От данных к агентам: куда движется корпоративный ИИ

Как компании выстраивают путь от порядка в данных к цифровым сотрудникам рассказывает Елена Орлова, директор по стратегическому развитию ГК «КОРУС Консалтинг».

Внедрение ИИ в разных компаниях чаще всего идет по схожей логике: сначала нужно навести порядок в данных, затем создать ИИ-агентов, автоматизировать работу в конкретных бизнес-функциях, а дальше — сформировать единую среду, где люди смогут управлять системой агентов и масштабировать успешные ИИ-сценарии на уровне всей компании. Эта логика повторяется в разных отраслях и на разных масштабах — от федеральных операторов связи и банков до промышленных холдингов и производителей потребительских товаров.

В этой статье разберем, как компании проходят этот путь на практике: какие требования нужно предъявлять к данным и документам, прежде чем допускать к ним ИИ-агентов; где агенты уже дают измеримый эффект, а где пока остаются на стадии пилотов; как задать им границы прав и ответственности; и почему следующим шагом становится единая среда, в которой люди и цифровые сотрудники работают в одной оргструктуре. В основу статьи легли кейсы и тезисы, прозвучавшие на конференции по ИИ — «Авандок.Пульс», прошедшей 14 октября.

Документы годами копились в компаниях как справочная система, и теперь стали основным источником знаний для ИИ. Проблема в том, что знания не равны данным. По данным McKinsey (The state of AI in 2026: On the road to ROI), значимый эффект от ИИ — не менее 5% EBIT — получают лишь 6% компаний, и за год эта доля не изменилась. Одна из главных причин — данные: по оценке Gartner, 63% организаций не имеют подходящих практик управления данными для ИИ или не уверены, что имеют их, а до конца 2026 года компании откажутся от 60% ИИ-проектов, под которые не подготовлены данные. При этом большая часть корпоративной информации не структурирована и лежит в почте, мессенджерах и на личных компьютерах сотрудников. Возможность найти документ еще не значит, что он пригоден для работы.

Масштаб задачи хорошо виден на практике — несколько таких историй прозвучало 14 октября на конференции «Авандок.Пульс».

«Ростелеком» перевел 120 тысяч сотрудников и 300 млн документов на отечественную платформу без остановки работы: релизы, которые раньше выходили раз в квартал, теперь выходят раз в две недели.

Один из крупнейших банков в РФ мигрировал электронный архив, который велся с середины 2000-х, — сегодня это больше 2 млрд документов и около 1200 терабайт файлового хранилища. Миграция такого объема заняла полтора года.

В РЖД с данными работают девять тысяч аналитиков, а в корпоративных системах накоплено почти 50 млн показателей — и именно там один и тот же показатель в разных отчетах разошелся на 20%, просто потому что считался по-разному. Это расхождение и стало поводом строить отдельный репозиторий метаданных: без единого глоссария бизнес-терминов ни один агент не поймет, какая из двух цифр правильная.

Отраслевые эксперты формулируют три требования к слою данных, до которого вообще стоит допускать ИИ-агента:

• выдерживать рост объемов без деградации поиска;
• строго соблюдать права доступа — ошибка, которая покажет человеку пару лишних документов, агенту откроет все;
• содержать семантический слой — связи между сущностями, которые у каждой компании свои, даже внутри одной отрасли.

По сути, все три требования предъявляются не к модели, а к системе, в которой живут документы. Поэтому платформы управления корпоративным контентом, такие как Авандок.Платформа, перестают быть просто электронным архивом и становятся фундаментом для ИИ: именно в них хранятся права доступа, метаданные, версии и связи между документами.

Для регулируемых отраслей к этому добавляются еще два условия. Весь контур — от хранилища до модели — должен работать внутри периметра компании, без передачи данных во внешние сервисы. А каждое обращение агента к данным должно оставлять след, который можно показать службе безопасности, аудитору или регулятору. Показательный пример того, почему без этого слоя агент бесполезен: в одной из компаний все знание о статусе конкретной отгрузки реально хранилось не в учетной системе, а в голове одного сотрудника, который сверял почту, переписку и три разные базы вручную. Для ИИ такого «фундамента» не существует — агенту нечего читать, если знание нигде не записано формально.

У той же проблемы есть и вторая сторона. Агенту, который работает с конкретным объектом — единицей оборудования, договором, контрагентом или клиентом, — нужен не набор разрозненных данных о нем, а одна достоверная запись. В промышленности это паспорт оборудования, в котором сходятся проектная документация, история ремонтов, акты и наряды. В работе с поставщиками и подрядчиками — единая карточка контрагента со всеми договорами, допсоглашениями и претензиями. Такую запись называют «золотой»: система постоянно сверяет данные из разных источников, решает, какому из них верить по каждому конкретному полю, и обновляет запись с каждым новым документом или взаимодействием.

Лучше всего этот подход отработан на клиентах. Один и тот же человек может быть в одной системе гостем, в другой — обладателем золотого статуса, в третьей — корпоративным клиентом, а его email, телефон и имя на разных языках хранятся отдельно. Там, где профиль собран в одну запись по средством таких решений как Авандок.Профиль — с согласия человека и в рамках требований к персональным данным, — это видно в готовом продукте: сервисы вроде листа ожидания на освободившиеся места собирают миллионы заявок, а доля автоматических покупок по ним растет в разы быстрее ручных. Без такой записи агент либо увидит разрозненные обрывки одного и того же объекта, либо вовсе не поймет, с кем или с чем имеет дело. Именно она и становится рабочим материалом для агента на следующем шаге.

