Классы искусственного интеллекта: гид для бизнеса

ТехнологииИгорь Мельник10 мин чтения
Классы искусственного интеллекта: гид для бизнеса

Владелец интернет-магазина видит рекламу нейросети для генерации карточек товаров, статью про агентов, которые сами оформляют заказы, и мелькающее где-то рядом слово «суперинтеллект». Кажется логичным выбрать самый продвинутый вариант. На практике разные классы искусственного интеллекта решают разные задачи, и выбор начинается не с мощности модели, а с того, что нужно получить на выходе.

Путаница возникает потому, что маркетинг сваливает в одну кучу термины из разных классификаций. Узкий и общий ИИ делят системы по уровню возможностей. Генеративный и агентный ИИ делят их по тому, что они делают: создают контент или выполняют действия. Если не различать эти оси, легко купить мощный генератор текста для задачи, где нужен исполнитель, который сам бронирует, считает и отправляет.

Дальше: как устроены четыре практических класса ИИ, чем они отличаются в работе и как подобрать нужный под конкретный процесс в компании, а не под моду.

Зачем бизнесу различать классы искусственного интеллекта

У каждого класса ИИ своя стоимость внедрения, свой уровень риска и своя зона ответственности человека. Узкий алгоритм прогноза спроса ошибётся в цифре, и это поправимо. Агентный ИИ с доступом к оплате поставщикам ошибётся в действии, и это уже вопрос контроля доступа и регламентов. Выбор класса ИИ определяет, сколько внимания вы потратите на проверку результата и где в процессе должен остаться человек.

Экономика внедрения тоже разная. Узкая модель для прогноза спроса стоит недорого в поддержке и быстро окупается на одном процессе. Агентный ИИ с доступом к нескольким системам требует интеграций, тестов и регламентов, и его стоимость владения растёт вместе с числом систем, к которым он подключён. Переплата за класс ИИ, избыточный для задачи, встречается чаще, чем нехватка возможностей.

Вторая причина практичнее: продавцы решений называют «умным ИИ» и чат-бота с готовыми ответами, и систему, которая сама пишет письма клиентам и меняет цены на сайте. Без понимания классов легко заплатить за генератор текста, ожидая от него действий, или поставить полностью автономного агента там, где достаточно простого скрипта.

Узкий искусственный интеллект: инструмент для одной задачи

Узкий ИИ, или Artificial Narrow Intelligence, обучен решать конкретную задачу и не переносит навык на соседние. Система, которая распознаёт брак на конвейере, не умеет писать тексты, даже если обучена на миллионах фотографий. Сюда попадает почти весь ИИ, который бизнес использует сегодня: от спам-фильтра почты до скоринга заявок на кредит.

Для компании это самый предсказуемый и дешёвый в поддержке класс. Узкая модель работает в жёстких границах, её проще протестировать и объяснить результат регулятору или клиенту.

  • Фильтрация спама и модерация отзывов по правилам и паттернам.
  • Прогноз спроса и управление остатками на складе.
  • Распознавание лиц и объектов на видео для охраны и учёта.
  • Рекомендации товаров на основе истории покупок.
  • Скоринг заявок и оценка кредитного риска.

Отдельный плюс узкого ИИ: его легко объяснить. Если модель отранжировала список клиентов по риску ухода, можно показать, на основе каких признаков она это сделала, и обосновать решение перед юристом или партнёром. У генеративных и агентных систем такая прозрачность работает иначе, потому что результат собирается из множества шагов, а не из одной понятной формулы.

Если задача формулируется как «классифицировать, предсказать число или отранжировать список», скорее всего нужен именно узкий ИИ, а не громкая генеративная модель.

Общий искусственный интеллект: почему его пока нет на рынке

Artificial General Intelligence (AGI), или общий искусственный интеллект, подразумевает систему, которая рассуждает и обучается новым задачам на уровне человека без переобучения под каждую из них. Такой системы не существует: даже самые способные генеративные модели остаются узким ИИ, потому что умеют многое, но не обладают переносимым пониманием, свойственным человеку.

Для бизнеса из этого следует простой вывод: если продавец называет свой продукт «общим искусственным интеллектом» или AGI, это маркетинговый приём, а не техническое описание. Решение стоит проверять по тому, что оно делает конкретно, а не по громкости термина в презентации. Базовые понятия о том, что такое ИИ и чем он отличается от алгоритмов прошлого, разобраны в материале о том, что такое искусственный интеллект.

