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

Использование возможностей искусственного интеллекта в частных рынках

Поскольку все больше инвестиций направлено на поиск перспективных возможностей, каждое конкурентное преимущество имеет значение. Искусственный интеллект представляет собой, казалось бы, мощный инструмент: возможность использовать большие языковые модели (LLM) для быстрого анализа инвестиционных идей с ранее невообразимой скоростью. Уже сейчас около 67% инвесторов считают, что искусственный интеллект окажет «трансформационное» воздействие на их бизнес через пять лет, а 82% рассматривают его использование как приоритетную задачу.

LLM анализ инвестиций бесспорно отличается высокой скоростью, а рынок компаний, предлагающих продукты для инвестиционных фирм и участников сделок, никогда не был таким разнообразным и быстро меняющимся. Но грамотные инвесторы должны использовать эту скорость с помощью первоклассного процесса, который соответствует корпоративной культуре фирмы, оперативно выявляя риски и перераспределяя ресурсы на самые лучшие возможности. 

Осознание ограничений gen AI

Принятие инвестиционных решений требует точности. Одна из проблем, с которой сталкиваются инвестиционные команды при работе с крупнейшими корпоративными моделями управления рисками (LLM), заключается в том, что когда эти модели используют обширный массив данных (например, общедоступный интернет), они подвержены предвзятости, непреднамеренным расхождениям и противоречиям. Они могут представлять ответы как авторитетные, но при этом предлагать ложную точность, которую инвесторы, как правило, умеют отфильтровывать. Это может стать серьезной проблемой: например, чрезмерно оптимистичные или упрощенные предварительные оценки могут привести к нерациональному распределению времени инвестиционных команд.

Предвзятость «позитивных разговоров»

В семи из десяти проанализированных отраслей отчеты, основанные на углубленных исследованиях в области искусственного интеллекта, демонстрировали гораздо более оптимистичный взгляд на ситуацию — или «позитивные прогнозы» — чем отчеты, основанные на интервью с экспертами. Последние, как правило, основывали анализ на осторожном реализме, отражая как рыночный потенциал, так и реальные проблемы. Например, крупный корпоративный эксперт может представить успех того или иного продукта как повсеместно подтвержденный. Напротив, участники отрасли (эксперты) могут внести больше нюансов, указав на положительные результаты среди корпоративных покупателей и меньшую потребность в продукте среди сегментов клиентов в малых и средних предприятиях.

Расхождения и противоречия

Были выявлены некоторые расхождения в отчетах, подготовленных LLM, с тем, что говорили отраслевые эксперты. И эти расхождения часто были весьма существенными — они затрагивали ключевые показатели, такие как размер рынка, темпы роста, динамика ценообразования и структура маржи, подчеркивая риск использования непроверенных общедоступных данных. Такие несоответствия требуют от инвестиционных команд проведения дополнительной работы или смены места работы.

Ключевые упущения

Примерно 40% важных данных, выявленных в ходе интервью с экспертами, отсутствовали в соответствующих ответах на вопросы в рамках программы LLM по тем же темам и не могли быть получены с помощью дополнительных запросов от пользователей. Эти недостающие данные включали в себя жизненно важную информацию, которая часто имеет решающее значение в сделках, но невидима в массиве данных, доступного в рамках общедоступных программ LLM — от традиционных структур контрактов в отрасли до экономики продукции, структуры каналов сбыта и нормативных препятствий.

Применение сбалансированного подхода

Ни в одной из этих трех категорий — предвзятость в сторону оптимистичных заявлений, расхождения и противоречия, а также ключевые упущения — не утверждается, что какие бы конфиденциальные данные ни имелись у пользователя, они являются универсально верными по сравнению с общедоступным ответом, полученным в рамках программы LLM. На самом деле, зачастую ни один из источников сам по себе не даст полного и исчерпывающего ответа инвестиционной команде. Такие несоответствия инвестиционные команды должны активно искать и использовать в качестве инструмента для распределения времени и ресурсов в процессе исследований и оценки. Именно благодаря этому процессу они могут сформировать собственное мнение по наиболее важным открытым вопросам, которые определят успех инвестиционного проекта.

Более сбалансированный подход предполагает использование инвестиционными командами собственных данных в дополнение к продуктам LLM. Инвестиционным командам следует рассмотреть возможность использования экспертных оценок в конкретных отраслях для получения реалистичного понимания операционных реалий и рыночных рисков. Кроме того, инвестиционным командам следует внедрить строгую культуру и набор процессов проверки всех источников информации. Искусственный интеллект может ускорить поиск информации, но он не обеспечит ее качество без участия пользователя.

Такой подход обеспечивает аналитическую тщательность, позволяя заинтересованным сторонам уверенно выявлять реальные возможности для роста и предвидеть потенциальные операционные проблемы. Он также повышает уровень инвестиционной строгости, поддерживая комплексную проверку команд исчерпывающими и отраслевыми данными, которые могут напрямую повлиять на точность оценки и оценки рисков.

Когда заинтересованные стороны располагают большим объемом детализированных, отслеживаемых данных, они могут принимать более обоснованные решения о распределении капитала и времени на протяжении всего инвестиционного процесса. Действительно, оптимизация сбора информации инвестиционными командами становится критически важной частью управления эффективным процессом инвестиционных исследований.

ОБ АВТОРЕ(АХ)

Альфонсо Пулидо — старший партнер в офисе McKinsey в районе залива Сан-Франциско; Эндрю Маллин — старший партнер в офисе в Торонто; а Крис Маллиган — партнер в офисе в Нью-Йорке, где Гуннар Грегори является ассоциированным партнером, а Набель Хатут — руководителем подразделения по управлению активами.

Использование возможностей искусственного интеллекта в частных рынках
5 января 2026 г. Статья. Альфонсо Пулидо, Эндрю Маллин, Крис Маллиган, Гуннар Грегори, Набелm Хатут.

https://www.mckinsey.com/industries/private-capital/our-insights/harnessing-the-power-of-gen-ai-in-private-markets

Агентский ИИ в автокредитах

Автокредитная отрасль находится на пороге трансформации. Исторически характеризуясь сложными, трудоемкими процессами и фрагментированными системами данных, этот сектор сталкивался с постоянной неэффективностью по всей цепочке создания стоимости. Такие проблемы, как несогласованные форматы данных, неполные записи и ограниченный доступ в режиме реального времени, приводили к задержкам и ошибкам. Отрасль также остается в значительной степени регионализованной, с локализованными правилами, существенной неэффективностью и уникальной спецификой рынка в разных регионах.

Искусственный интеллект нового поколения (Gen AI) и другие технологии ИИ предоставляют своевременный и мощный способ извлечения значительной выгоды по всей цепочке создания стоимости. Gen AI может выходить за рамки взаимодействия с клиентами и поддерживать принятие внутренних решений, генерировать аналитические данные и оптимизировать процессы в масштабе. При эффективном использовании ИИ имеет потенциал для устранения давних неэффективностей и изменения экономики отрасли. Анализ McKinsey показывает, что Gen AI может снизить соотношение затрат к доходам за счет снижения операционных расходов (которые обычно составляют около 60% дохода) на пять-восемь процентных пунктов.

Чтобы максимально эффективно использовать новые технологии искусственного интеллекта, лизинговые компании могут внедрять агентные системы — то есть автономные системы, которые используют ИИ и машинное обучение для выполнения конкретных задач. Эти системы выходят за рамки традиционной автоматизации, обеспечивая динамическое принятие решений и их выполнение с учетом контекста. Они могут обеспечивать полностью автономное выполнение задач или использоваться в качестве инструментов, дополняющих принятие решений человеком и персонализацию, в зависимости от конкретного сценария использования и желаемых результатов. Интеграция агентных технологий открывает перед отраслью уникальную возможность переосмыслить свои процессы, повысить прибыльность и обеспечить более бесперебойное обслуживание клиентов.

Агенты, управляемые искусственным интеллектом, как решение.

Агенты искусственного интеллекта — это специализированные системы, которые сочетают в себе передовые алгоритмы машинного обучения для принятия решений с генерацией искусственного интеллекта для общения и взаимодействия. Эти агенты могут помогать как во внутренних, так и во внешних процессах организации, повышая эффективность за счет использования существующих и новых источников данных. Однако не каждая проблема требует агентного решения — традиционные модели машинного обучения или ИИ могут быть более подходящими для определенных сценариев использования.

Предлагается организациям, заинтересованным в создании концепции предприятия, управляемого искусственным интеллектом, начать с рассмотрения вопроса о формировании и интеграции четырех групп агентов: группы ремаркетинга, группы обслуживания и операций, группы продаж и ценообразования, а также группы закупок и максимизации стоимости на всем протяжении процесса.

Группа агентов по ремаркетингу. Цель группы агентов по перепродаже автомобилей, использующих искусственный интеллект, — автоматизировать обширную документацию и координацию, связанные с процессом перепродажи транспортных средств. Агенты этой группы также могут связываться с клиентами лизинговых компаний для бронирования времени осмотра, общаться с транспортными компаниями для планирования вывоза автомобилей и взаимодействовать с дилерами по вопросам восстановления автомобилей. Кроме того, эта группа агентов может проводить комплексные рыночные исследования, генерируя отчеты о наиболее прибыльных каналах и анализируя тенденции на рынке подержанных автомобилей с точки зрения объема и цены.

Для эффективной работы группы агентов по перепродаже автомобилей необходимы некоторые базовые технологические возможности. Инструмент прогнозирования, использующий статистическое моделирование и машинное обучение для прогнозирования возвратов автомобилей, необходим для планирования и распределения. Кроме того, оптимизатор ценообразования и каналов сбыта, требующий точных кривых эластичности, гарантирует направление автомобилей в наиболее подходящие и прибыльные каналы. Доступ к рыночным данным в реальном времени, исторической информации о продажах и показателям прибыльности имеет решающее значение для принятия обоснованных решений с помощью этих инструментов. Интегрируя эти алгоритмы машинного обучения, группа агентов по перепродаже автомобилей может предоставлять точные, основанные на данных рекомендации, которые максимизируют прибыльность и оптимизируют операции.

