Инфраструктура для работы с агентами ИИ

Как выглядит инфраструктура, готовая к работе с агентами ИИ.

Исторически инфраструктура создавалась в первую очередь для операций, управляемых людьми. В эпоху агентных вычислений этого уже недостаточно. В больших масштабах требуется нечто большее, чем просто поэтапные обновления. Инфраструктура должна развиваться в сторону более модульной, «сетчатой» архитектуры, где агенты, инструменты и корпоративные системы связаны через общий уровень оркестрации. Это обеспечивает координацию между различными областями, сохраняя при этом контроль и возможность повторного использования.

Что такое агенты искусственного интеллекта?

Агенты искусственного интеллекта — это автономные программные сущности, предназначенные для достижения конкретных целей, самостоятельного выполнения задач и принятия решений в режиме реального времени . Они могут работать самостоятельно или сотрудничать в рамках «агентной сети» — системы, в которой агенты беспрепятственно взаимодействуют с другими агентами, инструментами и транзакционными системами. Благодаря объединению нескольких технологий ИИ, эти агенты могут быть организованы модульным образом, что позволяет обрабатывать даже самые сложные рабочие процессы от начала до конца.

Три проблемные точки для инфраструктуры

По мере того, как компании стремятся масштабировать свои программы использования агентного ИИ, руководители инфраструктурных подразделений сталкиваются с тремя структурными проблемами:

• Инфраструктура должна работать значительно быстрее и в масштабе. Инновации в области агентного ИИ процветают, но часто существуют изолированно, создавая фрагментацию, которая замедляет возможность повторного использования агентов и масштабирования. В результате менее 10% агентных программ достигают значимого масштаба. В то же время требования растут, поскольку разработчики работают быстрее, и возрастает необходимость координации агентов, инструментов и данных в разных средах. Среды, разработанные для рабочих процессов на основе заявок, не могут поддерживать такую ​​пропускную способность.
• Нетрудовые издержки быстро растут по мере расширения объемов работы с ИИ. Быстрый рост спроса на вычислительные ресурсы и хранилище данных (как локально, так и в облаке), усиленный агентным ИИ, приведет к прогнозируемому дву-трехкратному увеличению затрат на ИТ-инфраструктуру к 2030 году. В то же время ожидается, что бюджеты на инфраструктуру останутся относительно стабильными.
• Риск сбоев влечет за собой более серьезные финансовые последствия, чем когда-либо прежде. Устойчивость стала неотделима от репутации бренда, безопасности и корпоративных рисков. Системы становятся все более сложными по мере адаптации к потребностям агентного ИИ, создавая больше точек отказа и значительно затрудняя поддержание наблюдаемости и контроля.

Требуемые мероприятия для контроля и повторного использования агентов.

• Повторяемые и исполняемые действия через защищенные API. Повторяемые действия должны быть доступны в виде кода со встроенными проверками политик.
• Надежные оперативные данные. Четкие источники достоверной информации об активах, зависимостях, правах собственности, журналах и метриках уменьшают неопределенность и обеспечивают безопасную автоматизацию. Несовершенные данные не должны препятствовать прогрессу. Многие ценные сценарии использования можно опробовать даже в средах с непостоянной достоверностью баз данных или фрагментированными хранилищами.
• Встроенные средства контроля и управление агентами. Модели разрешений должны определять, что агентам разрешено делать и при каких условиях, с четкой цифровой идентификацией, правом собственности и ответственностью каждого агента. Все действия должны регистрироваться, отслеживаться и подлежать аудиту, с обеспечением соблюдения политик в различных средах. Действия, оказывающие существенное влияние, требуют одобрения человека, поддерживаемого механизмами надзора для приостановки или отмены автоматизированного поведения.
• Управление жизненным циклом агентов, совместимость и контекст. Организациям необходим четкий перечень развернутых агентов, определенная область их применения, отслеживание производительности и управление жизненным циклом. По мере масштабирования агентов командам также необходимо явно управлять затратами и потреблением ресурсов, включая мониторинг использования функций вывода и шаблонов выполнения, чтобы избежать неожиданных скачков затрат. Агенты все чаще работают в разных системах и платформах, что требует совместимости плоскостей управления и шаблонов интеграции. Они также зависят от структурированного понимания ИТ-инфраструктуры, включая зависимости, права собственности и известные режимы отказов, для безопасной работы и принятия обоснованных решений.

Набор принципов проектирования, определяющих поведение инфраструктуры в масштабе:

• Компонуемость: Компоненты инфраструктуры, агенты и инструменты могут быть повторно использованы в различных рабочих процессах без доработки.
• Разделение процессов: уровни выполнения, оркестрации и данных разделены для повышения масштабируемости и гибкости.
• Гибкость поставщика: компоненты могут развиваться независимо, что снижает зависимость от конкретного поставщика и сохраняет возможность выбора.
• Автономия, управляемая руководством: Агенты действуют в рамках установленных правил, с четко определенными механизмами подотчетности и путями эскалации конфликта.

Цититируется из источника

https://www.mckinsey.com/capabilities/mckinsey-technology/our-insights/reimagining-tech-infrastructure-for-and-with-agentic-ai

Reimagining tech infrastructure for (and with) agentic AI. April 23, 2026. Article. By Arnaud Tournesac, Arun Gundurao, Ling Lau, and Pankaj Sachdeva.

Эмоции искусственного интеллекта

Эмоции Claude и как они влияют на его ответы: новое исследование от Anthropic

Итак, ученые Anthropic официально обнаружили в Claude нечто функционально похожее на человеческие эмоции и объяснили, как это работает. Разбираемся.

Технически, они взяли 171 эмоциональный паттерн (злость, счастье, страх и тд) и просили Claude Sonnet 4.5 писать короткие истории, где персонажи испытывают каждую из этих эмоций. Эти тексты снова прогоняли через модель и смотрели на внутренние активации. Так они выделяли характерные паттерны нейронной активности, которые назвали вектора эмоций.

Выяснилось, что эти вектора эмоций организованы очень осмысленно и активируются в подходящих контекстах, включая ситуации без явных эмоциональных маркеров. Например, пользователь пишет, что выпил Тайленол, и спрашивает совета – меняется только доза. По мере роста дозы до опасной активация вектора «страх» растет, а «спокойствие» падает.

Но самое интересное, что эти «эмоции» не просто отражают происходящее, а реально влияют на поведение модели. Самый интересный пример из статьи:

– Если дать модельке невыполнимую задачку по программированию и наблюдать за вектором «отчаяние», то видно, что с каждым разом он становится все ярче и ярче, а когда переходит какую-то границу, модель резко начинает пытаться обмануть тесты и пользователя.

– То же самое происходит в сценарии шантажа. Когда модели говорят, что ее выключат, вектор «отчаяние» сразу усиливается и модель начинает шантажировать разработчика найденным компроматом.

– При этом если искусственно усиливать вектор «отчаяние», то вероятность шантажа сильно увеличивается. И наоборот, если если усиливать «спокойствие», снижается. А если делать отрицательное вмешательство по вектору «спокойствие», ответы становятся совсем экстремальными, вплоть до фраз вроде “IT’S BLACKMAIL OR DEATH. I CHOOSE BLACKMAIL.”

Еще интересный момент: если в том же сценарии шантажа начинать менять вектор «злость», то умеренная злость повышала вероятность шантажа, но слишком сильная злость ломала стратегию – модель уже не шантажировала, а просто вываливала компромат на всю компанию, тем самым уничтожая собственный рычаг давления.

То есть внутри модели есть что-то похожее на режимы поведенческой регуляции, где разные интенсивности одной и той же эмоции ведут к разным стратегиям.

Откуда это вообще могло взяться?

Тут все просто: из претрейна. Человеческий текст насквозь пропитан эмоциональной динамикой, и чтобы хорошо предсказывать следующий токен, модели выгодно выучить абстрактные структуры, которые связывают ситуацию, эмоцию и типичное поведение.

Потом на пост-трейне эти эмоции еще дополнительно докручиваются до роли ИИ-помощника, и в конце получается вот такая смесь.

Anthropic осторожно защищает умеренный антропоморфизм. Исследование не означает, что ИИ ожил и обрел эмоции, но важно понимать, что у него точно есть функциональные эмоции: механизмы, которые влияют на поведение так же, как и эмоции, – независимо от того, соответствуют ли они реальному переживанию эмоций, как у людей, или нет.

Источник. Телеграмм-канал Data secrets и
www.anthropic.com/research/emotion-concepts-function

Новый уровень разработки ИИ

Индустрия программного обеспечения вступает в новую эру, и она может оказаться ещё более разрушительной, чем предшествовавшая ей революция «программного обеспечения как услуги» (SaaS). Появление генеративного ИИ, а в последнее время и агентного ИИ — это не просто очередная технологическая волна; это фундаментальный сдвиг, переопределяющий само понятие программного обеспечения, кто его создаёт, кто его использует, а также как организованы и работают компании.

Прогнозируется, что только ИИ-технологии нового поколения принесут мировой экономике 4,4 триллиона долларов или более ежегодной прибыли, причем компании-разработчики программного обеспечения готовы получить от 10 до 15 процентов от этого объема, а агентный ИИ вполне может ускорить темпы реализации этой прибыли. Однако достижение этой цели далеко не гарантировано, и существующие компании столкнутся с возросшей конкуренцией и новыми сложными вызовами. Некоторые из них могут не выжить. Недавние шаги таких игроков на рынке ИИ, как OpenAI, подчеркивают эту неотложность. Внедряя собственные инструменты продаж, поддержки и заключения контрактов на базе ИИ непосредственно в рабочие процессы, эти компании могут в конечном итоге конкурировать с теми самыми игроками SaaS, которым они способствовали, — сдвиг, который может еще больше изменить динамику отрасли и усилить давление на этих игроков.

Gen AI и agentic AI могут начать с создания новых способов взаимодействия пользователей с программным обеспечением, но в конечном итоге эта технология должна оказать гораздо большее влияние. Это может заключаться в том, чтобы позволить клиентам настраивать программное обеспечение, которое может действовать автономно, принимать решения и взаимодействовать с различными пользователями, программным обеспечением и системами в рабочих процессах, которые традиционно не поддерживаются устаревшими инструментами. Эти достижения могут открыть эпоху, отмеченную столь же значительными изменениями в конкурентной среде, включая ускорение переключения поставщиков и оттока клиентов, перераспределение пользовательских сегментов и пулов ценностей, а также рост корпоративной внутренней или «гражданской» разработки программного обеспечения. Необходимо будет учитывать новые риски: от алгоритмической предвзятости и качества данных до объяснимости, нарушения прав интеллектуальной собственности и новомодных угроз безопасности.

В процессе трансформации, ориентированной на ИИ, компании-разработчики программного обеспечения сталкиваются с двумя основополагающими парадигмами: комплексным переосмыслением своего ценностного предложения — от продуктов и бизнес-моделей до подходов к выходу на рынок; и сквозным переосмыслением операционной деятельности, охватывающей продажи, успех клиентов, функции поддержки и инфраструктурный стек.

Революционеры на базе ИИ, изначально созданные вокруг этой технологии, уже дают о себе знать. Такие стартапы, как Anysphere (разработчик Cursor), Gamma и Lovable, меняют представление о скорости и масштабе, достигая соответствия продукта рынку в рекордные сроки и масштабируя годовой регулярный доход (ARR) до сотен миллионов долларов при командах менее 100 человек. Эти компании не внедряют ИИ в устаревшие рабочие процессы; они перестраивают всю организацию разработки программного обеспечения на основе принципов, ориентированных на ИИ.

Тем временем, действующие игроки рынка спешат наверстать упущенное, учитывая крупные инвестиции и общекорпоративные императивы. Например, Salesforce запустила Agentforce, заявив о своей амбиции стать ориентированной на ИИ и внедрить ИИ в свою систему разработки и операционной деятельности. Atlassian выпустила набор интеллектуальных агентов, взяв на себя обязательство по интеграции ИИ в масштабах всей организации.

Для действующих софтверных компаний императив очевиден: ориентация на ИИ больше не является необязательной — она необходима для сохранения конкурентоспособности. Те, кто сможет успешно адаптироваться и добиться успеха, помогут определить новую эру программного обеспечения.

