Куда внедрить AI-агента, чтобы не получилось как всегда. Методика выбора кейса

В прошлом посте всех разоблачили. Теперь пора обсудить методику, как нормально выбирать кейсы для агентов.

Откуда берется профит от AI

Есть процесс, который несёт дополнительную ценность — для клиента или для самой компании. Ответы на вопросы пользователей, скоринг лидов из CRM, составление отчёта для регулятора. Задача: используя технологию, перестроить этот процесс так, чтобы его доп. ценность стала выше. Профит может быть 3-х типов.

1. Уменьшаем затраты на процесс. Самое очевидное, что приходит на ум. Для агентов пока работает так себе. Если вы удешевили процесс на 30 %, это обычно не окупает косты команды разработки и LLM-сервинга. Исключение — суперчастотные процессы: продажи, поддержка и подобное.

2. Уменьшаем число ошибок в процессе. Был брак, процесс сломался, нужно переделывать. Теперь не надо. Особенно много это приносит в рисковых процессах, где цена ошибки огромна: юридический иск на компанию, простой конвейера на заводе.

3. Процесс начинает приносить новую ценность. Раньше клиент согласовывал страховой случай 2 недели — теперь за 15 минут. Раньше клиент писал в поддержку — теперь мы сразу решаем проблему, как только что-то пошло не так. Вот здесь самые большие деньги (хотя их и сложнее всего посчитать). Здесь создаётся ценность, которая напрямую влияет на пользовательский опыт — а значит, на retention и LTV.

Для каких процессов подходят агенты

Агенты очень исполнительные. Если вы описали процесс, модель без потери концентрации шаг за шагом всё выполнит. За счёт мультиагентности можно перемалывать огромное количество информации параллельно. Вывод: агенту нужно давать задачи с чётко описанным бизнес-процессом, внутри которого он будет делать много рутинных операций. Например, ходить в разные базы данных, изучать информацию, собирать данные, заполнять шаблоны и так далее.

Но как бы все ни мечтали, LLM сильно глупее человека. У агентов высокий уровень ошибок, особенно на задачах с большим числом шагов. Работать с этим риском можно двумя способами: проверить человеком (но не каждое решение агента) либо забить (для низкорисковых процессов).

Три примера внедрения

1. Автоматическая закрытие страховых претензий. Страховая Lemonade разработала бота для страховых выплат. Он автоматически решает 30% претензий буквально за несколько секунд. У вас угнали велосипед — и вам сразу же выплатили страховку. Спасли бесценное ментальное здоровье в трудный момент.

2. Генерация отчётов о клиническом исследовании. Фармкомпания Novo Nordisk автоматически делает драфт отчёта о проведённом клиническом исследовании. Это толстенный зарегулированный документ, который раньше группа людей писала несколько месяцев. Теперь драфт пишется за несколько минут, а затем несколько дней вычитывается на ошибки. Сократили время выхода препарата на рынок на несколько месяцев. Это миллионы долларов для большой фармы.

3. Разработка. Процесс перестраивается: программист пишет подробную спецификацию решения, агент под неё пишет много кода, программист ревьюит. Так могут делать только хорошие разработчики — нужно качественно описать, что надо сделать, и потом грамотно проверить. Но комьюнити поняло наоборот: что теперь все могут вайб-программировать. Жаль.

Резюме

Многие удивляются, но внедрение нужно начинать не с вопроса «куда бы нам фигануть агента», а с вопроса: «зачем нам вообще нужен этот процесс». Потом нужно добивать вторым — «какую ценность эта технология может в нём создать». Если вы это поймёте, уже будете впереди 90 % внедрятелей агентов.

Дальше самое интересное: эту дополнительную ценность нужно спроектировать и разработать. Как хорошо что у вас есть этот канал, тут мы это и разберем.