От LLM к LAM: от слов к действиям в бизнес-процессах

Как большие модели действий берут на себя рутину бизнеса

Смещение от генерации контента к исполнению действий — новый этап развития нейросетевых агентов. LAM (Large Action Model, большая модель действий) — это «мозг агента», который не просто планирует, а уже способен выполнить задачу своими силами.

В этой статье разберём, что такое LAM, чем она отличается от классической LLM (Large Language Model, большая языковая модель), какие бизнес-процессы можно автоматизировать с её помощью, как устроена архитектура моделей действий и какие подходы к внедрению существуют.

Классическая нейросеть, или LLM, создаёт контент. Например, LLM может написать идеальный инструктаж для менеджера по закупкам о том, как найти поставщика.

LAM, или большая модель действий, обучена на поведенческих данных и способна не просто генерировать контент, а выполнять практические задачи по командам или инструкциям пользователя. Она мощнее: понимает задачу и последовательно выполняет её, разбивая на этапы, взаимодействуя с системами через API (Application Programming Interface, программный интерфейс приложений) и графический интерфейс.

Вернёмся к примеру выше. LAM просканирует базы данных, отфильтрует компании по ИНН и истории, отправит коммерческие запросы, проанализирует предложения, согласует смету с учётом бюджета проекта в 1С, инициирует согласование договора в СЭД и отследит поставку.

Эксперты объясняют, что технически LAM — это модель, дообученная определённым образом. На практике этим термином могут называть любую agentic-систему на базе «коробочной» LLM. Поэтому сообщения вроде «наша компания экспериментирует с LAM» стоит понимать как «наша компания тестирует ИИ-агентов». По мнению специалистов, потенциал таких агентских систем пока ещё не полностью раскрыт, и компании просто не столкнулись с ограничениями, требующими полноценной внутренней LAM.

Вывод для бизнеса: LAM превращает идею «скажите и будет сделано» в реальность.

Таким образом, большие модели действий умеют не только обрабатывать запрос, но и доводить задачу до результата.

Во-первых, они работают как автономный исполнитель: разбивают цель, например «оптимизировать логистику», на последовательные этапы — анализ данных, расчёт маршрутов, обновление графиков поставок и ETA (Estimated Time of Arrival, ожидаемое время прибытия груза или транспортного средства к месту назначения).

Во-вторых, LAM способны адаптироваться к изменившимся условиям. Если поставка задерживается, система не ограничивается уведомлением: она сама ищет альтернативных поставщиков, корректирует бюджет и сроки, чтобы минимизировать последствия.

Третья важная возможность — интеграция с внешними системами. Модель может взаимодействовать с ERP (Enterprise Resource Planning, планирование ресурсов предприятия), CRM (Customer Relationship Management, система управления взаимоотношениями с клиентами) и складскими платформами как через API, так и через GUI (Graphical User Interface, графический интерфейс пользователя), используя компьютерное зрение для работы с экрана.

Наконец, LAM умеют координировать работу с другими агентами. Например, система закупок может автоматически согласовать свои действия с LAM-агентом логистики, следуя установленным бизнес-правилам.

По прогнозам аналитиков, к 2028 году около 15% от всех рабочих решений будут приниматься ИИ-агентами на основе нейросетевых моделей и эти инструменты будут встроены примерно в каждый третий корпоративный сервис.

Если LLM только генерируют инструкции, то LAM становятся настоящими исполнителями. Такие «агенты» особенно ценны там, где необходим нестандартный инструментарий и есть надёжные данные для обучения.

Мультимодальные доменно-дообученные LAM имеют потенциал в качестве «движков» для универсальных промышленных и домашних коботов. Они могут быть хороши в гибкой автоматизации бизнес-процессов, сменив традиционные RPA-решения (Robotic Process Automation, роботизированная автоматизация процессов).

С помощью LAM можно добиться более глубокой интеграции ИИ в бизнес‑процессы. Такие модели позволяют создавать сквозную автоматизацию от распознавания запроса до исполнения сложного сценария: оформление заказа, запуск отчётности, управление роботами на складе.

По подсчётам аналитиков, ИИ-агенты на основе нейросетей к 2029 году возьмут на себя порядка 80% задач в обслуживании клиентов.

В основе LAM находится большая языковая модель, которая выполняет ключевые функции:

Современный тренд — использовать в LAM специализированные модели (fine-tuned) или компактные SLM (Small Language Model) для решения узких задач в конкретных отраслях, например в финансах, логистике или юриспруденции. Такой подход сокращает вычислительные расходы и повышает точность результатов в предметной области.

Архитектура LAM — это скоординированная работа множества взаимосвязанных компонентов:

Плюс: единая система, меньше интеграций.

Минус: сложная настройка и большие вычислительные ресурсы.

Плюс: гибкость, проще масштабировать и обновлять.

Минус: требуется координация между модулями.

Плюс: позволяет быстро внедрять и тестировать LAM на отдельных участках.

Минус: ограничена автономность агента.

Как быстро начать использовать LAM в бизнесе:

А какой бизнес-процесс в вашей компании первым справится с автоматизацией через LAM?