Группа агентов по обслуживанию и операциям. Эта группа агентов на основе ИИ повышает уровень автоматизации задач обслуживания и эксплуатации. В этой группе один агент может связываться с клиентами для организации планового технического обслуживания или ремонта и направлять их в предпочтительные сети. Второй агент может координировать оказание помощи на дороге после аварий, а третий — управлять операциями по вводу и выводу автомобилей из эксплуатации, такими как планирование получения и доставки транспортных средств.

Кроме того, эта группа агентов может генерировать исчерпывающие отчеты для обеспечения прозрачности и контроля затрат на техническое обслуживание, ремонт, шины и страхование. Эти агенты способны выявлять аномальные страховые случаи, определять необычные расходы дилеров на техническое обслуживание и ремонт, а также обнаруживать нерегулярное использование шин клиентами, обеспечивая экономическую эффективность и операционную целостность. Чат-боты и виртуальные помощники могут дополнительно поддерживать эту группу, обрабатывая рутинные запросы, назначая встречи, отслеживая страховые случаи и взаимодействуя с клиентами напрямую, повышая оперативность и снижая нагрузку на колл-центры.

Для эффективного функционирования агентов ИИ в сфере обслуживания и эксплуатации необходима надежная система калибровки пороговых значений для аномальных расходов по различным категориям. Алгоритмы ИИ и машинного обучения могут помочь установить и скорректировать эти пороговые значения на основе исторических данных и входных данных в реальном времени. Для этого необходим доступ к подробным финансовым данным, историческим записям о техническом обслуживании и оперативным показателям в реальном времени.

Группа агентов по продажам и ценообразованию. Искусственный интеллект в группе продаж и ценообразования фокусируется на взаимодействии с целевыми группами клиентов (включая сегменты B2C и B2B) с коммерческими предложениями по лизингу, финансированию и сервисным услугам. В этой группе один агент может управлять стратегиями коммерческого ценообразования и предлагать новые ежемесячные цены, используя динамические алгоритмы, основанные на анализе конкурентов. Этот агент также может предоставлять дилерам информацию и рекомендации на протяжении всего взаимодействия с клиентом. На первом этапе интеграции ИИ-агентов в существующие операции один ИИ-агент может поддерживать агентов по продажам в их коммерческих переговорах, предлагая индивидуальные коммерческие предложения, которые стимулируют продажи и удовлетворенность клиентов. На более позднем этапе или в рамках пилотного проекта с розничными клиентами другой ИИ-агент может активно взаимодействовать с клиентами. Эта группа также занимается трансграничным ценообразованием и коммерческим управлением, при этом ИИ-агенты адаптируют предложения и стратегии к местным рыночным условиям, налоговым структурам и различиям в законодательстве. Это особенно актуально для международных автопарков и многонациональных клиентов.

Для надежной работы агенты искусственного интеллекта в области продаж и ценообразования используют надежные технические модели ценообразования, включая оценку остаточной стоимости. Ключевая часть группы продаж и ценообразования – это передовые алгоритмы машинного обучения, которые прогнозируют будущую стоимость автомобилей и оптимизируют стратегии ценообразования. Кроме того, алгоритмы динамического ценообразования необходимы для корректировки цен в режиме реального времени на основе данных конкурентов (только для розничной торговли) и рыночных условий. Для трансграничной оптимизации этим агентам необходим доступ к локализованным рыночным данным, налоговым правилам и валютным трендам. Интегрируя рыночные, конкурентные и исторические данные, а также используя возможности ИИ, группа агентов искусственного интеллекта в области продаж и ценообразования может предоставлять точные, основанные на данных стратегии ценообразования, которые максимизируют прибыльность и конкурентоспособность на разных рынках.

Искусственный интеллект также расширит возможности клиентов на протяжении всего процесса покупки автомобиля. Все чаще покупатели смогут использовать собственные инструменты ИИ для оптимизации поиска, сравнения предложений и заключения более выгодных сделок. Эта динамика, вероятно, выровняет условия конкуренции, ограничив возможности дилеров и финансовых компаний извлекать выгоду в долгосрочной перспективе.

Группа по закупкам и комплексному агентскому сопровождению. В этой группе агенты стремятся проводить комплексный анализ затрат и оценку стоимости автомобиля на протяжении всего срока его эксплуатации. Эти агенты предоставляют всестороннюю картину финансовой рентабельности всех автомобилей на протяжении всех циклов лизинга и перепродажи, с целью помочь компаниям вести переговоры и сотрудничать с производителями оригинального оборудования (OEM) для выбора автомобилей и шин с наибольшей окупаемостью инвестиций. Эта группа агентов также может создавать отчеты для совместного анализа людьми и агентами искусственного интеллекта.

Группа агентов искусственного интеллекта для закупок нуждается в передовых инструментах финансовой оценки для определения стоимости транспортного средства на протяжении всего срока его службы. Крайне важен доступ к исчерпывающим финансовым данным, историческим данным о затратах (например, на ремонт, техническое обслуживание, шины и аккумуляторы) и оперативным показателям в режиме реального времени.

Поэтапный план развития, основанный на достижении зрелости и ценности.

Внедрение генеративного и агентного искусственного интеллекта в автомобильную финансовую отрасль требует прочной технической базы. Ключевые предпосылки включают в себя развитую инфраструктуру данных, алгоритмы машинного обучения и возможности интеграции данных в режиме реального времени. При разработке плана внедрения ИИ-агентов важно понимать, на каком этапе технологической зрелости находится организация. Организации, полностью использующие агентные технологии, обладают хорошо развитыми возможностями в каждой из следующих областей:

• Техническая база, включая агентную среду.
• Квалифицированный оперативный персонал, понимающий технологические процессы и умеющий взаимодействовать с агентами.
• Подготовленные технические группы для поддержки проектирования, обслуживания и совершенствования агентов.

Чтобы ощутить первоначальный эффект, организации могут начать с интеграции ИИ в маркетинговые кампании, поскольку оптимизация ценообразования по всем каналам продаж является одновременно эффективным и относительно простым в реализации процессом. Эта область, как правило, выигрывает от более высокой степени цифровизации процессов, лучшей доступности данных и меньшей зависимости, что делает ее идеальной отправной точкой для внедрения агентов ИИ.

Далее компании могут рассмотреть возможность расширения использования инструментов ИИ в более широких стратегиях ценообразования, поддерживаемых более надежной системой ИИ и обученными техническими командами. Эти возможности могут развить успех, достигнутый при создании группы агентов ИИ для ремаркетинга, и продолжать приносить значительную коммерческую выгоду.

Операционные сценарии использования, такие как координация обслуживания и вывод из эксплуатации, как правило, более сложны из-за фрагментации процессов и ограниченной цифровой зрелости. Эти проблемы можно решить на более поздних этапах, после того как компании создадут базовую технологическую инфраструктуру и повысят квалификацию как оперативных, так и технических команд.

Баланс возможностей, затрат и рисков

Внедрение агентов искусственного интеллекта сопряжено с определенными затратами, включая переобучение моделей, разметку данных и использование облачных ресурсов. Организациям необходимо тщательно оценить эти затраты и определить приоритетные задачи для решения, чтобы обеспечить положительную отдачу от инвестиций.

Наконец, организациям необходимо учитывать риски, связанные с ИИ, особенно в контексте кредитования.

Интеграция групп агентов на основе ИИ в процесс автокредитования позволяет компаниям повысить эффективность и снизить операционные расходы, одновременно предоставляя агентам-людям возможность быстрее реагировать на перспективные возможности. Внедрение этих инструментов в существующие организации должно осуществляться обдуманно, но в случае успеха потенциальные выгоды будут огромными.

Источник

Agentic AI: A new path to value in the auto finance industry. November 12, 2025. Article.

Агентный ИИ: новый путь к созданию ценности в автомобильной финансовой отрасли.
12 ноября 2025 г. Статья. Бенджамин Кёк, Ромен Зилахи, Урсула Вайгль, Лена Крюгер.

https://www.mckinsey.com/industries/automotive-and-assembly/our-insights/agentic-ai-a-new-path-to-value-in-the-auto-finance-industry

ИИ в страховании

Лишь немногие страховщики извлекли огромную выгоду из искусственного интеллекта, чтобы получить конкурентное преимущество. Вступление в их ряды требует стратегического, комплексного подхода, который перестраивает предприятие.

Время от времени появляются технологические инновации, которые меняют мир, и бизнесу приходится приспосабливаться — иначе он может стать ненужным. Паровой двигатель промышленной революции и механизация производства позволили перейти от преимущественно аграрного образа жизни к городскому. Рождение Интернета принесло нам улучшенные коммуникации в режиме реального времени, электронную коммерцию, облачные вычисления и многое другое.

Теперь настала очередь ИИ. Эта мощная технология быстро трансформирует рабочие процессы, стимулирует инновации и меняет отрасли. Как и в случае с другими трансформационными изменениями, принесенными технологиями, компаниям, в том числе страховым компаниям, будет трудно, если не невозможно, игнорировать ИИ. Около двух десятилетий назад, когда электронная коммерция стала повсеместной и более сложной, потребители привыкли к бесшовному заказу и быстрой доставке и стали ожидать этих возможностей от всех продавцов. Аналогичным образом, ИИ изменил ожидания потребителей до такой степени, что теперь клиенты ожидают более высокой точности и надежности во время пути потребителя, человеческих разговоров с ботами ИИ (будь то текстовые или голосовые), гиперперсонализированных предложений и коммуникаций, а также продуктов и взаимодействий по запросу, адаптированных к их потребностям.

Генеративный и агентный ИИ, в частности, могут изменить правила игры. Одно из ключевых отличий от предыдущих технологических скачков заключается в том, что генеративный ИИ способен на рассуждения, суждения, творчество и эмпатии, которые намного превосходят возможности предыдущих инноваций — наборы навыков, особенно значимые для страховщиков. Вот почему генеративный ИИ способен по-настоящему преобразовать страховую отрасль.

