Без AI не разобраться: 5 ключевых терминов для тех, кто хочет быть в теме

Сегодня ИИ используется уже не только для генерации текстов или картинок. Он встроен в корпоративные системы, помогает управлять процессами, анализировать данные и автоматизировать рутинные сценарии. Чтобы вам было проще ориентироваться в этом быстро меняющемся ландшафте технологий и разговаривать с более сведущими коллегами на одном языке, CEO OSMI IT Михаил Шрайбман подготовил краткий словарь из пяти ключевых терминов — от ассистентов до мультиагентских систем.

Спойлер: для большего погружения в тему рекомендуем прочитать не только глоссарий, но и пару разделов после — так вы сможете ещё и понять отличия систем, плюс, быть в курсе топовых кейсов индустрии. 

Глоссарий

1. Al-агент — цифровой помощник, который самостоятельно выполняет задачи и способен принимать решения, экономя ресурсы и заменяя человека.
2. Ассистент — упрощённый вид агента, которого может создать даже человек без технических навыков. По сути, это помощник, работающий по заранее заданному промту или сценарию. Его задача — облегчать выполнение отдельных операций и взаимодействие с системой.
3. ML (Machine Learning / машинное обучение) — «хардкорный», математический и ориентированный на точность метод ИИ. ML появился ещё в середине XX века и до сих пор остаётся базой. Используется там, где критично важна точность и нужны прогнозы: 

— в предиктивной аналитике, 

— в прогнозировании количества остатков на складе, 

— в динамическом ценообразовании, 

— в анализе рисков и т.п.

4. Мультимодальные агенты — AI-агенты, которые работают не только с текстом, но и с другими типами данных:

— изображения,

— звук,

— видео,

— сенсорные данные,

— таблицы, графы и др.

Они могут одновременно «читать» отчёт, «смотреть» на график и «слушать» голосовую команду, а затем объединять эти источники информации для ответа или действия.

5. Мультиагентские системы (MAS, Multi-Agent Systems) — среды, где работает не один агент, а несколько, часто с разными ролями. Они могут:

— координировать свои действия,

— делить задачи,

— передавать результаты друг другу.

CEO OSMI IT

Михаил Шрайбман 

 «За такими системами будущее: именно они позволяют масштабировать автоматизацию и строить полноценные «цифровые отделы». Платформа OSMI AI уже сегодня даёт возможность работать с мультиагентскими системами в полном объёме — от разработки сценариев до управления взаимодействием агентов».

В каких кейсах лучше сработает одиночный агент, а когда нужна мультиагентная система? 

Ниже мы собрали самые частотные кейсы из нашей практики, которые показывают, в каких случаях достаточно одного агента, а где эффективнее использовать целую мультиагентную систему. Но если вы хотите понять, какие сценарии будут актуальны именно для вашего бизнеса, вы можете связаться с нами — контакты указаны на сайте OSMI IT.

Одиночные агенты выполняют единичные операции:

1. автоответы на отзывы в e-commerce,
2. проверка контрагента через KYC,
3. онбординг нового сотрудника,
4. поддержка 1-го уровня,
5. мониторинг новостей/упоминаний бренда.

Мультиагентные системы… функционируют как системы: 

1. один агент классифицирует → другой анализирует тональность → третий эскалирует менеджеру;
2. агент парсит → агент проверяет риски → агент подготавливает юристу summary;
3. агент собирает данные → агент проверяет по базам → агент готовит отчёт → агент уведомляет менеджера;
4. агент готовит доступы → агент настраивает ПО → агент-HR отвечает на вопросы новичка;
5. агент формирует документ → агент проверяет корректность → агент отправляет клиенту → агент уведомляет бухгалтера.

Ещё больше кейсов внедрения с конкретными бизнес-показателями вы найдёте не только в этой статье, но и в нашем материале «Смартстаффинг и «цифровые коллеги»: почему цифровизация рынка труда касается каждого из нас». Кто знает, возможно, там вас ждёт именно то решение автоматизации бизнеса, которое выведет его на новый уровень? 

KO для финала 

Мы уже внедрили три агентные системы, которые могут работать как единое универсальное решение, подходящее почти для любого бизнеса. По сути, это «конструктор», где из типовых сценариев можно собрать оптимальный набор: от подбора товаров на сайте по любому запросу до автоматизации службы поддержки и контроля финансов. 

