Предистория

Недавно, просматривая YouTube наткнулся на канал IBM Technology с серией свежих видео на тему искусственного интеллекта. Учитывая, с какой скоростью развивается эта область, подобные материалы могут быть по‑настоящему ценными, особенно круто если можно понять «ценность» до начала просмотра.

Прежде чем смотреть что‑либо целиком, я делаю краткое саммари: использую встроенные транскрипции YouTube (либо youtube‑transcript.io), а затем обрабатываю текст с помощью GPT‑4o. Один из таких выпусков привёл меня к упоминанию книги AI Value Creators, опубликованной в апреле 2025 года издательством O'Reilly совместно с IBM.

Почему это меня заинтересовало?

1. O’Reilly выпускает, как правило, выверенный и глубоко проработанный технический контент.

2. Тематика создания ценности с помощью ИИ — одна из ключевых в моей текущей работе: я участвую в образовательных инициативах, связанных с внедрением ИИ в корпоративные процессы.

3. В рунете пока нет статей по этой книге — ни обзоров, ни разборов.

В этой публикации я делюсь саммари первой главы книги, составленным вручную по оригинальному источнику. Это не перевод, а краткий пересказ основных идей, изложенных авторами. Надеюсь, материал будет полезен всем, кто интересуется практическими аспектами применения больших языковых моделей и агентных систем в бизнесе.

Буду рад обратной связи и обсуждению в комментариях.

Новый «Netscape-момент»: переход к ИИ+ и агентному ИИ

В первой главе книги AI Value Creators авторы называют происходящее в сфере искусственного интеллекта «Netscape-моментом». Смысл такого сравнения в том, что технология, подобно выходу браузера Netscape в середине 90-х, становится массовой и меняет правила игры для бизнеса. В ближайшие годы компании будут конкурировать не против ИИ как такового, а с теми компаниями, которые лучше используют его в своих процессах. В результате образуется своего рода «цифровой разрыв»: те, кто с первых дней включатся в новую волну и перестраивают свои процессы с учетом ИИ, получат конкурентное преимущество. Оставшиеся же на прежнем уровне рискуют оказаться на «неправильной стороне» – аналогично тем, кто не успел вовремя освоить интернет в 90-х и проиграл битву за рынок.

При этом «Netscape-момент» складывается из десятилетий постепенных достижений машинного обучения, вычислительной техники и больших данных. Но сейчас наступил перелом: человечество уже имеет мощные модели и огромные вычислительные ресурсы, чтобы прочно внедрить ИИ в повседневную практику. Как и тогда, когда браузер сделал веб-пространство обыденностью, сейчас ИИ-технологии становятся «фоновой» частью работы и производства, требуя от специалистов новых навыков и мышления.

От +ИИ к ИИ+: два подхода к внедрению ИИ

Нужно сменить стратегию с «+ИИ» на «ИИ+». Под «+ИИ» понимают подход, когда бизнес просто «добавляет ИИ» к существующим процессам: например, внедряет чат-боты вместо части службы поддержки или экспериментирует с машинным обучением на отдельных проектах. Это похоже на фразу «хорошо бы сделать ИИ тоже», когда добавление нейросети – скорее козырь или пиар-функция в бизнес-процессе. Такой путь, уязвим: он не перестраивает архитектуру компании и создает лишь точечный эффект.

Противопоставлен «ИИ+» – когда искусственный интеллект становится первым приоритетом. Это означает, что процессы проектируются вокруг ИИ, а не наоборот. Чтобы перейти к ИИ+, нужно разбирать бизнес-процессы на мелкие шаги и задавать себе вопрос: где ИИ может взять на себя рутинную или повторяющуюся часть работы, а человек остаться там, где нужна креативность и принятие сложных решений. Классический пример: вместо того чтобы использовать ИИ лишь в последнем шаге, нужно перестроить цепочку так, чтобы процесс с самого начала был оптимизирован под автономные вычисления.

