Разработчиков ИИ-агентов призвали использовать единый технологический стандарт
На пути к стандарту
Институт AIRI (АНО, объединяющая исследователей, ученых и инженеров данных, которые занимаются исследованиями в области ИИ) опубликовал в открытом доступе Maestro — фреймворк, то есть набор инструментов, компонентов и методов, которые облегчают разработку ПО для создания интеллектуальных агентных систем с использованием структурированных цепочек рассуждений. Maestro может помочь сформировать единый стандарт разработки ИИ-агентов, заявил в ходе международной конференции AI Journey руководитель научной группы «Мультимодальные архитектуры» Института AIRI Ярослав Беспалов.
По словам ученого, в партнерстве со «Сбером» AIRI уже применил Maestro для разработки ряда решений — в частности, медицинского помощника, интегрированного в систему «СберЗдоровье», и финансового ассистента для анализа отчетной документации. Например, сервис на базе нейросетевой модели GigaChat проанализировал 30 реальных клинических случаев из журнала New England Journal of Medicine и показал точность диагностики 93% — это выше, чем у Microsoft AI Diagnostic Orchestrator (85%). «Отдельные навыки этих решений разрабатываются в нескольких организациях одновременно, и единый оркестратор обеспечивает связность, масштабируемость и предсказуемость работы», — подчеркнул Беспалов.
Эффективность оркестратора Maestro проверена на реальных медицинских продуктах, сообщил Forbes директор центра индустрии здоровья Сбербанка Сергей Жданов. «В медицине это крайне важно, так как позволяет обеспечить комплексный подход к оценке здоровья человека. Решение дает возможность одновременной работы с различными медицинскими модальностями — результатами исследований (рентген, КТ и другие) и результатами лабораторных заключений (клинические и биохимические исследования крови). Теперь проверенная технология открыта для всего сообщества разработчиков — мы поддерживаем создание ИИ-агентов в едином формате для развития и использования в сфере здравоохранения», — говорит Жданов.
Как это работает?
Создание цифрового агента похоже на обучение «умного стажера» работать как настоящий эксперт, поясняют в AIRI. Чтобы агент не просто отвечал на вопросы, но все его поступки были интерпретируемы, любые сложные действия последовательно декомпозируются на этапы — так можно добиться от агента понимания того, что и зачем он делает. Сначала определяют, какой бизнес-процесс нужно автоматизировать: что именно делает эксперт, какие этапы проходят пользователи и какой результат должен выдавать агент. Без этого невозможно построить систему, которая решает реальные задачи. Затем большую задачу делят на маленькие функции — отдельные навыки. Каждый навык становится мини-агентом, отвечающим за свою часть работы: сбор данных, анализ, классификацию, переход по сценарию или генерацию ответа. Такой подход повышает надежность и позволяет легко расширять систему.
«Чтобы агент работал, как эксперт, и воспроизводил поведение людей, нужно понять, как эксперт работает в жизни. Для этого собираются реальные диалоги, кейсы и решения. Из этих данных извлекают предметные сущности — факты, параметры, симптомы, показатели, связи между ними, — продолжают в организации. — Благодаря этому формируется словарь цепочек действий экспертов, который помогает агенту ориентироваться в предметной области». Далее мышление эксперта раскладывается на шаги в формате Event–Action–Result (событие-действие-результат): что произошло, какую реакцию дает эксперт, какой вывод получается. Это делает логику понятной для LLM и позволяет воспроизвести ее в будущем. Шаги соединяются в причинно-следственные цепочки: выясняется, что за чем следует, в каких точках эксперт принимает решение и какие есть альтернативные пути. На основе этих связей строится карта мышления.
После этого начинается реализация внутри фреймворка, указывают в AIRI. Система позволяет разрабатывать или добавлять готовых агентов, карты мышления и правила переходов, подключать LLM, создавать логические цепочки и связывать агентов между собой. Maestro обеспечивает весь «фундамент»: авторизацию, хранение контекста, модерацию, взаимодействие с внешними API, оркестрацию агентов. Благодаря этому вся цепочка работает строго по правилам, надежно и предсказуемо. На последнем этапе оценивают качество: насколько хорошо агент повторяет логику эксперта, правильно ли принимает решения, стабильно ли работает и удобен ли пользователям. Сравнение с реальными экспертными решениями помогает улучшить модель и довести ее до практической применимости.
В итоге система позволяет создать не просто чат-бота, а полноценного интеллектуального ассистента, который мыслит логично, работает стабильно, масштабируется под новые задачи и подходит для критически важных сфер — медицины, финансов, юриспруденции и других областей, где коэффициент ошибки имеет большое значение.
Что думают разработчики?
Forbes спросил представителей отечественных разработчиков ИИ-агентов, что они думают о предложении AIRI.
