С развитием генеративного искусственного интеллекта корпоративный сектор переходит от внедрения простых диалоговых ассистентов к развертыванию полноценных ИИ-агентов, способных решать комплексные задачи без прямого участия человека. В рамках проекта Greylock Change Agents партнер венчурного фонда Greylock Саам Мотамеди обсудил эту технологическую трансформацию с лидерами ИИ-индустрии: сооснователем и генеральным директором Glean Арвиндом Джайном и генеральным директором Cresta Пингом Ву. Эксперты подробно разобрали проблемы интеграции корпоративных данных, риски «агентного хаоса» и переход к концепции проактивных цифровых помощников, которые изменят привычный ландшафт рабочих процессов.
🕰️ От поисковых систем и ассистентов к эпохе агентного ИИ
<a class="ts" data-seconds="90" href="#t=90" title="Смотреть с 1:30" aria-label="Смотреть с 1:30"><svg viewBox="0 0 24 24" width="14" height="14" fill="currentColor" aria-hidden="true"><path d="M8 5v14l11-7z"/></svg></a>
Создатели обеих компаний подчеркивают, что их технологический путь начался задолго до текущего бума генеративного искусственного интеллекта. По словам Арвинда Джайна, компания Glean начала свой путь в начале 2019 года . Изначально стартап ставил перед собой цель создать аналог поисковой системы Google, адаптированный под внутренние нужды корпоративных клиентов . На тот момент уже существовала архитектура трансформеров, разработанная Google для улучшения собственного поиска . Glean интегрировала трансформеры для семантического анализа корпоративных данных, однако ранние модели не обладали возможностью генерировать текст — они лишь находили релевантные документы на основе контекста, даже если в них не совпадали ключевые слова .
Ситуация кардинально изменилась с развитием больших языковых моделей (LLM), которые научились рассуждать, синтезировать информацию и писать связные тексты . Продукт Glean эволюционировал в сторону интерфейса, напоминающего ChatGPT: теперь система не просто выдает список ссылок, а самостоятельно генерирует итоговый ответ на основе найденной информации .
Компания Cresta развивалась по схожей траектории, но в сфере клиентской поддержки и продаж. Как отмечает Пинг Ву, стартап внедряет технологии искусственного интеллекта в контакт-центры с 2017 года . Первым продуктом компании был интеллектуальный ассистент для операторов продаж, помогающий сотрудникам перенимать лучшие практики успешных коллег . Изначально Cresta использовала рекуррентные нейросети (LSTM) для обработки последовательностей данных . Появление трансформеров позволило автоматизировать составление отчетов после звонков и улучшить распознавание речи , а последующий прорыв в сфере LLM сделал возможным создание полностью автономных голосовых агентов, способных вести естественный диалог .
🤖 Эволюция автономности: от простых сценариев к «думающим» модели
<a class="ts" data-seconds="532" href="#t=532" title="Смотреть с 8:52" aria-label="Смотреть с 8:52"><svg viewBox="0 0 24 24" width="14" height="14" fill="currentColor" aria-hidden="true"><path d="M8 5v14l11-7z"/></svg></a>
Переход от простых ассистентов к автономным агентам происходил постепенно. Арвинд Джайн вспоминает, что первая версия ИИ-агентов в Glean (тогда их называли «приложениями») была разработана около двух лет назад на базе модели GPT-4 . На тот момент клиенты хотели создавать узкоспециализированные ИИ-решения — например, для автоматических ответов на вопросы сотрудников в сфере HR . Однако настоящим качественным скачком, по оценке Джайна, стало появление продвинутых «думающих» моделей (таких как Claude Opus или GPT-5) в последние месяцы . Эти технологии получили способность рассуждать и автоматизировать крайне сложные процессы с высокой долей неопределенности . В качестве примера Джайн приводит автоматический аудит юридических контрактов:
- Юридические отделы ежедневно обрабатывают соглашения объемом в 90 страниц.
- ИИ-агент сопоставляет текст договора со внутренним регламентом компании.
- Система самостоятельно определяет, какие формулировки необходимо исключить или заменить.
Этот процесс экономит юристам недели работы и тысячи долларов .
Успех работы агента зависит от двух ключевых факторов: вычислительной мощности базовой ИИ-модели и качества интеграции данных. По мнению Джайна, без надежного слоя корпоративного контекста даже самая мощная модель быстро зайдет в тупик или выдаст неверный результат . Именно поэтому Glean на протяжении шести-семи лет выстраивала систему глубокой интеграции со всеми внутренними хранилищами данных предприятий, обучаясь на действиях сотрудников .
