Искусственный интеллект меняет принципы работы предприятий, однако существует разрыв между экспериментами и ощутимой бизнес-ценностью.
Хотя около 90% компаний уже начали свой путь в области ИИ, лишь от 6 до 10% используют эту технологию эффективно, согласно данным, представленным Харишем Пармаром, корпоративным архитектором SAP, во время его выступления на недавнем мероприятии Reltio, «Data in the AI Era: Connecting the Dots».
Отсутствие эффективности связано не с нехваткой возможностей ИИ. Организации с трудом связывают сложные технологии с данными, процессами и бизнес-контекстом, необходимыми для того, чтобы сделать их полезными.
Для корпоративных архитекторов решение этих задач требует фундаментального перехода от простого соединения приложений и систем к проектированию интеллектуальных, все более автономных предприятий.
«У ИИ нет проблем с контекстом, но у предприятий есть проблемы с представлением данных», — сказал Пармар.
Предприятиям сложно представить свои бизнес-связи, данные и процессы в том виде, в котором системы ИИ могут их понять и использовать для действий.
Почему амбиции в области ИИ опережают готовность предприятий
Пармар выделил четыре препятствия, мешающие организациям реализовать потенциал ИИ:
- Низкое качество данных
- Отсутствие бизнес-контекста
- Недостаточное управление
- Архитектурный долг
Качество данных остается постоянной проблемой: Пармар приводит оценки, согласно которым 80% усилий по реализации ИИ-проектов уходит на подготовку данных. Но одних лишь чистых данных недостаточно — ИИ должен понимать, как информация соотносится с бизнес-операциями, включая связи между клиентами, транзакциями, приложениями и корпоративными политиками.
Управление представляет собой еще одну проблему. В отличие от потребительских генеративных ИИ-инструментов, корпоративный ИИ должен работать в рамках установленных требований безопасности, авторизации и соответствия нормативным требованиям. Например, ИИ-ассистент не должен раскрывать конфиденциальную информацию о зарплате сотрудников просто потому, что кто-то об этом попросил.
Архитектурный долг еще больше усложняет внедрение. Большинство предприятий не могут заменить существующие системы в одночасье, поэтому поэтапная модернизация становится необходимостью.
От связанных систем к интеллектуальным предприятиям
Пармар проследил десятилетия технологической эволюции: от локальной инфраструктуры и монолитных приложений до облачных вычислений, SAP HANA, облачных сред и платформ, изначально созданных для ИИ.
Корпоративные данные прошли аналогичную трансформацию.
Изначально использовавшиеся для записи транзакций, данные стали основой для отчетности, информационных панелей и бизнес-аналитики. Большие данные, машинное обучение и большие языковые модели расширили их потенциал. Сейчас предприятия вступают в фазу, ориентированную на бизнес-семантику, графы знаний и контекстуальный интеллект.
Традиционные корпоративные архитектуры обычно связывали три уровня: приложения, данные и пользовательский опыт. ИИ привносит еще один важный компонент: контекст.
«Контекст позволяет ИИ понять, о чем эти данные, потому что без контекста мы не знаем, как извлечь из них смысл», — пояснил Пармар.
Пять уровней контекста ИИ
Пармар выделил пять взаимосвязанных уровней, которые корпоративные архитекторы должны учитывать при создании сред, готовых к внедрению ИИ.
Первый — это контекст данных, определяющий, как информация организована и взаимосвязана.
Второй — семантический контекст и контекст знаний, связывающий информацию между приложениями и бизнес-системами. Рассмотрим клиента, чья информация отображается в SAP ERP, Salesforce и POS-терминале. В каждой системе могут быть разные идентификаторы для одного и того же человека. Создание единой записи о клиенте дает ИИ более полное представление о транзакциях и взаимодействиях.
Третий уровень, контекст архитектуры и управления, касается того, как ИИ-агенты взаимодействуют с корпоративными системами, включая аутентификацию, авторизацию, мониторинг и аудит. Пармар упомянул SAP LeanIX, SAP Cloud ALM и SAP AI Agent Hub как технологии, поддерживающие архитектурную прозрачность и управление.