Кейс №1: мультиагентная система подбора товаров и ситуативный поиск

Перед нами стояла задача ускорить поиск и подбор сложных технических продуктов на сайте. Пользователи писали запросы в свободной форме, часто с опечатками, техническим сленгом и требованиями по срокам или условиям эксплуатации. Например: «аналог TI SN74HC595, срок — неделя».

Мы разработали ассистента, который корректно понимает технические запросы, исправляет ошибки, учитывает параметры вроде цены, сроков или температурного режима эксплуатации продукта и выдаёт точные совпадения и аналоги. В ответ клиент получает подборку компонентов с альтернативами по брендам и наличию, сравнением характеристик, документацией и остатками на складе. Всё это можно сразу добавить в корзину, сформировать запрос КП или передать закупщику. История запросов сохраняется для повторных обращений и персонализированных рекомендаций.

Такое решение легко масштабируется: оно подходит для e-commerce и B2B-маркетплейсов, промышленности, торговли стройматериалами, поставок оборудования, медтехники и любых направлений, где нужно быстро и точно подбирать аналоги или альтернативы товаров и комплектующих.

До: подбор компонентов вручную, ошибки и списания, нужен техбэкграунд, на поиск уходило 15 минут–часы, конверсии из ассистента не было.

После: 87% запросов обрабатываются автоматически, ошибки снижены, инструмент подходит любому менеджеру, время — 2–4 секунды, конверсия в корзину растёт на +3%.

Кейс №2: мультиагентная система для поддержки пользователей и обработки запросов 2 уровня

В этом случае мы должны были автоматизировать поддержку пользователей ПО. Сложность заключалась в том, что продукт имел разветвлённую оргструктуру, обширную документацию и требовал точной маршрутизации обращений. Пользователи регулярно писали в поддержку с самыми разными вопросами, и часть запросов требовала эскалации в конкретные команды, что занимало много времени.

Мы внедрили интеллектуального ассистента, который обрабатывает запросы на естественном языке. Он понимает тематику и уровень сложности обращения, ищет ответы в базе знаний с помощью LLM и семантического поиска, автоматически отвечает на стандартные вопросы и эскалирует нестандартные кейсы в нужные рабочие группы. Ассистент постоянно дообучается на новых примерах, расширяя базу знаний и повышая точность.

В результате система взяла на себя рутинную часть поддержки, сократила нагрузку на сотрудников и ускорила маршрутизацию сложных запросов. Такой подход применим для любых IT-продуктов, SaaS-сервисов, корпоративных платформ, B2B-систем и техподдержки сложного ПО.

До: первый ответ через 1–2 часа; на первом уровне решалось 20–30% запросов; эскалация занимала ~4 часа; повторные обращения — 18%.

После: первый ответ — <2 минут; 60–80% решается на 1-м уровне; эскалация — <1 часа; повторные обращения — <9%.  

Кейс №3: система для финконтроля и бюджетирования

Для компании с проектным финансированием, матричными бюджетами и сложными процессами согласования встала задача повысить прозрачность и контроль расходов. Клиенту нужно было сократить время проверки заявок на оплату и минимизировать риск перерасходов.

Мы внедрили AI-агента, который подключается к учётным системам и берёт на себя контроль всего процесса. Он автоматически отслеживает заявки, сверяет суммы с бюджетными лимитами и историей расходов, а при выявлении отклонений добавляет комментарий и сигнализирует о превышениях. В случаях перерасхода агент ставит задачу менеджеру, а также формирует отчёты в Excel по проблемным статьям бюджета.

Таким образом, система автоматизировала ключевые этапы финконтроля и бюджетирования: от мониторинга заявок до аналитики отклонений. Это позволило и существенно сократить время проверки, и повысить уровень контроля за расходами в проектах.

До: проверка заявки занимала 15–20 минут.

После: проверка — 2–3 минуты; контроль расходов в проектах повышен.

И напоследок: если вы хотите не просто разобраться в терминах и кейсах, но и понять, как выстроить полноценную «фабрику агентов» — от первых пилотов до центра экспертизы внутри компании, — рекомендуем прочитать нашу статью «Как построить центр компетенций с OSMI AI внутри компании». В ней подробно разобрано, как организовать работу команд, какие шаги пройти и как сохранить экспертизу внутри компании, чтобы избежать зависимости от подрядчиков.