Нейросети уже давно вышли за рамки генерации картинок или текста. Сегодня компании используют разные архитектуры:
- CNN (от англ. convolutional neural network — «свёрточная нейронная сеть») — для анализа изображений и видео;
- RNN (от англ. recurrent neural network — «рекуррентная нейронная сеть») и Transformers (с англ. «трансформеры») — для обработки последовательностей и текстов;
- Diffusion Models (с англ. «диффузионные модели») — для генерации изображений;
- LLM (от англ. large language model — «большая языковая модель») — как интеллектуальный «мозг» множества корпоративных решений.
А теперь на сцену выходят LAM — large action models (с англ. «большие модели действий»). Если LLM генерируют текст и помогают планировать процессы, то LAM идут дальше: выполняют реальные операции в бизнес-системах без участия человека.
📌 Пример. LAM может проверить остатки на складе, заказать недостающий товар и обновить данные в учётной системе без участия менеджера.
Эксперты отмечают, что под термином LAM пока нет строгого единого определения. Часто этим словом называют агентные системы, построенные на базе LLM и дообученные на действиях. Однако суть одна: LAM добавляют к языковой модели уровень автономии и инструментов, превращая её в полноценного агента.
Разберём пять ключевых особенностей LAM, которые особенно важны для бизнеса.
1. Автономное многошаговое планирование и исполнение
LAM способны не только понять задачу, но и самостоятельно разбить её на шаги и выполнить.
📌 Пример. При задаче оптимизировать логистику для конкретного региона модель:
- анализирует исторические данные по срокам и тарифам,
- рассчитывает оптимальные маршруты с учётом погоды,
- согласует смены водителей,
- обновляет расчётное время прибытия в клиентской системе.
Это не сценарий из фантастики, а пример того, как агент берёт на себя сложные многоэтапные процессы: от анализа до выполнения действий в корпоративных системах.
Ещё по теме нейросетей:
Белая книга AI. Что нужно знать бизнесу об этике искусственного интеллекта
AI-инструменты в бизнесе: маркетинговый ход или реальная польза?
Первый выпуск видеоподкаста СберПро и «Кода Дурова» «Цифра в деле: Открытые финансы и AI-агенты: как финтех меняет клиентский путь и бизнес-модели»
2. Контекстно-зависимая адаптивность
LAM постоянно мониторят состояние среды выполнения и умеют перестраивать планы в реальном времени.
📌 Пример. Если поставщик сообщает о задержке, агент не просто уведомит менеджера, а сделает следующее:
- найдёт альтернативного поставщика,
- пересчитает бюджет и сроки,
- обновит производственный график,
- скорректирует связанные процессы.
Такая адаптивность даёт бизнесу устойчивость к сбоям и позволяет быстрее реагировать на изменения.
3. Глубокая интеграция с экосистемой инструментов
LAM не работают изолированно. Их сила — во взаимодействии с корпоративными системами через два ключевых механизма:
- API (от англ. application programming interface — «программный интерфейс приложений») — позволяет напрямую обмениваться данными с другими системами;
- GUI (от англ. graphical user interface — «графический пользовательский интерфейс») — используется через компьютерное зрение для автоматизации действий в интерфейсах.
📌 Пример. Агент может оформить заказ в ERP (от англ. enterprise resource planning — «система планирования ресурсов предприятия»), внести изменения в CRM (от англ. customer relationship management — «система управления взаимоотношениями с клиентами»), запустить отчёт в BI-системе (от англ. business intelligence — «бизнес-аналитика») и подписать документ в СЭД (системе электронного документооборота).
Фактически LAM становятся универсальным цифровым исполнителем.
4. Модульная архитектура с планировщиком, исполнителем и валидатором
В основе LAM — многоуровневая архитектура, в которой языковая модель — ядро, а вокруг неё работают специализированные модули:
- планировщик — разбивает цель на подзадачи и формирует план;
- менеджер контекста — хранит состояние задачи и историю действий;
- исполнитель — взаимодействует с внешними системами через API и GUI;
- валидатор — проверяет результаты, фиксирует ошибки и даёт обратную связь.
Также используется инструментальный слой (tooling layer) — каталог доступных инструментов (API-интеграции, GUI-скрипты) с описанием параметров.
Один из современных трендов — использовать SLM (от англ. small language model — «небольшие языковые модели») или дообученные версии LLM для узких отраслевых задач. Это снижает вычислительные затраты и повышает точность в конкретных предметных областях, например в финансах или логистике.
5. Возможность координации между агентами
Следующий шаг в развитии LAM — взаимодействие между агентами разных подразделений или компаний.
📌 Пример. LAM-агент покупателя может согласовывать условия контракта с LAM-агентом поставщика автоматически, на основе бизнес-правил и рыночных данных.
Такие экосистемы откроют путь к полностью автономным цепочкам поставок и новым форматам B2B-взаимодействий (от англ. business-to-business — «взаимодействие между компаниями»).
Чек-лист для бизнеса: когда стоит внедрять LAM
✅ Подходят, если:
- есть повторяющиеся многошаговые процессы;
- процессы можно описать словами и автоматизировать через API или GUI;
- есть надёжные источники данных и стандартизированные процедуры;
- требуется гибкая автоматизация без ручного участия.
🚫 Пока рано, если:
- бизнес-процессы нестабильны или неформализованы;
- нет инфраструктуры для интеграций;
- большинство задач требует экспертного решения вручную;
- нет ресурсов на контроль и обучение моделей.
Мнения экспертов и российские кейсы внедрения — в статье на СберПро «LAM — большие модели, способные думать и действовать»