Наделение агента центральной ролью не означает, что нужно поручать ИИ каждый шаг процесса. Питер Калмейн (Peter Kalmijn) утверждает, что правильный баланс позволяет агентам интерпретировать работу и координировать её, в то время как проверенное ПО продолжает выполнять задачи, требующие стабильного выполнения.
Представьте, что мы проектируем ИИ-агента для обработки сложного запроса клиента. Он читает электронное письмо, изучает вложения и определяет, какая информация имеет значение. Он извлекает данные из нескольких внутренних систем и решает, что делать дальше.
Затем он рассчитывает цену — снова.
Зачем? У нас уже есть служба ценообразования.
Подобные ситуации кажутся мне особенно интересными при размышлениях об архитектуре агентов. Как только агент доказывает, что он умеет рассуждать и использовать инструменты, возникает удивительно сильное искушение перепоручить ему работу просто потому, что мы можем это сделать. В конце концов мы можем обнаружить, что просим ИИ-систему обдумать то, что организация уже умеет делать. Снова и снова.
Процесс состоит из разных видов работ
Давайте вернемся к нашему клиентскому запросу. Понимание того, чего именно хочет клиент, может потребовать рассуждений и интерпретации. Язык клиента не обязательно будет совпадать с внутренней терминологией. Информация может быть разделена между сообщением и несколькими документами, а что-то важное может отсутствовать.
Здесь ИИ может выполнить полезную работу.
Как только агент понял запрос, ему может потребоваться расчет стоимости. В организации уже есть служба, которая принимает определенные входные данные и возвращает результат на основе утвержденной логики. На этом этапе перед архитектурой встает четкий выбор: произвести расчет с помощью ИИ или использовать утвержденную детерминированную логику.
Мы можем передать модельке логику ценообразования и позволить ей самостоятельно выполнить расчет, либо агент может собрать необходимые входные данные и вызвать службу ценообразования. Я предпочитаю второй подход, если нет веских причин поступать иначе.
Агент остается центральным элементом процесса. Он интерпретирует, координирует и определяет, какие возможности ему необходимы, в то время как устоявшаяся служба отвечает за расчеты, для выполнения которых она создавалась и тестировалась. У каждого компонента есть четкая задача, что также облегчает понимание того, что произошло, если что-то пошло не так.
Старое программное обеспечение не перестает работать из-за появления ИИ
Проверенные временем системы имеют значение, особенно в крупных организациях, поскольку они редко начинают работу с чистого листа. Существуют приложения, базы данных, API, системы управления рабочими процессами, механизмы принятия решений на основе правил и службы собственной разработки. Некоторые из них современны. Некоторые представляют собой проверенные технологии. А некоторые определенно таковыми не являются и, вероятно, должны были исчезнуть много лет назад.
Однако возраст и полезность — это разные вещи. Служба, которая надежно выполняет расчеты или реализует бизнес-правило, может оставаться чрезвычайно ценной в рамках агентского процесса. Агенту нужно лишь знать, когда и как использовать эту службу в качестве инструмента.
Это открывает интересные архитектурные возможности. Агенты могут обеспечить гибкость в отношении возможностей, которые сами по себе должны оставаться детерминированными. Пользователи и клиенты могут использовать естественный язык и неструктурированную информацию, в то время как привычные системы продолжают выполнять работу, для которой они были созданы.
Эта возможность сопровождается предупреждением. Размещение ИИ-агента перед плохо понятным устаревшим приложением не делает базовое приложение хорошим в одночасье. Безопасность, интерфейсы, качество данных, ответственность и удобство сопровождения по-прежнему имеют значение.
ИИ — это не оправдание для плохой архитектуры.
Ищите момент передачи управления
Где агент должен прекратить рассуждения и использовать другой компонент? Универсальной границы не существует, поэтому я смотрю на природу проблемы.
В начале процесса мы можем задавать вопросы:
- Что здесь происходит?
- Какая информация имеет значение?
- Что мне делать дальше?