Продукты на базе больших языковых моделей, такие как ИИ-агенты, ориентированные на выполнение конкретных бизнес-сценариев, могут стать одним из конкурентных преимуществ России в мире, считает директор по продуктам MWS AI (входит в МТС) Максим Волошин. Любые открытые разработки в этом направлении, особенно те, которые стандартизируют подходы и создают основу для формирования таких решений и продуктов, он считает «крайне важными»: «Они способны помочь сообществу и компаниям быстрее перейти к практическому внедрению генеративного ИИ и к появлению кейсов с реальным финансовым эффектом, — рассуждает он. — MWS AI активно поддерживает усилия open-source-сообщества: у нас в открытом доступе размещены большие языковые модели для работы с текстом и компьютерным кодом из семейств Cotype и Kodify. В следующем году мы намерены в дальнейшем развивать это направление, также сосредоточившись на практических решениях для рынка».
Maestro развивает идеи таких решений, как LangGraph, AutoGen, CrewAI, и работает с проблемой «черного ящика» ИИ – это один из главных вызовов отрасли, замечает руководитель разработки больших языковых моделей «Авито» Анастасия Рысьмятова. Понимание того, как ИИ размышляет и принимает решения, напрямую, по ее мнению, влияет на количество ошибок и галлюцинаций. Если мы сделаем каждое «решение» агента прозрачным, это позволит отслеживать логику рассуждений, контролировать и корректировать систему. «При этом фреймворк требует адаптации под конкретную область, глубокого погружения в отраслевые особенности и сотрудничество с экспертами: специфика работы финансового аналитика кардинально отличается от работы врача или юриста. Для использования и интеграции этот инструмент требует сильных компетенций команды и большой экспертизы в машинном обучении. Кроме того, качество работы агента по-прежнему будет ограничено способностями используемой языковой модели», — предупреждает эксперт.
По мнению руководителя R&D направления AI VK Константина Анисимовича, открытый подход к созданию агентных систем со структурированными цепочками рассуждений помогает делать ИИ более понятным и надежным. Он называет Maestro «заметным шагом» в области изучения практического применения мультиагентных систем, «учитывая все вызовы, которые возникают на этапе внедрения ИИ-агентов». Такой инструмент может упростить создание узкоспециализированных ассистентов без необходимости строить сложную ИИ-систему с нуля, резюмирует Анисимович.
С другой стороны, любой технологический стандарт должен разрабатываться всеми участниками рынка, убежден Волошин. «Без этого часто невозможно его реальное применение на практике. Стандартом технология становится, когда ею пользуется большинство, то есть у нее есть доказанная польза», — обращает внимание он.
В «Яндексе» не стали комментировать предложение AIRI. Forbes также направил запрос в Т-Банк.
Часть стандартного процесса
По общему мнению экспертов, «агентский» ИИ — следующий этап развития ИИ-индустрии, приходящий на смену недавно завоевавшему массовый интерес генеративному. ИИ-агенты способны не только генерировать тексты, но и принимать решения, по сути, заменяя человека. Все крупнейшие технологические компании мира — OpenAI, Google, Microsoft, Apple (как, впрочем, и российский бигтех) — работают в этом направлении.
Cогласно данным McKinsey (на июнь 2025 года), ИИ-агенты становятся частью стандартного инженерного процесса, выполняя 30–50% рутинных задач в большинстве корпоративных команд. Кроме того, более 60% IT-специалистов отмечают, что благодаря автоматизации рутинных циклов с помощью ИИ-агентов им удается перераспределять время на стратегические задачи и разработку новых функций, свидетельствуют данные исследования Yandex B2B Tech и ИТМО (есть в распоряжении Forbes).
Как оценивают в McKinsey, внедрение автономных AI-агентов помогает экономить $15 000–30 000 на одного разработчика ежегодно, а для команды из тысячи специалистов — до $30 млн в год: «Для организации с командой в 1000 программистов это $15–30 млн ежегодно». По данным традиционного отчета Google Cloud/DORA (сентябрь 2025 года), 80% разработчиков отмечают рост продуктивности, а 59% — улучшение качества кода.
Затраты на внедрение ИИ-агентов в течение трех лет составят более 950 млн рублей для корпораций, 200–300 млн рублей для крупных компаний, 30–60 млн рублей для среднего бизнеса, 5–15 млн рублей для малого, подсчитали исследователи из Axenix и МГУ имени М.В. Ломоносова. Совокупную экономию компаний от внедрения ИИ-агентов они оценили в 15–40%, в зависимости от отрасли. Результаты первого исследования изменений организационной модели бизнеса при внедрении ИИ-агентов они представили на конференции AI Journey 20 ноября.