AI Expo 2026 вновь собрала ведущих экспертов и новаторов, чтобы заглянуть в будущее искусственного интеллекта. Главным лейтмотивом первого дня, отражающим ключевой тренд 2026, стало не просто развитие ИИ, а его качественная трансформация: от пассивных цифровых ассистентов кполноценным агентным системам. Эти новые «цифровые коллеги» обещают не просто следовать жестким скриптам, но и самостоятельно рассуждать, планировать и выполнять сложные задачи, кардинально меняя подходы к автоматизации бизнес-процессов.
Новая парадигма автоматизации: Что такое агентный ИИ и почему RPA уходит в прошлое
В мире, где скорость и адаптивность определяют успех бизнеса,
парадигма автоматизации претерпевает кардинальные изменения. На смену
традиционным подходам приходит новая эра, возглавляемая концепцией,
которую мы называем Агентный ИИ. Это системы
искусственного интеллекта, которые могут самостоятельно рассуждать,
планировать и выполнять сложные задачи, адаптируясь к меняющимся
условиям. В отличие от простых скриптов, они действуют как цифровые
коллеги, способные принимать решения. Агентный ИИ представляет собой
эволюцию автоматизации, способную рассуждать, планировать и выполнять
задачи, выступая в роли «цифрового коллеги», что кардинально отличает
его от предшественников.
Традиционная Роботизированная автоматизация (RPA) - это технология,
которая автоматизирует рутинные, повторяющиеся задачи, имитируя действия
человека в пользовательских интерфейсах. Системы RPA следуют строго
заданным правилам и не могут самостоятельно принимать решения или
рассуждать. Если в парадигме RPA vs. AI можно сравнить RPA с
механическим роботом, выполняющим заданную последовательность действий,
то агентный ИИ - это скорее интеллектуальный помощник,
способный к самообучению и стратегическому мышлению. Он не просто
следует скриптам, а анализирует контекст, формулирует цели и
самостоятельно выбирает оптимальные пути их достижения, даже в условиях
неопределенности.
Эксперты отрасли активно обсуждают этот сдвиг. Амаль Маквана из Citi
подчеркивает, что агентные системы способны действовать в рамках сложных
корпоративных рабочих процессов, выходя за рамки простых повторяющихся
операций. Скотт Айвелл и Айр Адеволу из DeepL описывают это развитие как
закрытие «разрыва в автоматизации», где агентный ИИ функционирует как
полноценный цифровой коллега, а не просто инструмент. Они отмечают, что
истинная ценность раскрывается за счет сокращения пути от намерения до
реализации. Однако важно помнить, что сложность проектирования и
управления агентными системами может привести к созданию «распределенных монолитов»,
замедляя процессы вместо их ускорения. Это требует тщательного подхода к
архитектуре и управлению, чтобы избежать непредвиденных сложностей и
максимизировать потенциал этой революционной технологии.
Данные - топливо для агентов: Проблема «галлюцинаций» и роль eRAG
В эпоху, когда автономные агентные системы становятся краеугольным
камнем корпоративной стратегии, их эффективность напрямую зависит от
качества и доступности данных. Как метко подметил Андреас Краузе из SAP,
«ИИ бесполезен без надежных и связанных корпоративных данных». Этот
тезис подчеркивает фундаментальную истину: данные - это не просто
ресурс, а жизненно важное топливо, питающее интеллект и
действия ИИ-агентов. Качество и контекстная релевантность корпоративных
данных являются критическим фундаментом для эффективного и полезного
применения генеративного и агентного ИИ. Без точной, актуальной и
правильно структурированной информации даже самые продвинутые алгоритмы будут работать вхолостую, выдавая нерелевантные или ошибочные
результаты.
Однако достижение высокого качества и связности корпоративных данных в
масштабах предприятия является монументальной задачей, часто
недостижимой для большинства компаний. Разрозненные системы, устаревшие
базы данных и отсутствие единых стандартов создают ландшафт, в котором
ИИ-агентам крайне сложно ориентироваться. Это приводит к серьезным
проблемам, одной из которых являются так называемые «галлюцинации» в больших языковых моделях (LLM). Большие языковые модели (LLM) - это мощные нейронные сети, обученные на огромных объемах текстовых данных, способные понимать, генерировать и обрабатывать человеческий язык. Они лежат в основе многих современных ИИ-приложений, включая генеративный ИИ. Когда эти модели сталкиваются с неполными или противоречивыми данными, они могут начать генерировать информацию, которая звучит правдоподобно, но является фактически неверной, выдуманной или не соответствующей исходным данным. В контексте ИИ, особенно больших языковых моделей, это явление называется галлюцинациями.
Мени Меллер из Gigaspaces справедливо отмечает, что технический риск,
связанный с непредсказуемым поведением агентных систем и
«галлюцинациями» LLM из-за низкого качества или неполноты корпоративных
данных, приводит к ошибочным решениям и сбоям. Это не просто
академическая проблема; это реальная угроза для операционной
эффективности и репутации компании. Чтобы противостоять этой угрозе,
критически важно обеспечить моделям доступ к проверенным, актуальным и
контекстно-релевантным корпоративным данным в реальном времени.
