Подход к развитию AI‑native корпоративной архитектуры
88% компаний сегодня внедряют искусственный интеллект (AI), но значительный финансовый эффект фиксируют лишь 6%. Разрыв между «купить технологию» и «получить от нее практический эффект» можно преодолеть благодаря применению ИИ-ориентированного (AI-native) архитектурного подхода.
Сегодняшнее развитие AI-технологий позволяет любому человеку без профильного опыта и навыков разработать, или, говоря современным языком — «навайбкодить» (vibe-coding — способ программирования, при котором AIгенерирует код в ходе диалога на естественном языке) за несколько часов прототип ИТ-сервиса или собрать личных AI-агентов для решения бытовых задач.
Эта кажущаяся простота приводит к тому, что, приступая к пилотным проектам по применению AI-агентов, многие компании полагают, что для достижения положительных бизнес-результатов достаточно просто «запустить» агентов в существующую корпоративную инфраструктуру и заменить целые процессы, ранее управляемые людьми.
Однако, в отличие, например, от опытного сотрудника, агент не обладает специфическими знаниями о компании и процессах. Он не знает, какие системы может вызывать для решения поставленных перед ним задач, где искать необходимый контекст (например, кого вообще в компании называют «клиентом»), какие правила и ограничения нужно соблюдать при работе с корпоративными системами, сколько ресурсов он может использовать и т.п.
Для эффективной работы AI-агентов и их взаимодействия им требуется соответствующая среда, в которой они могли бы эффективно автономно оперировать без постоянного ручного вмешательства. Такая среда формируется на уровне архитектуры. Именно архитектура определяет, возможна ли в компании реальная автономность AI — или же бизнес получит набор изолированных экспериментов вместо трансформации.
По мере зрелости агентизации, у бизнеса возникает потребность в AI‑native архитектуре, которая отличается тем, что изначально спроектирована под работу множества агентов и мультиагентных систем. Ее задача — «закрывать» ключевые вопросы, без ответов на которые агенты не могут работать эффективно и безопасно. Эти вопросы редко формулируются в начале пилотов, но поиск ответов на них при проектировании отдельных решений и корпоративной архитектуры в целом критичен для получения измеримого эффекта и масштабирования.
Что нужно агенту
Коротко обозначим, какие компоненты (слои) должны быть в AI‑native архитектуре, и какие вопросы, касающиеся работы AI-агентов, они закрывают.
- Корпоративные и инфраструктурные сервисы: хватит ли компании вычислительных мощностей, чтобы агенты вообще могли работать?
Каждое обращение к агенту — это, по сути, обращение к LLM (Large Language Model — большая языковая модель), а значит — вычисления на графическом процессоре или других специализированных мощностях. При росте числа агентов растет и нагрузка на инфраструктуру, поэтому компании важно заранее понимать, хватит ли ей вычислительных ресурсов, собственных или облачных, чтобы агенты работали быстро и без сбоев.
Помимо вычислительных мощностей в основании архитектуры находятся хранилища, сети и другие инфраструктурные сервисы, которые обеспечивают доступность, резервирование, мониторинг и безопасность независимо от того, развернута среда в облаке, on-premise или по гибридной модели. Но именно вычислительные мощности первыми становятся узким местом при масштабировании.
- Данные и семантический слой: как агент понимает, что означают данные компании и какой контекст ему нужен?
AI-агенту необходим не только доступ к данным компании, но и корректное их понимание. Семантический слой задает единые бизнес-термины, метрики и связи между сущностями: например, что именно компания считает «клиентом» или «заказом» и как рассчитывает конкретный KPI. Благодаря этому разные агенты могут одинаково интерпретировать корпоративные данные и получать необходимый контекст.
- Коннекторы: как агент безопасно и надежно вызывает системы компании?
Чтобы агент мог не только сформировать ответ (по аналогии с диалоговыми LLM), но и проверить заказ в ERP, получить информацию из CRM или инициировать операцию, ему необходим стандартизированный доступ к корпоративным системам. Слой коннекторов обеспечивает такое взаимодействие через API (Application Programming Interface — интерфейс программирования приложений), шины событий, MCP (Model Context Protocol — протокол контекста модели) и адаптеры к существующим приложениям.
- Платформенные AI-сервисы: как агенты получают доступ к LLM (большим языковым моделям, на которых они работают), контексту, навыкам и инструментам?
