В настоящем документе излагается точка зрения, описывающая архитектуру ИТ, которая потребуется предприятиям в течение следующих 3-5 лет для полного учета ценности рабочей силы-агента; в нем излагается трансформация ИТ, необходимая для поддержки широкомасштабного внедрения агентов на основе искусственного интеллекта. Цель - предоставить стратегическое руководство и справочную архитектуру, чтобы помочь финансовым директорам, финансовым директорам и IT-лидерам спланировать свой путь к превращению в Agentic Enterprise.

Мощные модели на основе искусственного интеллекта позволяют создавать агентурные кадры, способные чувствовать окружающую среду, рассуждать о данных, принимать самостоятельные решения, выполнять задачи и эффективно сотрудничать с людьми. Эта новая рабочая сила обещает ступенчатые изменения в инновациях, производительности и гибкости, создавая ценность для акционеров и клиентов. Для реализации этого замысла организации должны пройти трансформацию бизнеса и ИТ, чтобы стать Agentic Enterprises.

Сегодня традиционное предприятие сталкивается с операционной неэффективностью, возникающей из-за информационных силосов, сотрудников, похороненных на ручном труде, несогласованных стимулов в организационных структурах и разрозненных циклов обратной связи между стратегиями и результатами. Эти проблемы приводят к неоптимальному взаимодействию с клиентами, неэффективным процессам и упущенным возможностям роста.

Agentic Enterprise преодолевает эти ограничения, интегрируя цифровые кадры интеллектуальных агентов искусственного интеллекта с людьми. С помощью новых специалистов с искусственным интеллектом организация может стимулировать инновации для роста, стимулировать операционное мастерство и повысить устойчивость предприятия с помощью нескольких типов новых бизнес-возможностей.

Новые бизнес-возможности для поощрения инноваций:

• Дополненная продуктивность человека: Скорость, масштаб и неизменность агентов на основе искусственного интеллекта позволяют предприятиям автоматизировать повторяющуюся работу и освобождать сотрудников от необходимости заниматься более ценными и творческими задачами.
• Улучшение адаптивных возможностей: Поскольку можно наблюдать рассуждения агентов на основе искусственного интеллекта, они могут динамично осваивать и развертывать новые навыки, что позволяет предприятию постоянно повышать производительность для достижения бизнес-целей и быстро адаптироваться к новым рыночным возможностям.

Пример в действии — инновации взаимодействия с клиентами в финансовых услугах: Фирма по управлению благосостоянием может использовать агента на основе искусственного интеллекта для создания новой модели занятости клиентов. Агент автономно отслеживает портфолио, определяет ключевые моменты для проверки клиента и подготавливает план предвызова для консультанта, корректируя план по мере появления новостей. Это позволяет консультанту-человеку предоставлять активное персонализированное взаимодействие с клиентами в масштабах, укрепляя взаимосвязи и открывая новые возможности.

Новые бизнес-возможности для защиты и обеспечения организационной устойчивости:

• Эластичный потенциал рабочей силы: Предприятия могут быстро расширить свои возможности по удовлетворению резких скачков загруженности в связи с изменением условий ведения бизнеса, без затрат и задержек с формированием полностью людских ресурсов.
• Прогнозируемая операционная устойчивость: Круглосуточная природа агентов на основе искусственного интеллекта позволяет им автономно прогнозировать, моделировать и смягчать операционные риски, риски соответствия и риски безопасности в режиме реального времени, обеспечивая поддержание предприятием Trust своих клиентов и заинтересованных лиц.

Пример в действии — Защита данных клиентов: Крупное предприятие может развернуть агента по управлению данными на основе искусственного интеллекта для сканирования нормативной среды на наличие изменений в законах о конфиденциальности данных, обнаружения и классификации конфиденциальной информации в наборах данных предприятия, а потом применить соответствующую политику управления. Агент может просматривать запросы доступа к данным и перенаправлять исключения аналитику-человеку для проверки, уменьшая риск соответствия, но позволяя использовать данные надежным способом.