Разговоры про скорое появление AGI удобны для привлечения инвестиций, но не меняют того, что сегодня можно купить и внедрить. Если задача решается конкретным алгоритмом, сравнивать его стоит с другими узкими или агентными системами, а не с обещаниями про общий интеллект через несколько лет.

Генеративный искусственный интеллект: создаёт контент по запросу

Генеративный ИИ строит новый текст, изображение, код или аудио на основе паттернов, которым обучился на больших массивах данных. Большие языковые модели и модели изображений, его основные представители. Ключевая черта: система реактивна. Она ждёт запрос и отвечает на него, но не ставит себе цели и не действует без указания человека.

Для бизнеса генеративный ИИ закрывает задачи, где нужен готовый артефакт: черновик письма, описание товара, макет баннера, вариант кода. Он не оформит заказ и не отправит письмо сам, даже если написал его идеально. Разница между ИИ и машинным обучением как фундаментом таких моделей разобрана в материале о том, в чём разница между искусственным интеллектом и машинным обучением.

На практике это означает, что генеративная модель отлично справится с десятком вариантов заголовка для карточки товара, но не узнает сама, что товар закончился на складе, и не остановит продажу. Эту часть работы берёт на себя либо человек, либо следующий класс ИИ, агент, которому передают готовый текст как один из шагов процесса.

Частая ошибка: ждать от генеративного ИИ самостоятельных действий просто потому, что ответ звучит уверенно и по делу. Текст готов, но следующий шаг должен сделать человек или другой инструмент.

ИИ-агент и агентный ИИ: от помощника к исполнителю

Между реактивным генеративным ИИ и полной автономией есть промежуточная ступень: ИИ-агент. Он строится на генеративной модели, но умеет вызывать внешние функции, искать данные в реальном времени и выполнять несколько шагов подряд для одной цели. Чат-бот поддержки, который сам находит статус заказа в CRM и формулирует ответ, работает как ИИ-агент.

Агентный ИИ идёт дальше: он преследует цель автономно, принимает решения о следующем шаге и адаптирует план без постоянного участия человека. Разница на примере: генеративный ИИ напишет план поездки по вашему запросу. Агентный ИИ составит маршрут, забронирует билеты и отели и перестроит план, если один из рейсов отменят, без того, чтобы вы заходили и подтверждали каждый шаг.

Граница между агентом и агентным ИИ размыта на практике, и многие продукты смешивают оба подхода. Для бизнеса важнее не точное название, а вопрос: сколько решений система принимает без вашего участия и что происходит, если она ошибётся на одном из шагов. Ответ на этот вопрос определяет, нужен ли контроль человека на каждом шаге или только на критичных точках.

Чем агентный ИИ отличается от обычного чат-бота

Обычный чат-бот и даже ИИ-агент действуют по заданному сценарию: набор функций и одна система ограничивают каждый их шаг. Агентный ИИ ориентирован на результат, а не на отдельный ответ: он сам решает, какие инструменты использовать и в каком порядке, чтобы дойти до цели, и может менять план на ходу.

Где агентный ИИ уже применяют в бизнесе

Чаще всего это процессы с несколькими шагами и внешними системами: обработка заявок на маркетплейсах, мониторинг цен конкурентов с автоматической корректировкой своих, обработка потока лидов от первого касания до передачи в CRM с квалификацией. Подробная карта отраслей и сценариев собрана в материале о том, где искусственный интеллект уже работает по отраслям.

Как выбрать класс искусственного интеллекта под задачу

Перед тем как платить за решение, сформулируйте задачу в одном предложении и сверьте её с таблицей.

Прежде чем смотреть в таблицу, полезно задать себе один вопрос: нужен результат на экране или результат в реальном мире. Текст, число, список, это результат на экране, его можно проверить глазами. Оформленный заказ, отправленное письмо, изменённая цена, это результат в реальном мире, и здесь ошибка стоит дороже, а значит нужен более строгий контроль.

