Потенциал агентного ИИ в трансформации GBS
При поддержке EdgeVerve
Прежде чем говорить об общих центрах обслуживания (ОЦО), давайте сделаем шаг назад. Способен ли агентный ИИ — тот тип искусственного интеллекта, который способен действовать для достижения поставленных целей, — трансформировать не только ОЦО, но и любое предприятие в целом? И произошло ли это уже?
Как и в случае со многими новыми технологиями, в данном случае риторика опережала реальное внедрение. Хотя 2025 год «должен был стать годом агентного ИИ», на деле всё оказалось иначе, отмечает обозреватель VentureBeat Тарин Пламб (Taryn Plumb). Опираясь на мнения представителей Google Cloud и компании-разработчика среды разработки (IDE) Replit, Пламб сообщила в своей статье на VentureBeat от декабря 2025 года, что индустрии по-прежнему не хватает базовых условий, необходимых для масштабирования.
Учитывая опыт применения генеративного ИИ на базе больших языковых моделей (LLM), такой результат неудивителен. Согласно опросу, проведенному в феврале 2025 года на саммите Shared Services & Outsourcing Network (SSON), 65% организаций сферы ОЦО заявили, что еще не завершили ни одного проекта в области генеративного ИИ. Можно с уверенностью сказать, что внедрение более молодого агентного ИИ находится на самом начальном этапе как для бизнеса в целом, так и для ОЦО.
Роль агентного ИИ в глобальных бизнес-сервисах
Тем не менее, есть веские причины сосредоточиться на огромном потенциале агентного ИИ и его применении в секторе ОЦО.
Если отбросить шумиху, агентный ИИ открывает возможности на уровне оркестровки программных рабочих процессов, которые раньше были непрактичными. Это достигается за счет целого ряда методов, включая (но не ограничиваясь) большие языковые модели. Хотя предприятиям действительно может не хватать определенных базовых элементов для развертывания агентного ИИ в масштабе, эти предпосылки вполне достижимы.
Что касается ОЦО и глобальных центров разработки (GCC), они уже претерпевают трансформацию: из бэк-офисных придаточных структур они превращаются в ключевых стратегических партнеров предприятия. Агентный ИИ подходит для этого как нельзя лучше, поскольку один из его стандартных сценариев использования связан с ИТ-операциями или агентами службы поддержки — функционалом, который уже входит в привычный арсенал ОЦО и GCC.
Так что да, агентный ИИ потенциально способен трансформировать сектор ОЦО. Лидеры индустрии могут успешнее двигаться к масштабному внедрению, применяя методичный подход.
Пять шагов для внедрения агентного ИИ в ОЦО
Агентный ИИ — не единственный игрок на поле. Как уже отмечалось, существует генеративный ИИ, используемый в основном для создания контента. Но если расширить кругозор, можно также упомянуть предсказательный ИИ и ИИ для работы с документами, которые применяются соответственно для прогнозирования и извлечения данных (для них не требуются LLM). Опыт взаимодействия с уже существующими видами ИИ сулит агентному ИИ хорошие перспективы.
Во-первых, эти разновидности ИИ взаимодополняют друг друга и в современных системах выстраиваются в стек, а не существуют изолированно. В частности, агентный ИИ ориентирован на то, чтобы опираться на возможности остальных. во-вторых, пережив цикл хайпа вокруг генеративного ИИ, лидеры индустрии, вероятно, будут склонны к более взвешенному — и продуктивному — подходу к агентному ИИ.
Вместо того чтобы спешно запускать пилотный проект, индустрии стоит тщательно подготовиться (шаги 1–3). В сочетании с правильно выбранным тестовым проектом (шаг 4) эти действия могут проложить путь к полномасштабному внедрению агентного ИИ (шаг 5):
Изучите свои процессы. Бизнес-операции могут быть сложными. В качестве примера можно привести ведущую мировую судоходную и логистическую компанию, где тысячи штатных сотрудников в семи центрах ОЦО обеспечивали поддержку более чем 80 процессов. Эти процессы включали в себя крайне сложные, трудоемкие рабочие процессы с большими региональными различиями. Только сначала разобравшись в существующих процессах и рабочих потоках, подобная организация получает шанс их переосмыслить или перестроить.
Изучите свои данные. С этим тесно связаны данные, от которых зависят рабочие процессы. Как эти данные циркулируют от начала до конца? Как устроены конвейеры данных? Где находятся ключевые API? Являются ли данные структурированными или неструктурированными? Включают ли используемые ресурсы платформы данных (системы учета) и векторные базы данных (контекстные движки), которые необходимы ИИ-агентам для принятия качественных решений? Каковы стандарты управления данными и безопасности? Как они могут измениться в сценарии с применением агентного ИИ?
