Сбер: AI-Native организация - эволюция автономности в эпоху мультиагентных систем, Андрей Коптелов
Андрей Коптелов, исполнительный директор, Сбер. "Искусственный интеллект и большие данные: от экспериментов к эффекту", конференция TAdviser.
Андрей Коптелов, исполнительный директор Сбер, представил методологический взгляд на трансформацию корпоративной архитектуры в рамках мероприятия, организованного Tadviser. В своем анализе он подчеркнул, что современная корпоративная архитектура — это прежде всего вопрос методологии и философии управления изменениями, а не только технического оснащения. Особое внимание было уделено переходу от точечного внедрения инструментов к системному перепроектированию всей организации. Важным аспектом данного перехода является расчет финансового эффекта. Для этого рекомендуется использовать открытую методику Альянса в сфере искусственного интеллекта, представленную в их «белой книге». Данный документ занимает около 80 листов и содержит подробные инструкции по расчету эффективности внедрения ИИ, хотя полное следование всем пунктам может оказаться избыточным.
Переход к AI-Native организации
Концепция AI-Native подразумевает создание структуры, где искусственный интеллект не является внешней надстройкой или инструментом автоматизации отдельных задач, а выступает фундаментальным слоем всей бизнес-архитектуры. В такой модели ИИ интегрирован в компанию с самого начала, что требует от сотрудников наличия базового IT-бэкграунда для эффективного взаимодействия с системами. Это становится серьезным вызовом для руководителей, так как фактически заставляет их и их команды становиться разработчиками, способными самостоятельно создавать и запускать агентов. По мнению автора, переход в AI-Native — это состояние организации, «где нет ничего, кроме ИИ».
Сбербанк уже демонстрирует масштаб внедрения этих технологий: в компании реализуется более тысячи проектов по интеграции LLM. При этом отмечается, что путь к AI-Native статусу не всегда требует развертывания тяжелых корпоративных систем на начальном этапе. Для локальных задач и быстрой проверки гипотез рекомендуется использовать легкие open source инструменты, такие как n8n или LangChain (а также Alamo), которые могут работать даже на локальных компьютерах. Таким образом, технологический стек становится более гибким, а порог входа в разработку снижается за счет доступности low-code решений и помощи нейросетей.
Анализ показывает, что переход к AI-Native статусу меняет саму природу разработки. Основной акцент смещается с написания кода на создание и управление агентами. В этой новой реальности техническая реализация становится вторичной по отношению к архитектурному замыслу. Это подтверждается примерами из практики опытных архитекторов, которые заявляют: «я никогда код писать не буду больше», поскольку их работа теперь строится на управлении ансамблем агентов в рамках разрешенных корпоративных технологий (например, через внутренний инструктор Сбера), где человек лишь принимает решения о доверии к результату.
Уровни автономности и смерть традиционных моделей
Традиционная автоматизация процессов часто характеризуется жесткостью, которую автор называет эффектом забетонирования: когда ИТ-специалисты создают систему, которую затем крайне сложно изменить или сдвинуть с места. В противовес этому, развитие ИИ ведет к появлению персонифицированных экземпляров процесса, которые подстраиваются под конкретного клиента в реальном времени. Примерами могут служить персональные треки в обучении или индивидуальные предложения в области кредитования. Это ставит под вопрос жизнеспособность классических моделей процессов: в будущем может остаться только живой экземпляр исполнения, адаптированный под ситуацию, а сами модели как статичные схемы могут «умереть».
Более того, сам цикл изменения процесса становится «безлюдным», так как элементы ИИ начинают заменять людей даже в задачах по оптимизации и перепроектированию систем. Это означает, что автоматизация теперь затрагивает не только бизнес-процессы, но и саму работу айтишников, которые ранее занимались этой автоматизацией. Для оценки степени приближения к AI-Native статусу выделяется пять уровней автономности:
L1 Assisted — ИИ выполняет черновую работу;
L2 Partial (Copilot) — ИИ предлагает варианты, а человек выбирает подходящий;
L3 Conditional (AI Draft) — ИИ создает черновик, который требует Human Review (проверки человеком);
L4 Human-on-the-loop — ИИ выполняет цикл целиком, эскалируя человеку только исключения;
L5 Fully Autonomous — человек лишь задает метрики успеха, а система сама ставит цели и исполняет их.