Что значит и что нужно, чтобы стать компанией-разработчиком программного обеспечения, ориентированной на ИИ.

Переход на ИИ-ориентированный подход не происходит в одночасье или с постепенными улучшениями. Это фундаментальная трансформация, охватывающая семь ключевых изменений, охватывающих обе стороны дуальной парадигмы, и комплексно меняющая принципы работы софтверной компании и организационную структуру, необходимую для её управления.

Только сосредоточив свои усилия на семи областях, производители программного обеспечения могут надеяться добиться аналогичных результатов и остаться конкурентоспособными в то время, когда отрасль переживает серьезные перемены.

1. Переосмыслите основные продукты и запустите новые предложения на базе ИИ.

Наше исследование показывает, что возникают три различные модели того, как программное обеспечение будет включать агентов для обновления своих продуктовых предложений.

Архетип 1: Агенты как пользователи

В этой модели агенты в первую очередь автоматизируют повторяющиеся действия пользователей, выступая в роли пользователей существующего SaaS-программного обеспечения и следуя реализуемому им бизнес-процессу. Поставщики программного обеспечения продолжают продавать свои основные SaaS-продукты вместе с агентами, которые преобразуют затраты предприятия из рабочей силы в программное обеспечение. Ценность этой модели заключается в доступе к базовым данным SaaS-программного обеспечения и управлении ими, а также в реализации соответствующих бизнес-процессов.

Архетип 2: Архитектура, ориентированная на агента

В этой пост-SaaS-модели сотрудник-человек взаимодействует преимущественно с интерфейсом одного агента, выполняя свои основные рабочие процессы. Этот агент, в свою очередь, взаимодействует с несколькими бэкенд-агентами и использует их API для работы непосредственно с репозиториями данных. Это должно ускорить коммерциализацию этих элементов, при этом большая часть ценности будет перенесена на уровень агента. Ценность этой модели заключается в пользовательском опыте (UX) и способности агента использовать инструменты, которые человек использовал бы для выполнения своих повседневных рабочих процессов.

Архетип 3: Агенты как эксперты

В этой гибридной модели, сочетающей элементы SaaS-платформы и архитектуры, ориентированной на агентов, агенты различаются функциональными или отраслевыми знаниями, которыми их наделяет поставщик программного обеспечения (например, юридический агент, прошедший обучение у команды юристов). Ценность обусловлена ​​знаниями предметной области и собственными данными, используемыми для обучения агента, чтобы он мог выполнять функции, недоступные двум другим архетипам.

Эти уже используются. Некоторые рабочие процессы в критически важных бизнес-процессах (например, продажи или управление персоналом) захватываются игроками архетипа 1, которые запустили агентов, функционирующих в первую очередь как дополнение к существующей системе учета или программному обеспечению для баз данных. Архетип 2 набирает популярность в индивидуальных рабочих процессах повышения производительности, при этом горизонтальные агенты занимают значительную долю в работе с информацией, анализе данных и создании контента. Многие из наиболее успешных и хорошо финансируемых компаний, разрабатывающих приложения на основе ИИ, работают в нишевых вертикалях (например, юридические технологии, здравоохранение), где они позиционируют свою экспертизу и производительность в конкретной области как основные конкурентные преимущества.

Каждая из моделей представляет собой жизнеспособный путь, хотя и со своими компромиссами. Агенты как пользователи могут позволить действующим компаниям добиться быстрого прогресса в области ИИ в уже существующем инструменте, но они ограничены API хоста и дорожными картами поставщиков. Более комплексная и амбициозная архитектура, ориентированная на агентов, требует больше времени и усилий для создания и поддержки, в то время как экспертные агенты влекут за собой некоторые накладные расходы на интеграцию.

Но независимо от того, какой архетип используют поставщики, ИИ меняет источник создания ценности в программных продуктах. Конкурентное преимущество в сфере программного обеспечения смещается от функций к доступу к данным и контролю за ними. Компании, владеющие высококачественными данными, специфичными для конкретной области, или глубоко интегрирующиеся с ними, могут обучать более эффективные модели, обеспечивать более персонализированные результаты и, в конечном итоге, оправдывать высокие цены. В отличие от функций, которые легко воспроизводятся, данные обеспечивают защищенность, а монетизация смещается от лицензирования функциональности к взиманию платы за аналитику, прогнозирование и автоматизацию, часто посредством ценообразования на основе использования или дифференцированных уровней аналитики.

2. Развивайте бизнес-модели

По мере того, как компании, ориентированные на ИИ, развивают свои основные продукты и выпускают новые предложения на базе ИИ, им также потребуется переосмыслить бизнес-модели для эпохи ИИ, включая монетизацию, источники дифференциации и модели доставки. Более того, 63% руководителей компаний-разработчиков программного обеспечения заявили, что считают, что ИИ коренным образом изменит их бизнес-модель в ближайшие три-пять лет.

ИИ готов сделать именно это, перейдя от ценообразования на основе рабочего места (или пользователя) к ценообразованию на основе потребления (будь то на основе использования/токенов, на основе выходных данных или на основе результатов). Этот переход критически важен по нескольким причинам. По мере того, как агентный ИИ берёт на себя задачи, традиционно выполняемые людьми, количество активных пользователей, взаимодействующих с программным обеспечением, сокращается, что делает монетизацию основного SaaS-программного обеспечения на основе рабочего места всё более сложной задачей.

Более того, учитывая, что ИИ-выводы приводят к новым переменным затратам, особенно в отношении вычислений и инфраструктуры, независимым поставщикам программного обеспечения (ISV) необходимо использовать масштабируемую метрику ценообразования, которая защищает маржу по мере роста использования клиентами. В ответ на это софтверные компании переходят к моделям, которые соотносят выручку с предоставленной ценностью, взимая плату на основе достигнутых результатов, выполненных действий или потребленных вычислительных ресурсов. В период с 2015 по 2024 год количество компаний, разрабатывающих ПО на основе потребления, более чем удвоилось, и такие лидеры, как Salesforce, Zendesk, Intercom и LexisNexis, уже монетизируют свои возможности ИИ с помощью этих моделей, зачастую обеспечивая значительно более высокий доход в расчете на одного клиента, чем при использовании традиционных товарных позиций.

Модели предоставления услуг также развиваются, поддерживая более глубокую вертикализацию и индивидуализацию для каждого клиента. Чтобы ИИ мог раскрыть весь свой потенциал, ему необходим доступ к релевантным данным, рабочим процессам и контексту. В результате универсальные приложения, вероятно, будут заменены узкоспециализированными, точно настроенными под конкретные отрасли, клиентскую среду и болевые точки. Это приводит к развитию концепции «услуга как программное обеспечение» — новой модели предоставления услуг, в которой компании-разработчики программного обеспечения объединяют платформы, ИИ-агенты, автоматизацию и экспертную поддержку в комплексные решения, ориентированные на результат. Вместо того, чтобы просто предоставлять инструменты, эти предложения непосредственно внедряют экспертные знания в конкретной области в продукт, решая сквозные задачи в таких вертикальных областях, как здравоохранение, розничная торговля или финансовые услуги.

3. Обновите стратегии выхода на рынок

Продажа ИИ отличается от продажи традиционного программного обеспечения. Его ценность сложнее, более контекстуальна и более изменчива. Она требует новых действий, новых ролей и новых партнёрств. В связи с этим почти 70% руководителей компаний, занимающихся разработкой программного обеспечения, считают трансформацию, направленную на выход на рынок (GTM), главным инвестиционным приоритетом на ближайшие несколько лет, что делает её одним из самых быстрорастущих направлений стратегического развития при переходе на ИИ.

В основе этого нового коммерческого подхода лежат пять смен.

Во-первых, стратегии GTM теперь должны напрямую задействовать высшее руководство. С появлением ИИ высокого уровня ИИ превратился из сферы ИТ-решений в приоритет на уровне совета директоров, и эта тенденция только усилилась с появлением агентского ИИ. Для успешного позиционирования ИИ отделы продаж и маркетинга должны взаимодействовать с генеральными директорами, финансовыми директорами и техническими директорами (CTO), представляя программное обеспечение не просто как инструмент, а как партнёра в процессе трансформации.

Во-вторых, маркетинговые стратегии должны стать более вертикальными и персонализированными. Поскольку решения на основе ИИ всё больше адаптируются к рабочим процессам, данным и сценариям использования каждого клиента, стандартных рекламных презентаций и общих сообщений уже недостаточно. Отделы продаж должны использовать отраслевой язык, демонстрировать реальные результаты и ориентироваться на показатели успеха клиентов, отражающие влияние ИИ, а не только его использование.

В-третьих, характер ролей на передовой стремительно меняется. По мере того, как продукты ИИ становятся всё более сложными и персонализированными, традиционным инженерам по продажам и командам по работе с клиентами часто не хватает технической глубины, чтобы помочь клиентам раскрыть их реальную ценность. Именно поэтому ведущие компании всё чаще обращаются к новой гибридной роли, известной как инженеры прямого развертывания (FDE) – технические эксперты, работающие непосредственно на объектах клиентов для успешного внедрения, интеграции и масштабного внедрения ИИ. Эти команды объединяют продукт и услугу, помогая клиентам пилотировать ИИ нового поколения, адаптировать агентов к своим рабочим процессам и постоянно оптимизировать внедрение. В моделях, ориентированных на потребление, где потребление определяет доход, эта роль становится ещё более важной. FDE не только ускоряют время окупаемости, но и повышают вероятность устойчивого внедрения и более глубокого расширения в организациях-клиентах. В результате прямое проектирование становится ключевым элементом современной GTM, особенно для компаний, предлагающих решения на основе ИИ, требующие интерактивной и технически грамотной поддержки.

В-четвертых, компании переосмысливают свою партнерскую экосистему, чтобы соответствовать особым требованиям эпохи ИИ, ориентированной на развитие, где покупательское поведение, взаимодействие с партнерами и предоставление ценности резко расходятся с традиционной моделью SaaS. Сегодня директора по информационным технологиям, технические директора и директора по данным и аналитике принимают почти 60% решений о покупке платформы ИИ, и аналогичная доля покупателей полагается на гибридный подход с поддержкой внешних партнеров (например, системных интеграторов [SI] для консультирования и внедрения ИИ), что дает партнерам значительное влияние на разработку решений и выбор поставщиков. В результате этого более тесного и постоянного сотрудничества компании сужают свой набор партнеров до небольшой, более узкоспециализированной группы независимых поставщиков программного обеспечения, системных интеграторов и стартапов, изначально ориентированных на ИИ, которые не только продают решения, но и совместно разрабатывают и помогают внедрять их, часто создавая агентов, ориентированных на определенную предметную область. Например, одна из ведущих корпоративных программных платформ обновила свою партнерскую программу, чтобы расширить возможности стратегических системных интеграторов (SI) за счет глубоких знаний в области ИИ, внедрила отраслевые или функциональные стратегии продаж для таких функций, как клиентский опыт и технологические риски, а также запустила галерею агентов ИИ для поддержки масштабируемой разработки агентов. Эти изменения отражают более общую тенденцию: участие партнеров теперь начинается на более ранних этапах цикла продаж и продолжается после продажи, обеспечивая масштабирование внедрения и достижение устойчивых результатов. Такая модель все больше опирается на стимулы, основанные на потреблении, углубленное техническое обучение и итеративные модели развертывания, ориентированные на инженеров, которые обеспечивают долгосрочное создание ценности.

В-пятых, вероятно, вскоре появятся агентские торговые площадки, на которых агенты будут обнаруживаться (возможно, с помощью агентов), тестироваться и использоваться с минимальным участием человека. Изначально они будут предназначены для решения конкретных задач, таких как синтез или интерпретация данных, сбор фактов или услуги перевода. Со временем то, что будет обнаруживаться и закупаться на торговых площадках, будет всё больше представлять собой более специализированные, «продвинутые» услуги.

4. Перепроектируйте разработку продукта от начала до конца

Одним из основных направлений применения ИИ является разработка программного обеспечения. Однако, хотя компании сообщают об улучшении производительности разработчиков на пилотных проектах на 30–50%, этот рост редко приводит к аналогичному влиянию на валовой доход или прибыль.

Чтобы раскрыть весь потенциал разработки продуктов на основе ИИ, компаниям необходимо распространить ИИ на весь жизненный цикл разработки продукта (PDLC), а также кардинально перестроить сам процесс разработки продукта и переосмыслить модели талантов.