По своей сути, страхование включает в себя получение точного понимания основного риска, а также эффективную и чуткую помощь людям, попавшим в беду. ИИ может трансформировать все это: традиционный аналитический ИИ понимает закономерности в данных; генеративный ИИ расширяет эти возможности за счет лучшего понимания неструктурированных форм данных и позволяет добавлять гиперперсонализацию и эмпатию в ответы; а последние достижения в области агентного искусственного интеллекта добавляют беспрецедентный уровень автоматизации в сложные рабочие процессы, позволяя страховщикам максимизировать выплаты. Из-за этой универсальности страховщики используют ИИ во всех основных областях, включая продажи и гиперперсонализацию, автоматизацию и повышение точности андеррайтинга, расширенное управление претензиями, работа по обслуживанию клиентов с помощью голосовых операторов и трансформация функций бэк-офиса, таких как финансы, актуарные и ИТ.

Как и в случае с другими революционными технологическими инновациями, потребители поймут, что ИИ может облегчить их жизнь, и затем будут ожидать этого от своих поставщиков услуг. Страховщики, которые воспользуются возможностью глубоко интегрировать искусственный интеллект во все, что они делают, будут готовы выйти на первое место. Они смогут вести больше бизнеса, быстрее, более персонализированным образом и с лучшим пониманием основного риска. Страховщики, которые только балуются искусственным интеллектом, рискуют остаться в пыли, не в состоянии идти в ногу со своими коллегами с искусственным интеллектом.

Чтобы правильно организовать трансформацию ИИ, недостаточно запустить несколько пилотных проектов, или ожидать, что истинное внедрение ИИ произойдет за счет покупки лоскутного программного обеспечения как услуги у поставщиков с минимальными стратегическими намерениями, или надеяться, что рабочие процессы будут преобразованы с помощью готовых решений ИИ. Чтобы создать долгосрочную ценность для бизнеса с помощью ИИ, страховщикам необходимо разработать смелое видение потенциала ИИ в масштабах всего предприятия и коренным образом перестроить свою работу в различных сферах бизнеса (андеррайтинг, претензии, дистрибуция, обслуживание клиентов и многое другое), внедрив технологию во все подразделения организации. Им придется полностью переоснастить рабочие процессы, переосмыслить операционные модели, работать над созданием современного стека данных и технологий, а также масштабировать ИИ за счет использования повторно используемых компонентов для различных сценариев и бизнес-областей. И им нужно будет сделать это таким образом, чтобы создать значимые улучшения. Процессы должны быть переработаны от начала до конца, чтобы извлечь выгоду из ИИ, а не просто наслаивать ИИ поверх существующих процессов или, что еще хуже, вставлять дополнительный шаг в рабочий процесс с помощью ненужного инструмента ИИ.

Одна из причин, по которой ИИ имеет большие перспективы, заключается в том, что благодаря многоразовым компонентам технологию можно масштабировать для капитальной перестройки различных частей бизнеса. Например, ИИ, обученный генерировать ответы на запросы в службу поддержки клиентов, может быть перепрофилирован для обработки внутренних запросов в ИТ-поддержку, создания маркетингового контента, рассмотрения ответов на запросы или даже на составление юридических документов. Базовые компоненты ИИ могут быть повторно использованы в различных сферах бизнеса и сценариях использования.

ИИ продолжает быстро внедряться. Например, в ближайшем будущем почти все функции по привлечению клиентов в страховании могут быть реализованы с помощью многоагентных систем искусственного интеллекта, которые могут выступать в качестве виртуальных сотрудников. Агент по приему информации будет принимать информацию, общаться с клиентами или посредниками для уточнения данных и беспрепятственно извлекать данные из сложных документов, таких как медицинские карты или инженерные отчеты. Агент по профилированию рисков может составить комплексный профиль рисков для каждого случая, используя существующие рекомендации по андеррайтингу. Агент по ценообразованию и продукту может автоматически оценивать дело и предлагать структуры полисов для удовлетворения потребностей клиентов, например, добавляя в полис страхования жизни страховые полисы для критических заболеваний или инвалидности. Агент по соблюдению нормативных требований и справедливости может проанализировать весь процесс, чтобы обеспечить соответствие нормативным требованиям и высокие этические стандарты. Агент оркестратора решений может агрегировать входные данные различных агентов для определения, может ли политика утверждена автоматически или ее необходимо передать старшему андеррайтеру. Агент по обучению и обратной связи может постоянно уточнять модели, использовать для улучшения обратную связь с человеком и отслеживать смещение или ухудшение производительности модели машинного обучения с течением времени. Конечно, люди будут продолжать участвовать в различных сферах бизнеса в страховании, особенно в тех, которые включают точки соприкосновения с клиентами.

Несмотря на то, что ИИ обладает огромным потенциалом для страховщиков, его масштабирование в масштабах всего предприятия остается сложной задачей. Риски безопасности, высокие затраты, риск отношений с поставщиками, нехватка талантов, культурное сопротивление, пробелы в управлении и устаревшая инфраструктура часто препятствуют прогрессу. Настоящая трансформация требует решительного преодоления барьеров и вдумчивого подхода с тем, чтобы избежать создания «наследия завтрашнего дня» на основе текущих подходов и решений.

Вот почему управление изменениями является неотъемлемой частью преобразований ИИ. Управление изменениями представляет собой половину усилий, необходимых для обеспечения как финансового, так и нефинансового эффекта, в то время как усилия по внедрению чистых данных в модели, само моделирование и интеграция искусственного интеллекта приходятся на вторую половину.

Что нужно страховщикам, чтобы преуспеть в области искусственного интеллекта

Практически все страховщики начали внедрять ИИ с многочисленными вариантами использования. Тем не менее, руководители многих страховых компаний считают, что их компании не являются по-настоящему нативными для ИИ, признавая, что им еще предстоит полностью интегрировать ИИ в бизнес-модели. Это настроение подпитывает желание увеличить инвестиции в технологии искусственного интеллекта, поскольку компании стремятся оставаться конкурентоспособными. Страховщики стремятся найти правильный рецепт успеха, хотя мало кому это удалось.

Страховщики, которые являются лидерами в области искусственного интеллекта, уже затмевают своих коллег. Например, наше исследование показывает, что за последние пять лет лидеры страхового сектора в области ИИ создали в 6,1 раза больше TSR по сравнению с отстающими в области ИИ.

Несмотря на то, что немногие страховые компании извлекают значимую выгоду из искусственного интеллекта по всей цепочке создания стоимости в масштабе, лучшие в своем классе страховщики используют доменный подход к трансформации. Они выбирают определенные бизнес-функции, такие как дистрибуция, ценообразование и андеррайтинг, претензии, инвестиции, и всесторонне пересматривают работу этой функции. До сих пор перестройка на уровне предметной области с помощью ИИ оказывала заметное влияние на ключевые части страхового бизнеса, включая повышение показателей успеха новых агентов и коэффициентов конверсии продаж на 10–20%, увеличение роста страховых премий на 10–15%, снижение затрат на привлечение новых клиентов на 20–40% и повышение точности претензий на 3–5%.

Страховщики могут сделать шесть знаковых шагов для создания организаций, которые превзойдут результаты в эпоху цифровых технологий и искусственного интеллекта:

• Согласуйте работу высшего руководства с дорожной картой трансформации ИИ, ориентированной на бизнес. Ведущие страховщики рассматривают ИИ не просто как еще один инструмент повышения эффективности — они признают его фундаментальным фактором трансформации и возможностью для улучшения роста, отношений с клиентами и повышения производительности. Трансформация должна основываться на ценности для бизнеса, а результаты должны быть измеримыми. Страховщики, приступающие к трансформации ИИ, должны вдохновлять и согласовывать работу высшего руководства, сосредоточить свои усилия на нескольких важных областях бизнеса и трансформировать их от начала до конца, а также связать результаты трансформации с конкретными улучшениями операционных KPI, такими как снижение оттока клиентов. Крайне важно использовать широкий подход, интегрируя решения ИИ в масштабах всего предприятия с четкой дорожной картой для агрегирования нескольких вариантов использования в предметной области, а не развертывать разрозненные отдельные варианты использования в разных доменах. Домены — это основные функциональные или бизнес-области, такие как претензии или андеррайтинг, каждая из которых имеет свой собственный набор процессов, потоков данных и операционных проблем. Использование ИИ для переосмысления целых областей может привести к значительному синергетическому эффекту.
• Создайте правильную скамейку талантов. Чтобы стать цифровыми лидерами, страховщики должны создать кадровый резерв, при этом в идеале от 70% до 80% цифровых талантов должны быть штатными. Цифровые лидеры предпринимают три ключевых действия: переход к кадровому резерву с большим количеством опытных, высокопродуктивных технологов и меньшим количеством новичков; разработка детальных сеток развития навыков, подкрепленных дипломами, для поощрения мастерства и признания выдающихся технологов; и создание специализированной команды для адаптации HR-процессов для привлечения и удержания цифровых талантов. Кроме того, они готовятся к новой эре, в которой рабочая сила будет состоять из людей и агентов искусственного интеллекта, что потребует развития организационных практик.
• Внедрите масштабируемую операционную модель. Страховщики, проходящие трансформацию ИИ, должны выбрать операционную модель, которая поддерживает их стратегию. Кроме того, крайне важно внедрить надежные возможности управления продуктами, которые могут помочь обеспечить успех трансформации.
• Используйте технологии для ускорения и распределения инноваций. Страховщики, преуспевающие в области искусственного интеллекта, полагаются на гибкий стек возможностей искусственного интеллекта на базе многоразовых многоагентных систем. Современный стек технологий искусственного интеллекта для страховщика является высокомодульным и гибким, чтобы справляться с быстро меняющимися технологиями. Повторное использование базовых компонентов и возможностей ИИ имеет решающее значение, как и агентная ячеистая архитектура ИИ. Эта компонуемая, распределенная и независимая от поставщика архитектурная парадигма позволяет нескольким агентам безопасно и в большом масштабе рассуждать, сотрудничать и действовать автономно в массиве систем, инструментов и языковых моделей. Архитектура также создана для того, чтобы развиваться вместе с технологиями.
• Встраивайте данные везде. Современные возможности обработки данных остаются критически важными, поскольку искусственный интеллект работает на данных. Хотя ИИ сам по себе может помочь в решении проблем с данными, большинству страховщиков потребуется более фундаментально расширить свои возможности в области данных, чтобы реализовать свое видение ИИ. Создание этих возможностей требует преодоления как технических, так и организационных проблем. Возможность встраивать и использовать опыт и «специальный соус» страховой организации в агентных системах искусственного интеллекта может стать основой интеллектуальной собственности страховщиков.
• Инвестируйте во внедрение и управление изменениями. Принятие так же важно, как и развитие. Как правило, на каждый доллар, потраченный на разработку цифровых и AI-решений, планируйте потратить еще как минимум один доллар, чтобы обеспечить полное принятие пользователями и масштабирование по всему предприятию. Управление изменениями является ключевым отличием ИИ, простаивающего без дела, и трансформационных операций ИИ. Успешное внедрение ИИ зависит от изменения мышления, создания основных возможностей и обеспечения того, чтобы ИИ действительно играл центральную роль в трансформации бизнеса, а не делался на стороне. Например, в наиболее успешных преобразованиях андеррайтинга или претензий на основе ИИ мы видим, как сотрудники начинают рассматривать помощников ИИ как основу своей работы, встроенную в их собственные знания и опыт. Если инструмент ИИ дает неоптимальные результаты, эти сотрудники берут на себя ответственность за проблему, а не обвиняют инженера, который ее создал. Более того, пространство ИИ будет продолжать развиваться значительно быстрее, чем большинство страховщиков, что приведет к растущему разрыву между тем, что может предоставить ИИ, и тем, как большинство страховщиков его используют. Чтобы смягчить эту проблему, крайне важно внедрить возможность тестирования, обучения, ошибок и масштабирования в культуру организации в масштабах всего предприятия.