Новые бизнес-возможности, оптимизирующие операционное мастерство:

• Автономное выполнение процесса: Цифровые специалисты могут выполнять сложные многоэтапные задачи круглосуточно на скорости машины (с участием людей в цикле), что позволяет эффективно снижать затраты и масштабировать процессы.
• Трансграничная оркестрация: Агенты на основе искусственного интеллекта могут работать в информационных и стимулирующих центрах, которые обычно ограничивают возможности сотрудников, повышая гибкость межфункциональных процессов.

Пример в действии — Оптимизация маркетинговой воронки в розничной торговле: Группа розничного маркетинга может развернуть агента на основе искусственного интеллекта для ускорения процесса кампании в ответ на новые тенденции потребителей. Агент может создавать маркетинговые планы, сотрудничать с группами маркетинга, продуктов и сбыта для проверки, а потом автоматически создавать цифровое обеспечение и выполнять в нескольких каналах, динамически настраивая кампанию на основе отзывов в реальном времени.

ИТ-архитектура предприятия может быть отображена посредством конструкции слоя. Слои логически группируют связанные технические функции и облегчают структурированное рассуждение, но не обязательно подразумевают конкретные реализации или степень проектирования слоя монолитным или более разнородным способом. В этом представлении слоя (рис. 1) традиционная архитектура ИТ состоит из пяти основных уровней: Инфраструктура, данные, интеграция, приложение и взаимодействие. Два кросс-уровня, безопасность и ИТ-операции, охватывают эти уровни для обеспечения управления, мониторинга и защиты.

Традиционная ИТ-архитектура была разработана для парадигмы, где интеллект предприятия находился в руках сотрудников, которые выполняли действия в приложениях для доступа к данным, применения бизнес-логики, облегчения сотрудничества и выполнения бизнес-правил. Он не создан для парадигмы, когда агенты на основе искусственного интеллекта могут рассуждать и предпринимать действия для определенных способов использования, ранее созданных людьми (или не выполненных вовсе), в то время как люди контролируют агентов на основе искусственного интеллекта и сосредотачиваются на более творческих и неоднозначных задачах.

Хотя традиционная архитектура сегодня может поддерживать подмасштабное развертывание агентов искусственного интеллекта, она не может в полной мере обеспечить бизнес-возможности описанного выше предприятия-агента. Реализация этих возможностей требует ИТ-архитектуры, предназначенной для широкого внедрения мощных агентов на основе искусственного интеллекта, которые могут обрабатывать широкие сценарии использования, а не ограничиваться ограниченными развертываниями, нацеленными на узкие сценарии использования.

Агенты на основе искусственного интеллекта будут продолжать совершенствоваться в течение следующих 5 лет, и IT-архитектура должна развиваться, чтобы осознать ценность более мощных и интеллектуальных агентов на основе искусственного интеллекта, чтобы стать будущим доказательством. Во-первых, агенты станут более интеллектуальными по мере развития базовых моделей искусственного интеллекта (например, мультимодальных LLM) и когнитивных архитектур агентов (например, многоэтапное планирование, декомпозиция задач и т. д.). Во-вторых, агенты на основе искусственного интеллекта получат улучшенные навыки обучения и адаптации с помощью улучшения памяти, возможностей самоанализа и возможности обучения на основе отзывов. В-третьих, агенты на основе искусственного интеллекта получат больше возможностей для взаимодействия с другими агентами, инструментами и данными, о чем свидетельствует быстрое развитие экосистемы открытых технологических стандартов (например, Model Context Protocol, Agent2Agent и т. д.). Хотя эти три технологических тренда позволят агентам на основе искусственного интеллекта быть более могущественными, поскольку они выполняют более абстрактные и сложные задачи, это также создаст многочисленные проблемы для современной архитектуры ИТ.