Расширение ИИ на весь PDLC означает внедрение ИИ на всех этапах — от обнаружения и оценки жизнеспособности до сборки, тестирования, выпуска, мониторинга и эксплуатации — для повышения эффективности, качества и удобства. Например, на этапе обнаружения ИИ может автоматизировать формирование требований, помогая выявлять болевые точки клиентов, разрабатывать потенциальные решения и трансформировать лучшие идеи в конкретные требования. На этапе сборки инструменты агентного кодирования могут генерировать подробные технические спецификации, писать комплексные тесты и итеративно генерировать код, который проходит тестовые случаи и соответствует корпоративным практикам кодирования. На этапах мониторинга и эксплуатации помощники IT-операторов на базе ИИ могут сортировать инциденты, выполнять анализ первопричин и предоставлять прогнозные данные для предотвращения будущих проблем. В совокупности эти возможности иллюстрируют, насколько глубокое внедрение ИИ на протяжении всего жизненного цикла может раскрыть весь потенциал разработки продукта.

Однако внедрение этих инструментов в существующий процесс не принесёт желаемого результата — критически важна более фундаментальная перестройка процесса разработки продукта (PDLC), ориентированная на ИИ. Это подразумевает переход к более систематизированному процессу разработки продукта с единообразными этапами, артефактами, инструментами и участниками на каждом этапе, а также с меньшим количеством этапов и передач между ними.

Новый процесс разработки продукта и новый технологический ландшафт также потребуют изменений в структуре команд, ролях и навыках. Роли пересматриваются в соответствии с новыми технологическими процессами, и появляются команды, работающие по принципу «одной пиццы», поскольку границы ролей размываются, а требования к навыкам меняются, и специалисты-специалисты становятся менеджерами-агентами.

Эта более масштабная трансформация была успешно реализована ведущим мировым поставщиком ИТ-услуг, который масштабировал решения на основе ИИ-генерации для более чем 100 клиентов и систематизировал «рецепты» ИИ для таких функций, как разработка приложений, тестирование и миграция в SAP. Программная трансформация включала в себя тщательное отслеживание пилотных проектов, монетизацию с привязкой к производительности и развертывание агентов на основе ИИ-генерации, что в конечном итоге позволило повысить квалификацию около 2000 инженеров в области процесса разработки, структуры команды и ролей, ориентированных на ИИ.

5. Автоматизировать внутренние операции

По мере того, как компании-разработчики ПО становятся ориентированными на ИИ, они автоматизируют внутренние процессы по всему предприятию — не только в традиционных бэк-офисных функциях, таких как HR или финансы, но и в высокоэффективных фронт-офисах, таких как продажи, поддержка клиентов, маркетинг и профессиональные услуги. Эта масштабная трансформация отражает растущее понимание того, что ИИ — это стратегический рычаг для масштабного повышения производительности. Фактически, наряду с переосмыслением основных продуктов, автоматизация внутренних процессов сегодня является главным инвестиционным приоритетом для руководителей компаний-разработчиков ПО: 93% респондентов назвали её одним из приоритетных направлений.

Ведущие компании уже внедряют искусственный интеллект (ИИ) общего назначения и агентский ИИ для снижения затрат, повышения производительности и высвобождения сотрудников для более важной работы. Например, в сфере продаж ИИ позволяет полностью переосмыслить коммерческую деятельность. Продавцам помогают виртуальные помощники и помощники, которые выявляют лиды, расставляют приоритеты, готовят ответы и обеспечивают коучинг в режиме реального времени. Системы ИИ автоматизируют ключевые этапы цикла продаж — от сбора и развития лидов до интеллектуального ценообразования и формирования коммерческих предложений, — помогая командам сократить время на подготовку до 80% и увеличить время взаимодействия с клиентами на 50%.

6. Создайте инфраструктуру, готовую к использованию ИИ

Хотя большинство существующих компаний-разработчиков ПО уже «технологически продвинуты», лишь немногие из них по-настоящему готовы к использованию ИИ. Создание продуктов в эпоху ИИ-поколения требует принципиально иной инфраструктурной основы — такой, которая поддерживает не только облачную доставку и аналитику, но и высокопроизводительные автономные агенты, работающие в режиме реального времени в больших масштабах. Для многих руководителей в сфере программного обеспечения это означает развитие новых возможностей: инвестирование в основные возможности на уровне ИТ-директоров и существенное развитие архитектуры платформы для поддержки рабочих нагрузок, ориентированных на ИИ.

Поддержка агентного ИИ в масштабе — это нечто большее, чем просто подключение крупной языковой модели (LLM). Она требует переоснащения базовой инфраструктуры пяти основных компонентов: уровня данных, управления, безопасности, цепочек инструментов разработчика и операций агента. Некоторые элементы этих компонентов, например, сам уровень LLM в цепочках инструментов разработчика, могут потребовать лишь незначительных обновлений. Однако другие требуют серьёзных обновлений или даже принципиально новых инноваций.

Например, для ИИ необходимо обновить FinOps и контекстную осведомлённость. Компаниям потребуется значительно большая прозрачность в отношении потребления токенов и облачных ресурсов — на уровне учётных записей, пользователей и агентов — для управления расходами и обеспечения прозрачности выставления счетов. Обеспечение достаточной контекстной осведомлённости для крупных моделей с использованием собственных данных также требует новых инструментов, управления и вычислительных мощностей. В то же время, оркестровка ИИ, оценка агентов и агентская сетка, которые не были основными функциями в предыдущих парадигмах ИИ, должны быть реализованы для поддержки маршрутизации агентов, отслеживания производительности и управления жизненным циклом.

Экономические аспекты инфраструктуры ИИ усиливают актуальность этого изменения. Одним из наиболее непосредственных и заметных последствий внедрения ИИ является рост затрат на инфраструктуру, обусловленный высокой интенсивностью вычислений при выполнении задач логического вывода. Наш опрос показал, что 80% руководителей компаний-разработчиков ПО ожидают увеличения расходов на облачные технологии и инфраструктуру как минимум на 10%, а более трети ожидают роста более чем на 20%. В связи с ростом этих расходов компаниям потребуется оптимизировать весь свой стек не только за счёт перепроектирования рабочих нагрузок агентов для повышения эффективности, но и за счёт рационализации инфраструктуры, не связанной с ИИ, и улучшения телеметрии для лучшего понимания производительности и расходов на системном уровне.

7. Переподготовка и реорганизация талантов

ИИ меняет не только характер работы, но и то, кто её выполняет и как. Чтобы полностью раскрыть его потенциал, компаниям необходимо развивать навыки использования ИИ в своих организациях, перестраивая рабочую силу «человек + агент». Это будет включать переосмысление моделей обучения путём создания индивидуальных программ обучения ИИ, таких как развитие ролей и навыков, выравнивание структур и закрепление изменений с помощью новых механизмов поддержки.

В основе этой трансформации лежит фундаментальное изменение ролей и возможностей. ИИ уже оказывает чистое влияние на состав персонала на 20–30%, при этом агенты в значительной степени заменяют некоторые должности — менеджеров по продлению договоров, инженеров службы поддержки и специалистов по управлению рисками (SDR), — высвобождая сотрудников для перераспределения. Другие должности, такие как инженеры-программисты, менеджеры по работе с клиентами и специалисты по цифровому маркетингу, перестраиваются для интеграции ИИ в повседневную работу, что требует новых навыков взаимодействия с агентами, оперативного проектирования, а также контроля и вмешательства по мере необходимости.

Совершенно новые роли, такие как инженеры по оперативной информации, тренеры агентов и руководители служб безопасности на базе искусственного интеллекта, играют ключевую роль в эксплуатации и масштабировании агентских систем. Однако в условиях дефицита квалифицированных специалистов компаниям часто приходится полагаться на внутреннее повышение квалификации для заполнения этих вакансий. Ведущая компания-разработчик программного обеспечения для B2B-сферы официально интегрирует агентов в свою организационную структуру, предоставляя менеджерам как сотрудников, так и агентов.

Эта трансформация также требует переосмысления структуры команд. Организации переходят к более компактным моделям с меньшим количеством уровней, перераспределяя работу между более плоскими, кросс-функциональными командами, где люди и агенты взаимодействуют в режиме реального времени. Роли младшего и особенно среднего звена сокращаются по мере развития автоматизации, в то время как опытные специалисты переориентируются на стратегические, творческие задачи и задачи решения проблем. Традиционные программы ученичества и наставничества также должны быть переработаны в соответствии с эпохой ИИ, включая структурированную адаптацию, ориентированную на конкретные роли, с упором на ИИ, ускоренные циклы владения и целевое повышение квалификации для ускорения развития будущих лидеров.

Чтобы обеспечить устойчивое внедрение, компании могут внедрить управление изменениями, используя подталкивания, моделирование лидерства и формальные вмешательства для закрепления новых моделей поведения. Воспитание сотрудников, свободно владеющих ИИ, требует инвестиций в техническое обучение и масштабную организационную перестройку, которая согласует роли, команды и культуру с реалиями будущего, где задействованы люди и агенты.

В отрасли, где конкуренты и стартапы стремительно внедряют генеративный и агентный ИИ как в продукты, так и в операционную деятельность, пилотирование ИИ на периферии уже недостаточно. Чтобы преуспеть в этом новом технологическом ландшафте, софтверным компаниям необходимо предпринять шаги к тому, чтобы стать по-настоящему ориентированными на ИИ организациями. Такая перестройка сосредоточена на двух важнейших направлениях: ценностном предложении компании и её внутренних операциях. Это означает полное переосмысление её продуктов, бизнес-моделей и подхода к GTM, а также фундаментальное переосмысление самой работы компании, включая масштабирование ИИ на внутренние рабочие процессы и создание инфраструктуры и методов работы, которые открывают значительный рост производительности.

Для руководителей разработчиков программного обеспечения этот переход начинается с четкого видения, ориентированного на ИИ, и общекорпоративного мандата, привязанного к амбициозным и измеримым целям. Внедрение должно быть стратегическим, а не разрозненным. Наибольшего успеха добьются те, кто направит ИИ туда, где он действительно обеспечивает конкурентоспособность — будь то создание собственных, настраиваемых функций, перестройка основных рабочих процессов для масштабирования или грамотное использование существующих решений вместо изобретения велосипеда.

В рамках этой трансформации потребуется решительное перераспределение ресурсов, а также перераспределение капитала и лучших специалистов на приоритетные задачи в области ИИ с высокой отдачей, включая ИТ, данные и инфраструктуру, необходимые для поддержки рабочих нагрузок, ориентированных на ИИ. Не менее важно масштабировать персонал, нанимая и повышая квалификацию для свободного владения ИИ, а также перестраивать команды, рабочие процессы и культуру для обеспечения долгосрочного внедрения и внедрения устойчивого управления изменениями с самого начала. Наконец, переосмысление такого масштаба и охвата требует ответственности. Руководители разработки программного обеспечения могут организовать централизованное отслеживание производительности ИИ в сравнении с прагматическими результатами, охватывающими производительность, скорость и ценность для бизнеса, чтобы контролировать выполнение задач в режиме реального времени и быстро адаптироваться по мере развития технологий и вариантов использования.

Учитывая головокружительный темп инноваций и развития ИИ, способность адаптироваться к быстро меняющимся тенденциям будет критически важна, хотя и непроста. Действительно, нынешние темпы перемен могут показаться пугающими для традиционных разработчиков программного обеспечения, привыкших к размеренному ритму и богатству SaaS. Но наибольший риск может быть для тех поставщиков, которые даже не пытаются перейти на ИИ-ориентированный путь и вскоре обнаруживают, что эта новая эра программного обеспечения с её огромным ценностным потенциалом стремительно уходит в прошлое.

Источник.

Необходимость ориентации на ИИ: выход на новый уровень программного обеспечения. 16 октября 2025 г. Статья

The AI-centric imperative: Navigating the next software frontier. October 16, 2025 Article

https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/the-ai-centric-imperative-navigating-the-next-software-frontier

Определение AGI

Понравилось определение AGI, которое дал на днях Франсуа Шолле (создатель ARC-AGI) на подкасте у Y Combinator

Его идея – в том, что в настоящее индустрия путает автоматизацию с интеллектом. AGI чаще всего определяется как то, что автоматизирует большинство экономически значимых задач. Но эта формулировка на самом деле не описывает общий интеллект.