Реализация дорожной карты трансформации ИИ под руководством бизнеса, в которой первостепенное внимание уделяется ценности

Страховщикам, проходящим трансформацию ИИ, необходимо будет подумать о том, какие области следует пересмотреть в первую очередь. Типичная страховая компания имеет различные области, такие как продажи и дистрибуция, ценообразование и андеррайтинг, претензии и обслуживание полисов, каждая из которых предлагает значительные возможности для оптимизации на основе искусственного интеллекта.

Преобразование предметной области требует масштабирования. Чтобы полностью раскрыть потенциал ИИ, страховщики должны выйти за рамки разрозненных решений или инициатив по прецедентам использования и внедрить их на основе предметной области. Отдельные сценарии использования часто разрабатываются для демонстрации возможности использования технологий ИИ в контролируемой среде. И хотя они могут показать многообещающие результаты, инициативы по проверке концепции (POC) и минимально жизнеспособному продукту (MVP) обычно сосредоточены на быстрых победах и не имеют долгосрочного стратегического соответствия, интеграции рабочего процесса и устойчивого получения выгод.

Подход, основанный на предметной области, может начаться с комплексной трансформации от одной до трех областей для достижения значимого эффекта, не перегружая организацию. Количество сценариев использования, необходимых для переподключения домена, варьируется, но крайне важно убедиться, что выбранные варианты использования могут привести к значимым изменениям и в совокупности повысить производительность. Как правило, влияние отдельных сценариев использования слишком ограничено, чтобы повлиять на прибыльность, но преобразование всей области может повысить итоговую прибыль на двузначные цифры. Применяя общепредметный подход и реорганизуя целые рабочие процессы, страховщики создают синергию в подготовке данных, системной интеграции и управлении изменениями. Это позволяет им добиться ощутимого повышения эффективности, оптимизации ресурсов и долгосрочного конкурентного преимущества.

Страховщики, которые успешно масштабируют ИИ, отдают предпочтение сценариям использования с наибольшим измеримым влиянием на бизнес. Эти высокоэффективные сценарии использования могут быть легко адаптированы и развернуты в нескольких областях путем разработки и масштабирования набора возможностей ИИ с высокой степенью передачи.

• Общее страхование. Страховщики по всем направлениям готовы извлечь выгоду из интеграции генеративного искусственного интеллекта, который может повысить операционную эффективность и взаимодействие с клиентами в различных областях.
• Страхование жизни. Страховщики жизни могут использовать генеративный искусственный интеллект для улучшения оценки рисков и андеррайтинга полисов за счет создания синтетических данных, которые дополняют существующие наборы данных.
• Здоровье. В медицинском страховании генеративный ИИ может помочь прогнозировать результаты лечения пациентов и персонализировать планы медицинского страхования за счет анализа больших наборов данных.
• Коммерческая недвижимость и несчастные случаи. Страховщики коммерческого имущества и страховщиков от несчастных случаев могут использовать генеративный искусственный интеллект для создания подробных моделей рисков и моделирования различных сценариев, чтобы лучше оценить потенциальные убытки.
• Личное имущество и пострадавшие. Страховщики личного имущества и страховщиков от несчастных случаев могут извлечь выгоду из генеративного искусственного интеллекта за счет автоматизации обработки претензий и улучшения обнаружения мошенничества за счет расширенного анализа данных.

Ниже приведены примечательные примеры преобразований ИИ на уровне предметной области с несколькими сценариями использования в страховании:

• ИИ для обработки претензий. Британская страховая компания Aviva развернула более 80 моделей искусственного интеллекта для улучшения результатов в своей области претензий, сократив время оценки ответственности в сложных случаях на 23 дня, повысив точность маршрутизации претензий в соответствующие команды на 30 процентов и сократив количество жалоб клиентов на 65 процентов. Aviva сообщила инвесторам, что преобразование области автомобильных претензий сэкономило компании более 60 миллионов фунтов стерлингов (82 миллиона долларов) в 2024 году.
• Автоматизация в продажах страховых услуг. Стремясь повысить персонализацию и эффективность, страховщик внедрил интеллектуальную автоматизацию для предложения котировок потенциальным клиентам и продажи полисов. Результаты оказались поразительными: после трансформации 80% транзакций перешли в онлайн, а показатели удовлетворенности клиентов — в частности, показатель вероятности того, что клиент порекомендует страховщика знакомому — выросли на 36 процентных пунктов.
• Чат-бот в ночную смену. Страховая компания значительно улучшила обслуживание клиентов в нерабочее время, внедрив чат-бота 24/7, что привело к 11-процентному увеличению числа потенциальных клиентов, которые в конечном итоге купили полисы.
• ИИ с эмпатией. Другой оператор использует искусственный интеллект для создания примерно 50 000 сообщений, связанных с претензиями, которые он отправляет ежедневно, находя их более четкими и чуткими, чем те, которые написаны людьми.

После того как домен определен как приоритет для преобразования, его необходимо деконструировать в ряд исполняемых модулей на основе искусственного интеллекта, которые можно реализовывать, уточнять и масштабировать. Например, переосмысление процесса продаж и дистрибуции включает в себя интеграцию возможностей генеративного ИИ и прогнозной аналитики, такой как модели склонностей, во взаимосвязанные комплексные решения ИИ, такие как многогранные напарники и чат-боты с искусственным интеллектом нового поколения для трансформации рабочих процессов.

Разрабатывая преобразования ИИ на предметной основе, страховщики могут получить устойчивую ценность. В сфере продаж ИИ поколения может значительно повысить производительность и эффективность сотрудников за счет экономии времени на рутинных задачах.

Внедрение масштабируемой операционной модели

Успешная трансформация ИИ требует фундаментального изменения работы бизнеса. Страховщик должен иметь правильную систему для успешного внедрения ИИ в масштабах всего предприятия.

Когда страховщики приступают к трансформации ИИ, им необходимо выбрать операционную модель, которая соответствует их общей стратегии. Это может включать в себя выбор модели цифровой фабрики из 20–50 модулей, модели продукта и платформы, которая охватывает значительно большее количество модулей, или более комплексной гибкой бизнес-модели в масштабах всего предприятия, которая основывается на модели продукта и платформы и распространяет преимущества гибкой разработки на весь бизнес, а не только на технологически емкие области. Важнейшим аспектом успешной реализации выбранной операционной модели является интеграция надежных возможностей управления продуктами, поскольку они могут существенно повлиять на результат трансформации.

Интегрируя бизнес-функции, данные и технологии в гибкую операционную модель, основанную на командах, страховщики могут устранить разрозненность, развивать культуру собственности и согласовывать приоритеты предприятия с клиентоориентированным подходом. Диспетчеризация с искусственным интеллектом играет решающую роль, обеспечивая управление, отслеживая создание ценности на основе искусственного интеллекта и контролируя внедрение в организации.

По мере того, как страховщики придают все большее значение повторно используемым компонентам и общим стандартам ИИ, роль центральных команд ИИ становится все более заметной. Команды по обработке данных и искусственному интеллекту более тесно сотрудничают с ИТ-отделами, поскольку требуются более широкие инженерные и облачные возможности. В то же время эти тенденции должны быть сбалансированы с владением передовым бизнесом, чтобы сосредоточить технологические возможности на правильных проблемах и получить реальную ценность. Одной из многообещающих моделей является модель, ориентированная на продукт, в которой команды ориентированы на основные «суперпродукты» по всей цепочке создания стоимости в страховании.

Использование технологий для ускорения и распределенных инноваций

Чтобы обеспечить устойчивую стоимость, страховщики должны внедрить подход, ориентированный на искусственный интеллект, и модернизировать весь набор возможностей своей организации. Это позволяет организациям оставаться адаптивными, использовать последние достижения в области искусственного интеллекта и предотвращать накопление устаревших технологий, которые могут препятствовать будущему развитию и инновациям. Настоящая модернизация требует обеспечения возможности повторного использования компонентов и возможностей ИИ, согласования стандартов в масштабах всей организации и использования высококачественных данных для обучения моделей.

Комплексный стек возможностей помогает бесшовно интегрировать ИИ в масштабах всего предприятия. Этот стек ИИ включает в себя четыре важнейших уровня:

• переосмысленное взаимодействие,
• принятие решений на основе ИИ,
• инфраструктура данных,
• платформа данных.

