Об эксперте: Лариса Малькова, управляющий директор практики «Данные и прикладной ИИ» Axenix.
Минувший 2024 год стал переломным для ИИ: в «гонку вооружений» активно включился Китай, появились новые внедрения и реальные проекты. Если такие технологии, как Big Data и блокчейн, хоть и изменили мировой технологический ландшафт, но остались инструментами в рамках текущего технологического уклада, то генеративный ИИ меняет правила игры полностью.
Основные тенденции и направления ИИ в перспективе генеративных моделей на 2025 год в исследовании Technology Vision 2025 представила компания Accenture. Разберем каждый из четырех основных трендов.
ИИ-агенты и автономность
Сегодня бизнес переживает переломный момент в цифровой трансформации, который в исследовании называют Бинарным большим взрывом — по аналогии с Большим взрывом, давшим начало известной нам Вселенной. Большие языковые модели (LLM) невероятно расширяют возможности программирования, повышают цифровую производительность компаний и ускоряют инновации — от тестирования гипотез до реальных внедрений.
Традиционные приложения будут замещаться платформами «ИИ-агентов», которые самостоятельно используют доступный инструментарий разработки, освобождая пользователей от рутинных задач. В основе этого перехода лежат три ключевых фактора:
- снижение стоимости и времени создания ИИ-систем;
- упрощение технологий, делающее их доступными для более широкой аудитории;
- создание систем, способных работать самостоятельно.
Чтобы использовать потенциал автономных ИИ-систем ответственно, компаниям необходимо внедрять надежные механизмы контроля: мониторинг качества данных, на которых обучается ИИ и которые использует в своей работе, управление доступом к данным и четкие правила их использования. Критически важно, чтобы ИИ принимал прозрачные решения, доступные для анализа и проверки их состоятельности.
Что это значит
Поворот к ИИ-агентам с перспективой создания их автономных экосистем полностью актуален для России. Отраслевые лидеры активно обсуждают и даже переходят к разработке таких решений. Развитие LLM с функциями reasoning (когда машина умеет рассуждать и декомпозировать задачи) делает ИИ-агентов реальностью уже сегодня. Однако для полноценной автономности их необходимо интегрировать с хранилищами и базами данных, базами знаний и другими IT-системами компаний. Это потребует создания мультиагентных сетей, что пока не ближайшее будущее.
Развитие ИИ-агентов идет поэтапно, напоминая эволюцию общественных формаций: нельзя искусственно перепрыгнуть некоторые этапы и сразу оказаться в эпохе развитого автономного ИИ. Однако условия скорее благоприятствуют: пандемия ускорила цифровизацию компаний, и сегодня отстающих отраслей практически нет. Успех развития здесь очень сильно зависит от поддержки руководством компаний соответствующих инициатив, а также доступных технологических компетенций и архитектурных решений.
Главным барьером остается недостаток доверия к ИИ из-за непрозрачности и неясных границ ответственности за результаты его работы. Вопросы синхронизации агентов, их совместимости и безопасности также пока не решены. Законодательное регулирование в этой сфере отсутствует, что, с одной стороны, позволяет не сдерживать развитие направления, но с другой — создает риски. Внутри одной организации все насущные вопросы решаемы, но на уровне взаимодействия между компаниями, отраслями и странами потребуются новые принятые всеми правила игры, подобные Open API в разработке ПО.
В целом практика внедрения ИИ-агентов пока ограничена, и важно грамотно управлять ожиданиями. На волне хайпа вендоры и аналитики часто переоценивают эффективность новых технологий, не учитывая сложности интеграции и безопасности.
Узнаваемое лицо ИИ
ИИ открывает новые возможности для персонализации взаимодействия с клиентами. Брендам становится критически важно не потерять свою уникальность в этом процессе. Иначе они рискуют стать «одними из многих» или «как все».
Представьте будущее, где клиент общается с персонифицированным чат-ботом, который воплощает образ бренда или личность популярного инфлюенсера. Такой ИИ-агент может работать на платформах компании или интегрироваться в сторонние сервисы. Со временем он изучает предпочтения клиентов, строит доверительные отношения и выполняет их задачи, используя цифровые инструменты.
Это не просто поверхностная персонализация, скорее создание глубоких связей с клиентами через тысячи одновременных диалогов. Однако, внедряя генеративный ИИ в такие задачи, компании сталкиваются с ключевым вопросом: что представляет собой «личность» их ИИ-агента? Использование универсальных платформ и решений третьих сторон может привести к потере уникальности бренда.
Выход — создание собственного персонифицированного ИИ. Для этого необходим постоянный мониторинг данных и процессов обучения, а также сотрудничество с экспертами по ИИ для установки четких правил, ограничений и словаря.