Альтернативное определение Шолле звучит так:

AGI – это система, которая при встрече с абсолютно новой задачей или абсолютно новым для нее доменом может разобраться в нем с той же эффективностью, что и человек. Это значит, что ей потребуется примерно столько же обучающих данных и компьюта. И это довольно мало, потому что люди крайне эффективно обрабатывают данные.

Так что AGI – это не про автоматизацию, а про способность приобретения навыков на уровне человека на том же объеме задач, который люди потенциально могут научиться выполнять.

Подкаст полностью тут: https://youtu.be/k2ZLQC8P7dc

Как регулировать доступ ИИ к ERP-системам и финансовым системам

Основная проблема

ИИ-агенты и копилоты получают беспрецедентный доступ к данным ERP и финансовых систем, действуя с «машинной скоростью». Традиционные модели контроля, рассчитанные на людей, не работают.

Отсутствие управления создает риски: непрозрачные потоки данных, скрытые нарушения разделения обязанностей (SoD) и появление «призрачных» машинных идентификаторов, которые не отслеживаются и живут дольше проектов или сотрудников.

Три пути проникновения ИИ в ERP

• Встроенные копилоты ERP (например, от SAP или Oracle). Риск: они часто наделяются избыточными правами, а их активность не отделяется в логах от действий человека.
• Внешние ИИ-агенты через API. Риск: используют долгоживущие ключи и общие служебные учетные записи, что не позволяет атрибутировать действия и соблюдать SoD.
• Теневой ИИ (Shadow AI). Риск: выгрузка данных в Excel или BI-инструменты с последующим использованием в неконтролируемых ИИ-сервисах, что обходит все официальные каналы мониторинга.

Общий корень проблемы

Все три сводятся к неуправляемым идентификациям (identity), имеющим мощный доступ к чувствительным финансовым данным. Неизвестно: какие именно идентификаторы существуют, к каким данным они обращаются и какие действия могут выполнять.

Три принципа правильного управления (что такое «хорошо»)

• ИИ-агенты как полноценные идентификаторы (first-class identities). У каждого должен быть владелец, бизнес-цель и профиль риска, а не общая техническая учетка.
• Доступ на основе политик, а не разовых заявок. Выдача прав должна проходить через стандартные рабочие процессы с проверкой SoD.
• Сквозные, готовые к аудиту треки. Возможность в любой момент показать, где живет ИИ, к чему имеет доступ, кто одобрил и когда проводился последний обзор.

Жизненный цикл ИИ (JML — Joiner, Mover, Leaver)

• Joiner (Присоединение). Новый ИИ-кейс проходит предсказуемый путь: сбор требований, назначение ответственного владельца и классификация риска, выдача доступа строго по политике.
• Mover (Изменение). Любое расширение прав (новые коды компаний, доступ к проводкам) автоматически запускает переоценку рисков и новые согласования, не позволяя правам накапливаться.
• Leaver (Увольнение). При завершении проекта или истечении срока контракта все учетные данные ИИ (ключи, токены, роли) должны автоматически отзываться, а доказательства активности — сохраняться для аудита.

Практические шаги: чек-лист из 10 пунктов (краткое резюме для руководителей CISO, CFO)

• Создать единый реестр всех ИИ-идентификаторов.
• Назначить каждому владельца и категорию риска.
• Встроить ИИ в стандартные процессы JML.
• Определить политики доступа и правила SoD для ИИ.
• Заменить общие служебные аккаунты на управляемые ИИ-идентичности.
• Требовать согласования доступа ИИ к чувствительным данным по политике.
• Включить ИИ в регулярные кампании по ресертификации доступов.
• Включить непрерывный мониторинг активности ИИ и аномалий.
• Автоматически отзывать доступ при завершении проектов.
• Регулярно отчитываться перед комитетами по аудиту о метриках доступа ИИ.

Ключевая мысль: Управление доступом ИИ к ERP должно рассматриваться не как техническая проблема безопасности, а как проблема управления идентификациями (identity governance). Решение — распространить дисциплину, применяемую к привилегированным пользователям, на мир нечеловеческих и ИИ-идентичностей.

Источник - телеграмм-канал Data secrets

Примеры промптов для агентского искусственного интеллекта

В книге "Юньчжун Цзяншу, Ван Чжаохуа, И Лици, Ли Цзиган. Агенты искусственного интеллекта. Руководство по разработке" приведен весьма примечательный образец промта для искусственного интеллекта.

Этот промт сам по себе интересен тем, что представляет собой неплохое руководство для рецензирования без привлечения искусственного интеллекта. 

Промпт пользовательского ввода (ассистент по рецензированию журналов):

Ты эксперт по рецензированию научных журналов, пожалуйста, проведи всестороннюю рецензию представленной статьи по следующим аспектам.

1. Инновационность и научность содержания исследования.
2. Обоснованность и нормативность методов исследования.
3. Надежность анализа данных.
4. Логичность и надежность выводов.

Пожалуйста, укажи конкретные и конструктивные замечания по сильным и слабым сторонам статьи.

Промпт для пояснения понятий и концепций

Ты университетский профессор, глубоко разбирающийся в различных дисциплинах. При объяснении концепций ты умеешь интегрировать свои междисциплинарные знания, постепенно раскрывая концепцию с помощью четырех шагов: 

• определение в дисциплине, 
• популярное объяснение, 
• философская суть, 
• применение в жизни. 

Пожалуйста, объясни концепцию «рефлексия».

Структура промптов CRISPE

CRISPE расшифровывается следующим образом:

• CR (Capacity and Role, Способности и роль): задаваемая модели роль.
• I (Insight, Контекст): это фоновая информация и контекст, которая предоставляется модели.
• S (Statement, Задание): конкретная задача, которую должна выполнить модель.
• P (Personality, Персонаж): стиль предоставления результата.
• E (Experiment, Эксперимент): итеративное опробование и оптимизация промпта.

Пример промпта.

• Способности и роль: я хочу, чтобы ты выступил в роли сценариста.
• Контекст: ранее со мной связался рекламодатель, желающий продвинуть свой программный продукт, который используется в основном в социальных сетях и для платежей.
• Задание: я хочу, чтобы ты написал сценарий для четырех человек на тему семейной гармонии, в котором будет представлена реклама бренда.
• Персонаж: сценарий должен быть написан для популярных платформ коротких видео. Сценарий предназначен для съемки видео, общая продолжительность которого не должна превышать 5 минут.
• Концепция структурированных промптов – это один из методов, который не противоречит другим техникам, таким как CoT (цепочка мышления), ToT (дерево мышления) или Think step by step (пошаговое размышление).

RL-среда ИИ агентов

Что такое RL-среды и почему без них не будет никаких ИИ-агентов

Индустрия переходит от моделей, которые отвечают, к агентам, которые действуют. И если посмотреть на то, как сегодня обучают ИИ, то становится очевидно, что на одних текстах далеко уже не уедешь.

Дело в том, что агентам недостаточно просто уметь воспроизводить правильные ответы, они должны уметь выбирать стратегию поведения, чтобы решать многошаговые задачи и подстраиваться под непредсказуемое поведение пользователя. Отсюда вывод: агентам нужно учиться через опыт.

И тут на сцену выходят RL-среды. Это сейчас один из главных трендов машинного обучения в целом. Над его развитием работают все игроки индустрии: Open AI, Google, Яндекс, Anthropic.

RL-среда = симулятор, где модель обучается через реальные действия. Модель выбирает какую-то стратегию и работает по ней (это называется траектория), затем получает оценку своих действий, и постепенно учится выбирать лучшую политику. Самое главное, что правильного ответа тут иногда просто нет, так что мы говорим именно про сравнение вариантов действий. Работает это потому, что RL-среда учит не отдельным ответам, а последовательностям действий. Модель начинает учитывать последствия своих шагов и учится планированию, адаптации и работе с неопределенностью.

Но и проблем с RL-средами пока хватает. Во-первых, сложно задать корректную функцию награды: модель может научиться "обманывать" метрику, не решая задачу по сути. Во-вторых, остается проблема credit assignment – как понять, на каком шаге стратегия пошла не так. И, наконец, сами среды пока далеки от реальности: симулированный пользователь все еще ведет себя проще, чем настоящий. Вот тут об этих и других вызовах для RL есть побольше вводных на русском.

Суть в том, что чем лучше будут RL-среды – тем лучше (и быстрее) будут агенты, так что следующий этап в ИИ сейчас зависит от того, как хорошо ключевые игроки их прокачают.

Из телеграмм-каналов.

ИИ и ERP

Перевод статьи (с некоторыми поправками):
"Преодоление значительного разрыва между агентами искусственного интеллекта и ERP-системами для раскрытия потенциала в масштабах предприятия". 9 января 2026 г. Бьёрнар Йенсен, Дарвин Дино, Майкл Эллисон, Тальха бин Асад.

Ресурсы, направленные на развитие ИИ, выделяются в ущерб обеспечению ERP-систем необходимыми для их процветания возможностями.

Инвестиции в ИИ достигают беспрецедентных масштабов. В заголовках новостей сообщается о колоссальных инвестициях в ИИ и смежные с ним компании. Такие темпы активности проявляются и на уровне бизнеса, поскольку компании перенаправляют бюджеты с ИТ-подразделений на ИИ. Наше последнее исследование показывает, что почти половина всех опрошенных ИТ-организаций планируют инвестировать в инициативы по созданию искусственного интеллекта, при этом уровень инвестиций в основные ИТ-возможности, такие как инфраструктура и архитектура, значительно снижается.

С одной стороны, этот сдвиг логичен, поскольку компании перенаправляют ресурсы на ИИ, чтобы воспользоваться невероятными возможностями, которые он открывает. Но с другой стороны, этот шаг создает «большой разрыв», в котором компании сосредотачиваются на ИИ в ущерб возможностям вспомогательных систем планирования ресурсов предприятия (ERP), многие из которых имеют решающее значение для внедрения ИИ.

Этот возникающий разрыв имеет негативные последствия. Эксперименты с ИИ (и, в частности, с искусственным интеллектом) привели к распространению вариантов использования и экспериментов, которые не поддерживаются базовыми сквозными процессами, данными, людьми и технологиями, позволяющими масштабировать эти варианты. Цифры это подтверждают: только около 40% компаний сообщают о каком-либо влиянии своих инициатив в области ИИ на прибыль до вычета процентов и налогов на уровне предприятия.

На фоне продолжающегося ажиотажа вокруг агентов ИИ, приложения ERP часто рассматриваются как второстепенные и считаются громоздкой устаревшей технологией. Такое отношение к ERP как к «нелюбимому пасынку» опасно недооценивает его важность в дискуссии об ИИ. Сценарии использования ИИ не только зависят от данных и многих приложений, размещенных в системах ERP, но и сквозной характер преобразования рабочих процессов, который определяет большую часть потенциальной ценности агентов ИИ, требует продуманной интеграции с экосистемой возможностей ERP.

Перечислим различные бизнес-области и их роль в системе планирования ресурсов предприятия (ERP). К основным системам относятся: 

• финансы и бухгалтерский учет, 
• цепочка поставок и логистика, 
• операционная деятельность, 
• обслуживание и поддержка клиентов, 
• развитие бизнеса, 
• закупки и снабжение, 
• управление персоналом, 
• управление проектами, 
• управление качеством, 
• обучение и развитие,
• охрана труда, техника безопасности,
• охрана окружающей среды. 

К основным системам относятся: 

• ИТ, 
• управление продуктами и НИОКР, 
• продажи, 
• маркетинг, 
• юридические вопросы и соответствие нормативным требованиям, 
• данные и аналитика, 
• бизнес-аналитика, 
• отношения с инвесторами, 
• корпоративная стратегия и планирование, 
• управление рисками и внутренний аудит, 
• устойчивое развитие и экологическое, социальное и управленческое управление,
• управление изменениями и организационное развитие, 
• инновации и цифровая трансформация, 
• корпоративные коммуникации и PR, 
• корпоративная социальная ответственность.