Во-первых, агенты на основе искусственного интеллекта в основном полагаются на модели на основе искусственного интеллекта, разработанные как внутри компании, так и извне, которые быстро развиваются и требуют сложного, общедоступного и стандартизированного управления моделями на основе искусственного интеллекта/ML. Сегодня модели на основе искусственного интеллекта привязаны к определенным сценариям использования в приложении, а не в качестве общедоступных возможностей для повторного использования с общим инструментом для обучения, развертывания, управления и управления рисками. В дальнейшем предприятия должны будут иметь возможность использовать разные модели искусственного интеллекта для различных сценариев агентского использования, требующих инструментария, позволяющего агентам заменять базовые модели (например, базовую модель по сравнению с более мелкой моделью для конкретного домена) на основе бизнес-контекста. Это требует управления внутренними разработанными или размещенными моделями искусственного интеллекта с помощью единого инструментария жизненного цикла для обеспечения последовательности, многоразового использования, масштабируемости и эффективности. Таким же образом, доступ к моделям искусственного интеллекта, размещенным за пределами предприятия, требует наличия единой системы управления для обеспечения оптимальной производительности, безопасности, соответствия, доступности и надежности.

Во-вторых, у агентов на основе искусственного интеллекта есть разные схемы масштабирования и операционные требования, например, хостинг, разработка, аргументация, обучение, управление памятью и операции, что требует отдельной и выделенной архитектурной границы для агентов. Встраивание этой функции напрямую в современную архитектуру статического и детерминистского приложения создаст ненужную архитектурную сложность и риск. Кроме того, агенты искусственного интеллекта должны взаимодействовать с существующими приложениями посредством стандартизированных интерфейсов или систем службы сообщений для взаимодействия в режиме реального времени.

В-третьих, агенты на основе искусственного интеллекта должны иметь возможность рассуждать по поводу разрозненных наборов данных и сотрудничать друг с другом, часто в изолированных ярусах приложений, но в современной архитектуре нет общей семантической функции, чтобы предоставить этим агентам общее понимание по поводу разных наборов данных. В результате, хотя агенты единого назначения могут быть успешно развернуты, масштабирование их деятельности для выполнения большого количества сложных задач по обеспечению изолированности остается трудным и рискованным.

И наконец, в нынешней корпоративной ИТ-архитектуре отсутствует эффективный способ организации, оптимизации и управления комплексными бизнес-процессами, включая динамические бизнес-процессы, выполняемые более влиятельными субъектами, что усилит, а в некоторых случаях и заменит роль, выполняемую сотрудниками-людьми в этом процессе. Сегодня инструменты автоматизации используются для управления линейными, детерминистскими бизнес-правилами, которые обычно следуют предопределенной последовательности, документируются на языках конкретных процессов и опираются на статическую логику, которая редко меняется. Технологии искусственного интеллекта могут расширить некоторые из этих линейных процессов (например, использование моделей ML вместо жестко запрограммированных бизнес-правил для расчета порогов утверждения кредита), но стратегические и исполнительные аспекты большинства важнейших бизнес-процессов остаются по своей сути динамичными и гибкими. Такие задачи, как разработка маркетинговых стратегий, решение сложных проблем клиентов или потенциальных клиентов, преследуют четкие цели (удовлетворение клиентов, скорость решения обращений и т. д.), но не выполняются в фиксированной предопределенной последовательности выполнения.

В настоящее время традиционные предприятия в первую очередь зависят от человека в координации и выполнении этих сложных бизнес-процессов (например, определение стратегии и управление сложными программами). По мере дальнейшего развития агентов на основе искусственного интеллекта (повышение интеллекта, возможностей обучения и взаимодействия) в течение следующих 3-5 лет, их способность выполнять такие динамические процессы автономно значительно расширится, создавая сложности и проблемы интеграции, намного превышающие возможности существующих инструментов интеграции и автоматизации. Адаптивная и динамичная природа агентов на основе искусственного интеллекта создает острую потребность в новых возможностях оркестрации для обеспечения контроля на уровне предприятия, всеобъемлющей доступности и последовательного соответствия единым стратегическим целям предприятия, особенно в управлении сложными, длительными и многоэтапными бизнес-процессами, охватывающими агентов на основе искусственного интеллекта, людей, инструменты автоматизации и другие детерминистские системы.

