ИИ-агент, который умеет составлять прогноз, но не знает правил закупок, лимитов бюджета и цепочки согласований, способен ускорить путь компании к дорогостоящей ошибке. Главный научный сотрудник направления корпоративного ИИ Celonis Деваврат Шах считает, что контекстный ИИ становится главным условием перехода от пилотов к реальным бизнес-решениям: российским командам это напоминает, что LLM нельзя просто подключить к ERP и ждать магии.
Об этом MIT Technology Review сообщает в материале, подготовленном совместно с Celonis. Шах предлагает смотреть на корпоративный ИИ не как на универсального советчика, а как на участника конкретного процесса. Агент может автоматизировать отдельную роль или задачу, однако должен понимать, где именно она находится в цепочке действий, кто принимает итоговое решение и какие ограничения нельзя нарушать.
Речь идёт и о стратегических, и о частых операционных решениях. В компании они редко принимаются одним запросом к модели: сначала проверяются данные, затем согласуются условия, выполняются связанные задачи разных сотрудников и систем. Если агент видит лишь фрагмент, он может выдать правдоподобный ответ, не заметив критичный лимит, исключение в договоре или зависимость между подразделениями.
Шах называет целевой подход «интеллектом принятия решений». В этой схеме ИИ-агенты не обязательно получают право самостоятельно решать судьбу сделки, найма или финансового плана. Они могут собирать вводные, готовить варианты, выполнять рутинные действия и передавать результат человеку на проверку. Для бизнеса это куда реалистичнее, чем обещания полной автономности: автоматизация появляется там, где процесс уже описан, а границы ответственности понятны.
Отсутствие контекста несёт два типа риска. В оптимистичном сценарии модель будет долго выяснять недостающие детали, перебирая запросы и расходуя вычислительные ресурсы на относительно простую операцию. В худшем — примет решение с неполными вводными. Ошибка в рекомендации ресторана почти безвредна; неверный прогноз или действие в финансовом планировании может оказаться значительно дороже.
Практический рецепт Celonis начинается не с масштабной программы внедрения агентов. Шах советует выбрать одно бизнес-решение, разобрать его на этапы, найти самые трудные или ручные места и проверить, улучшает ли ИИ скорость и ценность результата. Лишь затем имеет смысл масштабировать сценарий. Такой порядок полезен и разработчикам: вместо абстрактного «чат-бота для отдела» появляется измеримая задача с источниками данных, правилами доступа и понятным критерием качества.
Контекстный ИИ в такой модели опирается на процессы и данные, которыми организация уже пользуется. Контекстный слой должен показать агенту рабочий поток, актуальные условия и защитные ограничения. При этом он не отменяет необходимость контроля: рекомендации требуется проверять, а сотрудникам — понимать, откуда взялся ответ и к каким последствиям приведёт его выполнение.
Для IT-директоров это означает, что качество агентного проекта зависит не только от выбранной модели и промптов. Понадобятся доступные и непротиворечивые данные, описание процессов, разграничение прав, аудит действий и владельцы решений со стороны бизнеса. Для HR и руководителей команд остаётся отдельная задача — обучить сотрудников работать с выводами ИИ, а не механически передавать ему ответственность.
Дальше, по оценке Шаха, этот подход может выйти за пределы рутинных операций — в финансовое и кадровое планирование, маркетинг и продажи. Главный вопрос для компаний будет не в том, может ли модель сформулировать ответ, а в том, достаточно ли она знает о конкретном процессе, чтобы этот ответ можно было безопасно превратить в действие. Подробнее позицию Шаха можно сверить в .