Каждый уровень требует стратегических инвестиций для максимизации влияния ИИ в масштабах предприятия.

Далее более подробно исследуем каждый слой стека ИИ.

Переосмысление взаимодействия

Страховщики должны переосмыслить взаимодействие с клиентами, используя искусственный интеллект для предоставления бесшовного, персонализированного обслуживания. Ведущие страховщики используют искусственный интеллект для улучшения взаимодействия с клиентами, используя несколько способов общения, таких как текстовые чат-боты, изображения, которые помогают клиентам понимать сложную информацию, и голосовые помощники, которые позволяют клиентам общаться со своей страховой компанией, говоря, а не печатая. Искусственный интеллект помогает гарантировать, что клиентский опыт не только похож на человеческий, но и плавный и согласованный по всем каналам. Например, если клиент начинает разговор в мобильном приложении и продолжает его с помощью телефонного звонка, ИИ учтет предыдущие вводимые данные, поэтому клиенту не придется повторять информацию. Клиенты также все больше знакомятся с генеративным искусственнымо интеллектом. Среди людей, которые используют приложения искусственного интеллекта, такие как ChatGPT, 29% используют их для получения финансовой или инвестиционной информации, советов или рекомендаций. По мере того, как все больше потребителей привыкают использовать инструменты искусственного интеллекта для сравнения страховых предложений, перевозчикам необходимо будет повысить свое участие в области консультирования, информирования о ценности продукта и прозрачности цен.

Принятие решений на основе искусственного интеллекта

Уровень принятия решений на основе искусственного интеллекта анализирует горы данных, генерируемых по различным каналам, чтобы обеспечить персонализированный опыт сотрудников и клиентов. Этот слой дополняет существующие решения о ценах и андеррайтинге, поддерживает решения по претензиям и повышает точность претензий за счет динамической оценки данных, таких как примечания оценщика, изображения повреждений, текстовые материалы, документы и история претензий. Например, один оператор создал интегрированный репозиторий продуктов, который включает в себя документы по политике в масштабах всего предприятия. Это позволяет операторам call-центра без проблем отвечать на вопросы, связанные с покрытием, исключениями и многим другим. В сфере страхования имущества и несчастных случаев многие перевозчики используют искусственный интеллект для объединения данных о претензиях с внешними данными для выявления новых факторов риска, таких как оценки ущерба, связанного с климатом.

Благодаря достижениям в области технологий искусственного интеллекта ведущие страховщики переходят от традиционных прогностических моделей к сложным возможностям, таким как многоагентные системы и многоступенчатые рассуждения. Агентный ИИ революционизирует применение ИИ. Агенты генеративного ИИ — это продвинутые системы ИИ, которые могут применять суждения и часто предназначены для взаимодействия с пользователями с использованием обширных научных знаний и исторических данных. Несколько агентов работают совместно для выполнения задач, таких как использование спутниковых снимков и снимков с дронов для оценки и предотвращения ущерба. Они предлагают ценную информацию, оказывают поддержку агентам в режиме реального времени и предлагают соответствующие дальнейшие шаги. Агенты Gen AI могут значительно улучшить взаимодействие с клиентами, автоматизировать сложные рабочие процессы и повысить производительность. Между тем, многоступенчатое мышление позволяет системе ИИ разбивать сложные проблемы на несколько более мелких, управляемых шагов, а затем решать каждый шаг последовательно. Например, страховщик может использовать систему искусственного интеллекта, способную к многоступенчатому рассуждению для рассмотрения претензии, оценки ущерба и расчета выплаты.

Возможность интеграции уникального опыта и запатентованных методов в агентные системы искусственного интеллекта может стать центральной частью интеллектуальной собственности страховщиков. Например, ведущая страховая компания, базирующаяся в Северной Америке, использует агентские процессы на протяжении всего рабочего процесса андеррайтинга. Благодаря этой реализации страховщик обнаружил различные неявные суждения, на которые традиционно полагались андеррайтеры, и кодифицировал их в новых правилах и протоколах, повысив эффективность и последовательность процесса андеррайтинга.

Чтобы максимизировать отдачу от искусственного интеллекта, страховщики также должны сосредоточиться на масштабировании многоразовых, стандартизированных компонентов. Модели и конвейеры ИИ должны быть спроектированы как модульные, функционально совместимые ресурсы кода, которые можно использовать в нескольких областях. Например, механизм классификации документов на основе искусственного интеллекта, разработанный для андеррайтинга, также может улучшить обработку претензий и обслуживание полисов. Инвестиции в стандартизированные платформы ИИ, API и ресурсы для кодирования сокращают время разработки, сводят к минимуму избыточность и ускоряют внедрение ИИ на предприятии. Рассматривая ИИ как масштабируемую возможность, а не как серию разовых проектов, страховщики могут извлечь значительно больше пользы из инвестиций в ИИ.

Одним из важных факторов, которые страховщики должны учитывать, является вопрос о том, стоит ли создавать или покупать технологию искусственного интеллекта или использовать гибридную модель.

Инфраструктура

Надежный инфраструктурный уровень предоставляет возможности, которые позволяют ИИ эффективно функционировать и приносить пользу, включая конвейеры машинного обучения, способные эффективно запускать большие модели ИИ.

Принятие решения о том, стоит ли создавать, покупать или сотрудничать

Основной проблемой при трансформации ИТ-инфраструктуры являются устаревшие системы, которые все еще используются, несмотря на то, что больше не поддерживаются поставщиками. Страховщикам необходимо будет модернизировать эту устаревшую инфраструктуру, чтобы в полной мере использовать искусственный интеллект, преодолевая жесткие ИТ-системы, которым не хватает масштабируемости и вычислительной мощности в режиме реального времени. Gen AI помогает развеять мифы о устаревших системах, анализируя код и создавая структурированную документацию, помогая организациям сохранять институциональные знания. Кроме того, генеративный искусственный интеллект повышает производительность разработчиков за счет автоматизированного создания и тестирования кода, сокращая объем ручного труда и ускоряя циклы выпуска. ИТ-директора и технические директора могут обратиться к прошлым урокам технологических революций, чтобы помочь высшему руководству в масштабировании генеративного ИИ от пилотных проектов до получения долгосрочной ценности для бизнеса.

Например, несколько лет назад ведущее финансовое учреждение столкнулось со счетом на сумму более 100 миллионов долларов США на модернизацию системы обработки транзакций. Gen AI снизил затраты до менее чем половины от этой суммы. Между тем, 15 крупнейших мировых страховщиков использовали Gen AI для более чем 50-процентного повышения эффективности модернизации и тестирования кода, а также ускорения задач по написанию кода более чем на 50%.

Платформа данных

Страховщики должны инвестировать в инфраструктуру данных, необходимую для обучения и масштабирования многоагентных систем искусственного интеллекта, обеспечивая бесшовную интеграцию между бизнес-функциями. Гибридная облачная инфраструктура, объединяющая локальные центры обработки данных и публичные облачные среды, должна быть спроектирована таким образом, чтобы обеспечить масштабируемость, в то время как высококонфигурируемые процессоры основных продуктов обеспечивают гибкость и эффективность.

Что касается управления данными, страховщики должны оценивать доступность и качество своих данных, а также учитывать сложности управления конфиденциальной информацией. В тех случаях, когда устаревшие системы представляют собой проблему, страховщикам может потребоваться модернизировать ИТ-ландшафт, чтобы в полной мере поддерживать внедрение ИИ.

Управление внедрением и изменениями

Успешное внедрение ИИ зависит от развития культуры инноваций, изменения мышления и развития основных навыков, но организации часто недооценивают сопротивление сотрудников и готовность к новым способам работы. Сотрудники должны обладать нужными навыками и иметь четкое представление о роли ИИ в оказании им помощи в выполнении их работы. Ведущие страховщики внедряют структурированные программы управления изменениями, в которых особое внимание уделяется ролевому моделированию лидерства, четкому информированию о ценности ИИ, комплексным инициативам по наращиванию потенциала и созданию соответствующих структур эффективности.

Сотрудники могут испытывать беспокойство по поводу своей роли, поскольку организации внедряют технологии искусственного интеллекта. Тем не менее, история показала, что технологии обычно создают новые потребности и возможности, что приводит к появлению различных ролей и обязанностей. В конечном счете, внедрение ИИ в рабочие процессы требует культивирования общего владения и ответственности за внедрение ИИ в организации.

Управление изменениями является ключевым отличием ИИ, простаивающего без дела, и трансформационных операций ИИ. Недостаточно иметь отличную технологию — это только половина дела. Другая половина заключается в том, чтобы заставить сотрудников действительно использовать ИИ в своих повседневных задачах и изменить способ выполнения работы, будь то автоматизация или дополнение.

Внедрение ИИ является обязательным условием для сохранения конкурентоспособности. Лишь немногие ведущие страховщики полностью внедрили ИИ, что является убедительным примером для тех, кто хочет воспользоваться возможностью трансформации. Эти страховщики уже вырываются вперед, а последние технологические разработки дали им возможность двигаться еще быстрее. Большинство других застряли в пилотном чистилище, сталкиваясь с различными распространенными ловушками. Им не хватает смелой стратегии ИИ в масштабах предприятия с измеримыми финансовыми результатами, которые могли бы вывести организацию из состояния инерции. Они недооценивают весь спектр инвестиционных потребностей, что приводит к маломасштабным, разрозненным усилиям и низкой окупаемости инвестиций. Они сосредоточены на узких сценариях использования, а не на трансформации в масштабах предметной области. Они не могут создать компоненты, которые можно было бы повторно использовать во всех сферах бизнеса, что ограничивает долгосрочную ценность ИИ. Они слишком полагаются на готовые решения, снижая соответствие уникальным бизнес-потребностям и уничтожая собственную способность создавать интеллектуальную собственность нового поколения. Без решения этих проблем страховщики рискуют столкнуться с застоем.

