AI-агенты: виртуальные сотрудники или обычная автоматизация?

AI-агенты - это сейчас обсуждаемая тема. Все о них говорят, а некоторые уже собирают собственных агентов для автоматизации работы. Но что это такое? Попробуем разобраться.

Для систем с AI можно выделить 3 уровня самостоятельности: LLM -> AI Workflow -> AI Agent

LLM (Large language models) - это языковые модели, обученные на большом массиве данных. Они пассивны и не принимают решений, а просто обрабатывают входящие запросы и выдают ответы. Кроме того, у них нет доступа к данным пользователя: почте, календарю и т. д. Поэтому ChatGPT не сможет добавить вам новое событие в календарь или проверить, не пришло ли срочных писем.

Agentic workflow - это структурированная последовательность операций. Она предназначена для автоматизации какой-либо задачи и использует AI. Представьте, что вам нужно регулярно анализировать отзывы о каком-то продукте. Чтобы автоматизировать эту задачу можно составить такую последовательность действий:

Agentic workflow хорошо подходит для задач с заранее заданной логикой. В общем-то, это обычный софт для автоматизации, но на определенном этапе подключается LLM и решает те задачи, которые сложно или невозможно решить алгоритмически. Собрать свой workflow может каждый, например на этой платформе. Я думал о том, чтобы автоматизировать какую-нибудь задачу, но так и не придумал действительно важных кейсов которые оправдали бы подписку в $24. На практике именно такую автоматизацию зачастую называют AI-агентами, но на самом деле полноценный агент - более сложная сущность.

AI-агент - это система, которая может автономно выполнять задачи, заданные пользователем. При этом она может самостоятельно принимать решения, а также обосновывать и планировать свои действия. AI-агенты применяются для задач, где нет заранее прописанной логики выполнения действий. Агенту дается задача и критерии ее выполнения и дальше он должен сам решать, какие методы использовать и как достичь результата.

Ключевая особенность агентов в том, что они могут самостоятельно принимать решения основываясь на результате промежуточной операции. Например, агент управляющий маркетинговой кампанией может анализировать ее результаты, генерировать новый контент и запускать его в тест, а потом снова оценивать результат. Еще один пример AI-агента - самоуправляемый автомобиль: системе нужно постоянно оценивать внешнюю среду и принимать массу решений.

Эта технология пока только начинает развиваться. В апреле Google анонсировал среду Google Agentspace для создания агентов и автоматизаций. Целятся они в B2B и потенциально это огромный рынок. Microsoft, OpenAI, Anthropic и другие компании также активно развивают это направление. Тренд интересный. Скорее всего, он будет постепенно менять бизнес-процессы во многих компаниях. Поэтому есть смысл следить за этим направлением.

Больше про продукты и AI в моем Telegram-канале.