Под платформенными AI-сервисами понимается технологическое ядро системы работы с агентами. Для работы агенту необходим доступ к LLM-моделям — внешним или развернутым в контуре организации. Поэтому платформенный слой должен обеспечивать инференс (запуск и выполнение моделей), выбор нужной версии, а также подходящих ресурсов для конкретных задач, без привязки каждого агента к одной LLM. В рамках платформенного слоя должно быть также реализовано управление расширениями, корпоративным контекстом, RAG (Retrieval-Augmented Generation — подход, при котором AI ищет данные во внешних базах и опирается на них в выводе), дополнительными инструментами (реестр, версионирование, активация и отключение инструментов).
- Сами AI-агенты: кто из них что умеет, и как они принимают решения внутри своей задачи?
Сегодня компании, активно внедряющие AI, сталкиваются с «зоопарком» агентов — они могут быть разработаны разными сотрудниками, отличаться между собой в подходах и дублировать затраты. Реестр существующих в организации агентов необходим для того, чтобы не дублировать имеющиеся компетенции, унифицировать подходы и давать возможность агентам обращаться друг к другу.
- Слой управления и оркестрации агентов: по каким правилам осуществляются настройка, запуск, контроль, ограничения и оценка их работы?
Для эффективного управления AI-агентами необходимо иметь инструменты для их оркестрации — конфигурации, настройки взаимодействия между агентами, проверки и доведения до запуска, мониторинга работы, управления процессами (схемы работы, расписания).
В рамках этого архитектурного слоя должны решаться критичные задачи управления ИИ (AI Governance), а также безопасности — ограничения поведения (что агент может говорить и делать), мониторинг триггерных действий, анонимизация данных, ролевая модель доступа к контексту.
Немаловажно при увеличении числа агентов отслеживать потребление токенов и вычислительных мощностей, накопленную стоимость функционирования решения, общую эффективность и окупаемость (ROI) отдельных агентов.
В случае использования одного агента эти ограничения могут быть зашиты в контекст, однако в мультиагентных системах должны контролироваться системно в рамках выделенного слоя управления. Для повышения эффективности развертывания нужен единый контур наблюдаемости, аудита и управления затратами. При кратном увеличении агентов возникает вопрос приоритезации, расчета стоимости отдельных сценариев работы, оценки ROI.
- Поверхности и интерфейсы взаимодействия с агентами: где и как агент получает задачу, а пользователь контролирует его работу?
Пользователи могут взаимодействовать с агентами по-разному. Первый вариант — в интерфейсах выделенных корпоративных платформ. Второй — через внешние инструменты (мессенджеры, корпоративные приложения, голосовые ассистенты и пр.) при условии их интеграции.
Точкой входа для пользователя может быть чат, корпоративное приложение, API, голосовой ассистент и др. В рамках проектирования интерфейсного слоя важно определить потенциальные каналы, через которые пользователи и другие агенты будут взаимодействовать.
Все семь компонентов, которые обозначены выше, не обязательно приходится создавать с нуля. В большинстве компаний значительная их часть уже существует. Вопрос в том, насколько эти компоненты готовы к взаимодействию с AI-агентами. Часть из них достаточно адаптировать. Другие, прежде всего новые системы и сервисы, можно изначально проектировать с учетом работы агентов.
С чего начать
На практике компании идут одним из двух путей.
Первый путь предполагает полномасштабное выстраивание AI-native архитектуры. Компания начинает с комплексного аудита готовности существующей архитектуры, затем формирует видение целевого состояния и определяет приоритеты, после чего приступает к поэтапному внедрению.
Главное преимущество этого подхода в том, что архитектура сразу проектируется под масштаб будущего состояния организации, и в дальнейшем ее не приходится пересобирать при росте числа агентов. Кроме того, обычно проще получить бюджет и высокий приоритет на уровне всей компании, потому что изменение сразу оформлено как стратегическая программа. Обратная сторона — согласование с бизнесом и ИТ занимает время, поэтому первый измеримый результат появляется не сразу.
Второй путь строится от конкретного пилота с последующим расширением. Компания выбирает один кейс и минимальный срез архитектуры, необходимый для его реализации, быстро запускает пилот и затем тиражирует решение на другие кейсы. Этот подход привлекателен тем, что старт получается быстрым и недорогим, а результат виден уже на пилоте. При успехе найденный паттерн можно тиражировать на другие кейсы и постепенно прийти к первому пути — полномасштабному выстраиванию архитектуры.
Важно помнить, что решения, принятые под конкретный пилот, необходимо сразу проектировать с расчетом на интеграцию в общую архитектуру. В противном случае компания получит тот самый «зоопарк» агентов, разработанных под разные задачи без единой логики и возможности управления.