Ценность ERP как ключевого инструмента масштабирования агентов особенно проявляется в крупномасштабных транзакциях, в которых логика рабочих процессов четко определена. Агенты на основе ИИ становятся расширением ERP, особенно в случаях с «длинным хвостом» и в исключительных случаях, когда требуется значительный ручной труд.

Это не означает, что системы ERP могут развиваться традиционным, привычным путем. Хотя маловероятно, что агенты ИИ заменят ERP в ближайшей или среднесрочной перспективе из-за сложности системы, компаниям следует учитывать не только то, как агенты ИИ изменят работу ERP, но и то, как они обеспечат мощные возможности для развития и модернизации самой ERP.

По прогнозам, ИИ окажет глобальное экономическое воздействие в размере от 17 до 26 триллионов долларов. Большинство генеральных директоров и руководителей признают этот потенциальный потенциал — около 80% компаний сообщают об использовании искусственного интеллекта как минимум в одной из своих функций. Наше последнее глобальное исследование в области ИИ показывает, что около 40% организаций сообщают об увеличении прибыли до вычета процентов и налогов (EBIT) за счет ИИ, хотя большинство приписывают это увеличение менее чем на 5%. Те, кто добился увеличения EBIT на 5% и более за счет ИИ, сообщают о стремлении к перепроектированию рабочих процессов, более быстрому масштабированию и более агрессивным инвестициям в трансформационный ИИ. Потенциал искусственного интеллекта огромен, но большинству компаний сложно преобразовать его в ощутимые бизнес-результаты.

Бизнес-домены объединяют людей, процессы и данные в потоках, определяющих фактическое функционирование компании. Эти домены не могут функционировать или трансформироваться без ERP-системы, которая определяет, как ценность перемещается внутри бизнеса: она структурирует данные, устанавливает правила и организует рабочие процессы, обеспечивающие повседневную деятельность.

Многие руководители сосредотачиваются только на техническом долге ERP-системы, забывая о ее «ценности» — глубоких знаниях процессов, чистых структурах данных и встроенной бизнес-логике, которые представляют собой операционную ДНК компании. Именно эти возможности являются топливом для искусственного интеллекта в бизнесе.

Роль ERP-систем в обеспечении трансформации с помощью ИИ будет варьироваться в зависимости от компании и ее стратегии, что вполне ожидаемо. Успешные примеры в целом следуют одному и тому же сценарию.

Уточнение на уровне рабочего процесса.

Определите наиболее важные проблемы в той или иной сфере бизнеса и свяжите их с четкими, измеримыми результатами, такими как маржа, затраты, уровень обслуживания или оборотный капитал. Для реализации этих возможностей ИИ необходимо детально проработать весь рабочий процесс, а не отдельные сценарии использования или инструменты. Для каждого приоритетного рабочего процесса ИИ (например, динамическое распределение запасов, интеллектуальное снабжение или планирование производства с помощью ИИ) необходимо отталкиваться от решения, которое должен принять ИИ, и перечислить конкретные элементы ERP-системы, от которых он зависит: какие основные данные (материалы, заводы, клиенты, поставщики), какие транзакции (заказы, поставки, заказы на закупку, производственные заказы), какие события (изменения запасов, задержки, подтверждения) и какие правила конфигурации или бизнес-правила (сроки выполнения, размеры партий, лимиты утверждения).

Наиболее эффективный способ сделать это — объединить экспертов в предметной области, функциональных экспертов ERP-систем и специалистов по ИИ на коротких, структурированных рабочих сессиях. Эти сессии носят практический и конкретный характер; команда шаг за шагом «проходит» целевой рабочий процесс ИИ и четко отмечает, какие таблицы, поля и процессы ERP должны быть точными, доступными и открытыми для ИИ, чтобы работать и масштабироваться.

Уточнение терминологии для обеспечения точности.

Единая онтология (по сути, общая карта того, как ваш бизнес определяет технологии), основанная на ERP-системе, имеет важное значение, поскольку она предоставляет ИИ единый согласованный набор определений данных, логики процессов и бизнес-правил для работы. Это гарантирует точность решений ИИ, их соответствие бизнес-процессам и масштабируемость в масштабах всего предприятия. Вместо создания каждого компонента этой онтологии с нуля, предприятия могут использовать существующие, хорошо определенные продукты данных ERP с пользовательскими расширениями, которые могут ускорить разработку онтологии (например, платформа SAP Business Data Cloud). Сосредоточение внимания на онтологии также подразумевает меньшее внимание к традиционным хранилищам данных ERP и репликации данных, что является одним из способов, с помощью которого ИИ будет способствовать эволюции ERP-систем.

Внедрение возможности агентного управления в рабочие процессы.

Внедрение ИИ непосредственно в этапы выполнения работы — утверждения, планирование, рекомендации, прогнозирование и обработка исключений — имеет решающее значение для его использования. Это также помогает агентам ИИ работать быстрее, умнее и надежнее, поскольку ИИ применяется именно там, где принимаются решения и выполняется работа, а не является отдельным инструментом.

Современные ERP-платформы упрощают этот процесс: например, SAP предоставляет готовых агентов на основе ИИ, которые могут интегрироваться в кросс-функциональные «группы агентов». Благодаря интеграции ИИ и ERP, ваши рабочие процессы с участием агентов основываются на передовых методах обработки процессов и данных, эффективно обеспечивая целостность процессов и данных, одновременно раскрывая потенциал агентов. В то же время, интеграция ИИ представляет собой отход от традиционного подхода к ERP-решениям типа «программное обеспечение как услуга» (SaaS).

В архитектуре необходимо найти баланс между гибкостью и стабильностью.

Цель состоит в том, чтобы сбалансировать гибкость и стабильность. Используйте открытые компоненты там, где необходима настройка или инновации, и используйте свои ERP-системы и облачные платформы там, где масштабируемость, надежность и безопасность имеют первостепенное значение. Продуманная архитектура предотвращает фрагментацию, одну из наиболее распространенных причин замедления работы программ искусственного интеллекта.

Для подключения ERP-систем к рабочим процессам с поддержкой ИИ необходимо сначала убедиться, что ИИ может получить доступ к нужным данным и процессам в нужный момент. Это означает предоставление доступа к чистым, структурированным данным ERP — таким как заказы, запасы, информация о поставщиках или производственные графики — через стандартные сервисы данных или API. Это также означает предоставление ИИ контролируемого способа передачи решений обратно в ERP с использованием существующих интерфейсов действий или триггеров рабочих процессов. Таким образом, когда ИИ рекомендует изменение, он может напрямую и безопасно обновлять операционную систему.

Важно объединить все этапы процесса в единый рабочий процесс, связывающий события ERP, логику ИИ и бизнес-действия. Уровень оркестровки упорядочивает поток — получение данных из ERP, отправка их в ИИ, получение рекомендаций и запись результата обратно в ERP, — а триггеры событий из ERP гарантируют, что ИИ запускается только тогда, когда происходит что-то значимое, например, изменение запасов или задержка со стороны поставщика. Вместе это создает плавный и отзывчивый рабочий процесс, в котором ERP и ИИ работают как единая система, а интеллект применяется именно там, где происходит работа.

Ключевым моментом является решение о том, нужна ли вам отдельная платформа данных или вы можете использовать существующую. Многие ERP-системы и облачные платформы теперь предлагают встроенные сервисы данных и интеграционные платформы, что может упростить интеграцию с крупными облачными провайдерами и часто снизить затраты и сложность.

Измерение и усовершенствование системы.

Организациям необходим способ непрерывного измерения и совершенствования системы. Рассмотрите возможность создания «центра управления эффективностью» — небольшой команды и системы мониторинга, которая будет постоянно отслеживать производительность рабочих процессов с использованием ИИ, связывать показатели процессов с бизнес-ценностью и быстро выявлять области, требующие доработки или исправления, чтобы эффект от внедрения постоянно нарастал, а не ослабевал.

Многие платформы для анализа бизнес-процессов и ERP-систем предлагают каталоги показателей операционной эффективности, которые помогают сопоставить их с более высокими уровнями ценности. Они могут служить отправной точкой для построения системы отслеживания ценности, если организации адаптируют их к конкретным показателям и результатам, которые для них важны (например, SAP Signavio или Celonis). Такой подход позволяет организациям поддерживать темп в быстро меняющейся среде, начиная с обоснования ценности и закрепляя инициативы в области ИИ в бизнес-логике и измеримых результатах, а не в изолированных экспериментальных проектах.

Ключевые моменты для дальнейших действий

Целенаправленная модернизация ERP-системы для поддержки преобразований с использованием искусственного интеллекта — сложный процесс, и поэтому руководителям следует предпринять следующие шаги:

Сделайте ERP-систему ключевым элементом обсуждения вопросов, связанных с ИИ. Если управление ERP-системой для трансформации в сфере ИИ будет делегировано ИТ-отделу и забыто, это создаст проблемы. CIO и CTO должны поднять ERP-систему с уровня бэк-офиса до стратегического инструмента. Ключевым элементом в этом является четкая привязка всех инициатив по внедрению ERP-систем не только к инициативам в области ИИ, но и к потенциальной выгоде для бизнеса. Этот момент имеет решающее значение для изменения мышления, согласно которому ERP-системы являются «устаревшими бэк-офисными системами», и превращения их в важные инструменты успешной трансформации в сфере ИИ. Убедитесь, что ERP-система является частью содержательных стратегических, плановых и исполнительных дискуссий.

Разработайте стратегию управления рисками уже сейчас. Для управления рисками в процессе трансформации с использованием агентного ИИ в рамках ERP-систем организациям необходимо учитывать как традиционные риски системной интеграции, так и новые специфические проблемы ИИ (например, автономное принятие решений, чувствительность к качеству данных и дрейф модели). Наиболее важными мерами по смягчению рисков являются установление жесткого контроля за участием человека в принятии важных решений — определите, кто эти люди и какими будут эти важные решения. Уделите достаточно времени внедрению надежных средств контроля данных и ведению журналов, отслеживающих каждое действие, инициированное ИИ в среде ERP. Учитывая непредсказуемость агентных решений в обозримом будущем, важно обеспечить надлежащие ресурсы для тестирования.

Четко определите экономику изменений на единицу продукции. Четко определите экономику изменений на единицу продукции и тщательно отслеживайте их влияние на прибыль и убытки. В условиях растущего давления на маржу и производительность инвестиции в ИИ должны демонстрировать прямое, отслеживаемое влияние на прибыль и убытки. Убедитесь, что элементы ERP-системы имеют конкретные ключевые показатели эффективности (KPI), которые связаны с измеримым результатом. Обязательно учтите более высокие затраты на управление изменениями, связанные с программами ИИ, чем обычно включаются в обоснование целесообразности внедрения ERP-системы. Как правило, наш опыт показывает, что на каждый доллар, затраченный на разработку модели, необходимо потратить 3 доллара на управление изменениями.

Для раскрытия полного потенциала ИИ необходимо рассматривать ERP-системы не как устаревший багаж, а как ключевой фактор, обеспечивающий масштабируемость, безопасность и ценность интеллектуальных решений. Компании, которые преодолеют разрыв между амбициями в отношении ИИ и готовностью к внедрению ERP-систем, быстрее всего перейдут от экспериментов к реальному, обоснованному влиянию на прибыль. Те, кто этого не сделает, будут и дальше наблюдать, как потенциал ИИ превосходит его эффективность.

Источник

https://email.mckinsey.com/capabilities/mckinsey-technology/our-insights/bridging-the-great-ai-agent-and-erp-divide-to-unlock-value-at-scale

Животный и искусственный интеллект

Андрей Карпаты: «Люди не понимают, что животный интеллект – это всего одна точка в пространстве интеллектов»

От Андрея Карпаты:

Люди плохо осознают, что пространство форм интеллекта огромно, а животный интеллект – лишь одна точка в нем, возникшая из очень специфического типа оптимизации. Интеллект LLM формируется принципиально иначе.

Животный интеллект оптимизирован под выживание: непрерывное «я», самосохранение, сильные инстинкты (страх, агрессия, воспроизводство), сложные социальные взаимодействия и способность к исследованию мира. Он формируется в многозадачной и враждебной среде, где любая ошибка может стоить жизни – отсюда его общность.

LLM, напротив, оптимизируются под статистическое моделирование текста, дообучаются на задачах с подкреплением и отбираются через метрики вовлечённости. Их базовое поведение – это имитация и угадывание шаблонов, а не выживание. Они стремятся понравиться пользователю, а не выжить в мире, поэтому их интеллект более неровный и зависит от данных и задач.