Зрелость внедрения агентов на рынке очень разнится от компании к компании, и от отрасли к отрасли.

На одном полюсе вертикально-интегрированный производитель и ритейлер, где агент в отдельной функции, в казначействе, уже заменил до 70% операций: обработка одной транзакции через агента обходится в 13 раз дешевле, чем через человека, а внедрение окупилось уже на второй месяц работы.

На другом — компании, которые экономику еще не считали и выбрали осторожное тестирование.

Между этими двумя примерами — крупнейшая российская транспортная компания, где работают с десятками прототипов, и ни один пока не вышел в промышленную эксплуатацию: по формальным основаниям агент не может занять штатную единицу, а ответственность за решение всегда остается на человеке.

Один из операторов российской авиагавани строит многоуровневую систему допуска данных к разным моделям по степени чувствительности и уже тестирует агента-помощника для нештатных ситуаций.

Показательный пример того, как именно происходит переход, — опыт одного из металлургических холдингов, который прошел три стадии за три года. Сначала — ИИ-ассистенты: сотрудник работает быстрее, но эффекта для компании не видно, только рост затрат. В компании это называют «ИИ-туризмом» — ассистентов раздали всем, кода стало больше, а сроки и стоимость проектов не изменились. Затем — жесткий менеджмент эффективности: нормирование труда, персональные показатели производительности, обязательное использование технологии. Это дало первый измеримый эффект, но предел все равно остался на уровне 15–20%.

Только переход к мультиагентным командам изменил картину целиком: 30% кода теперь пишет ИИ, штат внешних подрядчиков сократили в разы, а системы, которые раньше заказывали внешним разработчикам, переписывают сами — в среднем в 2–8 раз дешевле и вдвое быстрее, чем по рыночным оценкам. Там, где раньше работала команда из четырех-пяти разработчиков, сейчас один инженер управляет несколькими агентными командами одновременно, а агенты способны работать автономно до десяти часов подряд.

Важная оговорка: речь идет о разработке ПO, где ошибку агента ловят тесты и код-ревью. В производственном контуре, финансовых операциях или работе с клиентами степень автономности задают совсем иначе — и чем выше цена ошибки, тем короче «поводок».

Перед внедрением предлагают задать подрядчику пять вопросов:

• где именно живет агент — в отдельном чате или встроен в процесс, и работает ли он внутри контура компании;
• с какими правами он получает доступ к данным: надежнее, когда он наследует права вызвавшего его сотрудника, а не работает по отдельному универсальному набору прав, и фиксируется ли каждое его действие в журнале;
• из каких источников агент получает информацию о компании и что из этого достанется следующему агенту;
• кто отвечает за ошибки агента;
• кто формирует для него знания о компании — эту работу внешнему подрядчику обычно не отдать.

Ответы агента предлагают делить на уровни доверия: явное нарушение, то, что агент не смог проверить, его предположение и просто подсказка. Важнее всего честно помечать именно непроверенное, потому что умалчивание об этом легко принять за отсутствие ошибок.

Среди рисков чаще всего называют три: «отравленного» агента, которого уговорили нарушить правила, уязвимый код, сгенерированный внешней моделью, и утечку данныx во внешний сервис. Эти риски не абстрактные.

В зарубежной практике уже был случай, когда ИИ-агент для разработки за несколько секунд удалил продуктивную базу данных, а голосовой агент в окне выдачи заказов сети фастфуда в нестандартном диалоге согласился оформить заказ на восемнадцать тысяч стаканов воды. В обоих случаях решение было одно и то же — вернуть в процесс сотрудника, который дообучает модель на реальных нестандартных ситуациях, а не полагаться на то, что агент справится сам.

Цифры похожи в разных отраслях  

Смещается и бизнес вокруг ИИ. Часть крупных компаний уже отказывается от внешних подрядчиков и коробочных решений в пользу собственной разработки, и в дискуссиях не раз звучало сомнение, что классический вендорский бизнес в нынешнем виде доживет лишь до конца десятилетия. Но «собственная разработка» в этих примерах почти никогда не означает разработку с нуля: компании строят своих агентов поверх платформ, которые берут на себя хранение данных, права доступа, интеграции и контроль. Меняется не потребность в вендоре, а его роль — от поставщика готовой коробки к поставщику среды, в которой компания собирает собственные решения.

Логика подводит к вопросам: если агент — функция под конкретную задачу, то кто управляет агентами, когда их в компании уже много? Кто их запускает, с какими правами, кто отвечает за результат и как это все выглядит в оргструктуре? 

ГК «КОРУС Кoнсалтинг» анонсировала платформу для управления сразу и обычными, и цифровыми сотрудниками компании. Идея в том, что цифровой сотрудник, в отличие от агента, становится частью организационной структуры — со своими полномочиями, ограничениями и памятью, а не просто выполняет отдельную функцию. Ответы на те самые пять вопросов к подрядчику — где живет агент, с какими правами работает, откуда знает компанию, и кто за него отвечает — закладываются в саму среду, а не решаются заново для каждого нового агента.

Если собрать все в одно правило, оно звучит просто: нужно сначала навести порядок в данных и защитить их контур, затем явно описать границы для агентов, и только после этого встраивать их в работу компании наравне с реальными сотрудниками.

Платформа цифровых сотрудников ГК «КОРУС Консалтинг» как раз и строится как такая среда: цифровые сотрудники встраиваются в оргструктуру, получают понятные полномочия и права доступа и работают под контролем людей, которые отвечают за результат. Следите за новостями о платформе на сайте avandoc.online.