Решение этой проблемы лежит в использовании продвинутых подходов,
таких как eRAG (enhanced Retrieval-Augmented Generation) в сочетании с
семантическими слоями. eRAG позволяет LLM не просто генерировать ответы
на основе своих внутренних знаний, но и динамически извлекать информацию
из внешних, авторитетных источников данных перед генерацией ответа.
Семантические слои, в свою очередь, предоставляют структурированное и
обогащенное представление корпоративных данных, позволяя моделям
понимать контекст, связи и значения, а не просто оперировать сырыми
текстовыми фрагментами. Этот симбиоз eRAG и семантических слоев создает
мощный механизм, который значительно снижает вероятность «галлюцинаций», обеспечивая ИИ-агентам доступ к надежной и проверенной информации, необходимой для принятия точных и обоснованных решений.
За пределами данных: Инфраструктурные и физические вызовы агентного ИИ
В то время как качество данных и управление ими имеют первостепенное
значение для агентного ИИ, дискуссия должна быть расширена до надежной
инфраструктуры, необходимой для поддержки этих интеллектуальных систем.
Успешное внедрение агентного ИИ требует создания надежной инфраструктуры:
систем управления данными, облачной аналитики реального времени и
специализированных сетевых структур. Эта фундаментальная истина
подчеркивает переход от простой обработки данных к развитию комплексной
экосистемы. Ведущие предприятия, такие как Equifax и British Gas,
подчеркнули критическую потребность в облачных аналитических системах
реального времени. Их опыт демонстрирует, что конкурентное преимущество
все чаще зависит от способности реализовывать масштабируемые и
немедленные аналитические стратегии, превращая необработанные данные в
действенные инсайты с беспрецедентной скоростью.
Помимо обработки данных, сама структура связности требует переоценки.
Джулиан Скилс из Expereo, ведущий эксперт в области сетевых решений,
подчеркивает необходимость создания суверенных, безопасных и «всегда
активных» сетей, спроектированных специально для рабочих нагрузок ИИ.
Эти специализированные сетевые структуры должны
обеспечивать высокую пропускную способность и минимальную задержку, что
является критически важным для бесперебойной работы автономных агентов,
особенно тех, которые взаимодействуют с физическим миром.
Именно в физическом мире агентный ИИ сталкивается с наиболее сложными
и непредсказуемыми вызовами. Интеграция ИИ в физические среды порождает
новые, сложные риски безопасности, требующие разработки и внедрения
проактивных протоколов. Эдит-Клэр Холл из ARIA и Мэттью Ховард из IEEE
RAS обсудили, как воплощенный ИИ (embodied AI) используется на заводах, в
офисах и общественных местах [1]. В отличие от программных сбоев, ошибки воплощенного ИИ могут иметь прямые и порой катастрофические физические последствия.
Разработка и тестирование протоколов безопасности для воплощенного ИИ в
физических пространствах находится на ранней стадии, что может привести
к непредсказуемым и катастрофическим сбоям. Это порождает серьезный
политический (юридический/регуляторный) риск: отсутствие четких
стандартов и правовых норм для безопасности и этики воплощенного ИИ в
физических средах может привести к судебным искам и репутационным
потерям.
Для минимизации этих рисков требуются инновационные технические
решения. Исследования Перлы Майолино из Оксфордского института
робототехники в области Time-of-Flight (ToF) датчиков и электронной кожи
демонстрируют путь к созданию роботов с повышенной само- и ситуационной
осведомленностью, способных предотвращать аварии в динамичных средах.
Параллельно с этим, операционный риск, связанный со сложностью обеспечения наблюдаемости
и отладки автономных систем, затрудняет выявление причин сбоев и
поддержание надежности. Юлия Самойлова из Datadog подчеркивает, что по
мере роста автономности систем, способность наблюдать их внутреннее
состояние и процессы принятия решений становится не просто желательной, а
абсолютно необходимой для обеспечения надежности и безопасности. Это
требует нового подхода к мониторингу и диагностике, выходящего за рамки
традиционных метрик.
Человеческий фактор: Как «иллюзия готовности к ИИ» разрушает проекты
В то время как технологические достижения в области искусственного
интеллекта продолжают поражать воображение, истинный успех его внедрения
в корпоративную среду зачастую упирается в нетехнические барьеры. Эти
препятствия, коренящиеся в человеческом факторе и организационной
культуре, могут оказаться гораздо более сложными, чем любые технические
вызовы. Пол Фермор из IBM Automation предупредил, что традиционный
подход к автоматизации часто недооценивает сложности внедрения ИИ,
назвав это «иллюзией готовности к ИИ» [2].
Эта концепция подчеркивает, что технологическая готовность — наличие
мощных вычислительных ресурсов, качественных данных и передовых
алгоритмов — это лишь часть уравнения. Без учета человеческого аспекта,
включая психологическую готовность команды и адаптацию рабочих
процессов, проекты обречены на стагнацию или даже полный провал.