ИТ-архитектура Agentic Enterprise создает платформу для интеллектуальных действий путем безупречной интеграции сотрудников, агентов искусственного интеллекта и детерминистских систем. Эта архитектура дает возможность как людям, так и агентам на основе искусственного интеллекта динамично открывать и использовать объединенные Enterprise Knowledge из различных источников данных, обогащенные семантическим контекстом для эффективного выполнения сложных бизнес-правил и процессов, соответствующих стратегическим бизнес-целям. Существующая ИТ-архитектура набора изолированных платформ и точечных решений будет развиваться в направлении набора составных прикладных услуг, семантические инструменты и инструменты обработки данных, а также сети агентов искусственного интеллекта, управляемых и управляемых новыми интеллектуальными инструментами оркестрации бизнес-процессов.

Эта архитектура позволяет агентам чувствовать, рассуждать и действовать в пределах своих соответствующих областей, работать в бизнес-доменах и между ними, а также постоянно учиться, совершенствоваться и адаптироваться. Это требует проектирования, ориентированного на надежные механизмы доступа к данным и Knowledge (семантическое понимание), гибкие и стандартизированные протоколы и интерфейсы связи (например, агент к агенту, агент к детерминистским системам и агент к человеку) и, что особенно важно, оркестрации бизнес-правил и процессов между агентами, людьми, а также инструментов автоматизации и детерминистских систем.

Для реализации архитектурного видения платформы для интеллектуальных действий в качестве рекомендаций рекомендуются следующие принципы проектирования:

• Совместимость и модульность: Создайте архитектурные элементы в качестве модульных компонентов со стандартизированными интерфейсами, чтобы обеспечить быструю и динамичную сборку возможностей агента, бизнес-правил и поверхностей, облицованных человеком. Отдайте предпочтение четким контрактам интерфейса и абстракции, чтобы предоставить агентам на основе искусственного интеллекта возможность создавать бизнес-процессы.
• Сначала данные и семантика: Обеспечьте комплексный, точный, быстрый, безопасный и экономичный доступ к данным с общим семантическим пониманием, чтобы агенты могли эффективно рассуждать в изолированных системах. Это требует обработки данных (и метаданных) как продукта с инструментами для обеспечения качества, родословной, управления и доступа, а также способа предоставления семантического понимания, общедоступного агентам и людям.
• Встроенная ИТ и бизнес-наблюдаемость: Встройте возможности комплексного мониторинга, отслеживания, оценки и объяснения во всю архитектуру для понимания аргументации агентов, их поведения, взаимодействий системы и влияния на бизнес-КПЭ, чтобы включить постоянную оптимизацию производительности агентов. Сюда входят оптимизация затрат (FinOps), показатели Sustainability и операционная телеметрия при сохранении Trust, соответствия и ответственного потребления ресурсов. Поскольку агенты на основе искусственного интеллекта по своей сути не являются детерминистами, возможность наблюдения имеет первостепенное значение для обеспечения надежной, соответствующей требованиям и проверяемой работы агентов на основе искусственного интеллекта при надзоре со стороны человека.
• Доверие на протяжении всего времени: Внедрите динамические детализированные полномочия на основе намерения задач агента (доступ к данным, действия и прочие) и внедрите комплексные практики безопасности, включительно с красным объединением, автоматизированным CVE-сканированием, обнаружением уязвимости и управлением проверкой на основе риска. Необходимо более детальное и динамическое управление, учитывая риск создания агентами каскадных рисков из-за их способности работать на скоростях машины. Обеспечьте строгую проверку всех результатов, созданных на основе искусственного интеллекта (от агентов или моделей), по заданным политикам на соответствие, безопасность, токсичность и предвзятость перед использованием или доставкой, требуя наличия механизмов регистрации и объяснения с проверяемыми контрольными журналами для решений на основе искусственного интеллекта, действий, содержимого и прогнозов.
• Первый агент с человеческим надзором: Предоставьте возможность агентам на основе искусственного интеллекта быть инструментом по умолчанию для решения бизнес-сценариев использования, исключая другие рекомендации (например, стоимость, техническая оснащенность), и создайте ИТ-системы, чтобы они были доступны для агентских бизнес-процессов. Это включает возможность для человека отслеживать, вмешиваться и переопределять любой этап процесса агента. Агенты нуждаются в способности к самоанализу, чтобы активно искать человеческие ориентиры, если их уверенность в принятии решений ниже заранее запрограммированных порогов.
• Реактивное и мультимодальное взаимодействие: Включите архитектуру для поддержки комплексных механизмов вызова и ответа агента во всех типах взаимодействия, включительно с протоколами между агентами, мультимодальными вводными данными (голосовыми, текстовыми, визуальными), бизнес-событиями, системными сигналами и потоковыми данными. Включите возможности обработки как под управлением событий, так и в реальном времени, чтобы агенты могли реагировать на любой своевременный сигнал из любого источника или формата.
• Инфраструктура, готовая к искусственному интеллекту: Обеспечение эластичного масштабирования инфраструктуры с помощью резервирования, встроенного для обработки изменяющихся загруженности искусственным интеллектом, и интеграция ожидаемых продаж ML/LLM в архитектуру данных и приложений, сохраняя соответствие требованиям резидентства данных.
• Открытая экосистема: Приоритизируйте совместимость и избегайте блокировки технологии, отдавая предпочтение открытым стандартам, протоколам и четко определенным интерфейсам (API, событиям), чтобы воспользоваться преимуществами технологической экосистемы.