Чтобы оставаться конкурентоспособными в быстро развивающемся мире, страховщики должны принять смелое видение ИИ в масштабах всего предприятия, коренным образом перестроив свою деятельность и внедрив ИИ во все аспекты своей организации. Это включает в себя разработку систем, специфичных для предприятия, тонкую настройку моделей ИИ на основе внутренних данных, переоснащение рабочих процессов, чтобы превзойти конкурентов на определенных направлениях и рынках, переосмысление операционных моделей и масштабирование ИИ с помощью повторно используемых компонентов для максимизации его преобразующего потенциала. Перестраивая деятельность таким образом, чтобы поставить ИИ на первое место, страховщики могут создавать долгосрочную ценность для бизнеса и опережать конкурентов.

Источник

Будущее ИИ в страховой отрасли. 15 июля 2025. Ник Милинкович, Сид Камат, Танги Кэтлин, Вайолет Чанг, Пранав Джейн, Рамзи Элиас.

https://www.mckinsey.com/industries/financial-services/our-insights/the-future-of-ai-in-the-insurance-industry

The future of AI in the insurance industry. July 15, 2025. Nick Milinkovich, Sid Kamath, Tanguy Catlin, Violet Chung, Pranav Jain and Ramzi Elias.

Риски агентного ИИ

Автономные агенты ИИ открывают новый мир возможностей, а также целый ряд новых и сложных рисков и уязвимостей, требующих внимания и действий немедленно.

Руководители предприятий спешат внедрить агентный ИИ, и легко понять, почему. Автономные и целеустремлённые агентные системы ИИ способны рассуждать, планировать, действовать и адаптироваться без человеческого контроля — это мощные новые возможности, которые могут помочь организациям раскрыть потенциал, открываемый ИИ нового поколения , радикально переосмыслив свои методы работы. Всё больше организаций в настоящее время изучают или внедряют системы агентного ИИ, которые, по прогнозам, помогут ежегодно получать от 2,6 до 4,4 триллиона долларов США в более чем 60 сферах применения ИИ нового поколения, включая обслуживание клиентов, разработку программного обеспечения, оптимизацию цепочек поставок и обеспечение соответствия требованиям. И путь к развертыванию агентного ИИ только начинается: только 1% опрошенных организаций считают, что внедрение ИИ у них достигло зрелости.

Но хотя агентный ИИ может принести огромную пользу, эта технология также несет в себе ряд новых рисков, создавая уязвимости, которые могут нарушить работу, поставить под угрозу конфиденциальные данные или подорвать доверие клиентов. Агенты ИИ не только предоставляют новые внешние точки входа для потенциальных злоумышленников, но и, поскольку они способны принимать решения без человеческого контроля, создают новые внутренние риски. С точки зрения кибербезопасности можно рассматривать агентов ИИ как «цифровых инсайдеров» — субъектов, работающих в системах с различными уровнями привилегий и полномочий. Так же, как и их коллеги-люди, эти цифровые инсайдеры могут причинить вред непреднамеренно, из-за плохой координации или преднамеренно, если они будут скомпрометированы. Уже 80% организаций сообщают, что сталкивались с рискованным поведением агентов ИИ, включая ненадлежащее раскрытие данных и несанкционированный доступ к системам.

Руководителям в области технологий, включая директоров по информационным технологиям (CIO), директоров по рискам (CRO), директоров по информационной безопасности (CISO) и директоров по защите данных (DPO), предстоит тщательно изучить возникающие риски, связанные с агентами ИИ и агентскими рабочими силами, а также заблаговременно обеспечить безопасное и соответствующее требованиям внедрение этой технологии. Будущее ИИ на работе — не просто быстрее или умнее. Он становится более автономным. Агенты будут всё чаще инициировать действия, сотрудничать вне определённых подразделений и принимать решения, влияющие на бизнес-результаты. Это многообещающее развитие, при условии, что эти агенты работают не только с доступом компании, но и с её намерениями. В мире агентов доверие — это не просто характеристика. Оно должно быть основой.

Возникающие риски в эпоху агентов

Работая автономно и автоматизируя задачи, традиционно выполняемые людьми, агентный ИИ добавляет новое измерение к ландшафту рисков. Ключевым изменением является переход от систем, обеспечивающих взаимодействие, к системам, управляющим транзакциями, которые напрямую влияют на бизнес-процессы и результаты. Этот сдвиг обостряет проблемы, связанные с основными принципами безопасности: конфиденциальностью, целостностью и доступностью в агентском контексте, из-за дополнительного потенциала усиления фундаментальных рисков, таких как конфиденциальность данных, отказ в обслуживании и целостность системы. 

Следующие новые факторы риска выходят за рамки традиционной таксономии рисков, связанных с ИИ.

• Цепочка уязвимостей. Ошибка в одном агенте распространяется каскадом по задачам на других агентов, увеличивая риски.
• Эскалация задач между агентами. Вредоносные агенты используют механизмы доверия для получения несанкционированных привилегий.
• Риск синтетической идентификации. Злоумышленники подделывают или выдают себя за агентов, чтобы обойти механизмы доверия.
• Неотслеживаемая утечка данных. Автономные агенты, обменивающиеся данными без контроля, скрывают утечки и уклоняются от проверок.
• Распространение искажения данных. Данные низкого качества незаметно влияют на решения, принимаемые агентами.

Подобные ошибки грозят подорвать доверие к бизнес-процессам и решениям, которые агентские системы призваны автоматизировать, сводя на нет любой прирост эффективности, который они обеспечивают. К счастью, это не неизбежно. Агентский ИИ может раскрыть свой потенциал, но только если принципы безопасности, описанные ниже, будут внедрены в систему с самого начала.

Для каждого варианта использования агента в портфеле ИИ организации технические руководители должны выявить и оценить соответствующие организационные риски и, при необходимости, обновить свою методологию оценки рисков.

Руководящие принципы обеспечения безопасности агентского ИИ

Для безопасного внедрения агентного ИИ организации могут использовать структурированный многоуровневый подход. Ниже мы предлагаем практическую дорожную карту, которая описывает ключевые вопросы, которые следует задать технологическим лидерам для оценки готовности, снижения рисков и обеспечения уверенного внедрения агентных систем. Процесс начинается с обновления систем управления рисками и управления, затем следует создание механизмов надзора и повышения осведомленности, а завершается внедрением средств контроля безопасности.

Перед развертыванием агента

Прежде чем организация начнет использовать автономных агентов, ей следует убедиться в наличии необходимых мер безопасности, методов управления рисками и корпоративного управления для безопасного, ответственного и эффективного внедрения этой технологии. Вот несколько ключевых вопросов, которые следует рассмотреть:

Рассматривает ли наша политика в области ИИ агентские системы и их уникальные риски? Ответ на этот вопрос начинается с обновления существующих политик, стандартов и процессов в области ИИ, таких как управление идентификацией и доступом (IAM) и управление рисками третьих сторон (TPRM), с учетом новых возможностей агентских систем. Например, в контексте IAM организации должны определить роли и процессы утверждения агентов для защиты взаимодействия с данными, системами и пользователями. Аналогичным образом, им следует определить и проанализировать взаимодействие агентских решений, приобретенных у третьих сторон, с внутренними ресурсами.

Организациям также приходится учитывать постоянно меняющийся характер правил, регулирующих использование ИИ. Для начала им следует определить правила, которым они подчиняются. Например, статья 22 Общего регламента по защите данных Европейского союза (GDPR) ограничивает использование ИИ, предоставляя отдельным лицам право отклонять решения, основанные исключительно на автоматизированной обработке. В Соединенных Штатах отраслевые законы, такие как Закон о равных возможностях кредитования (ECOA), устанавливают требования к системам ИИ для предотвращения дискриминации. Кроме того, инициативы на уровне штатов, такие как местный закон № 144 города Нью-Йорка, предусматривают проведение аудита предвзятости для автоматизированных инструментов принятия решений о найме, что свидетельствует о растущей тенденции к ответственности ИИ. В настоящее время принимаются новые правила, регулирующие использование ИИ, такие как Закон ЕС об ИИ, которые вступят в силу в полном объеме в течение следующих трех лет. В этой быстро меняющейся нормативной среде, где многие требования остаются неясными, консервативный подход, предполагающий прогнозирование возможных стандартов, таких как человеческий надзор, защита данных и справедливость, может помочь организациям оставаться на шаг впереди и избегать дорогостоящих пересмотров требований в будущем.

Готова ли наша программа управления рисками к управлению рисками, связанными с агентским ИИ? Корпоративные фреймворки кибербезопасности, такие как ISO 27001, фреймворк кибербезопасности Национального института стандартов и технологий (NIST CSF) и SOC 2, фокусируются на системах, процессах и людях. Они пока не в полной мере учитывают автономных агентов, которые могут действовать по своему усмотрению и адаптироваться. Чтобы преодолеть этот пробел, организации могут пересмотреть свою таксономию рисков, чтобы явно учитывать новые риски, связанные с агентским ИИ.

Для каждого варианта использования агентного ИИ в портфеле ИИ организации технические руководители должны выявлять и оценивать соответствующие организационные риски и, при необходимости, обновлять свою методологию оценки рисков, чтобы иметь возможность измерять риски, связанные с агентным ИИ. Без такой прозрачности риски, возникающие в результате использования агентного ИИ, грозят стать «черным ящиком» даже в большей степени, чем то, что мы наблюдали в случае аналитического или генного ИИ.

Есть ли надежное управление ИИ на протяжении всего жизненного цикла? Для создания системы управления необходимо определить стандартизированные процессы надзора, включая права собственности и обязанности в рамках процедур подключения, развертывания и отключения ИИ; мониторинг и обнаружение аномалий, привязанные к ключевым показателям эффективности (KPI); определение триггеров для эскалации; и разработку стандартов ответственности за действия агентов. Для каждого решения агентского ИИ в портфеле организации должны начать с перечисления технических деталей, таких как базовая модель, место размещения и используемые источники данных, а также критичность варианта использования, контекстную конфиденциальность данных, права доступа и межагентские зависимости. Затем им следует четко определить права собственности на каждый вариант использования, с контролем со стороны человека и ответственными заинтересованными сторонами за принятие решений, безопасность и соответствие требованиям, а также определить и распределить ресурсы для управления рисками.

