- В статье утверждается, что главным барьером для ИИ-агентов (AI Agents) сегодня являются не технологии, а способность бизнеса четко сформулировать то, как именно он принимает решения.
- Многие важные знания — такие как оценка рисков, обработка исключений, стандарты качества или методы обслуживания клиентов — долгое время существовали исключительно в виде скрытых знаний (tacit knowledge) опытных сотрудников.
- ИИ-агенты не могут учиться посредством наблюдения, как люди; они выполняют только четко и понятно описанные инструкции.
- Компании, которые внедряют ИИ, но не кодифицируют то, как принимают решения их лучшие сотрудники, часто сталкиваются с тем, что ИИ некорректно обрабатывает исключительные ситуации или действует в разрез с бизнес-целями.
- Автор предлагает создать «инфраструктуру суждений» (judgment infrastructure), то есть перевести скрытые знания в структурированные руководства, чтобы ИИ мог выполнять их последовательно.
- Управление ИИ требует синергии между бизнес-подразделениями, кадровой службой и ИТ, при этом ИИ-агентов необходимо рассматривать как членов цифровой рабочей силы, а не просто как программное обеспечение.
- ITA Group изменила свою операционную модель после того, как поняла, что главная трудность заключается не в создании ИИ-агентов, а в точном определении критериев принятия решений — например, когда в приоритете стоимость, клиентский опыт или передача задачи человеку.
- В AWP Safety менеджер создал несколько ИИ-агентов на основе личного опыта для обработки запросов по кадрам и комплаенсу, что помогло сэкономить сотни рабочих часов в год.
- Финансовый эксперт кодифицировал более чем 12-летний опыт в файлы инструкций для ИИ-агентов, благодаря чему команда из двух человек смогла выполнять объем работы, для которого ранее требовалось около 10 сотрудников.
- Ramp предоставила всем сотрудникам ChatGPT Enterprise, Notion и Perplexity, попутно обучив их самостоятельно создавать ИИ-агентов, а не просто использовать готовые инструменты.
- В статье рекомендуется не просить экспертов писать документацию с нуля, а проводить разборы реальных кейсов, чтобы наглядно увидеть, как они мыслят и принимают решения, и затем превратить это в инструкции для ИИ.
- Автор приходит к выводу, что при успешной кодификации знаний бизнес может масштабировать экспертизу, ускорять инновации и создавать устойчивое конкурентное преимущество.
- 📌 Заключение: Следующий этап развития корпоративного ИИ будет зависеть не от доступа к самым мощным моделям ИИ, а от способности трансформировать человеческий опыт и принципы принятия решений в цифровые активы. Организации, построившие «инфраструктуру суждений», смогут быстрее внедрять ИИ-агентов, поддерживать стабильное качество и масштабировать экспертные знания на уровне всего предприятия, создавая долгосрочное конкурентное преимущество.