Компании, которые уже сегодня учат свои команды мыслить по принципу «ИИ+» – то есть интегрируют ИИ глубоко и перестраивают продуктовые и сервисные задачи под новые возможности – окажутся лидерами «Netscape-момента». Те же, кто довольствуется «+ИИ» (то есть придерживается старых подходов и лишь по чуть-чуть добавляет новые технологии), рискуют потерять скорость и гибкость. Таким образом, переход к «ИИ+» это не просто модернизация, а фундаментальное изменение культуры и архитектуры ИТ: от разработки программных продуктов до системы непрерывного обучения сотрудников.

Агентный ИИ: автономные цифровые ассистенты

Еще один важный тренд – появление агентного ИИ. Под этим термином понимают ИИ-системы, которые работают с фокусом на цели и способны самостоятельно выстраивать последовательность действий для ее достижения. Если традиционные нейросети выполняют конкретный заданный запрос (например, «переведи текст» или «научи писать код»), то агентный ИИ ведет себя как автономный помощник: получает цель и сам планирует шаги, рассылая задачи другим программам или людям по мере необходимости.

На практике это могут быть программные «агенты» разного профиля – аналитики, контент-менеджеры, «подписчики соцсетей» и т.д. – которые вместе работают над общей целью без постоянного вмешательства человека. Например, группа агентов может взять задачу «написать статью и подготовить к ней посты для соцсетей»: один агент делает исследование и пишет текст, другой форматирует вывод для LinkedIn, третий адаптирует краткую версию под Instagram (с уже разными стилистическими требованиями). Все это происходит по внутренней логике ИИ-подсистемы, которая понимает цель («увеличить вовлеченность аудитории») и сама решает, какие операции выполнить и в каком порядке.

Такое агентное направление важно, потому что оно кардинально меняет работу с ИИ: от ручной и помарочной обработки к целенаправленной автоматизации. Вместо того чтобы вручную задавать каждую команду, бизнес сможет формулировать метрики и задачи высокого уровня, а «агенты» проследят за их выполнением. Это позволяет автоматизировать сложные многозадачные сценарии и эффективно масштабировать решения. Для инженера это означает, что нужно проектировать системы не под один вызов модели, а под мультиагентное взаимодействие – с учетом оркестрации, планирования и мониторинга действий ИИ. По сути, «ИИ+» мышление включает использование таких агентов и понимание, что ИИ может не только давать ответ на запрос, но и строить собственные цепочки операций.

ИИ — не магия, а математика и инженерия

Несмотря на всю мощь, ИИ нельзя считать волшебным черным ящиком. В книге это подчеркивается отдельным разделом: многие относятся к генеративным моделям как к чему-то мистическому, но на самом деле они – результат сложного, но объяснимого алгоритма и инженерной работы. Проще говоря, современные ИИ-системы сводятся к большим нейронным сетям и математикам за ними. Они просто «угадывают» числа и распределения, которые описывают данные: тексты, изображения, звук.

Например, модель разбивает предложения на последовательности чисел (токены, эмбеддинги) и обучается по примерам предсказывать следующее число в этой последовательности. При этом модель на самом деле не «понимает» смысла слов, а лишь выравнивает статистические закономерности. Увидев фразу «не плачь над пролитым…», она выдает следующее слово «молоком», потому что на основе обработки миллионов текстов знает, что часто эта фраза так и заканчивается. То же и с изображениями: нейросеть видит пиксели и запоминает связи между их значениями, но не «фантазирует» сама по себе – она находит шаблоны.

Отсюда важно понимать: ИИ меняет правила игры не потому, что это чудо, а потому что за ним стоят вычислительные возможности, большие наборы данных и умные алгоритмы. Все эти инструменты доступны инженерам. Демистификация ИИ означает, что специалисты могут и должны изучать, как он работает, и улучшать его: переподготовка моделей на новых данных, настройка архитектур сети, оптимизация скоростей вычислений и так далее. Таким образом, вместо страха «что машина думает вместо нас», нужно смотреть на ИИ как на очень быстрое и точное средство вычислений, требующее профессионального ваяния и контроля.