Действительно, человеческий фактор и организационная культура играют
ключевую роль в успешном внедрении ИИ, часто недооцениваемые в «иллюзии
готовности к ИИ». Эксперт Джена Миллер усиливает эту мысль, настаивая на
необходимости разработки стратегий, ориентированных на людей. Она
утверждает, что без активного вовлечения и доверия со стороны конечных
пользователей, даже самые передовые ИИ-решения не смогут раскрыть свой
потенциал. Недоверие сотрудников к автономным системам и
сопротивление изменениям могут свести на нет любые технические
преимущества ИИ, делая инвестиции неэффективными. Это напрямую влияет на
окупаемость инвестиций: если команда не доверяет новым инструментам,
воспринимает их как угрозу или просто не понимает их ценности, они не
будут использоваться в полной мере, а значит, и ожидаемой выгоды не
принесут.
Чтобы избежать этих ловушек и обеспечить устойчивое внедрение ИИ, Рави Джей из Sanofi рекомендует руководителям задавать критически важные этические
и операционные вопросы на самых ранних этапах планирования ИИ-проектов.
Такой проактивный подход позволяет не только выявить потенциальные
риски и предусмотреть механизмы их смягчения, но и сформировать
культуру, в которой ИИ воспринимается как ценный партнер, способный
усилить человеческие возможности, а не как замена. Грамотное управление
изменениями, прозрачность в коммуникации и постоянное обучение
становятся фундаментом для успешной интеграции ИИ, превращая
потенциальные барьеры в ступени к инновациям и повышению эффективности.
Экспертное мнение: Позиция WebTechnus
В контексте стремительного развития агентного ИИ, специалисты
компании WebTechnus отмечают, что переход к полноценному «цифровому
коллеге» является логичным эволюционным шагом в автоматизации бизнеса.
Мы полностью разделяем ключевые выводы конференции, касающиеся
критической роли качества и доступности корпоративных данных. Наш
многолетний опыт в разработке сложных программных решений и систем
автоматизации убедительно показывает, что инвестиции в создание надежной архитектуры данных,
включая инструменты для обогащенной генерации (eRAG) и семантические
слои, служат незыблемым фундаментом для предотвращения «галлюцинаций» и
обеспечения беспрецедентной точности ИИ.
Мы также согласны с тезисом о необходимости всесторонней готовности
инфраструктуры к новым вызовам. Это охватывает не только оптимизацию
сетевых решений под высокую нагрузку ИИ-систем, но и развертывание комплексных систем мониторинга
и безопасности, что особенно актуально при интеграции ИИ в физические
среды. В WebTechnus мы убеждены, что параллельное развитие
технологической базы и формирование культуры внедрения, ориентированной
на человека, является краеугольным камнем успешной реализации проектов с
использованием передовых ИИ-технологий. Без доверия и готовности команд
к изменениям даже самые совершенные инструменты не смогут принести
ожидаемой пользы, подтверждая нашу приверженность комплексному подходу.
Три сценария будущего и дорожная карта для ИТ-лидеров
Первый день AI Expo 2026 четко обозначил ключевую парадигму и главный trend 2026:
агентный ИИ, способный к рассуждению, планированию и выполнению задач,
является будущим корпоративной автоматизации. Однако его успешное
внедрение критически зависит от прочного фундамента, состоящего из
высококачественных данных, надежной инфраструктуры и зрелой
корпоративной культуры. Отсутствие внимания к этим аспектам может
привести к серьезным последствиям, формируя три возможных сценария
развития событий.
В позитивном сценарии агентный ИИ становится неотъемлемой частью
бизнес-процессов, значительно сокращая время от идеи до реализации,
благодаря высококачественным данным и надежной инфраструктуре,
трансформируя компании в более адаптивные и эффективные организации.
Нейтральный сценарий предполагает, что агентный ИИ находит применение в
узких, специфических областях бизнеса, где критически важна
автоматизация сложных задач, но его широкое распространение сдерживается
проблемами с качеством данных и высокими затратами на инфраструктуру.
Наконец, негативный сценарий предвещает массовые сбои,
вызванные некачественными данными, уязвимостями безопасности в
физических средах и отсутствием доверия со стороны персонала, что
приводит к дискредитации агентного ИИ и заморозке инвестиций в эту
технологию. Этот последний сценарий также несет в себе значительный
экономический риск: неоправданно высокие инвестиции в создание и
поддержку специализированной инфраструктуры (сети, облачные платформы,
системы управления данными) без гарантированной окупаемости.
Чтобы уверенно двигаться к позитивному сценарию и минимизировать риски, ИТ-лидерам необходимо следовать четкой дорожной карте,
основанной на выводах конференции. Во-первых, сосредоточиться на
создании надежных систем управления данными и активной поддержке eRAG
для обеспечения точности и контекстуальной релевантности информации.
Во-вторых, провести тщательный аудит сетевой инфраструктуры, чтобы
убедиться в ее соответствии высоким требованиям агентных систем к
пропускной способности и низкой задержке. В-третьих, параллельно с
технической подготовкой разрабатывать стратегии культурного внедрения,
формируя доверие и готовность персонала к работе с новыми автономными
инструментами.