Корпоративный ИИ: почему агентная логика важнее больших языковых моделей

IBM Research утверждает: будущее корпоративного ИИ — не в больших языковых моделях, а в агентной логике. Разбираемся, почему масштабируемое внедрение ИИ зависит от архитектуры агентов, а не от размера моделей.

Корпоративный мир всё чаще сталкивается с парадоксом: большие языковые модели (LLM) впечатляют в демонстрациях, но с трудом приживаются в реальном бизнесе. IBM Research в своём новом материале на Hugging Face Blog утверждает, что ключ к масштабируемому внедрению ИИ — не в увеличении моделей, а в разработке агентной логики. Это заявление бросает вызов распространённому мнению, что «чем больше модель, тем лучше». Но что такое агентная логика и почему она критична для предприятий?

Агентная логика: новый подход к корпоративному ИИ

IBM Research предлагает рассматривать ИИ-системы не как монолитные модели, а как совокупность автономных агентов, каждый из которых отвечает за конкретную задачу. Агентная логика — это набор правил и алгоритмов, которые позволяют этим агентам взаимодействовать, принимать решения и выполнять действия в рамках бизнес-процессов. Такой подход позволяет разбивать сложные задачи на управляемые подзадачи, делегировать их специализированным агентам и координировать их работу.

В отличие от традиционных LLM, которые генерируют текст на основе вероятностей, агентная логика ориентирована на действие: агент не просто «понимает» запрос, но и может инициировать выполнение операций, обращаться к внешним системам через API, проверять результаты и корректировать своё поведение. Это делает ИИ пригодным для автоматизации бизнес-процессов, где важна не только генерация текста, но и надёжное выполнение транзакций.

IBM Research подчёркивает, что для масштабируемого внедрения ИИ в корпоративной среде критически важны три аспекта: объяснимость решений, возможность аудита и контроль над действиями агентов. Без этого предприятия не смогут доверить ИИ критически важные операции из-за регуляторных требований и рисков.

Предыстория и контекст

Интерес к агентным системам растёт на фоне разочарования в «общих» LLM. Компании обнаружили, что модели, обученные на огромных объёмах данных, часто дают неточные ответы в узкоспециализированных областях, требуют постоянной доработки и не интегрируются легко в существующую ИТ-инфраструктуру. В ответ на это технологические гиганты, такие как Google, Microsoft и OpenAI, начали экспериментировать с мультиагентными архитектурами, где несколько моделей работают совместно.

IBM Research, имеющая многолетний опыт в области корпоративных систем, предлагает свой подход, основанный на принципах инженерии знаний и семантических технологий. Их видение заключается в том, что агенты должны быть не просто «обёртками» вокруг LLM, а полноценными компонентами, встроенными в бизнес-логику. Это включает использование формальных онтологий, правил бизнес-процессов и механизмов верификации.

Как это работает?

Агентная логика предполагает, что система состоит из нескольких уровней. На нижнем уровне находятся LLM, которые выполняют функции понимания языка и генерации. На верхнем уровне — оркестратор, который управляет агентами, распределяет задачи и контролирует выполнение. Агенты могут быть специализированными: один отвечает за анализ данных, другой — за взаимодействие с CRM, третий — за генерацию отчётов.

Ключевое отличие от простого вызова LLM в том, что агенты имеют состояние и память. Они могут запоминать контекст взаимодействия, хранить промежуточные результаты и учиться на своих ошибках. Это позволяет системе адаптироваться к изменяющимся условиям и повышать точность с течением времени. Кроме того, агентная архитектура упрощает масштабирование: можно добавлять новых агентов или модифицировать существующих без перестройки всей системы.

Технические детали и сравнение с подходами конкурентов

IBM Research делает акцент на использовании стандартов Semantic Web и технологий графов знаний. Это позволяет агентам обмениваться данными в машиночитаемом формате и обеспечивать семантическую совместимость. В отличие от подходов, основанных на «промпт-инжиниринге», где вся логика зашита в текстовые инструкции, агентная логика выносит её в явные правила и онтологии. Это делает систему более прозрачной и поддающейся аудиту.

Сравнение с конкурентами: OpenAI предлагает инструменты для создания агентов, такие как функции и плагины, но они остаются в рамках «чёрного ящика» модели. Google DeepMind экспериментирует с мультиагентными системами, но их подход также во многом опирается на возможности модели. IBM Research выделяется тем, что предлагает формальную модель, которая может быть проверена математически и интегрирована с существующими корпоративными системами управления бизнес-процессами.

Кого затронет и как

Разработчики корпоративного ПО столкнутся с необходимостью пересмотра архитектуры своих решений. Вместо того чтобы встраивать LLM напрямую, им придётся проектировать агентные слои, что требует новых навыков и инструментов. Бизнес-аналитики и ИТ-руководители должны будут оценивать не только качество модели, но и её способность интегрироваться в агентную экосистему.

Для компаний, которые уже используют ИИ в операционной деятельности, переход к агентной логике может означать повышение надёжности и снижение рисков. Например, в финансовом секторе агенты могут автоматически проверять транзакции на соответствие нормативным требованиям, а в здравоохранении — координировать процессы диагностики и назначения лечения. В России и СНГ интерес к таким решениям растёт, особенно в банковской сфере и ритейле, где автоматизация процессов критична.

Что будет дальше

IBM Research уже активно развивает эту концепцию, публикуя открытые инструменты и библиотеки. Ожидается, что в ближайшие годы агентные системы станут стандартом для корпоративных ИИ-платформ. Возможно, мы увидим появление стандартов и протоколов для взаимодействия агентов, аналогичных REST API, что ускорит их внедрение.

Однако остаётся много открытых вопросов: как обеспечить безопасность агентов, как предотвратить их непреднамеренные действия, как обучать агентов на корпоративных данных без утечек. Ответы на эти вопросы будут определять темпы принятия технологии.

Итог

IBM Research убедительно показывает, что масштабируемое внедрение ИИ в бизнесе зависит не от размера моделей, а от способности организовать их работу в рамках агентной логики. Это меняет приоритеты: вместо гонки за параметрами — фокус на архитектуре и интеграции. Компаниям, которые хотят оставаться конкурентоспособными, стоит уже сейчас изучать агентные подходы и готовить свою ИТ-инфраструктуру к их внедрению.