ЧИКАГО — Корпоративные ИИ-агенты в дальнейшем не будут дифференцироваться по качеству модели, считает Йоав Наве, основатель и генеральный директор Reindeer. Это убеждение меняет то, где ИИ-стартапы размещают свои стратегические ставки.

В интервью FreightWaves на симпозиуме Supply Chain AI Symposium в Чикаго Наве описал отрасль, которая прошла через две различные волны внедрения, не принёсшие ожидаемой руководителями отдачи, — и теперь стремится к третьей, более амбициозной волне, сосредоточенной на ключевых бизнес-операциях. Этот сдвиг происходит на фоне продолжающегося роста расходов корпораций на генеративный ИИ, однако опросы CIO неизменно показывают, что масштабирование пилотных проектов до производственного уровня остаётся главным препятствием для получения отдачи.

Две волны внедрения ИИ не оправдали ожиданий

Наве проследил траекторию через чёткие этапы. «Первая волна: ассистенты. Каждый получил копилота, Claude, ChatGPT», — сказал он. «Мы увидели большой успех ассистентов в сфере разработки ПО. Программирующие агенты работают очень хорошо. Возможно, в юридической сфере — не так хорошо. Но в целом мы не видели, чтобы ассистенты делали компании в 10 или 100 раз эффективнее.»

Вторая волна была направлена на поддержку клиентов и колл-центры. «Я думаю, что это была очень большая легко достижимая цель, действительно», — сказал Наве. «Один крупный рабочий процесс, множество похожих типов задач в одном. Я определённо вижу здесь определённый успех.»

Теперь корпорации обращаются к области, на которую приходится большая часть их расходов на рабочую силу: ключевым операциям. «Давайте возьмём все эти ключевые рабочие процессы, которые представляют 70–80% работы, которую выполняет каждый», — сказал Наве.

Этот рынок значительно сложнее, чем поддержка клиентов. Наве оценивает, что в одной корпорации может быть десятки, если не сотни таких рабочих процессов — охватывающих финансы, закупки, казначейство, бухгалтерский учёт и цепочки поставок, — причём часто ни одно подразделение не является чётким владельцем процесса.

Проблема фрагментации, которую не замечают инвесторы

Наве привёл показательный пример от одного клиента, которого он назвал одним из крупнейших в мире производителей товаров повседневного спроса.

«Они говорят: "Привет, мы занимаемся расчётами с кредиторами в моей компании", но ваши расчёты с кредиторами отличаются от их расчётов с кредиторами», — сказал Наве. «Мы работаем с одной из крупнейших CPG-компаний в мире. Пять разных подразделений, пять разных процессов расчётов с кредиторами в рамках одной компании.»

Именно эта внутренняя фрагментация является причиной скептицизма Наве в отношении модели внедрения инженеров в штат клиента, которая набирает популярность среди ИИ-стартапов, когда поставщики размещают технический персонал непосредственно внутри клиентской организации для создания агентов по одному процессу за раз. Эта модель, тесно связанная с коммерческой экспансией Palantir и впоследствии принятая новым поколением ИИ-стартапов, ценится за индивидуальные развёртывания, но неизменно сталкивается с вопросами о валовой марже и масштабируемости.

«Я направлю трёх инженеров, которые будут сидеть с вашей командой и создавать агента для конкретного процесса. Вернутся ли они когда-нибудь и будут ли доступны для отправки в другое подразделение, или они застрянут на обслуживании того, что построили, по мере изменения и развития процессов?» — спросил Наве. «Я думаю, математика здесь не работает, потому что это не масштабируется.»

Почему модель не станет защитным барьером

Стратегия Reindeer бросает вызов распространённому в корпоративном программном обеспечении допущению: что владение или тонкая настройка проприетарной большой языковой модели является устойчивым конкурентным преимуществом. Наве утверждает, что происходит обратное — и траектория развития моделей с открытым исходным кодом подкрепляет этот аргумент. Такие релизы, как серия Meta Llama и модели Mistral, быстро сократили разрыв в возможностях с передовыми проприетарными моделями, усиливая мнение, что одно лишь качество модели является всё менее значимым дифференциатором.

«Твёрдое убеждение, что LLM станут товаром массового потребления», — сказал Наве. «Мы видим, что модели с открытым исходным кодом отстают от передовых моделей примерно на шесть месяцев. Но мы считаем: мне больше не нужна передовая модель для всего.»

Подход Reindeer на практике не зависит от конкретной модели. «Сейчас мы работаем с крупной европейской страховой компанией. Они решили построить собственную LLM. Мы готовы подключить их собственную LLM», — сказал Наве. «Мы готовы ограничить список разрешённых LLM на основе политики конфиденциальности данных компании и выяснить, как реализовать их задачу с тем, что включено в белый список.»

Если базовая модель становится взаимозаменяемой, любой конкурент, чьё предложение опирается в первую очередь на превосходство модели, сталкивается с сужающимся преимуществом.

Создать легко. Поддерживать — нет.

В концепции Reindeer настоящий дифференциатор заключается в уровне обслуживания: способности обнаруживать, когда развёрнутый рабочий процесс отклоняется от исходной конфигурации, согласовывать изменения и перенастраивать агента без необходимости нового привлечения инженеров. Проблема, описываемая Наве, отражает хорошо задокументированную ситуацию в эксплуатации машинного обучения, где дрейф модели и данных постепенно ухудшает производственные системы, которые отлично работали при запуске.

«Даже после развёртывания агента рабочий процесс продолжает меняться», — сказал Наве. «Если у вас нет метода, позволяющего агентам обнаруживать эти изменения, согласовывать их, самовосстанавливаться и самообучаться, мы не сможем по-настоящему реализовать то, что агенты могут для вас сделать.» Для решения этой проблемы Reindeer разработала то, что Наве называет двухконтурной системой, предназначенной для управления дрейфом рабочих процессов.

Наве отметил, что экономика создания ИИ-агентов уже решительно сместилась в пользу отрасли — именно поэтому обслуживание стало критическим узким местом.

«Я думаю, все хотят создавать. Создавать легко», — сказал он. Он рассказал, как за один вечер создал внутреннюю информационную панель для коллеги, после чего столкнулся с непрерывным потоком исправлений ошибок и запросов на новые функции. «Я не хочу этим заниматься», — сказал он. «Это неинтересно. Поддерживать — неинтересно и непросто.»

«Пять лет назад вы не могли ничего создать, теперь вы можете создавать потрясающие вещи», — сказал Наве, указывая на ассистенты программирования в реальном времени как на инструменты, которые резко сократили разрыв между начинающими и опытными инженерами. «Знания, которые нужны сейчас, — это именно то, о чём вы сказали: всё это после того, как продукт создан, и убедиться, что то, что было потрясающим в первый вечер после выпуска, остаётся потрясающим спустя шесть месяцев.»

Для корпораций, оценивающих поставщиков ИИ, концепция Наве указывает на принципиально иной вопрос при проверке. Вместо того чтобы спрашивать, какая компания демонстрирует наиболее сильную модель на этапе подтверждения концепции, более значимый вопрос может заключаться в том, какой поставщик способен поддерживать точность агента задолго после запуска — пока рабочие процессы, лежащие в его основе, продолжают меняться.