Особенно на экспериментальной или пилотной стадии проекты ИИ имеют тенденцию к быстрому росту без адекватного контроля, что может усложнить управление рисками или обеспечение соблюдения принципов управления.

Перед запуском использования агента

После решения вышеперечисленных основополагающих вопросов и внедрения структуры и политик управления рисками агентского ИИ организациям следует четко понимать, что именно они разрабатывают, учитывая сопутствующие риски и требования к соблюдению нормативных требований для каждого проекта. Ответы на следующие вопросы помогут обеспечить соответствие амбиций и готовности к реализации:

Как сохранить контроль над инициативами агентов и обеспечить надзор за всеми проектами? Особенно на экспериментальном или пилотном этапе проекты ИИ быстро разрастаются без адекватного контроля, что может затруднить управление рисками и обеспечение надлежащего управления. Организациям следует создать четкую, централизованно управляемую и ориентированную на бизнес систему управления портфелем ИИ, которая обеспечит надзор со стороны служб ИТ-рисков, информационной безопасности и соответствия ИТ-требованиям. Эта система должна обеспечивать полную прозрачность в отношении владения бизнесом, ИТ и безопасностью; подробное описание вариантов использования; список данных, предоставленных агенту для обучения, взаимодействия (например, подключенных API) или и того, и другого; и статус данных. Репозиторий также должен включать все агентские системы, которые в настоящее время находятся в разработке, пилотируются или планируются бизнес-подразделениями. Это может помочь организациям избежать экспериментального и неконтролируемого развертывания моделей с потенциально непреднамеренными критическими точками риска.

Есть ли возможности для поддержки и защиты систем агентского ИИ? Чтобы обеспечить успех пилотных проектов агентского ИИ, организациям следует оценить свой текущий уровень навыков, знаний и ресурсов в соответствии с планом развития агентов, включая проектирование безопасности ИИ, тестирование безопасности, моделирование угроз, а также навыки, необходимые для управления, соответствия требованиям и управления рисками. Затем им следует выявить пробелы в навыках и ресурсах, существующие между амбициями агентов и возможностями безопасности, и запустить информационно-просветительские кампании для их сокращения, одновременно определяя критически важные роли на основе жизненного цикла ИИ. Например, организациям, не обладающим знаниями об угрозах, связанных с ИИ, необходимо будет повысить квалификацию инженеров по безопасности в области моделирования угроз для моделей и агентов ИИ.

Во время развертывания варианта использования агентского ИИ

После запуска сценариев использования и пилотных проектов организациям необходимо обеспечить соблюдение пилотных проектов с помощью технических и процедурных мер контроля. Эти меры контроля следует регулярно пересматривать, чтобы гарантировать их актуальность и эффективность по мере совершенствования и масштабирования агентных систем. 

Вот несколько ключевых вопросов, которые следует рассмотреть:

Готовы ли мы к межагентному взаимодействию и защищены ли эти соединения? Агенты ИИ взаимодействуют не только с пользователями-людьми, но и с другими агентами ИИ. Организациям крайне важно обеспечить безопасность такого взаимодействия агентов, особенно в условиях роста многоагентных экосистем. Протоколы управления взаимодействием агентов, такие как протокол контекста модели Anthropic, протокол подключения агентов Cisco, протокол Agent2Agent от Google и протокол связи агентов IBM, находятся в стадии разработки, но пока не достигли полной зрелости. Следя за развитием протоколов, руководители технологических компаний должны также обеспечить аутентификацию, протоколирование и надлежащее разрешение межагентного взаимодействия. Вместо того, чтобы ждать идеальных стандартов, лучше всего внедрить меры безопасности уже сейчас и планировать обновления по мере появления более безопасных протоколов.

Имеем ли мы контроль над тем, кто может использовать агентские системы и используют ли они их надлежащим образом? Доступ к моделям и ресурсам должен контролироваться и защищаться. Системы управления идентификацией и доступом должны применяться не только к пользователям-людям, но и к агентам ИИ, взаимодействующим с другими агентами, людьми, данными и системными ресурсами. Организации должны определить, какие пользователи, люди или ИИ, имеют право доступа или взаимодействия с такими ресурсами и активами и при каких условиях. Им также следует дополнить IAM защитными барьерами ввода/вывода, чтобы предотвратить ненадлежащее использование агентов, манипулирование ими или их небезопасное поведение посредством враждебных подсказок или несогласованных целей. Кроме того, организациям необходимо тщательно контролировать способы взаимодействия сторонних агентов ИИ с внутренними ресурсами, чтобы гарантировать их соответствие тем же требованиям безопасности, управления и этики, что и внутренние системы.

Можно ли отслеживать действия агентов, понимать и объяснять их поведение? Агентские системы должны создаваться с механизмами отслеживания с самого начала. Это означает регистрацию не только действий агентов, но и подсказок, решений, изменений внутреннего состояния, промежуточных рассуждений и результатов, которые привели к такому поведению. Такие системы необходимы для обеспечения аудита, анализа первопричин, соответствия нормативным требованиям и анализа после инцидентов. Организациям следует регулярно проводить оценку эффективности, чтобы оценить, соответствуют ли агенты своему назначению.

Есть ли план действий на случай сбоя агента или его непредвиденного поведения? Даже хорошо спроектированные агенты могут выйти из строя, быть поврежденными или стать жертвой злоумышленников. Перед развертыванием организациям следует разработать план действий на случай сбоя, включая надлежащие меры безопасности, для каждого критически важного агента. Это начинается с моделирования наихудших сценариев, таких как отсутствие ответа агента, отклонение от ожидаемой цели, намеренное злонамеренное поведение или эскалация задач без разрешения. Затем организациям следует обеспечить наличие механизмов завершения работы и запасных решений. Наконец, следует развертывать агенты в автономных средах с четко определенным доступом к сети и данным. Это также позволяет обеспечить немедленную изоляцию при необходимости.

Выявляя и внедряя эффективные средства контроля, организации могут проактивно снижать риски, связанные с ИИ-агентами, а не реагировать на них реактивно. Например, поддержание согласованного портфеля ИИ-агентов и надёжное ведение журналов ИИ позволяет отслеживать обмен данными между агентами, тем самым снижая риск неотслеживаемой утечки данных. Кроме того, внедрение плана действий ИИ на случай непредвиденных обстоятельств и среды «песочницы» в сочетании с IAM и защитными барьерами позволяет эффективно изолировать ИИ-агента, пытающегося несанкционированно повысить привилегии посредством эскалации задач между агентами.

Безопасность агентов не может быть второстепенной задачей

Появление агентов неизбежно. По мере того, как всё больше компаний внедряют агентов на основе ИИ, возникнут новые проблемы с сохранением конфиденциальности и целостности данных и систем. В настоящее время лица, принимающие решения, сталкиваются с необходимостью сбалансировать поддержку бизнеса со структурированным подходом к управлению рисками, связанными с безопасностью агентов; в конце концов, никто не хочет стать первым примером катастрофы, связанной с безопасностью агентов на основе ИИ. ИТ-директора, директора по управлению рисками и руководители служб информационной безопасности должны незамедлительно начать важные обсуждения со своими коллегами, чтобы получить прозрачную информацию о текущем состоянии внедрения агентов на основе ИИ в организации и начать создавать необходимые барьеры. Тщательные и целенаправленные действия сейчас помогут обеспечить успешное масштабирование в будущем.

В настоящее время агентские транзакции остаются цифровыми, но траектория указывает на ещё более радикальное будущее, включая воплощённых агентов, действующих в физическом мире. Последствия для безопасности станут ещё более серьёзными, поэтому ещё важнее подготовить прочный фундамент уже сегодня.

Источник

Безопасное развертывание агентного ИИ: руководство для лидеров в области технологий. 16 октября 2025 г. Статья. Бенджамин Кляйн, Чарли Льюис, Рич Айзенберг, Данте Габриелли, Хелен Мёллеринг, Рафаэль Энглер.

https://www.mckinsey.com/capabilities/risk-and-resilience/our-insights/deploying-agentic-ai-with-safety-and-security-a-playbook-for-technology-leaders

Deploying agentic AI with safety and security: A playbook for technology leaders. October 16, 2025.

Потенциал и результаты ИИ

В то время как генеральные директора и директора по маркетингу задаются вопросом, где ИИ переходит от шумихи к реальным результатам, лидеры рынка демонстрируют необходимость более тесного сотрудничества человека и ИИ, а также более четкого управления.

Основные выводы

• Ценность достигается за счет комплексных изменений. Широкомасштабные улучшения производительности — это само собой разумеющееся. Эффект достигается за счет определения приоритетных проблем роста и их комплексного решения в рамках конкретной области.
• Необходимо переосмыслить рабочие процессы, а не инструменты. Рост достигается за счет сопоставления решений и передач информации, а также внедрения агентов там, где они влияют на результаты, а не путем их добавления к устаревшим этапам.
• Масштабирование с помощью новой операционной модели. Комплексная трансформация требует межфункциональных команд, объединяющих людей и ИИ, общих продуктов на основе данных и управления, которое рассматривает агентов как управляемый персонал.

Крупный мировой ритейлер наблюдает резкий рост спроса на свой популярный товар в одном регионе, в то время как в другом накапливаются запасы. В считанные секунды команда агентов на основе искусственного интеллекта перераспределяет рекламные расходы, корректирует цены, перенаправляет товары и обновляет креативные материалы, чтобы предложения соответствовали намерениям покупателей. В этом сценарии дальнейшие действия, инициированные сигналами клиентов, обеспечивают рост бизнеса в режиме реального времени.

Это не фантастический сценарий; это новый рубеж применения ИИ в функциях роста. Агентный ИИ внедряет автоматизированное мышление непосредственно в рабочие процессы маркетинга, продаж и обслуживания клиентов. Агентный ИИ обеспечит более 60% дополнительной ценности, которую, как ожидается, принесет внедрение ИИ в маркетинг и продажи. Без преувеличения можно сказать, что маркетинг и продажи представляют собой передовой инструмент в преобразовании потенциала агентного ИИ в значимую ценность.

