Чтобы миллионы не вылетели в трубу: эксперты раскрыли ключевые ошибки внедрения ИИ-агентов

Многие компании стремятся к быстрому внедрению ИИ-агентов в производственные процессы, однако значительная часть из них столкнется с неудачами. Причина этих неудач кроется не в самих ИИ-моделях.

На конференции VB Transform 2025 эксперты отрасли поделились опытом масштабного развертывания ИИ-агентов. В обсуждении, организованном Джоанной Чен из Foundation Capital, участвовали Шон Малхотра из Rocket Companies, использующей агентов на всех этапах приобретения жилья, Шайлеш Налавади из Sendbird, разрабатывающей агентские сервисы для различных отраслей, и Тис Ваандерс из Cognigy, чья платформа автоматизирует взаимодействие с клиентами в крупных контакт-центрах.

Ключевой вывод: успех сопутствует компаниям, которые сначала создают инфраструктуру для оценки и управления, в то время как спешка с внедрением мощных моделей приводит к проблемам масштабирования.

Первоначально, внедрение ИИ-агентов было направлено на снижение затрат. Однако, сегодня бизнес-лидеры говорят о более сложных моделях ROI, требующих иной технической архитектуры.

Малхотра привел пример Rocket Companies, где инженер за два дня создал агента для расчета налога на передачу, что сэкономило компании миллион долларов в год. Ваандерс отметил, что снижение стоимости звонка является ключевым показателем эффективности использования ИИ-агентов.

Помимо экономии, ИИ-агенты могут способствовать увеличению доходов. Малхотра сообщил об улучшении конверсии благодаря более быстрым ответам на вопросы клиентов. Налавади продемонстрировал возможности проактивного обслуживания клиентов, когда проблемы решаются до того, как они возникнут.

Например, в сфере доставки еды агенты могут предупредить клиента о задержке заказа до того, как он успеет позвонить с жалобой.

Несмотря на потенциальную прибыльность, внедрение ИИ-агентов в производство сопряжено с трудностями. Налавади подчеркнул, что компании часто создают ИИ-агентов без необходимой инфраструктуры для оценки.

Ваандерс предложил решать проблему тестирования с помощью моделирования диалогов, где ИИ-агенты тестируют других ИИ-агентов. Этот подход позволяет анализировать поведение агентов в различных сценариях, включая работу с недовольными клиентами, многоязыковую поддержку и использование сленга.

По мере развития ИИ-технологий, предприятия должны готовиться к сценарию, где сотни агентов будут взаимодействовать и учиться друг у друга. Это потребует модернизации инфраструктуры и учета сложности взаимодействия между агентами, согласно venturebeat.

Уточнения

Сленг (англ. slang) — набор слов или новых значений существующих слов, а также выражений, составляющих слой разговорной лексики (употребляемых в различных группах), не совпадающий с нормой литературного языка.