Блог mysummit.school

«Большинство людей до сих пор думают, что AI-агент – это просто ChatGPT с хорошим промптом». С этой фразы начинается статья Sunil Ramlochan «The AI Agent Stack Is Not a Prompt. It’s a Production System», и дальше автор называет это убеждение «утешительным мифом». Полезная правда, по его словам, в другом: настоящий агент ближе к маленькой операционной системе для работы. У него есть мозг, руки, память, правила, логи, планы восстановления и кто-то, кто отвечает, когда агент делает не то.

Тезис статьи укладывается в одну строчку: агент – это целый стек. И надёжность ему даёт архитектура вокруг, тогда как сама по себе модель или удачный промпт – лишь один из ингредиентов. Картина инженерная, поэтому разберём её с другой стороны – что из этого стека реально касается менеджера, который не пишет код, но решает, запускать ли агента в работу.

В предыдущем материале «Анализ конкурентов с ИИ: где модель выдумывает факты» мы показали, как наивный чат-бот сочиняет конкурентов: пять компаний в списке, две не существуют, обороты назначены на глаз. Рецепт там был один – проверять каждый факт руками. Но есть способ сократить количество выдумок ещё до проверки: проводить ресёрч не в чате, а в агентском инструменте, который сам ищет, открывает страницы и сверяет найденное за несколько итераций.

Этот материал – практический цикл такого ресёрча: от настройки инструмента до проверенного результата. Тот же пример, что и раньше, – оборудование для установок замедленного коксования (УЗК) для НПЗ. Боль та же, но инструмент другой.

Мы знаем эту боль не из презентаций вендоров. В одном из заданий курса {{ }} мы спросили сорок человек, какую рабочую задачу они хотели бы ускорить с помощью ИИ. Полный разбор ответов опубликован отдельно; здесь остановимся на одном кластере, который сошёлся ровно вокруг клиентской переписки. Один человек сформулировал цель с цифрой: классифицировать обращения, предлагать ответы и снизить время отклика на 50%. Другой хотел рассылать ценовые предложения так, чтобы каждый клиент получал только интересное ему, а при молчании система напоминала бы менеджеру вернуться. Третий просто устал набирать руками одни и те же письма.

Запрос здравый, и ИИ в нём действительно силён – но не так, как обещает реклама. Разберём по частям, где реальная экономия, а где красиво упакованный риск.

Отчётность и статусы оказались второй по размеру группой запросов в этом наборе данных. Еженедельный статус для команды и заинтересованных сторон, краткие резюме по итогам совещаний, отчёты по исполнению месячного бюджета, материалы к ежедневным планёркам. Спрос реальный, и он попадает ровно туда, где языковые модели сильны. Разберём, как выстроить под него повторяемый процесс.

Это реальный тип запроса. В наборе ответов наших студентов на вопрос «какую рабочую задачу вы хотели бы ускорить с помощью ИИ» набралась целая группа про ресёрч: найти магазины машинной пряжи в Европе, проанализировать мировой объём продаж картофеля, собрать кейсы применения ИИ в нефтегазе, провести анализ конкурентов по узкому промышленному оборудованию, систематизировать нормативную базу проекта и подтягивать по ней новости. Общую картину всех 40 запросов мы разобрали в отдельном материале – ресёрч занял там заметное место. Запросы из разных миров, но боль одна – собрать информацию о рынке, которой у тебя пока нет.

И ровно здесь ИИ опаснее всего. Когда он не знает ответа, он его не оставляет пустым. Он его сочиняет – уверенно, складно и в том же тоне, что и правду.

В одном из уроков модуля для руководителей есть короткое задание: написать одну-две фразы о том, какую рабочую задачу вы хотели бы ускорить с помощью ИИ. Без подсказок, без вариантов ответа. Сорок человек – менеджеры проектов и продуктов, аналитики, специалисты по персоналу – написали, чего они хотят. Это не опрос про намерения «в принципе». Это первичный спрос, снятый с людей, которые завтра пойдут применять инструмент к своей работе.

Картина оказалась интереснее, чем ожидалось. Больше половины запросов сошлись в три понятные группы. И эти три группы почти точно легли на то, что языковые модели реально делают хорошо. А выбросы – запросы, улетевшие куда-то не туда – оказались самым полезным, что было в этих данных.

Если ваша лента состоит из людей, которые пишут промпты на завтрак и строят агентов на ужин, у вас сложилось ощущение, что ИИ повсюду и все им владеют. Это ощущение не выдерживает встречи с данными. Microsoft WTI 2026 фиксирует: организационные факторы объясняют 67% разницы в AI-эффективности между компаниями.