Жоау Моура, создатель популярного фреймворка CrewAI, совершил стремительный рывок в индустрии искусственного интеллекта: всего за один год его проект превратился из открытого репозитория в технологическую основу для сотен миллионов агентских запусков в месяц. Выступая на мероприятии в Нью-Йорке, Моура представил глубокий анализ того, как агенты ИИ перестают быть просто инженерной забавой и становятся новой операционной прослойкой бизнеса, способной «пожирать» традиционное программное обеспечение.
📈 Масштаб и экономика агентских систем 1:28
Жоау Моура начал выступление с впечатляющей статистики: ежемесячно на базе CrewAI запускается более 450 миллионов ИИ-агентов . За последний квартал общее количество выполненных «экипажей» (crews) превысило 1,1 миллиарда . По словам спикера, за этими цифрами стоит не просто любопытство разработчиков, а фундаментальный сдвиг в том, где живет «бизнес-логика».
В ретроспективе Моура выделяет несколько этапов миграции бизнес-логики:
- 90-е годы: Логика находилась в десктопных приложениях .
- 2000-е годы: Переход в веб-сервисы (Google, Salesforce, ServiceNow) .
- Эра облаков: Концентрация данных и API (Snowflake, Databricks) .
- Настоящее время: Формирование «агентского слоя», который начинает поглощать функции традиционного ПО .
Моура утверждает, что лидеры индустрии, такие как Сергей Брин из Google, лично включаются в процесс разработки именно потому, что видят в агентах угрозу текущему положению дел: «Этот процесс может буквально съесть софт» .
🤖 Что такое ИИ-агент на самом деле 2:32
Для выравнивания понимания Моура дал определение ИИ-агенту, противопоставив его обычным языковым моделям (LLM). Если LLM отлично справляются с созданием контента («напиши письмо») или оценкой вариантов («какое письмо лучше?»), то агент обладает качеством, которое спикер называет agency (субъектность) .
Ключевые характеристики агента:
- Принятие решений: Способность выбирать между действиями, инструментами и путями достижения цели .
- Адаптивность: Агент может реагировать на данные в реальном времени и менять свое поведение в зависимости от контекста задачи .
- Самоисцеление: Возможность корректировать свои действия, если что-то идет не так (self-healing) .
💼 Кейсы из реального сектора: от йогуртов до банков 8:43
Жоау Моура уверен, что ценность агентов подтверждается конкретными цифрами в бизнесе. Он привел три ярких примера внедрения CrewAI:
1. Борьба с фродом в потребительских товарах (CPG) : Компания, продающая товары в супермаркетах, тратила 3 дня на ручную проверку заявок на возврат средств, чтобы отсеять мошенников. Внедрение агентов сократило этот процесс до 10 минут, значительно улучшив опыт честных покупателей .
2. Проверка клиентов (KYC) в Global 500 : Крупный финансовый институт автоматизировал процесс Know Your Customer. Результаты: точность отчетов агентов оказалась выше человеческой, а время проверки сократилось с одной недели до 15-30 минут (ускорение в 4 раза) .
3. Новые линии бизнеса в телекоме : Телекоммуникационная компания использовала агентов для создания системы оценки кредитоспособности клиентов (credit score) на основе данных о потреблении трафика и паттернах оплаты. Весь процесс выдачи микрозаймов управляется «экипажами» агентов, что позволило запустить бизнес без найма огромного штата аналитиков .
🛠 Проблема «Налога на создание» и ROI 10:20
Спикер высказал спорный, на первый взгляд, тезис: «В создании агентов нет никакой ценности» . Моура пояснил это концепцией «налога на разработку»: пока вы строите и прототипируете агента, ваш ROI отрицательный .
Проблемы, мешающие компаниям перейти от прототипа к эксплуатации (production):
- ИИ-барьеры: Потребность в качественной оценке (evaluation) и защитных механизмах (guardrails) .
- Инфраструктурные барьеры: Необходимость интеграции SSO (единый вход), RBAC (ролевой доступ) и развертывания на собственных мощностях предприятия .
По мнению создателя CrewAI, рынок сейчас перенасыщен инструментами для быстрого создания (race to the bottom), но настоящая ценность извлекается только на этапе управления и масштабирования работающих систем .
🗺 Проектирование систем: Матрица сложности 16:40
Моура предложил использовать матрицу «Сложность — Точность» для оценки задач . Например:
- Высокая сложность + Высокая точность: Заполнение налоговых форм IRS (нельзя ошибаться) .
- Высокая сложность + Низкая точность: Создание обучающих материалов (важно качество, но нет единственно верного ответа) .
Он также выделил новый паттерн — Агентские системы (Agentic Systems) . Это гибрид между жестко заданным бизнес-процессом (deterministic backbone) и островками автономности. В такой схеме основные шаги определены заранее («если это, то то»), но на конкретных этапах управление передается агенту или целой команде агентов для глубокого исследования или анализа .
❓ Вопросы и ответы: Память и репозитории 23:44
В ходе сессии вопросов слушатели затронули тему общей памяти и контекста. Моура подтвердил, что сейчас компании сталкиваются с проблемой «дублирования»: разные команды строят одних и тех же агентов параллельно. Решением является создание корпоративного репозитория агентов и инструментов, который позволяет переиспользовать удачные наработки по всей организации .
Относительно долгосрочной памяти ИИ, спикер отметил, что современные надежные реализации строятся на базе RAG (Retrieval-Augmented Generation) или GraphRAG, что позволяет агентам не проводить одно и то же исследование дважды, сохраняя опыт прошлых запусков .
