ШІ-агенти автоматизують процеси-привиди
79% ІТ-лідерів кажуть: їхні системи не показують, що насправді відбувається в процесах компанії. Через це AI-агенти в ERP чи CRM "автоматизують привидів" - процеси, яких уже немає. Наприклад, одна з найбільших фармкомпаній світу прискорила клінічні операції, лише коли агентів занурили в деталі саме її процесу випробувань, а не в загальні знання LLM.
Рішення - "Context Model": цифровий двійник операцій компанії з бізнес-правилами і KPI, зрозумілий людям і AI. Звичайна LLM на сплеск попиту порадить загально, а модель з таким контекстом відповість конкретно: при 10% ризику дефіциту не замовляти нове, а перерозподілити запаси зі складу.
Чому агенти "бачать" те, чого вже немає
Проблема в тому, що на відміну від LLM, у компаній немає живої моделі власних процесів — лише знання "на папері", зафіксоване під час останнього моделювання. А моделі, навчені на публічних даних, знають, як бізнес-процеси влаштовані загалом, але не знають, як саме вони працюють у конкретній компанії зараз.
Автор матеріалу порівнює це з поїздкою за неточною картою: агент, який спирається лише на узагальнені чи застарілі дані, рухається навмання. Людина в такій ситуації зупиниться й запитає дорогу — агент цього не робить: для нього "процес-привид" виглядає так само переконливо, як реальний, і він впевнено продовжує діяти. Якщо при цьому і сама компанія не має чіткої картини власних операцій, агент може виглядати так, ніби успішно виконує завдання, хоча реальної користі від цього не буде жодної.
Окрема небезпека — "тіньові" транзакції між кроками процесу. Раніше такі проміжні дії (наприклад, дзвінок колезі для перевірки незвичного замовлення) робили люди, тепер їх роблять і агенти — звертаються до API, ухвалюють рішення, з'єднують дії між системами. Якщо в незалежних агентів немає спільного контексту, вони можуть обрати різні шляхи до однієї задачі й видати суперечливі результати: наприклад, агент із закупівель схвалює постачальника, якого агент із комплаєнсу щойно позначив для перевірки.
Що таке "Context Model"
За описом автора, Context Model — це шар даних про процеси компанії: з її систем, застосунків і пристроїв, що охоплює і поточний стан операцій, і все, що до нього призвело, включно з "людською історією" — кліками, діями й взаємодіями користувачів. Ці дані доповнюють бізнес-правилами й KPI конкретної організації, а зверху додають шар decision intelligence — здатність визначати не лише що відбувається, а й чому, що ймовірно станеться і що варто зробити.
У результаті виходить динамічний цифровий двійник операцій у машиночитаному форматі — зрозумілий людям через застосунки і агентам через протоколи на кшталт Model Context Protocol (MCP). Приклад із фармкомпанією ілюструє саме це: прискорення клінічних операцій відбулося після того, як агентів заземлили в деталях її унікального й суворо регульованого процесу клінічних випробувань, а не в загальних знаннях моделі.
Запобіжники та межа між точністю й доречністю
Автор наголошує: навіть із правильним контекстом компаніям варто встановити guardrails — частину дій агента завжди відправляти на затвердження людині, а частину рішень приймати за детермінованою бізнес-логікою, а не залишати на розсуд імовірнісної LLM. Вибір, де саме потрібна додаткова обережність, залежить від того, де помилка агента несе неприйнятний фінансовий, регуляторний чи операційний ризик — а щоб це знати, знову-таки потрібна чіткість щодо власних операцій.
- Деякі дії агента мають завжди проходити через схвалення людини
- Деякі рішення мають завжди спиратися на детерміновану бізнес-логіку, а не на LLM
- Компаніям варто аналізувати активність самих агентів, щоб підтверджувати їхній вплив на результати й покращувати процеси
Ще одна теза матеріалу — розрізняти точність AI і його доречність для бізнесу: агент може бездоганно точно автоматизувати процес, але якщо цей процес — фантом, породжений застарілою чи узагальненою моделлю, бізнес не отримає від цього жодної вигоди. Конкретних цін, назв продуктів чи дати впровадження такого підходу в матеріалі не наведено.