Читайте в Telegram
|
LLM‑модели действительно умеют адаптироваться под процессы, но только в теории. На практике интеллект не «встраивается» сам по себе: его нужно целенаправленно привязывать к данным, правилам, системам и метрикам конкретного бизнеса.
Именно поэтому в корпоративных внедрениях говорят не о модели как таковой, а об архитектуре вокруг нее. Обычно она складывается из пяти ключевых инструментов, каждый из которых решает свою задачу, и только вместе они дают управляемый, измеримый эффект.
Мы в Softline подчеркиваем, что промптинг — базовый инструмент: как в компании формулируются запросы к модели, какие форматы результата считаются корректными, где проходит граница между черновиком и финалом. По сути, это новая форма корпоративных инструкций, но адресованных не сотруднику, а алгоритму.
Через подходы вроде RAG (генеративная модель, дополненная поиском по данным компании; Retrieval‑Augmented Generation) модель начинает опираться не на общий интернетный опыт, а на документы, регламенты, продуктовые описания, договоры компании. Если сильно упростить, RAG превращает ответ модели в реакцию на очень сложный, расширенный промпт, который собирается автоматически из корпоративных данных. Это переносит в модель локальное знание бизнеса.
Отдельно существует возможность дообучения на реальных примерах работы, когда меняется уже внутренняя логика модели, а не только подаваемый ей контекст. Но для целевой корпоративной аудитории это, как правило, не «рабочий инструмент по умолчанию»: дообучение требует значительных ресурсов, данных и экспертизы, а экономически часто оказывается неоправданным. Мы в Softline отмечаем, что поэтому в большинстве практических сценариев достаточно сочетания грамотного промптинга и RAG, плюс правильной инженерии процесса.
Модель получает возможность не просто генерировать текст, а выполнять действия в информационных системах: создавать задачи, менять статусы, собирать отчеты, готовить документы сразу в целевых контурах. Фактически это новая итерация RPA: LLM as an RPA, когда модель получает права нажимать «кнопки» в системах и манипулировать объектами.
Отдельный класс — агентность. Агентная конфигурация позволяет модели не разово ответить на запрос, а пройти цепочку шагов: оценить контекст, выбрать нужный инструмент, обратиться к данным, принять промежуточное решение и довести задачу до конечного состояния или до человека. Важно понимать: это не лестница, по которой обязательно нужно подниматься «от промпта к агентам». Это набор инструментов, которые можно комбинировать и использовать параллельно внутри одного вертикального процесса — внутри одного процесса вы можете одновременно использовать, например, RAG и инструменты, или промптинг и RAG, и любой из элементов может существовать отдельно.
На практике мы в Softline рекомендуем взять конкретный вертикальный процесс, (например, разбор страховых случаев, проведение корпоративных закупок от подачи заявки до реализации закупки) и разбить его на отдельные шаги и группы задач. У каждого шага появляется вход и выход, понятный для измерения. Для каждого шага выбирается соответствующий инструмент из LLM‑экосистемы. Где‑то достаточно промпта, где‑то нужен RAG, где‑то требуется связка RAG + инструментальный доступ к нескольким системам, а какой‑то шаг вообще невозможно отдать модели, и там остается человек.
Мы в Softline подчеркиваем, что для каждого шага нужны метрики качества. Например, полнота и точность собранных данных по клиенту, время обработки, доля ошибок, требующих участия эксперта. Это позволяет сравнивать «как было» и «как стало», не на уровне ощущений, а в цифрах. Затем настраивается инструмент под шаг, проверяется работа на реальных кейсах, замеряется качество (через экспертов или даже через другие модели), корректируется архитектура.
Когда отдельные шаги начинают работать с приемлемым качеством и скоростью, они объединяются в единый сквозной процесс. Где‑то внутри него все равно остаются люди, потому что метрики по отдельным этапам не достигли целевого уровня или потому что на определенной точке принципиально нужно живое принятие решения и принятие на себя риска. Но большая часть работы уже реализуется через LLM‑инструменты.
Мы в Softline обращаем внимание на то, что именно в этот момент ускорение отдельных шагов превращается в ускорение всего цикла, а снижение ошибок на этапах трансформируется в снижение реальных рисков для бизнеса. Появляется управляемый, измеримый эффект, а не абстрактное «кажется, стало удобнее работать».