Определите проблему. В случае с упомянутой выше судоходной компанией сложность и вариативность рабочих процессов, а также их высокая трудоемкость приводили к значительным издержкам, сбоям в соблюдении соглашений об уровне обслуживания (SLA), ухудшению клиентского опыта и повышенным комплаенс- и правовым рискам. Четко сформулированная проблема логически превращается в потенциальный сценарий использования с конкретными целями.
Проведите пилотное тестирование операционной модели. Варианты включают консолидацию усилий в Центре компетенций (CoE), демократизацию разработки с помощью подходов, ориентированных на рядовых сотрудников (citizen-led), а также партнерство по моделям «строить-управлять-трансформировать-передавать» (BOTT) и другие. Без структурной ясности даже перспективные пилотные проекты ИИ трудно распространить за пределы их первоначальной сферы применения. Модель также должна отражать реальность. Агентный ИИ, который, вероятнее всего, задействует множество параллельных агентов для достижения скоординированных целей, все еще ограничен окружающей средой, сложностью, рисками и системой управления.
Масштабируйте решение. Успешные пилотные проекты открывают путь к следующим шагам. Возьмем разрозненный опыт крупного австралийского многонационального банка. Автоматизировав несколько непрофильных процессов через Центр компетенций по автоматизации, банк понял, что ему необходимо проанализировать и улучшить свои самые сложные рабочие процессы. Он выбрал передовую программную платформу, которая позволила ему реализовать более 100 проектов по обнаружению (discovery projects) менее чем за 14 лет. Таким образом, пилотные проекты могут разрастаться, превращаясь в инициативы масштаба всего предприятия.
Как выглядит агентный ИИ в масштабе предприятия
Только масштаб может принести реальный результат. Судоходная компания со своими семью центрами ОЦО в итоге получила технологию, способную строить конвейеры данных, оцифровывать сложные документы, применять правила логического вывода с учетом страновых исключений и координировать работу между командами. Эта база привела к ИИ-ориентированной трансформации примерно 16 инициатив, экспоненциальному росту уровня автоматизации и значительному росту эффективности.
Раскрывая возможности на уровне оркестровки — обеспечивая контекстное восприятие, междоменное сотрудничество и автономные действия в рамках установленных регламентов, — агентный ИИ способен дать мощный импульс операционной деятельности как для ИИ, так и для людей.
Рассмотрим процесс закупок. Если ИИ для работы с документами может извлекать данные из заказов на покупку, избавляя от необходимости проведения определенных ручных проверок, то ИИ-агент также может оценивать риски поставщиков, сверять стандарты комплаенс, проверять доступность бюджета и даже инициировать переговоры, сохраняя при этом журналы аудита для нормативной отчетности. В сценарии финансового консультирования: в то время как предсказательный ИИ может анализировать тренды, ИИ-агент может предпринять дальнейшие действия, помогая специалистам в конкретных бизнес-подразделениях с целевыми стратегическими инвестициями.
Обратите внимание, что агент не заменяет человеческое суждение, а дополняет его, гарантируя, что решения принимаются быстрее, более последовательно и в широком масштабе.
От автономной автоматизации к агентным экосистемам в ОЦО
ОЦО занимают уникальное положение, позволяющее возглавить переход предприятия в эру агентного ИИ. По своей сути ОЦО находятся на пересечении процессов и данных из различных бизнес-подразделений. Финансы, HR, цепочки поставок и ИТ — всё это проходит через модель общих служб. Такая центральная позиция делает ОЦО идеальной стартовой площадкой для создания экосистем агентного ИИ.
Экосистема отличается от автономной автоматизации. Агенты не выполняют задачи изолированно. Скорее, они работают как часть взаимосвязанной системы. Они делятся инсайтами, учатся друг у друга и координируют действия для оптимизации результатов на уровне всего предприятия. Развернутый в рамках ОЦО или GCC, агентный ИИ может ускорить их текущую трансформацию, позволив им перешагнуть через этап поэтапной автоматизации и перейти на уровень сквозной оркестровки процессов.
Н. Шашидар (N. Shashidar) — старший вице-президент и глобальный руководитель отдела управления продуктами в компании EdgeVerve.
Спонсорские статьи — это контент, подготовленный компанией, которая либо оплачивает публикацию, либо имеет деловые отношения с VentureBeat, и они всегда четко маркируются. Для получения дополнительной информации обращайтесь по адресу sales@venturebeat.com.
