# ИИ как электричество: как Glean и Cresta строят новое будущее для бизнеса

Источник: https://www.youtube.com/watch?v=1ZMDA6atOhc
Канал: Greylock
Опубликовано: 20.01.2026

---

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
`[[JUMP:01:30]]`

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 [01:30]. Изначально стартап ставил перед собой цель создать аналог поисковой системы Google, адаптированный под внутренние нужды корпоративных клиентов [01:44]. На тот момент уже существовала архитектура трансформеров, разработанная Google для улучшения собственного поиска [02:12]. 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 [02:50].

Ситуация кардинально изменилась с развитием больших языковых моделей (LLM), которые научились рассуждать, синтезировать информацию и писать связные тексты [03:17]. Продукт Glean эволюционировал в сторону интерфейса, напоминающего ChatGPT: теперь система не просто выдает список ссылок, а самостоятельно генерирует итоговый ответ на основе найденной информации [03:29].

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 [04:45]. Первым продуктом компании был интеллектуальный ассистент для операторов продаж, помогающий сотрудникам перенимать лучшие практики успешных коллег [05:10]. Изначально Cresta использовала рекуррентные нейросети (LSTM) для обработки последовательностей данных [06:28]. Появление трансформеров позволило автоматизировать составление отчетов после звонков и улучшить распознавание речи [06:55], а последующий прорыв в сфере LLM сделал возможным создание полностью автономных голосовых агентов, способных вести естественный диалог [07:21].

## 🤖 Эволюция автономности: от простых сценариев к «думающим» модели
`[[JUMP:08:52]]`

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 [08:52]. На тот момент клиенты хотели создавать узкоспециализированные ИИ-решения — например, для автоматических ответов на вопросы сотрудников в сфере HR [09:31]. Однако настоящим качественным скачком, по оценке Джайна, стало появление продвинутых «думающих» моделей (таких как Claude Opus или GPT-5) в последние месяцы [10:38]. Эти технологии получили способность рассуждать и автоматизировать крайне сложные процессы с высокой долей неопределенности [11:07]. 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 [11:46].

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 [12:50]. Именно поэтому Glean на протяжении шести-семи лет выстраивала систему глубокой интеграции со всеми внутренними хранилищами данных предприятий, обучаясь на действиях сотрудников [13:15].

В сфере клиентской поддержки Cresta также зафиксировала переломный момент. Пинг Ву рассказал о внедрении первого голосового агента для сложной технической поддержки [14:22]. 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 [14:46]. 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 [15:41].

## 🕸️ Проблема «агентного хаоса» (Agent Sprawl) и архитектура корпоративных данных
`[[JUMP:19:23]]`

Популяризация технологии привела к тому, что практически каждый разработчик программного обеспечения начал создавать собственные решения на базе агентов [19:50]. Арвинд Джайн указывает на опасность «агентного хаоса» (Agent Sprawl), когда в компании появляется множество изолированных друг от друга ИИ-систем [19:23]. 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 [20:52]. Джайн выделяет два основных пути решения этой проблемы:

1.  Использование единой горизонтальной платформы (такой как Glean), которая изначально объединяет все корпоративные источники данных.
2.  Создание сквозного контекстного слоя, к которому узкоспециализированные агенты (например, в Salesforce) могут обращаться через API (включая протокол MCP) для получения нужной информации [21:59].

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 [23:22]. Для решения этой проблемы крупные предприятия внедряют процессы модерации, когда специальная команда отбирает и публикует в общей библиотеке только проверенные ИИ-инструменты высокого качества [23:48].

Вопрос автономии агентов также требует гибкого подхода. В сфере взаимодействия с клиентами (B2C) Cresta отдает приоритет жесткой точности, а не полной свободе действий ИИ [25:58]. 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 [27:20].

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 [28:51].

## 📈 Стратегический ROI: новые возможности вместо простого сокращения затрат
`[[JUMP:32:47]]`

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 [32:47]. Внедрение агентов позволяет компаниям реализовать проактивный подход: ИИ может выявлять проблемы клиентов и связываться с ними до того, как они совершат звонок в поддержку [33:24]. Это решает проблему упущенных звонков в нерабочие часы, что критически важно, например, для автодилеров [34:03].

Другим стратегическим направлением Cresta является использование ИИ-аналитиков (Deep Research AI Analyst) [17:25]. 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 [17:38].

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 [35:24].
*   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 [36:33].

## 🔓 Война за данные: открытые экосистемы против вендор-лока
`[[JUMP:38:09]]`

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 [38:50]. 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 [39:29].

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 [41:04]. По мнению Ву, такие попытки монополизировать рынок искусственно ограничивают выбор клиентов, и стартапам приходится объединяться с заказчиками, чтобы оказывать давление на телеком-провайдеров [41:42].

Различаются и стратегии самих компаний. Glean планирует оставаться исключительно горизонтальной платформой («корпоративным мозгом»), предоставляя свои данные вертикальным приложениям через API [42:47]. В свою очередь, Cresta фокусируется на глубокой вертикальной проработке клиентского опыта (CX) на протяжении всего цикла — от маркетинга и продаж до поддержки [46:42]. 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 [47:37].

## ⚡ Будущее ИИ: проактивность и невидимая интеграция
`[[JUMP:48:41]]`

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 [48:41]. Вместо этого ИИ-системы должны сменить парадигму с реактивной на проактивную [49:07]. 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 [49:59]. Препятствием для этого ранее выступала недостаточная точность моделей, поскольку проактивные ошибки вызывают у пользователей гораздо больше раздражения, чем ошибки при прямых запросах [50:38].

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 [51:58]. Продукты Cresta нативно интегрируются в привычные интерфейсы сотрудников в виде автозаполнения текста или подсказок из базы знаний, создавая эффект дополненной реальности на рабочем месте [52:25].

Ву ожидает, что следующим важным шагом станет повсеместное внедрение мультимодальных моделей, способных анализировать происходящее на экране компьютера оператора [53:44]. Это позволит ИИ лучше понимать контекст разговора, поскольку действия сотрудника зачастую зависят от визуальной информации на мониторе, которая сейчас недоступна текстовым моделям [53:57]. Через год спикеры ожидают увидеть полноценных проактивных ИИ-помощников, способных брать на себя значительную часть рутинной офисной работы [54:37].