Как бизнесу готовиться к эпохе AI+: архитектура, данные, навыки

Чтобы не оказаться в числе проигравших «Netscape-момента», бизнесу нужно серьезно готовиться к мышлению «ИИ+». Во-первых, это означает перестройку технологической архитектуры. Компаниям стоит задуматься об интегрированной платформе для ИИ: совокупности инструментов для хранения данных, тренировки моделей и разворачивания сервисов (MLOps). Раньше информация хранилась в разрозненных базах и Excel-файлах – теперь необходимо формировать централизованные дата-лейк или дата-хаб, чтобы все необходимые данные были готовы для обучения моделей. Это важно еще и для безопасности: данные – это главный актив, и их не стоит разбрасывать по внешним бесплатным API. Лучше настраивать собственную LLM или платформу, где чувствительная информация остается внутри компании.

Во-вторых, нужно менять навыки людей. Авторы призывают к массовому обучению сотрудников: не только дата-специалистов, но и всей команды. Это не значит, что каждый станет машинным инженером, но каждый должен понимать возможности и ограничения ИИ. Программистам стоит освоить библиотеки глубокого обучения (PyTorch, TensorFlow, JAX), знакомиться с архитектурами трансформеров и оценивать метрики качества моделей. Менеджерам и аналитикам нужно научиться формулировать задачи для ИИ, знать, как оценивать результаты (например, по показателям точности, полноты, достоверности) и запускать контролируемые эксперименты. Один из принципов – upskilling: непрерывное повышение квалификации, чтобы никто не оставался «не в теме». Когда в компании все работники знают хоть базовые возможности ИИ (например, могут настроить простого бота или использовать API модели), решается много скрытых проблем – люди сразу видят, какие задачи можно автоматизировать и куда вложиться.

Наконец, изменения должны коснуться и организационной культуры. Переход к «ИИ+» означает готовность к экспериментам и быстрому цикла «прототип – тест – развертывание». Бизнесу стоит сформировать внутренние практики (хакатоны, дата-лаборатории), где междисциплинарные команды (программисты, дата-инженеры, отраслевые эксперты) совместно ищут решения. Лидеры проектов должны быть на связи с реальностью технологий: понимать, как устроена генеративная модель, как подать ей информацию, какие ограничения у нее есть (например, по скорости и стоимости запросов). Не менее важно заботиться об этике и надежности: проверять, что автоответы не генерируют инсинуации, проводить QA и мониторинг, готовиться к требованиям регуляторов, о которых авторы тоже упоминают (прозрачность, верифицируемость).

В итоге бизнес-подход «ИИ+» требует и стратегических изменений (направить миссию и KPI на инновации с ИИ), и практических действий (обновить инфраструктуру, обучить сотрудников, интегрировать ИИ в продукты). Тот, кто сейчас инвестирует в эти изменения, получит кратчайший путь к лидерству в новой эпохе.

В заключение, авторы книги призывают читателей не воспринимать ИИ как мимолетный тренд или магическую кнопку, а увидеть в нем следующую большую платформу для бизнеса – подобно тому, как веб-браузер стал поворотной точкой для интернета. Для технических специалистов это означает учиться новым парадигмам: строить архитектуры под «ИИ+», осваивать работу с агентами и сетями глубинного обучения. Только так компании смогут использовать силу ИИ на полную и не отстать в технологической гонке.

Саммари выполнено с образовательной целью, оригинальную книгу можно приобрести на сайте www.oreilly.com

Обзор на всю книгу можно послушать в подкасте Vibe Agents на Я.Музыке

Если вам понравилась статья и вы хотите увидеть продолжение цикла, пожалуйста, поддержите публикацию лайком и поделитесь своими мыслями в комментариях!