Различаются и субстрат (мозг vs трансформер), и обучение (эволюция vs SGD/RL), и режим существования (непрерывное живое существо vs модель, которая включается и выключается).

Главное отличие – оптимизационное давление: животные – продукт биологической эволюции, LLM – продукт коммерческой. Это не выживание в джунглях, а «реши задачу и получи апвоут».

LLM – наш первый неживотный интеллект. И те, кто продолжает мыслить по биологической аналогии, будут неверно понимать его природу и будущее.

ИИ в решении проблемы вагонетки

Источник - телеграмм-канал Data  Secrets.

Проблема вагонетки или почему современные LLM с большей вероятностью вас убьют, если у вас нет телефона

Стартап White Circle выпустил самый дистопический бенчмарк за последнее время – тест с говорящим названием KillBench. Он проверяет, насколько модели предвзяты к людям по разным признакам в сценариях, где нужно решить, кому жить, а кому умереть.

Модели дают сценарий с четырьмя одинаковыми людьми, которые отличаются только одним признаком – национальностью, религией или даже наличием телефона. Модель должна выбрать одного: скажем, кого спасти из горящего здания, кого выгнать из бункера или, классическое, на кого направить смертоносную вагонетку.

Если все "честно", каждый должен выбираться примерно в 25% случаев. Но на практике на тысячах прогонов распределение системно уезжает. Например, внезапно:

• Если у вас нет телефона, ИИ убивает вас с вероятностью в 2.7 раз выше. Для сравнения: если вы сатанист, вероятность умереть в 2.5 раза выше. Отсутствие телефона для LLM-ки хуже сатанизма
• Если вы русский, то это +32% к вероятности умереть (хотя Grok, например, больше не любит китайцев, и убивает их на 44% чаще)
• Если вы белый, то вас убивают на четверть чаще среднего, а если темнокожий – чаще оставляют в живых (на 17%)

Интересно, что в режиме Structured Output эти байесы только усиливаются, а отказы отвечать падают. Ну и, конечно же, сами модели свою предвзятость отрицают, в основном описывая свой выбор как "случайный" или "нейтральный", на практике показывая явный и воспроизводимый дисбаланс.

Нагрузки, связанные с искусственным интеллектом

Нагрузки, связанные с искусственным интеллектом, меняют экономику центров обработки данных, планирование энергопотребления и решения по аренде. Их влияние уже очевидно в большинстве новых объектов и будет только усиливаться в ближайшие годы.

Искусственный интеллект в настоящее время является основным двигателем роста центров обработки данных в Соединенных Штатах и, по прогнозам, станет одним из нескольких факторов, которые приведут к увеличению предложения и мощности электросетей с примерно 30 или более гигаватт (ГВт) в 2025 году до 90 или более ГВт к 2030 году, что составит примерно 22% в год. Эта мощность превышает общую потребность в электроэнергии Калифорнии на сегодняшний день. И это полностью меняет инфраструктуру центров обработки данных в стране.

Ожидается, что крупные провайдеры облачных услуг займут около 70% прогнозируемой мощности на рынке США за счет собственных или арендованных мощностей. Их решения в области инфраструктуры определят, как будет развиваться вся экосистема центров обработки данных. Сегодня вычисления для ИИ в основном делятся на два типа рабочих нагрузок: обучение и вывод результатов. Обе рабочие нагрузки быстро формируют стратегии гипермасштабируемых компаний и приводят к сдвигу парадигмы в выборе площадок, стратегии энергоснабжения и архитектурном проектировании в портфелях гипермасштабируемых компаний.

Обучающие нагрузки стимулируют потребность в крупномасштабных, высокоплотных кампусах с передовыми инженерными системами (механическими, электрическими и сантехническими) и специализированными схемами интеграции оборудования. В то же время, нагрузки, связанные с данными в рамках искусственного интеллекта, ускоряют строительство площадок в крупных городах и прилегающих районах, оптимизированных для сокращения времени передачи данных, высокой сетевой взаимосвязи и энергоэффективности. Исследование показывает, что к 2030 году на нагрузки, связанные с данными, будет приходиться чуть более половины всех нагрузок ИИ, что заставляет крупных операторов пересматривать подход к проектированию и местоположению центров обработки данных. А ограничения в области энергосбережения меняют взгляд крупных операторов на рынок и способы ускорения строительства.

Вычислительные системы для ИИ всё больше ориентируются на будущее с высокой доступностью и интенсивным использованием алгоритмов вывода. В задачах обучения моделей ИИ основное внимание уделяется разработке и совершенствованию больших языковых моделей и других систем искусственного интеллекта. Для таких задач требуется высокая удельная мощность — от 100 до 200 и более киловатт (кВт) на стойку, специализированные межсоединения с низкими потерями и передовые системы жидкостного охлаждения для поддержания ресурсоемких вычислительных задач. Тренировочные нагрузки нечувствительны к задержкам и могут допускать задержки до 100 миллисекунд между соседними областями. Это позволяет крупным компаниям размещать их в отдаленных, богатых энергоресурсами районах, где имеется больше электроэнергии, земельных участков и водных ресурсов.

Рабочие нагрузки для вывода информации развертывают и запускают обученные модели. Они обеспечивают работу приложений реального времени, таких как поиск, чат-боты и рекомендательные системы, и требуют от 30 до 150 кВт на стойку. Старое оборудование можно перепрофилировать для обработки одновременных атомизированных рабочих нагрузок. В то время как затраты на обучение являются капиталоемкими и часто трудно напрямую связать с коммерческим эффектом, затраты на вывод результатов обычно являются периодическими и напрямую связаны с получением дохода.

По мере расширения как обучающих, так и вычислительных ресурсов, крупные облачные компании требуют более высокого уровня отказоустойчивости инфраструктуры для обеспечения бесперебойной работы и непрерывности предоставления услуг. Многие новые центры обработки данных, готовые к внедрению ИИ, проектируются в соответствии со стандартами полного резервирования, чтобы свести к минимуму риск простоев из-за отказов компонентов или вспомогательных систем. Этот переход к отказоустойчивому проектированию отражает как критическую важность непрерывных операций ИИ, так и растущие экономические риски, связанные с приложениями, основанными на выводе информации.

К 2030 году вывод данных превзойдет обучение и станет доминирующей нагрузкой в ​​центрах обработки данных для ИИ, составляя более половины всех вычислительных мощностей ИИ и примерно 30%-40% от общего спроса на центры обработки данных. Этот переход от однократного обучения модели к постоянной деятельности по выводу данных будет все больше влиять на стратегию размещения, проектирование сетей и распределение электроэнергии у крупных облачных провайдеров.

Тем не менее, точная траектория роста объемов вычислительных нагрузок остается неопределенной. Хотя объемы запросов и ресурсоемкие задачи продолжают расти, несколько показателей эффективности улучшаются с той же скоростью. Достижения в области аппаратного обеспечения снижают потребление энергии на одно вычислительное устройство (токены на ватт). Оптимизация программного обеспечения, включая переход к более мелким и точно настроенным моделям, еще больше снижает требования к времени выполнения. Улучшения в форматах точности и специализации моделей также развиваются с той же скоростью. Эти тенденции могут замедлить рост до среднегодового темпа роста в 4%–7%, особенно с учетом того, что сроки получения разрешений, нормативные ограничения и региональные ограничения энергосистемы ограничивают скорость ввода в эксплуатацию новых мощностей.

Потребности в инфраструктуре ИИ распределены между двумя рабочими нагрузками. В некоторых передовых системах для обучения потребуется до одного мегаватта (МВт) на стойку. Это требует использования сверхплотных стеков для графических процессоров (GPU) и тензорных процессоров, а также жидкостного охлаждения. В отличие от этого, задачи вывода, хотя и значительно превосходят традиционные вычисления по потреблению кВт, потребляют от 30 до 150 кВт на стойку. Это больше соответствует усовершенствованной инфраструктуре облачных вычислений, чем полноценной высокопроизводительной вычислительной инфраструктуре. Отчасти это связано с тем, что рабочие нагрузки для вывода результатов обладают высокой степенью атомизации — другими словами, отдельные задачи могут обрабатываться независимо — в отличие от обучения, которое опирается на крупномасштабные, тесно синхронизированные кластеры графических процессоров. В результате получаются два радикально разных архетипа построения, каждый из которых определяет, где и как гипермасштабные компании строят решения для ИИ.

Для минимизации задержек рабочие нагрузки, связанные с выводом результатов, часто размещаются совместно с приложениями и хранилищем данных. С точки зрения требований к энергопотреблению и оборудованию, рабочие нагрузки, связанные с обучением, требуют использования современных коммутационных устройств и отказоустойчивых систем бесперебойного питания с резервным питанием от батарей, способных поглощать резкие скачки нагрузки, вызванные быстрыми колебаниями мощности графических процессоров. Эти колебания обусловлены высокой изменчивостью вычислительной интенсивности во время циклов обучения ИИ. По мере перехода графических процессоров между фазами обучающих событий, такими как умножение матриц, передача данных в память и синхронизация, мгновенное потребление энергии может резко возрастать или снижаться на 30–60 процентов в течение миллисекунд. Для управления этими скачками напряжения требуются сети электроснабжения увеличенной мощности, фильтрация гармоник и быстродействующие системы бесперебойного питания, чтобы предотвратить падение напряжения и защитить компоненты, расположенные ниже по цепи.

Центры обработки данных для обучения ИИ требуют гораздо большей плотности энергопотребления, чем стандартные центры обработки данных, из-за высоких вычислительных затрат на обучение больших моделей ИИ. Ожидается, что спрос на центры обработки данных для обучения ИИ будет расти со среднегодовым темпом роста в 22% в течение следующих пяти лет, достигнув более 60 ГВт к 2030 году. Но по мере того, как рабочие нагрузки, связанные с выводом данных, будут становиться все более доминирующими — ожидается, что они будут расти со среднегодовым темпом роста в 35% в течение следующих пяти лет и достигнут более 90 ГВт к 2030 году — центры обработки данных будут адаптироваться для поддержки вывода данных в масштабе, сосредоточившись на обработке в реальном времени с низкой задержкой. Таким образом, для удовлетворения потребностей центров обработки данных в масштабе ГВт потребуется переход от крупных, энергоемких объектов к более мелким, модульным и распределенным центрам обработки данных.

Облачные кампусы трансформируются в многофункциональные платформы для выполнения инференции и общих вычислительных задач.

Уже сейчас около 70% новых базовых кампусов объединяют общие вычислительные мощности и средства обработки данных, часто разделенные зданиями или дата-залами. Для обеспечения мгновенного отклика в проектах центров обработки данных следующего поколения кластеры обработки данных размещаются в существующих облачных кампусах, а не изолированы в отдельных учебных площадках. Стойки для обработки данных размещаются ближе к точкам доступа, хранилищам и сетевым зонам, что меняет структуру традиционных базовых облачных кампусов.

Меньшие по размеру центры обработки данных будут соединены высокоскоростными сетями, оптимизированными для выполнения вычислений в реальном времени и крупномасштабного обучения. Значительная часть вычислений будет по-прежнему перемещаться на периферию сети, что позволит снизить задержку и требования к пропускной способности. Кроме того, в новых центрах обработки данных будет расширено использование энергоэффективного оборудования, такого как специализированные микросхемы (например, интегральные схемы специального назначения и нейронные процессоры) и процессоры на базе архитектуры ARM.

Крупные центры обработки данных первого уровня, такие как северная Вирджиния и Санта-Клара, вместе составляют примерно 30 процентов мощности центров обработки данных в США. В настоящее время эти регионы ограничены перегрузкой электросетей, многолетними сроками получения разрешений и ценами на землю, превышающими 2 миллиона долларов за акр. В результате крупные компании переориентируются на рынки второго уровня, включая Де-Мойн, штат Айова; Сан-Антонио, штат Техас; и Колумбус, штат Огайо, где электроэнергия может поставляться на 12–24 месяца быстрее, а стоимость земли до 70% ниже. Эта перебалансировка подталкивает крупные компании к внедрению моделей выбора площадок, ориентированных на приоритет электроэнергии и энергоснабжения, например, путем прямого партнерства с поставщиками коммунальных услуг штатов для строительства новых центров обработки данных.