Четвертый уровень, контекст процессов и прогнозирования, связывает интеллект с бизнес-активностями, такими как закупки, продажи и бухгалтерский учет. Например, SAP Signavio помогает организациям понимать бизнес-процессы и операционные рабочие процессы.
Наконец, специфический для компании контекст включает в себя организационные политики, лимиты утверждения и бизнес-правила. Этот уровень важен, поскольку политики и обязанности сотрудников постоянно меняются. ИИ-агент, работающий с устаревшей информацией об авторизации закупок, может принять неверное решение. Вместе эти уровни создают основу для систем ИИ, которые понимают корпоративную информацию и то, как ее следует использовать.
Создание масштабируемых ИИ-агентов
По мере внедрения пользовательских ИИ-приложений на предприятиях Пармар подчеркнул три архитектурных принципа. Во-первых, организации должны рассматривать пользовательские ИИ-агенты как независимые продукты с четко определенными возможностями. Во-вторых, эти продукты должны быть конфигурируемыми и способными взаимодействовать с различными системами через стандартные протоколы, включая Model Context Protocol (MCP). В-третьих, везде, где это целесообразно, они должны проектироваться как «безголовые» (headless) сервисы, работающие через несколько пользовательских интерфейсов.
Этот подход заложил основу для более устойчивой архитектуры решений. Приоритизация гибкости и возможности повторного использования позволила расширить внедрение в различных сценариях, избегая фрагментированных реализаций, которые часто становятся трудными в поддержке и обслуживании с течением времени.
Это также важно для клиентов SAP, переходящих с SAP ECC на SAP S/4HANA, которым следует учитывать, смогут ли пользовательские ИИ-приложения продолжать работу после миграции.
«Когда вы думаете об архитектуре, думайте целостно», — посоветовал Пармар. Это означает обеспечение работы систем SAP и сторонних систем, требований аутентификации и механизмов интеграции.
Управление не может быть второстепенным вопросом
По мере того как ИИ-агенты становятся более автономными, управление должно быть встроено непосредственно в корпоративную архитектуру.
«Управление не может быть второстепенным вопросом», — сказал Пармар. Организациям нужны механизмы, документирующие, какие агенты работают, к каким системам они имеют доступ, какие модели используют и как можно пересматривать принятые ими решения. Однако технический надзор — это лишь часть уравнения.
Пармар сравнил ИИ-агентов с новыми стажерами, которые должны изучить политику, процедуры и этические ожидания организации. Точно так же, как сотрудники проходят обучение перед тем, как взять на себя ответственность, ИИ-агенты нуждаются в соответствующих инструкциях, защитных барьерах и доступе к актуальным корпоративным политикам.
«В конечном счете, ответственность несет человек, и это не подлежит обсуждению», — сказал Пармар. Даже когда ИИ-агенты принимают решения самостоятельно, люди должны оставаться ответственными за их действия и результаты.
Развивающаяся роль корпоративного архитектора
ИИ также меняет навыки, требуемые от корпоративных архитекторов. Техническая экспертиза остается необходимой, но Пармар считает, что обучение и умение рассказывать истории (сторителлинг) становятся не менее важными. Архитекторы должны помогать бизнес-пользователям понимать ИИ, объяснять его ограничения и доносить информацию о том, что требуется перед развертыванием новых возможностей.
«Сторителлинг — это ключевой навык, который становится обязательным требованием для корпоративного архитектора», — сказал Пармар.
Темпы технологических изменений также требуют большей готовности к экспериментам и гибкости. Вместо того чтобы опираться на многолетние технологические допущения, организациям необходимо постоянно переоценивать появляющиеся возможности.
ИИ также снижает барьеры для разработки приложений, благодаря чему воображение, понимание бизнеса и выявление ценных сценариев использования приобретают все большую важность.
Когда эти основы объединяются, организации могут эффективнее конвертировать инвестиции в ИИ в бизнес-результаты. Это не устраняет необходимость в людях. Напротив, это смещает их обязанности в сторону принятия взвешенных решений, надзора и выполнения более высокоценной работы.
«Мы — капитаны этого Автономного предприятия», — сказал Пармар.