Класс ИИ Что делает Когда подходит Пример задачи
Узкий ИИ Классифицирует, предсказывает число, ранжирует Задача повторяется, правила стабильны Прогноз спроса на складе
Генеративный ИИ Создаёт текст, изображение, код по запросу Нужен готовый артефакт, решение принимает человек Черновик описаний товаров
ИИ-агент Выполняет несколько шагов с внешними функциями Нужна цепочка действий внутри одной системы Ответ клиенту со статусом заказа из CRM
Агентный ИИ Автономно ставит шаги и достигает цели Процесс многошаговый, нужны решения без участия человека Ведение закупки от заявки до оплаты

Если задача решается узким ИИ, не покупайте генеративную платформу: она будет дороже и менее точной в конкретном расчёте. Если нужно действие в нескольких системах, чат-бот с готовыми ответами не поможет, даже самый убедительный. Подбор инструмента под бизнес-задачу подробнее разобран в материале про выбор лучшего искусственного интеллекта для бизнес-задач.

Типичные ошибки при выборе ИИ-инструмента

  1. Гонка за «самым умным» ИИ без привязки к задаче: мощная модель, которая не умеет совершать нужное действие, не закроет процесс.
  2. Ожидание самостоятельных действий от генеративного ИИ: он отвечает на запрос, но не бронирует, не оплачивает и не отправляет письма без интеграции с агентом.
  3. Передача агенту доступа к критичным процессам без ограничений: оплата, рассылка клиентам и изменение цен должны иметь порог для подтверждения человеком.
  4. Путаница между чат-ботом по сценарию и агентным ИИ: первый отвечает по заготовленным веткам, второй сам решает, как дойти до цели.
  5. Отказ от узкого ИИ в пользу генеративной модели там, где нужна точная цифра: языковая модель хуже справляется с расчётами и прогнозами, чем специализированный алгоритм, обученный на статистике конкретного бизнеса.

Частые вопросы

В чём разница между узким и общим искусственным интеллектом?

Узкий ИИ решает конкретную задачу и не переносит навык на другие сферы: распознавание лиц не поможет писать тексты. Общий искусственный интеллект, или AGI, подразумевает способность рассуждать и обучаться новым задачам на уровне человека без переобучения под каждую из них. Такой системы на рынке нет: весь ИИ, включая генеративные модели, относится к узкому классу.

Генеративный ИИ и агентный ИИ, это одно и то же?

Нет. Генеративный ИИ реактивен: он создаёт текст, изображение или код в ответ на запрос и ждёт следующего обращения. Агентный ИИ использует генеративные модели как инструмент внутри плана действий: ставит цель, выбирает шаги и выполняет их в нескольких системах без постоянного подтверждения от человека.

Существует ли уже общий искусственный интеллект?

Нет. AGI остаётся теоретической концепцией, а не продуктом на рынке. Даже самые способные языковые и мультимодальные модели классифицируются как узкий ИИ: они хорошо справляются с множеством задач, но не обладают переносимым пониманием и обучением, свойственным человеческому интеллекту, и не переносят навык из одной области в другую без отдельного обучения.

Какой класс ИИ подходит для автоматизации работы с клиентами?

Для черновиков ответов клиентам достаточно генеративного ИИ: он подбирает формулировку и тон. Для действий: проверки статуса заказа, оформления возврата, смены тарифа, нужен ИИ-агент или агентный ИИ с доступом к CRM и биллингу, потому что только они доводят обращение до результата, а не только до текста ответа.

Можно ли совмещать несколько классов ИИ в одном процессе?

Да, и на практике это обычная схема. Узкий ИИ скорит заявку, генеративный ИИ готовит текст ответа клиенту, а агент отправляет письмо и обновляет статус в CRM после проверки условия. Такая связка часто выгоднее одной мощной системы: каждый класс решает свою часть задачи, а точки передачи между ними проще контролировать и чинить при ошибке.

С чего начать

Прежде чем выбирать инструмент, пройдите четыре шага.

  1. Опишите процесс одной фразой: что должно получиться на выходе, текст, число или выполненное действие.
  2. Сверьте формулировку с таблицей классов выше и определите, нужен ответ или цепочка действий в нескольких системах.
  3. Протестируйте выбранный класс ИИ на одном узком процессе, прежде чем внедрять его на весь отдел.
  4. Для агентных сценариев сразу заложите пороги подтверждения на платёжных и клиентских действиях.

Если разбираться с архитектурой самостоятельно некогда, подбором и настройкой нужного класса ИИ под конкретные бизнес-процессы занимается команда автоматизации Neurounit.

Поделиться:

About Author: Игорь Мельник

nu_editor_melnik@neurounit.ai

Редактор Neurounit. Пишет про автоматизацию, разработку и внедрение AI в процессы.

Neurounit

Запустить рост с AI

Оставьте заявку или напишите в мессенджер