Позже, когда эта неопределенность будет разрешена, вопрос может звучать так:
- Учитывая эти проверенные факты, что говорят утвержденные правила?
Это изменение характера вопроса является отличным кандидатом для передачи управления.
Рассмотрим процесс проверки на соответствие требованиям (eligibility). ИИ может изучить подтверждающие документы, извлечь релевантную информацию и указать на возможные пробелы. После того как эти факты проверены, существующая служба принятия решений может детерминированно применить правила соответствия. Затем мы сможем увидеть, что происходило на каждом этапе: какую информацию выявил ИИ, какие факты поступили в службу, какие правила были применены и какой результат был получен.
Это разделение также помогает понять, с чего начать, если результат оказался неверным. Извлек ли ИИ не ту информацию? Выбрал ли он не тот инструмент? Были ли переданы в службу неверные входные данные? Само ли детерминированное бизнес-правило ошибочно?
Если модель рассуждает на протяжении всего процесса в рамках одной непрозрачной цепочки, такие различия становится гораздо труднее заметить.
ИИ может помочь и с правилами
Еще одна роль ИИ представляет для меня особый интерес. Правила часто берут свое начало в законодательстве, нормативных документах, материалах контрактов или объемных технических документах. Понимание этих материалов может потребовать серьезной интерпретации для поиска нужных отрывков, сравнения версий и определения взаимосвязи между различными требованиями к принятию решений.
ИИ может помочь в этой трудоемкой работе с большим объемом знаний. Как только полученная логика проверена, одобрена аналитиком, связана с источником и внедрена, ее выполнение становится следующим шагом. Служба принятия решений может применять правило многократно, не восстанавливая ход мыслей, приведший к его созданию.
Это важное различие, с которым, как я ожидаю, мы будем сталкиваться все чаще по мере того, как агенты становятся частью корпоративной архитектуры. Рассуждения при поддержке ИИ могут помочь нам спроектировать детерминированную службу принятия решений, чтобы ИИ не приходилось рассуждать заново каждый раз, когда нам требуется принять решение.
Умение сказать «нет» в нужных местах
ИИ-агент с четко определенными границами все же может обладать высокой степенью автономности. Он может решать, какую информацию извлекать, адаптироваться при изменении ситуации и выбирать правильные инструменты для достижения своей цели. На определенных этапах архитектура может потребовать от него вызова утвержденной службы или привлечения человека.
Такие границы придают нам больше уверенности в том, где автономность полезна, поскольку мы также продумали, где она не нужна.
Максимизация процента процесса, обрабатываемого ИИ-моделью, не является самоцелью. Если в рабочей архитектуре используется меньше ИИ, чем в прототипе, ею дешевле управлять, она ведет себя более стабильно и ее проще исследовать. Я бы безусловно предпочел именно такую архитектуру.
Поэтому при проектировании агентской системы я буду снова и снова возвращаться к одному вопросу:
Где на самом деле нужны агентские рассуждения?
Ответ может заставить нас активно использовать ИИ. А может и подтолкнуть к отказу от него.
Хорошая архитектура нуждается в обоих ответах.
"Мы с не ждем нашего спонсорства на конференции Adopt AI 2026, которая пройдет 3-4 декабря в Париже. Каждый четверг в преддверии мероприятия Agile & Digital Enterprise Architect Питер Калмейн (Peter Kalmijn), член исследовательского сообщества Future Makers Research Community (FMRC) в Atos, будет объяснять, почему хорошая ИИ-архитектура начинается с ответа"
"Мы с нетерпением ждем нашего спонсорства на конференции Adopt AI 2026, которая пройдет 3-4 декабря в Париже. Каждый четверг в преддверии мероприятия Питер Калмейн (Peter Kalmijn), архитектор гибких и цифровых предприятий и участник исследовательского сообщества Future Makers Research Community (FMRC) в Atos", объяснит, почему хорошая архитектура ИИ начинается со слов