В сфере клиентской поддержки Cresta также зафиксировала переломный момент. Пинг Ву рассказал о внедрении первого голосового агента для сложной технической поддержки . В ходе тестирования ИИ-агент успешно провел 20-минутный диалог с клиенткой, терпеливо помогая ей настроить датчики и приложение, несмотря на ее специфический региональный акцент . Ву сравнивает обучение таких агентов с созданием беспилотных автомобилей: ИИ должен детально видеть, как задачу решает опытный человек, чтобы успешно справляться с хаотичной структурой человеческой речи .
🕸️ Проблема «агентного хаоса» (Agent Sprawl) и архитектура корпоративных данных
<a class="ts" data-seconds="1163" href="#t=1163" title="Смотреть с 19:23" aria-label="Смотреть с 19:23"><svg viewBox="0 0 24 24" width="14" height="14" fill="currentColor" aria-hidden="true"><path d="M8 5v14l11-7z"/></svg></a>
Популяризация технологии привела к тому, что практически каждый разработчик программного обеспечения начал создавать собственные решения на базе агентов . Арвинд Джайн указывает на опасность «агентного хаоса» (Agent Sprawl), когда в компании появляется множество изолированных друг от друга ИИ-систем . Поскольку сотрудники в процессе работы обычно используют от четырех до пяти различных приложений (Salesforce, Slack, электронную почту и др.), ИИ-агенты также должны иметь сквозной доступ к данным . Джайн выделяет два основных пути решения этой проблемы:
- Использование единой горизонтальной платформы (такой как Glean), которая изначально объединяет все корпоративные источники данных.
- Создание сквозного контекстного слоя, к которому узкоспециализированные агенты (например, в Salesforce) могут обращаться через API (включая протокол MCP) для получения нужной информации .
Без централизованной каталогизации и оркестрации агенты становятся бесполезными. В одной из компаний-клиентов Glean сотрудники создали около 2000 агентов за шесть месяцев, что привело к путанице . Для решения этой проблемы крупные предприятия внедряют процессы модерации, когда специальная команда отбирает и публикует в общей библиотеке только проверенные ИИ-инструменты высокого качества .
Вопрос автономии агентов также требует гибкого подхода. В сфере взаимодействия с клиентами (B2C) Cresta отдает приоритет жесткой точности, а не полной свободе действий ИИ . Пинг Ву поясняет, что критически важные операции (например, банковские переводы или изменение записей в базах данных) должны быть строго прописаны в кодовой базе системы, а не отданы на откуп языковым моделям .
Дополнительным вызовом становится неизбежное взаимодействие ИИ-агентов между собой. По прогнозу Пинга Ву, в ближайшем будущем потребительские ИИ-ассистенты начнут самостоятельно совершать звонки в службы поддержки компаний, в результате чего телефонные линии, созданные для людей, станут каналом связи между двумя роботами .
📈 Стратегический ROI: новые возможности вместо простого сокращения затрат
<a class="ts" data-seconds="1967" href="#t=1967" title="Смотреть с 32:47" aria-label="Смотреть с 32:47"><svg viewBox="0 0 24 24" width="14" height="14" fill="currentColor" aria-hidden="true"><path d="M8 5v14l11-7z"/></svg></a>
Хотя традиционная метрика эффективности ИИ-продуктов измеряется часами сэкономленного времени, спикеры сходятся во мнении, что реальная ценность агентов выходит далеко за рамки сокращения расходов. Пинг Ву обращает внимание на то, что контакт-центры выполняют не только сервисную функцию — до 25% их работы связано с генерацией выручки и продажами . Внедрение агентов позволяет компаниям реализовать проактивный подход: ИИ может выявлять проблемы клиентов и связываться с ними до того, как они совершат звонок в поддержку . Это решает проблему упущенных звонков в нерабочие часы, что критически важно, например, для автодилеров .
Другим стратегическим направлением Cresta является использование ИИ-аналитиков (Deep Research AI Analyst) . В качестве примера приводится авиакомпания United Airlines, которая использует аналитических агентов для обработки массивов данных о диалогах с клиентами с целью оперативного выявления сбоев в бизнес-процессах .
