Сбер - интеграция LLM в корпоративные системы: от автоанализа до стандартизации, Андрей Коптелов
Андрей Коптелов, исполнительный директор, Сбер. "Искусственный интеллект и большие данные: от экспериментов к эффекту", конференция TAdviser. Исполнительный директор Сбера Андрей Коптелов представил концепцию трансформации бизнес-процессов при переходе к модели AI-native компании. Основной тезис выступления заключается в том, что внедрение искусственного интеллекта не отменяет классический процессный менеджмент, а требует его глубокой эволюции для обеспечения безопасности и управляемости систем. РОЛЬ ПРОЦЕССНОГО МЕНЕДЖМЕНТА И БЕЗОПАСНОСТЬ В архитектуре AI-native компании сохраняется критическая потребность в четком описании алгоритмов действий. Это необходимо для обеспечения предсказуемости бизнес-систем, особенно в областях производственной безопасности, где любые отклонения недопустимы и нельзя полагаться на вероятностные модели ИИ. Андрей Коптелов подчеркивает: Мы должны обеспечить, чтобы процессы некоторые были предотвратимы и обратимы. Это означает сохранение жестких контрольных точек. Сертификация и лицензирование сегодня применимы только к детерминированным программам, а не к черным ящикам нейросетей. Разграничение между гибким поведением LLM и жестким кодом традиционных систем позволяет создавать гибридные модели. В таких структурах ИИ берет на себя аналитику, но юридические гарантии исполнения конкретных алгоритмов остаются за классическим программным обеспечением. ИНТЕГРАЦИЯ AI-АГЕНТОВ С ERP И ЭДО Современные системы ERP и электронного документооборота в новой экосистеме становятся поставщиками контекста. AI-агент не заменяет эти инструменты, а взаимодействует с ними для извлечения данных, что позволяет принимать более обоснованные и точные управленческие решения. В Сбере для контроля автономных агентов применяется специальный коэффициент качества отработки. Это позволяет отслеживать точность действий ИИ и постепенно расширять зону ответственности помощников по мере дообучения моделей и уточнения промптов в корпоративном контуре. Примером служит сервис помощник архитектора, имеющий доступ ко всем внутренним системам банка. Текущий уровень правильных ответов составляет около 83%, что подтверждает тезис о недопустимости свободного полета ИИ: каждый пятый запрос все еще требует ручной обработки. АВТОНОМНЫЕ СЕРВИСЫ И PROCESS MINING Существуют зоны с высоким уровнем автономности, например, клиентские консультации, где риск ошибки ниже за счет возможности обратной связи от пользователя. В некоторых кейсах конкурса BPM проект года уровень автономности систем достигал впечатляющих 95%. Для глубокого анализа эффективности используется Process Mining, собирающий цифровые следы операций в реальный граф процесса. Для автоанализа таких графов часто применяется не LLM, а классический машинный поиск (ML), который эффективнее находит аномалии в данных. Такой подход позволяет автоматически генерировать отчеты о выбросах и отклонениях. По мнению Коптелова, возможность топ-менеджмента самостоятельно получать мгновенный анализ организации через интеллектуальные интерфейсы — это будущее управления. ПРОБЛЕМА ИНФОРМАЦИОННОГО ПЕРЕПОЛНЕНИЯ Рост числа AI-агентов создает парадокс: автоматизация порождает лавинообразный объем отчетов и замечаний, которые человек не успевает валидировать. Это особенно критично в юридически значимых операциях и при работе с конфиденциальными данными. Ситуация осложняется взаимодействием по схеме агент-агент. Когда одна система генерирует требования, а другая их обрабатывает, возникает избыточный информационный шум. Это требует пересмотра проектирования всех цифровых взаимодействий внутри компании. Для борьбы с этим в Сбере внедряется стратегия сушки или сжатия потоков данных. Цель состоит в том, чтобы агенты обменивались не массивами сырых данных, а конкретными верифицированными инсайтами, минимизируя затраты вычислительных ресурсов. СТАНДАРТИЗАЦИЯ И УПРАВЛЕНИЕ В СБЕРЕ В Сбере разрабатывается внутренний стандарт управления AI-агентами, при этом сам документ создается с помощью LLM. Этот рекурсивный процесс выявил проблему избыточности: нейросеть может выдать сотни бесполезных замечаний к одному документу. Решением становится итеративная работа с промптами. Как отмечает автор, нужно голову включать и четче ставить задачу. Только через уточнение запросов можно добиться того, чтобы ИИ выдавал ровно тот объем информации, который необходим для принятия решения. Переход к AI-native модели подразумевает создание специализированных агентских сетей с узкими компетенциями. Это позволит избежать хаоса и обеспечит точность выполнения задач за счет специализации моделей при общем контроле со стороны процессного менеджера.
Название:
Сбер - интеграция LLM в корпоративные системы: от автоанализа до стандартизации, Андрей Коптелов
Категория:
Технологии и интернет