Что это значит
Персонификация ИИ становится критически важной, так как со временем конкуренция в этой области смещается с эффективности и скорости работы к уникальности подходов, интерфейсов и алгоритмов. Простого использования LLM уже недостаточно — ключевым станет их «обогащение» знаниями, стилем (то, что называется tone of voice) и ноу-хау конкретного бренда. Например, в банковской сфере цифровые сервисы уже выглядят практически одинаково. Уникальность бренда будет определяться его способностью задать собственный ИИ-стиль и поддерживать его на основе истории взаимодействия с клиентами. По статистике, живые операторы используют не более 15% корпоративных знаний и истории общения с клиентом. А для ИИ-помощников эта история будет доступна в любой момент и в полном объеме, в отличие от сотрудников-людей.
Физическое тело ИИ
Робототехника переживает революцию: языковые и визуальные модели (VLM) превращают роботов из узкоспециализированных устройств в универсальные машины, способные к рассуждениям и автономной работе.
LLM и VLM наделяют роботов способностью лучше контактировать с физическим миром: они улучшают пространственное восприятие, взаимодействие с людьми и выполнение сложных инструкций. Однако при внедрении роботов в повседневную жизнь возникают все те же вопросы доверия, прозрачности процессов принятия решений, ответственности.
Ключевой акцент в будущих разработках универсальных роботов-помощников — на коммуникативных навыках устройств и создании системы обратной связи для постоянного улучшения их взаимодействия с людьми. В перспективе роботы будут интегрироваться с нейроинтерфейсами, расширяя возможности человека по их управлению. Однако для массового внедрения необходимо решить вопросы доверия, безопасности и совместимости технологий.
Что это значит
Раньше роботы работали на узкоспециализированном ИИ, что ограничивало их функциональность и требовало сложной настройки. Сейчас LLM и генеративный ИИ позволяют роботам выполнять задачи, с которыми они раньше не сталкивались.
Представьте, что вы просите робота принести вам предмет. Он понимает вашу просьбу, идентифицирует объект и передает его без необходимости программирования под конкретную задачу. Такие сценарии становятся реальностью благодаря ИИ, который существенно улучшает когнитивные способности робота.
В России, особенно на фоне кадрового дефицита, такие решения крайне востребованы: на складах, в логистике, на производстве, в сельском хозяйстве, здравоохранении. Военная сфера также стимулирует развитие робототехники, хотя пока эти технологии слабо конвертируются в гражданские продукты.
Одним из главных барьеров на пути развития отечественной робототехники широкого профиля остается отсутствие или крайняя неразвитость собственной компонентной базы.
«Петля обучения»
Генеративный ИИ становится повсеместным инструментом, который позволяет улучшать эффективность сотрудников и стимулировать инновации на всех уровнях компании. В отличие от традиционной автоматизации, которая внедряется сверху вниз, генеративный ИИ способствует динамическому взаимодействию между сотрудниками и технологиями.
Предоставляя сотрудникам свободу в использовании ИИ, компании могут превратить каждого работника в инноватора. Например, маркетолог может использовать ИИ для анализа рыночных данных и проверки гипотез (что уже и происходит), а логист или экспедитор — разработать собственное приложение для учета грузов, оптимизации маршрутов и т.д. Такие возможности раскрывают потенциал сотрудников и стимулируют беспрецедентный уровень инноваций.
Ключ к успеху — эффективное взаимное обучение человека и ИИ работе друг с другом, «петля обучения». Компании должны вовлекать сотрудников в планирование, постановку целей и создание долгосрочного видения ИИ-программ. Это требует грамотной коммуникации и проактивного реагирования на очевидные опасения, связанные с проникновением машинного интеллекта в рабочие процессы.
Что это значит
Человек пока сохраняет лидирующую роль в инновациях. ИИ ускоряет процесс обучения и обработки информации, но у него нет целостной модели мира, как у человека. Поэтому ключевая задача — обогащать генеративный ИИ данными и контекстом, чтобы приблизить его к стилю и широте человеческого мышления.
Профессии уже меняются на фоне революции ИИ. Например, программисты становятся скорее архитекторами и владельцами продукта, чем кодерами. Это пример симбиотического сосуществования человека и ИИ, где каждый развивается, отталкиваясь от возможностей другого.
В ближайшем будущем владение генеративным ИИ станет таким же базовым навыком, как знание Excel или Word. Это новый промышленный уклад, сравнимый по значимости с появлением электричества, компьютеров или интернета. Владеть базовыми навыками в этой области будет каждый человек, вовлеченный в экономические процессы.
➤ Подписывайтесь на телеграм-канал «РБК Трендов» — будьте в курсе последних тенденций в науке, бизнесе, обществе и технологиях.