Для Glean новые возможности выражаются в качественном анализе данных, который ранее был недоступен из-за ограничений человеческих ресурсов:
- Анализ оттока клиентов (Churn): ИИ-агент способен прослушивать тысячи записей встреч и звонков, формируя точную картину настроений клиентов .
- Создание продуктовых дорожных карт: вместо опроса 10–20 крупнейших заказчиков, ИИ может обработать более 100 000 звонков и писем от всех клиентов компании, вычленить общие запросы на новые функции и сформировать объективный roadmap .
🔓 Война за данные: открытые экосистемы против вендор-лока
<a class="ts" data-seconds="2289" href="#t=2289" title="Смотреть с 38:09" aria-label="Смотреть с 38:09"><svg viewBox="0 0 24 24" width="14" height="14" fill="currentColor" aria-hidden="true"><path d="M8 5v14l11-7z"/></svg></a>
Серьезным препятствием для развития ИИ-агентов остаются попытки некоторых создателей традиционных систем записи (systems of record) заблокировать доступ внешних платформ к своим данным. Арвинд Джайн утверждает, что подобные действия продиктованы страхом дезинтермедиации — разработчики старых приложений боятся потерять прямой контакт с пользователями, которые все чаще работают через единый ИИ-интерфейс . Тем не менее Джайн уверен, что под давлением клиентов рынок останется открытым: при выборе между CRM-системой, которая позволяет свободно экспортировать данные в ИИ, и закрытой системой, покупатели выберут первый вариант .
Пинг Ву сталкивается с аналогичными проблемами в сфере телефонии. Некоторые провайдеры связи начинают взимать дополнительную плату за передачу аудиопотока сторонним ИИ-ассистентам (таким как Cresta), хотя клиент уже оплатил этот трафик для своих операторов . По мнению Ву, такие попытки монополизировать рынок искусственно ограничивают выбор клиентов, и стартапам приходится объединяться с заказчиками, чтобы оказывать давление на телеком-провайдеров .
Различаются и стратегии самих компаний. Glean планирует оставаться исключительно горизонтальной платформой («корпоративным мозгом»), предоставляя свои данные вертикальным приложениям через API . В свою очередь, Cresta фокусируется на глубокой вертикальной проработке клиентского опыта (CX) на протяжении всего цикла — от маркетинга и продаж до поддержки . По оценке Ву, LLM позволяют сохранять и анализировать неструктурированные данные разговоров (например, упоминания о необходимости инвалидной коляски или планах на праздники), которые ранее безвозвратно терялись при переносе в реляционные базы данных CRM .
⚡ Будущее ИИ: проактивность и невидимая интеграция
<a class="ts" data-seconds="2921" href="#t=2921" title="Смотреть с 48:41" aria-label="Смотреть с 48:41"><svg viewBox="0 0 24 24" width="14" height="14" fill="currentColor" aria-hidden="true"><path d="M8 5v14l11-7z"/></svg></a>
Обсуждая перспективы внедрения ИИ, Арвинд Джайн высказал мнение, что ИИ-индустрия не должна полагаться на изменение пользовательских привычек, так как этот процесс протекает слишком медленно . Вместо этого ИИ-системы должны сменить парадигму с реактивной на проактивную . Персональный ИИ-компаньон должен самостоятельно предлагать помощь, основываясь на календаре, целях и текущих приоритетах сотрудника — например, готовить краткую сводку документов перед началом рабочего дня во время поездки в офис . Препятствием для этого ранее выступала недостаточная точность моделей, поскольку проактивные ошибки вызывают у пользователей гораздо больше раздражения, чем ошибки при прямых запросах .
Пинг Ву согласен с важностью проактивности и считает, что в идеале искусственный интеллект должен работать подобно электричеству — быть незаметным для пользователя, но обеспечивать всю работу . Продукты Cresta нативно интегрируются в привычные интерфейсы сотрудников в виде автозаполнения текста или подсказок из базы знаний, создавая эффект дополненной реальности на рабочем месте .
Ву ожидает, что следующим важным шагом станет повсеместное внедрение мультимодальных моделей, способных анализировать происходящее на экране компьютера оператора . Это позволит ИИ лучше понимать контекст разговора, поскольку действия сотрудника зачастую зависят от визуальной информации на мониторе, которая сейчас недоступна текстовым моделям . Через год спикеры ожидают увидеть полноценных проактивных ИИ-помощников, способных брать на себя значительную часть рутинной офисной работы .