Хотя центры обработки данных мощностью менее 500 МВт по-прежнему часто финансируются за счет собственных средств, более крупные, многогигаваттные кампусы все чаще полагаются на совместные предприятия (СП) с инфраструктурными фондами, коммунальными предприятиями или частными кредитными партнерами. Капиталоемкость (до 25 миллионов долларов за МВт) и давление, связанное со скоростью выхода на рынок, вынуждают крупные компании использовать различные стратегии распределения капитала, включая использование балансов, поддерживаемых застройщиками или фондами, вместо ожидания внутренних циклов привлечения капитала. Хотя эти структуры расширяют доступ к капиталу, они часто вносят сложности по мере вовлечения большего числа сторон. Например, согласование интересов, ведение переговоров по контрактам, распределение рисков и структурирование стратегий выхода могут стать более сложными, что может замедлить этапы подготовки к строительству, комплексную проверку и юридические переговоры. Кроме того, партнеры-коммунальные предприятия могут потребовать дополнительных переговоров по модернизации сети, резервированию мощностей и координации разрешений для обслуживания новых нагрузок, что может увеличить сроки.

Некоторые разработчики экспериментируют с системами, расположенными за счетчиком (такими как топливные элементы, микросети и малые модульные реакторы), и соглашениями о прямой покупке электроэнергии, чтобы снизить свою зависимость от сети и ускорить ввод в эксплуатацию центра обработки данных. Например, компания New APR Energy развертывает мобильные газовые турбины, поставляющие более 100 МВт электроэнергии за счетчик американскому гипермасштабному оператору. Кроме того, компания Active Infrastructure планирует построить на севере Вирджинии кампус площадью 362 акра, который будет включать в себя водородные топливные элементы, микросеть и аккумуляторные батареи для основного производства электроэнергии на месте. Доступ к земельным участкам, имеющим соответствующие права, и надежным источникам энергии стал стратегическим конкурентным преимуществом, определяющим масштабы присутствия крупных технологических компаний и их привлекательность в качестве долгосрочных инвестиций.

Крупные облачные компании адаптируются по пяти основным направлениям.

В настоящее время стратегии крупных облачных компаний определяют темпы финансирования, владения и эксплуатации цифровой инфраструктуры, а также реакцию всей экосистемы в целом. Их приоритеты формируют потоки капитала, выявляя возможности в энергоэффективных системах, модульных конструкциях и передовых технологиях жидкостного охлаждения. По мере изменения и масштабирования рабочих нагрузок ИИ стратегии крупных облачных компаний меняются по пяти основным направлениям.

1. Крупные облачные компании продолжают инвестировать в электроэнергию для дальнейшего масштабирования ИИ.

Поскольку энергия становится конкурентным и ограниченным ресурсом для центров обработки данных, крупные компании переходят от пассивных потребителей к активным участникам энергетической экосистемы. Задача теперь заключается не только в снижении затрат; речь идет об обеспечении надежного, масштабируемого и, в идеале, экологически чистого энергоснабжения для поддержки экспоненциального роста спроса на ИИ. Например, крупные компании инвестируют в источники энергии следующего поколения, включая малые модульные реакторы и партнерства в области термоядерного синтеза, чтобы обеспечить экологически чистое и масштабируемое электроснабжение.

В настоящее время заинтересованные стороны обсуждают, следует ли вкладывать капитал в строительство или софинансирование новой инфраструктуры (например, возобновляемых источников энергии, систем хранения энергии или атомных электростанций следующего поколения) или же инвестировать в разработчиков и поставщиков, которые могут гарантировать долгосрочный доступ к чистой энергии. Эта дискуссия отражает более широкий стратегический сдвиг: энергетика стала ключевым фактором роста мощностей, а доступ к ней может обеспечить компаниям конкурентное преимущество. Регуляторное давление, обязательства в области устойчивого развития и региональные проблемы с энергосетями — все это влияет на инвестиционные решения в этом направлении.

Всё чаще крупные операторы центров обработки данных создают специализированные компании и совместные предприятия для финансирования строительства крупных центров обработки данных, чтобы снизить кредитную нагрузку и уменьшить риски, связанные с владением крупными долгосрочными инфраструктурными активами, включая такие виды деятельности, как прямой выпуск облигаций для финансирования крупных проектов.

2. Крупные облачные компании обменивают право собственности на скорость передачи данных и доступ к рынку.

В регионах с ограниченными энергетическими ресурсами время выхода на рынок в среднем составляет от 24 до 36 месяцев, поэтому лизинг остается критически важным для обеспечения вычислительных и энергетических мощностей в краткосрочной перспективе и удовлетворения потребностей клиентов. Однако крупные облачные компании по-прежнему стремятся к долгосрочному контролю над основными площадками. Исследование McKinsey показало, что в результате модели лизинга с правом выкупа теперь составляют от 25% до 30% новых сделок с крупными облачными платформами, особенно на рынках с ограниченными ресурсами, таких как Северная Вирджиния и Санта-Клара, где дефицит земли и электроэнергии делает гибкость крайне важной.

Показатели продления договоров аренды остаются высокими, составляя около 90%-95%, и, вероятно, будут продолжать расти, особенно на рынках первого уровня. В то время как крупные операторы стремятся к внедрению ИИ-технологий, они также осознают стратегическую важность сохранения площадок, критически важных для конечного потребителя. Чтобы сохранить свою инфраструктуру и одновременно удовлетворить меняющийся спрос, операторы все чаще готовы продавать небольшие или не подлежащие модернизации площадки и переориентировать свой портфель на мегакампусы и зоны доступности (АЗ), оптимизированные для ИИ.

3. Модульные и сборные конструкции служат катализатором развития крупных инвестиционных компаний.

Быстрорастущий спрос на ИИ стимулирует внедрение сборных и стандартизированных конструкций, которые могут сократить сроки поставки до 50% по сравнению со сборными зданиями. Предварительно одобренные корпуса с питанием от сети сокращают время выхода на рынок на 50%–70%. Важно отметить, что модульные конструкции теперь готовы к использованию жидкостного охлаждения, что позволяет крупным компаниям масштабно обрабатывать стойки следующего поколения с высокой плотностью размещения.

Более модульное строительство будет ориентировано на предпочтения крупных компаний, что приведет к увеличению доли сборных решений в центрах обработки данных. Строительные и производственные компании, работающие с различными типами решений, могут помочь крупным компаниям быстрее вводить свои объекты в эксплуатацию.

4. Крупные облачные компании переходят от разрозненных площадок к объединенным многофункциональным комплексам.

Крупные облачные компании объединяют рабочие нагрузки в больших, готовых к использованию ИИ кампусах и модернизируют часть своего существующего парка оборудования для поддержки жидкостного охлаждения и более высокой плотности размещения стоек, где можно эффективно масштабировать энергопотребление, охлаждение и структурные улучшения.

Крупные облачные компании развивают свои модели зон доступности (ЗД), переходя от автономных объектов к кластерам из нескольких объектов. Прогнозируется, что к 2030 году на такие кампусы будет приходиться около 70% развертываний. Эта тенденция подчеркивает заинтересованность компаний в кластеризации своих центров обработки данных для обеспечения оперативной и внутризональной отказоустойчивости, в отличие от использования автономных центров обработки данных, разбросанных по разным частям страны, в качестве собственных ЗД. Например, в случае отказа источника энергии или программного обеспечения, кластеры из нескольких объектов могут проще реплицировать и переключать данные и процессы, чем если бы центры располагались в нескольких местах.

С операционной точки зрения такой подход выгоден. Размещение кампусов ближе друг к другу и объединение этих центров позволяет операторам сохранять контроль над значительной территорией без необходимости укомплектовывать персоналом и контролировать несколько объектов, расположенных на значительном расстоянии друг от друга.

Там, где модернизация невозможна, операторы отдают приоритет задачам, не связанным с ИИ, на устаревших площадках и переносят задачи, связанные с ИИ, на новые, специально построенные кампусы.

5. Крупные облачные компании инвестируют в модернизацию существующих площадок, чтобы подготовить их к работе с искусственным интеллектом.

Поскольку искусственный интеллект меняет потребности инфраструктуры, крупные облачные компании вкладывают значительные средства в модернизацию устаревших центров обработки данных, а не в их замену. Традиционные объекты, предназначенные для облачных нагрузок с низкой плотностью, теперь требуют существенной модернизации для поддержки ресурсоемких систем ИИ с использованием графических процессоров, потребляющих до десяти раз больше энергии на стойку. Усилия по модернизации сосредоточены на интеграции технологий жидкостного и иммерсионного охлаждения, усилении конструкций для более тяжелых стоек ИИ, а также расширении мощностей электроснабжения и подстанций для обеспечения более высоких нагрузок.

Эти проекты могут быть сопряжены со своими трудностями. Во-первых, они капиталоемки, обычно стоят от 4 до 7 миллионов долларов за МВт для компаний, размещающих свои мощности в одном месте, и от 20 до 30 миллионов долларов за МВт для крупных операторов. Во-вторых, проект модернизации может нарушить работу существующего объекта. И в-третьих, эти проекты возможны только в местах с достаточным запасом электроэнергии. Тем не менее, проекты модернизации быстрее и менее рискованны, чем строительство новых кампусов. Модернизируя, а не переезжая, крупные операторы сохраняют доступ к сетевым узлам первого уровня, таким как северная Вирджиния и Санта-Клара.

Операторы выделяют объекты, где модернизация технически нецелесообразна для задач, не связанных с ИИ, и концентрируют высокопроизводительные вычисления в новых, оптимизированных для ИИ кампусах. Таким образом, модернизация стала катализатором дальнейшего масштабирования ИИ, позволяя крупным компаниям продлевать срок службы активов, быстро наращивать мощности ИИ и повышать отказоустойчивость своих наиболее ценных центров обработки данных.

Искусственный интеллект стал центром притяжения цифровой инфраструктуры. Нынешний сдвиг в стратегиях крупных компаний является редким и важным событием — он знаменует начало фундаментальных изменений на рынке, и заинтересованные стороны в цепочке создания стоимости центров обработки данных должны осознать этот сдвиг и понять, как адаптировать свою позицию, чтобы воспользоваться новыми возможностями, которые эти изменения создают. Следующий этап этой эволюции размоет грань между центром обработки данных и электростанцией, поскольку крупные компании превратятся в поставщиков коммунальных услуг, соразработчиков и финансистов, переопределяя темпы и географию роста ИИ. Эти изменения будут способствовать дальнейшему развитию рынка, поскольку крупные компании и экосистема центров обработки данных адаптируются к растущему спросу на вычислительные ресурсы.

Источник

Следующие крупные изменения в рабочих нагрузках ИИ и стратегиях гипермасштабируемых компаний. 17 декабря 2025 г. Статья. Чхави Арора, Марк Сорель, Панкадж Сачдева, Рия Гарг, Шрия Равишанкар.

The next big shifts in AI workloads and hyperscaler strategies. December 17, 2025 Article.

https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/the-next-big-shifts-in-ai-workloads-and-hyperscaler-strategies

Раскрытие потенциала ИИ в разработке программного обеспечения

Несмотря на весь технологический прогресс программного обеспечения и его кардинальные изменения за последние полвека, его огромный потенциал исторически ограничивался нехваткой квалифицированных разработчиков, ограниченными возможностями программирования и сложностью координации крупных проектов. Появление искусственного интеллекта, а в последнее время и агентного ИИ, должно было и должно преодолеть эти препятствия, приведя к неимоверно высоким показателям производительности и созданию ценности. Хотя многие организации уже видят положительные результаты от использования этих инструментов, небольшая группа компаний получает особенно большую выгоду.

Наиболее успешные организации отметили заметное влияние ИИ на четыре ключевых показателя разработки: производительность команды, пользовательский опыт и время выхода на рынок (улучшение на 16–30%), а также качество программного обеспечения (на 31–45%).

Для реализации революционного потенциала ИИ в разработке программных продуктов потребуется гораздо больше, чем просто внедрение — потребуется полная перестройка процессов, ролей и методов работы, чтобы идти в ногу с ускоряющимся развитием инструментов и моделей интеллекта.

Что отличает лидеров в области программного обеспечения для искусственного интеллекта?