Ценность агентного ИИ заключается в задачах, которые он способен выполнять. В отличие от генеративного ИИ и чат-ботов, которые в основном помогают в выполнении маркетинговых и торговых задач, агенты ИИ могут действовать, принимать решения и сотрудничать. Например, они способны оптимизировать цены, продвигать потенциальных клиентов, адаптировать предложения и управлять взаимодействием с клиентами от начала до конца. По мере того, как организации все шире внедряют агентный ИИ, выгоды могут масштабироваться. Эффективное и масштабируемое развертывание агентов может обеспечить повышение производительности на 3-5% в год и потенциально увеличить рост на 10% и более.

Однако большинство организаций пока не получили существенной выгоды от ИИ в целом. Почти восемь из десяти сообщают об отсутствии значительного увеличения прибыли от ИИ в целом, в основном из-за ограничений, связанных с фрагментированными пилотными программами, слабыми данными и недостаточной основой управления. Лидеры, которые добиваются прорыва и получают выгоду от ИИ, перестраивают процессы роста, интегрируя агентов ИИ в рабочие процессы. Наш опыт работы в различных отраслях показывает, что организации, которые совершают прорывы и превращают агентный ИИ из многообещающего решения в эффективный инструмент маркетинга и продаж, следуют четырем урокам:

1. Идите туда, где ценность.

Влияние начинается с определения того, в каких областях агенты могут добиться существенных результатов — будь то конверсия, точность ценообразования или вовлеченность клиентов — и с их использования для ускорения достижения этих результатов.

Рассмотрим персонализацию, возможности которой доказаны и огромны. Исследование McKinsey показывает, что 71% потребителей ожидают персонализированного взаимодействия, а 76% разочаровываются, когда этого не происходит. Персонализация на основе ИИ может повысить удовлетворенность клиентов на 15-20%, увеличить выручку на 5-8% и снизить затраты на обслуживание до 30%.

Искусственный интеллект, основанный на агентских технологиях, делает это возможным в масштабах, используя контекстное мышление и принятие решений в реальном времени для уточнения предложений, контента и пользовательского опыта при каждом взаимодействии. Согласно анализу McKinsey, например, европейская страховая компания переосмыслила свою систему продаж с помощью агентов на основе ИИ, которые персонализировали кампании в сотнях микросегментов, адаптировали сценарии под потребности покупателей и обучали команды продаж с помощью обратной связи в реальном времени. Результат: коэффициент конверсии в два-три раза выше, время обработки звонков в службу поддержки клиентов на 25% короче, а также непрерывные циклы обучения, недостижимые при ручной проверке.

Другие организации используют аналогичные методы с применением ИИ для улучшения качества обслуживания клиентов, предвидя их дальнейшие потребности и предоставляя их в нужный момент. Американская авиакомпания использовала прогнозные данные для адаптации компенсаций в случае сбоев в расписании рейсов, различая часто летающих и нечасто путешествующих клиентов. В результате удалось добиться 210-процентного улучшения в выявлении клиентов, подверженных риску, 800-процентного повышения удовлетворенности клиентов и 59-процентного снижения оттока среди ценных пассажиров.

Аналогичный тип интеллекта оказывается полезным и для повышения эффективности ценообразования. Агентный ИИ может отслеживать изменения рынка, моделировать результаты и мгновенно реагировать, корректируя цены или перераспределяя запасы в режиме реального времени на основе действий конкурентов, поведения клиентов или прогнозов спроса. Авиакомпании , например, уже используют агентный ИИ для создания персонализированных пакетов, объединяющих тарифы, места и дополнительные предложения, динамически обновляя цены на основе таких сигналов в реальном времени, как поисковые запросы, погода и модели бронирования.

2. Думайте в терминах рабочих процессов, а не агентов.

Организации, получающие ощутимую пользу от использования агентного ИИ, выходят за рамки простого развертывания новых агентов для улучшения существующих задач; они перестраивают рабочие процессы. Агенты повышают ценность, когда используются для улучшения сквозных процессов и путей взаимодействия посредством автоматизации и координации — однако их возможности ограничены, когда они используются для улучшения отдельных этапов. Например, улучшение поиска товаров дает ограниченный эффект, если процессы покупки и доставки остаются медленными или разрозненными.

В традиционных процессах работа выполняется последовательно, часто между отделами: маркетинг передает задачи в отдел продаж, обслуживание переходит в службу поддержки, а затем следует ценообразование. Каждая из этих функций за последние годы добилась огромного прогресса благодаря внедрению цифровых и аналитических возможностей, а агентный ИИ развивает эти улучшения, автоматизируя и координируя задачи между командами и функциями. Преодоление постоянных проблем координации между сложными операционными подразделениями и рабочими процессами позволяет организациям достигать более быстрых циклов, а также большей согласованности и оперативности в масштабе, недостижимом при человеческой координации.

Крайне важно, чтобы успех достигался путем проектирования процессов вокруг агентов, а не путем добавления агентов к устаревшим процессам. Например, вместо того, чтобы использовать агентов для ускорения реагирования команд обслуживания клиентов на жалобы, ведущие организации используют агентов для прогнозирования потенциальных проблем, инициирования связи с клиентом до его звонка и превентивного решения проблем с помощью персонализированных предложений.

Однако создание ценности с помощью агентов ИИ для комплексных изменений зависит от подбора подходящего агента для конкретной задачи: агентов, специализирующихся на конкретных областях и обрабатывающих сложные контекстуальные действия; универсальных агентов для таких задач, как синтез данных или генерация контента; агентов, проверяющих наличие ошибок; и агентов оркестровки, которые управляют системой в целом и синхронизируют ее работу.

В этом процессе люди играют решающую роль. Они могут тесно сотрудничать с агентами для контроля и проверки, а также для решения проблем, которые агенты ИИ передают им. В самых передовых организациях такое взаимодействие человека и агента объединяется в адаптивные рабочие процессы, которые развиваются с каждой итерацией и с учетом сигналов клиентов.

3. Создавайте агентов для совместной работы, а не просто дополнительные инструменты.

Для масштабирования агентного ИИ организациям необходимо перестать рассматривать агентов как дополнительные инструменты и начать относиться к ним как к цифровым партнерам по сотрудничеству. Это означает определение ролей агентов, их надлежащую адаптацию и управление ими с четкими ожиданиями относительно их производительности — подобно членам человеческой команды.

Однако правильные метрики для измерения производительности ИИ-агентов отличаются от традиционных KPI производительности. Вместо того чтобы фокусироваться, например, на количестве звонков или объеме кампаний, ведущие организации отслеживают комплекс показателей, таких как качество разговора, точность выполнения задач, точность эскалации и скорость обучения , отражающих то, насколько эффективно агенты учитывают обратную связь и адаптируются к меняющимся потребностям покупателей. Поскольку каждое действие агента регистрируется и отслеживается, эти метрики можно непрерывно контролировать. Панели мониторинга в режиме реального времени выявляют отклонения в производительности, сравнивают результаты с базовыми показателями работы людей и указывают на необходимость переобучения или перекалибровки.

4. Создайте организацию, ориентированную на агентный рост.

Поскольку агенты берут на себя рабочие процессы, охватывающие маркетинг, продажи и обслуживание клиентов, компаниям необходимо переосмыслить организацию роста. Традиционная модель, в которой каждая функция работает изолированно, уступает место интегрированной системе, где агенты координируют действия, обмениваются данными и связывают весь путь клиента — от осведомленности до лояльности. Разработка кампаний, конверсия лидов и взаимодействие с клиентами больше не являются последовательными шагами, а представляют собой части единого цикла обучения.

Этот сдвиг требует новой гибридной операционной модели, сочетающей человека и ИИ. В такой системе агенты занимаются координацией и выполнением задач, а люди обеспечивают стратегию, креативность и контроль. Команды по развитию бизнеса по своей сути становятся кросс-функциональными, объединяя маркетологов, продавцов, представителей службы поддержки клиентов и специалистов по анализу данных, которые сотрудничают, используя общие рабочие процессы и общие KPI. Агенты используются в разных функциях, а не дублируются: один агент, получающий данные о клиентах, может поддерживать планирование кампаний, телефонные звонки клиентам или взаимодействие с ними после покупки.

Однако без эффективного управления и агентной архитектуры такой масштаб может привести к «агентному хаосу» из-за избыточных сборок, непостоянного качества и неуправляемых рисков. Для эффективного масштабирования ведущие компании создают «фабрики агентов»: специализированные центры, которые стандартизируют процессы создания, развертывания и управления агентами. Эти центры стандартизируют многократно используемые шаблоны, общие продукты данных и механизмы обеспечения безопасности и соответствия требованиям. Стандартизированным агентам, которые они создают, назначаются четкие, основанные на ролях обязанности, так что ведущие агенты координируют работу, агенты-практики выполняют задачи, а агенты контроля качества и соответствия требованиям отслеживают производительность.

Ряд глобальных банков демонстрируют этот подход, создавая агентские центры для преобразования своих процессов комплексной проверки. Каждый центр развертывает группы агентов для выполнения отдельных этапов, от извлечения данных до проверки и обеспечения качества, что сокращает ручной труд, повышая точность и контроль.

Заключение

Очень скоро главный вопрос для руководителей сместится с «что этот агент может сделать для нас» на «какие результаты я готов с его помощью достичь и как я могу наилучшим образом использовать создаваемое им пространство, чтобы позволить людям делать то, что под силу только им, еще лучше?». Чем быстрее организации смогут внедрить агентный ИИ в маркетинговые, сбытовые и клиентские службы, тем быстрее они смогут ответить на более масштабные вопросы.

Источник

Агенты роста: превращение потенциала ИИ в реальные результаты. 3 ноября 2025 г. Статья
Грег Келли, Лиза Харкнесс, Стив Рейс

https://www.mckinsey.com/capabilities/growth-marketing-and-sales/our-insights/agents-for-growth-turning-ai-promise-into-impact

Agents for growth: Turning AI promise into impact. November 3, 2025 Article