На практике большинство компаний сейчас находятся на уровне Copilot или AI Draft. Важным выводом является то, что в крупных организациях полная автономия маловероятна из-за необходимости контроля и ответственности. «Человек где-то должен подруливать, стоять с рубильником», чтобы исключить критические ошибки системы в масштабах корпорации.
Архитектура мультиагентных систем
Эволюция технологий прошла путь от хайпа вокруг LLM к осознанию проблемы галлюцинаций и отсутствия инструментов. Выяснилось, что базовые языковые модели плохо справляются с простыми арифметическими действиями (например, «2 плюс 2 плохо складывает») и склонны выдумывать факты при работе с большими датасетами. Решением стал переход к агентным системам, где языковая модель выполняет роль мозга, но окружена памятью (краткосрочной в рамках одной сессии и долгосрочной для хранения опыта прошлых взаимодействий) и набором API для взаимодействия с внешним миром.
Ключевым элементом здесь становится Harness — обвязка, которая обеспечивает контекст организации и ограничивает «фантазию» модели. Чем дальше компания продвигается в использовании GNI технологий, тем больше инструментов приходится добавлять вокруг LLM, чтобы они не ошибались. Это меняет подход к анализу данных: если раньше нейросети пытались просто проанализировать файл с данными (например, из трех тысяч строк) и часто галлюцинировали, то теперь они пишут и исполняют Python-скрипты для анализа, что дает точный результат. В некоторых случаях это фактически заменяет классические BI-инструменты в простых аналитических задачах, позволяя получать рекомендации прямо из обезличенного датасета.
Для внедрения таких систем Сбербанк использует специализированные гайды по мультиагентным средам. Также рекомендуется обращаться к ресурсам вроде «Киберария» для изучения рисков при внедрении ИИ, где собраны качественные методологические документы из внешних источников. Аналитический тезис заключается в том, что ценность теперь представляет не сама LLM, а совокупность инструментов вокруг нее, которые превращают генератор текста в надежного исполнителя бизнес-задач с предсказуемым результатом.
Спецификация как новый источник истины
Внедрение подхода Specification Driven Development (SDD) и методологии PDLC кардинально меняет объект управления в ИТ. Если раньше основным активом и ценностью был код, то теперь им становится спецификация. Код превращается в производную, которая может быть переписана или сгенерирована заново за считанные секунды с помощью LLM. Это означает, что ценность смещается от навыка написания синтаксически верного кода к навыку точного описания бизнес-логики и архитектуры. В конечном итоге это должно привести к созданию полноценной объектной модели, так как не все технические специалисты до конца понимают принципы бизнес-архитектуры.
Такой подход позволяет существенно оптимизировать ресурсы команд. Приводится пример сокращения штата в одном из проектов с 9 до 4 человек при сохранении прежнего объема выработки. Это не столько про увольнения, сколько про радикальное повышение производительности за счет того, что «код возникает на ходу». В этой парадигме разработчик превращается в LLM-инженера или темлида, который управляет ансамблем асинхронных агентов, выполняя роль контролера и архитектора. Разработчики теперь могут работать с множеством агентов одновременно: дать задачу одному, пока тот работает полчаса, переключиться на второго и третьего, контролируя их результаты.
Трансформация ролей в команде
В новой модели распределения обязанностей происходит перераспределение компетенций между продуктовиком и исполнителем. Владелец продукта эволюционирует в Стратега, который формулирует цели и контекст. Петля реализации, которая раньше занимала недели и месяцы, теперь автоматизирована с помощью агентных систем. «Гуру теперь тот, кто понимает, что нужно делать», а не тот, кто знает синтаксис языка программирования.
Особое внимание уделяется росту значимости бизнес-архитектуры. Поскольку техническая реализация продукта стала дешевой и быстрой (благодаря low-code и open source), критическим фактором успеха становится продуктовое видение: будет ли решение востребовано рынком. Навыки проектирования ценности становятся важнее технических навыков, так как сейчас любой человек может создать продукт с минимальными затратами, используя доступные инструменты. Разработчики же переходят в режим управления потоками задач, где их основной функцией является верификация результатов работы ИИ-агентов и интеграция их в общую систему. Это применимо не только к программированию, но и к созданию любого контента, например, учебных материалов.