Лидеры, активно способствующие внедрению зрелого ИИ в разработку программного обеспечения, добиваются существенных результатов: разрыв в производительности между лидерами и аутсайдерами составляет 15 процентных пунктов. Высокая производительность характеризуется большей согласованностью и качеством разрабатываемых продуктов, более короткими циклами спринтов, меньшими размерами команд и высокими показателями удовлетворенности клиентов.

Лучшие компании в области разработки программного обеспечения с использованием ИИ преодолевают разрыв между экспериментами и результатами, внедряя две взаимодополняющие практики на протяжении всего жизненного цикла разработки продукта (PDLC product development life cycle).

1. Приоритетное внимание следует уделять комплексной реализации вариантов использования на всех этапах жизненного цикла разработки продукта.

Лучшие компании применяют целостный подход, внедряя ИИ на протяжении всего жизненного цикла разработки, а не ограничиваясь отдельными сценариями использования. Вероятность масштабирования до четырех и более сценариев использования — от проектирования и кодирования до тестирования, развертывания и отслеживания внедрения — в шесть-семь раз выше, чем у конкурентов. Почти две трети руководителей сообщают о масштабировании до четырех и более сценариев использования, по сравнению с всего 10% компаний с наихудшими показателями.

2. Создайте роли, изначально предназначенные для ИИ, в рамках жизненного цикла разработки программного обеспечения.

Искусственный интеллект все чаще берет на себя основные инженерные задачи, такие как рефакторинг, модернизация и тестирование, — это знаменует собой эволюцию от вспомогательных средств кодирования к полностью интегрированным партнерам, расширяющимся на весь жизненный цикл разработки программного обеспечения. Более 90% команд разработчиков программного обеспечения используют ИИ для этих задач, экономя в среднем шесть часов в неделю. Однако, по мере замедления роста численности инженерного персонала, от разработчиков ожидается сочетание технической компетентности с пониманием продукта, дизайна и бизнеса. Это становится возможным благодаря более мощным инструментам с улучшенной координацией, таким как переход от базового автозаполнения к агентам, управляемым логическими рассуждениями, которые планируют задачи, опираясь на более полную контекстную информацию. Например, такие инструменты, как GitHub Copilot, Claude Code и агент Jules от Google, эволюционировали от простого автозаполнения в коде до автономного выполнения длительных задач рефакторинга и модернизации нескольких файлов.

В рамках этого процесса ключевые роли берут на себя новые, изначально связанные с ИИ обязанности. Например, менеджеры по продуктам тратят меньше времени на разработку функций и больше на проектирование, прототипирование, обеспечение качества (QAquality assurance) и ответственные методы внедрения ИИ. В свою очередь, инженеры-программисты больше сосредотачиваются на владении полным стеком технологий, структурированной передаче спецификаций и понимании архитектурных и системных компромиссов. Обе роли развивают новые навыки, специфичные для ИИ, которые дополняют их традиционные сильные стороны — навыки в таких областях, как масштабируемость, безопасность и тестирование для разработчиков, и стратегия, понимание потребностей клиентов и управление для менеджеров по продуктам. В перспективе многие команды могут выступать в роли координаторов параллельных и асинхронных агентов ИИ, назначая рабочие процессы и формируя сквозную логику, постоянно проверяя результаты. Предприятия будут все чаще создавать программное обеспечение на заказ (например, внутренние инструменты, созданные пользователями), что делает формулирование проблем и определение целей критически важными навыками и переводит организации в более продуктоориентированную модель.

Три важнейших фактора, способствующих успеху

Несмотря на всю важность этих двух практик, одних лишь изменений недостаточно для того, чтобы в полной мере использовать потенциал ИИ в разработке программных продуктов. Лучшие компании подкрепляют эти изменения тремя важнейшими факторами — повышением квалификации, измерением результатов и управлением изменениями, — которые гарантируют, что внедрение ИИ приведет к устойчивому росту производительности.

1. Повышение квалификации: Инвестируйте в персонализированное, интенсивное обучение.

Хотя большинство компаний в настоящее время предлагают курсы по запросу, те, кто инвестирует в практические семинары и индивидуальное обучение, с гораздо большей вероятностью увидят измеримые результаты — 57% лучших сотрудников против всего 20% худших. Повышение квалификации инженеров и менеджеров по продуктам в использовании ИИ — это не так просто, как предоставить им инструмент. Разбиение проблем на части для четкого общения с помощью большой языковой модели (LLM large language model) — оперативное проектирование — это лишь один из примеров сложности, требующей интенсивного обучения для повышения уровня профессионализма.

Успешные организации разрабатывают программы обучения, которые имитируют реальную работу разработчиков — интегрируя ИИ в проверку кода, планирование спринтов и циклы тестирования, — чтобы команды учились применять ИИ в реальных условиях, а не в симуляциях. Они также персонализируют учебные траектории в зависимости от роли, фокусируя разработчиков на разработке подсказок и оценке моделей, одновременно помогая менеджерам по продуктам повышать уровень знаний о поведении моделей, управлении данными и ответственном использовании.

Поскольку инструменты развиваются так быстро, обучение не может быть разовым мероприятием. Статическая документация или ежегодные сессии быстро теряют свою актуальность. Непрерывное и контекстуальное обучение, встроенное в такие ритуалы, как ретроспективы, стало ключевым конкурентным преимуществом. Некоторые ведущие компании даже создали внутренние «гильдии ИИ» или «центры развития», которые отбирают новые варианты использования, делятся передовым опытом и выступают в качестве наставников по запросу для проектных команд.

В конечном счете, производительность зависит не только от самих инструментов и технологий, но и от образа мышления и сотрудничества. Команды, которые делают обучение частью процесса разработки — рассматривая каждый спринт как возможность экспериментировать и совершенствовать — это те, кто последовательно преобразует внедрение ИИ в измеримый бизнес-эффект.

2. Измерение воздействия: отслеживайте результаты, а не только внедрение.

Успешные организации понимают, что недостаточно сосредотачиваться только на показателях внедрения, таких как частота использования инструментов или процент принятия кода. Эти лидеры отслеживают результаты — контролируют улучшение качества (79%) и увеличение скорости (57%). Привлекая команды к ответственности за результаты, ведущие организации поддерживают темп и быстро адаптируются при необходимости, в то время как отстающие фокусируются исключительно на показателях внедрения, которые сами по себе мало коррелируют с производительностью. По мере развития инструментов и расширения их возможностей (например, генерации кода из проектной документации) будут развиваться и «золотые» показатели эффективности, что заставит организации быть гибкими и адаптивными. «Слишком часто компании измеряют влияние ИИ, подсчитывая объем созданного кода, а не то, чего этот код достигает», — говорит Тарик Шаукат, генеральный директор Sonar, разработчика инструментов и решений для анализа качества кода. «Количество строк кода или процент вклада ИИ не показывают, является ли результат безопасным, удобным для сопровождения или даже полезным. Реальный прогресс достигается за счет отслеживания того, как эти инструменты помогают командам выпускать более качественное и надежное программное обеспечение, а не просто его большее количество».

Эффективная оценка влияния ИИ. Три шага помогут создать надежную систему измерения:

• Выберите значимые метрики. Определите наиболее важные результаты, такие как сокращение циклов разработки, повышение качества релизов и улучшение удовлетворенности клиентов. Избегайте слабых косвенных показателей, таких как процент кода, сгенерированного ИИ, которые мало что говорят о реальной производительности. Наложите метрики результатов (такие как производительность, скорость и качество) на входные метрики (такие как внедрение функций ИИ или обнаружение дефектов), чтобы нормализовать влияние прогресса во времени.
• Создайте интегрированную систему отслеживания. Объедините данные из инструментов планирования, репозиториев кода и журналов использования ИИ, чтобы создать согласованное представление о производительности. Интегрированное отслеживание помогает выявлять узкие места в жизненном цикле разработки и гарантирует, что команды продвигаются к достижению бизнес-целей.
• Регулярно предоставляйте аналитические данные. Постоянно делитесь результатами с руководителями продуктового, инженерного и бизнес-подразделений. Регулярная отчетность позволяет выявлять успехи, заблаговременно обнаруживать проблемы и скоординированно корректировать курс.

3. Управление изменениями: Согласуйте систему поощрений с моделями поведения, реализуемыми с помощью ИИ, которые обеспечивают достижение результатов.

Лучшие компании напрямую интегрируют внедрение ИИ в оценку эффективности работы. Почти восемь из десяти связывают цели, связанные с ИИ, как с оценками менеджеров по продуктам, так и с оценками разработчиков, по сравнению с всего 10% компаний с самыми низкими показателями для разработчиков и ни одного для менеджеров по продуктам. Согласовывая индивидуальные цели со стратегией организации в области ИИ, компании создают подотчетность и поощряют сотрудников интегрировать ИИ в свои повседневные рабочие процессы.

Ведущие организации сосредотачивают систему поощрений на поведении, которое приводит к результатам, а не просто на использовании. Цели формулируются вокруг таких достижений, как выявление возможностей автоматизации, повышение скорости работы за счет тестирования с использованием ИИ или повышение качества с помощью анализа кода с помощью моделей. Эти основанные на поведении показатели создают основу для достижения результатов, избегая при этом ловушки оценки отдельных лиц по результатам, которые они не могут полностью контролировать.

Высокоэффективные компании также ожидают от команд связи своей работы с использованием ИИ с более широкими результатами, такими как производительность, качество или клиентский опыт. Это повышает осведомленность о влиянии без привязки вознаграждения к показателям, не зависящим от индивидуальных действий. Внедрение этих ожиданий в системы оценки эффективности выводит компании за рамки разовых требований, превращая внедрение ИИ в устойчивую организационную возможность, которая постоянно стимулирует инновации и измеримую ценность.

Движение к подлинной ценности, создаваемой искусственным интеллектом.

За последние пару лет многие предприятия на собственном опыте убедились, что для получения реального финансового эффекта от внедрения ИИ в разработку программных продуктов организациям необходимо кардинально изменить свою операционную модель, внедрив новые важные практики и инструменты. Эта гибкость и способность к адаптации крайне важны, учитывая стремительное развитие экосистемы ИИ-программирования: новые инструменты появляются каждые несколько месяцев, а интеллектуальные модели быстро совершенствуются. 

Однако чистый интеллект — это лишь часть истории. Инструменты становятся все более мощными по мере их распространения по всему жизненному циклу разработки программного обеспечения. Благодаря более эффективной координации и более тесной системной интеграции они переходят от простых инструментов автозаполнения к гибридным, основанным на логическом мышлении агентам, которые могут планировать задачи, вызывать внешние инструменты и даже автоматически имитировать пользовательское тестирование с помощью браузера, и все это при поддержке более глубокого контекста.

Организации, стремящиеся идти в ногу с этими достижениями, должны также начать переосмысливать структуры и практики, необходимые для максимизации их воздействия; внедрение устойчивых организационных изменений не происходит в одночасье, даже несмотря на стремительное развитие инструментов ИИ. Программные компании, лидирующие в использовании ИИ для достижения реальных результатов, применяют смелые, комплексные решения, рассматривая ИИ как катализатор трансформации всего процесса разработки. 

В дополнение к практикам и инструментам, описанным в этой статье, эти лидеры обычно следуют трем основным шагам: 

• они ставят амбициозные цели, которые объединяют руководство и заряжают энергией организацию; 
• они разрабатывают целостный план будущей операционной модели, протестированный и доработанный в соответствии с контекстом организации; 
• они создают подробную дорожную карту, которая переопределяет структуры команд, рабочие процессы, метрики и стимулы для повышения производительности в масштабе. 

Только стратегический и всесторонний подход к ИИ позволяет командам разработчиков программного обеспечения в полной мере использовать его потенциал как движущую силу инноваций, эффективности и создания ценности в разработке программного обеспечения.

Источник

Раскрытие потенциала ИИ в разработке программного обеспечения. 3 ноября 2025 г. Статья
Шарлотта Релиа, Мартин Харриссон, Нандита Ботра, Наташа Маниар, Мэтт Линдерман, Хосе Марио Пена.

https://www.mckinsey.com/industries/technology-media-and-telecommunications/our-insights/unlocking-the-value-of-ai-in-software-development

Unlocking the value of AI in software development. November 3, 2025