной архитектуры к ценности для бизнеса
Возможности агентного ИИ в масштабах предприятия теперь заключаются в обеспечении скоординированных и эффективных систем. Агентная фабрика может помочь организациям достичь этого, объединяя оркестрацию, выбор моделей и управление при поддержке облачных сервисов и инфраструктуры, соответствующих операционным требованиям.
Однако сама по себе архитектура не является конечным результатом. Организациям все еще необходимо установить, может ли выбранный ими подход приносить измеримую ценность, отвечая при этом требованиям производительности, безопасности и управления реальных бизнес-процессов.
В нашем техническом документе «Готовые к эксплуатации прототипы агентного ИИ для регулируемых отраслей» (Production-Ready Agentic AI Prototypes for Regulated Industries) мы исследовали, как организации могут оценить эти требования перед переходом к более широкому развертыванию. Прочитайте его сейчас, чтобы узнать, как создание готовых к эксплуатации прототипов может помочь в принятии более обоснованных инвестиционных решений в области агентного ИИ.