Проблема контекста и управление данными
Главным барьером на пути к полноценному внедрению ИИ в корпорациях остается отсутствие структурированного контекста. Без знания внутренней инфраструктуры, регламентов и специфики организации даже самые продвинутые агенты склонны к галлюцинациям. Приводится пример с учебным центром: руководитель по продажам спросил у LLM, что предложить клиенту по корпоративной архитектуре, и система рекомендовала всего 8 курсов из тысячи доступных. Это произошло потому, что модель не имела доступа к полному актуальному каталогу в машиночитаемом виде. Решением в данном случае является погружение модели в контекст через выгрузку всех данных о курсах.
Это создает новый всплеск спроса на специалистов по управлению данными и бизнес-аналитиков. Чтобы ИИ работал эффективно, описания процессов и IT-ландшафт должны быть переведены в формат, понятный машине (машиночитаемый вид). «Управление контекстом — это тема, которая будет в ближайший год-полтора прямо актуальна». Таким образом, цифровая трансформация возвращается к своим истокам: структурированию данных, но теперь это продиктовано необходимостью «кормить» интеллект правильной информацией, чтобы агенты принимали решения не так, как им «показалось», а в соответствии с внутренней инфраструктурой.
Интеграция ИИ в жизненный цикл разработки
Применение методик AI Disrupt и PDLC позволяет автоматизировать формирование требований. Система может разложить общую цель на бизнес-задачи, функциональные и нефункциональные требования с высокой точностью. Однако эффективность этого процесса напрямую зависит от привязки к конкретным процессам организации. Без этой связи требования остаются теоретическими и неприменимыми в реальности. Чтобы агент мог привязать требование к конкретному процессу или инфраструктуре, ему необходимы актуальные описания процессов от коллег-аналитиков.
Анализ показывает, что даже традиционные роли, такие как технический писатель, начинают замещаться агентными системами. Это подтверждает тренд на сокращение дистанции между идеей и готовым продуктом. В Сбербанк этот процесс поддерживается внутренними экосистемами (инструкторами), которые обеспечивают безопасность и соответствие корпоративным стандартам, хотя и могут несколько замедлять скорость развертывания по сравнению с чистыми open source решениями.
Стратегический вектор развития ИТ-функции
Итоговым выводом является необходимость пересмотра всей методологии управления ИТ в компании. Фокус смещается от контроля процессов к управлению намерениями и результатами. Внедряется двухпетлевая модель: петля намерения (Discovery) определяется человеком, который задает направление, формулирует гипотезы и определяет контекст, а петля реализации исполняется системой AI-агентов, которая максимально быстро превращает эти намерения в технический результат за считанные минуты или часы. Контроль качества при этом выносится в отдельный автономный контур — Validation Spine, обеспечивающий непрерывный сбор метрик на всех этапах работы.
Дополнительным слоем управления выступает Governance Mesh, который обеспечивает непрерывный автономный контроль и ограничения. Основная рекомендация для бизнеса заключается в том, чтобы перестать воспринимать ИИ как инструмент для точечной автоматизации и начать рассматривать его как основу новой организационной структуры. Инвестиции в актуализацию данных и описание бизнес-архитектуры сегодня являются единственным способом избежать галлюцинаций систем завтра. Будущее за теми компаниями, которые смогут создать полноценный цифровой двойник своего контекста для взаимодействия с мультиагентными системами.
Оптимизация архитектуры через управление контекстом
Для достижения реального экономического эффекта от ИИ необходимо перейти от разрозненных пилотов к системному управлению знаниями организации. Рекомендуется сосредоточиться на создании машиночитаемых реестров процессов и IT-активов, так как именно они станут топливом для автономных агентов. Компаниям следует переобучать персонал из исполнителей в стратегов и архитекторов, смещая фокус с написания кода на проектирование бизнес-ценности.
Для оценки текущего состояния организации предлагается использовать специализированные анкеты зрелости, которые позволяют понять, насколько компания готова к переходу на AI-Native рельсы. В целом, трансформация ИТ-функции ведет к тому, что технические сложности реализации перестают быть главным барьером, и на первый план выходит способность бизнеса четко формулировать свои потребности и структурировать внутренние знания для их передачи искусственному интеллекту.