Для успешного включения и масштабирования агентурных преобразований предприятия должны выйти за рамки простого расширения существующих слоев; им необходимо четко рассмотреть вопрос о введении четырех дополнительных архитектурных слоев (рис. 2), специально предназначенных для удовлетворения потребностей агентов искусственного интеллекта.

Агентский уровень предназначен для разработки агентов на основе искусственного интеллекта и управления ими, включая такие когнитивные возможности, как планирование, рассуждения, использование памяти, инструментов, государственное управление и контроль жизненного цикла. Этот уровень учитывает уникальные технические и операционные требования агентов на основе искусственного интеллекта, обеспечивает совместимость приложений и хранилищ данных посредством стандартизированных протоколов и облегчает сотрудничество между агентами. Существующий уровень приложения преобразуется в службы приложений для динамической компоновки агентских бизнес-правил.

Семантический уровень вводится для устранения разрыва между исходными корпоративными данными и семантическим пониманием, необходимым агентам на основе искусственного интеллекта. Он явно кодирует бизнес-сущности, понятия, определения и взаимосвязи и управляет ими, создавая онтологию предприятия и представление Business Knowledge для включения общего семантического понимания, которое питает более сложные бизнес-процессы с несколькими агентами, выполняющие задачи более высокого уровня. Помимо каталога данных, семантический слой переводит естественно-языковой запрос в точные запросы к определенным хранилищам данных, гармонизирует результаты и возвращает контекстуальный и более насыщенный ответ агенту. Существующий уровень данных, тем временем, объединяется посредством внедрения централизованных озерных хозяйств и расширения доступа к данным посредством готовой к искусственному интеллекту ткани данных для поддержки принципов операционной модели сетки данных.

Уровень искусственного интеллекта/ML позволяет централизировать управление возможностями корпоративного искусственного интеллекта, включая модели на широком языке, крупные модели действий и модели ML для конкретных областей, обрабатывая как внутренние модели искусственного интеллекта на протяжении их жизненного цикла, так и контролируемый доступ/использование внешних служб искусственного интеллекта. В отличие от традиционных архитектур, где модели на основе искусственного интеллекта встроены в приложения, этот уровень устанавливает модели на основе искусственного интеллекта в качестве первоклассных компонентов и общедоступных служб на предприятии. Он посвящен возможностям искусственного интеллекта, контролируемым предприятием (не возможностям искусственного интеллекта, предоставляемым внешними поставщиками). Этот уровень предоставляет интеллектуальным данным для различных агентов и другие загруженность на предприятии стандартизированные механизмы Trust, safety, compliance и deployment.

Уровень оркестрации предприятия - это функциональная абстракция для координации, управления и оптимизации сложных многоэтапных бизнес-правил и бизнес-процессов, охватывающих агентов на основе искусственного интеллекта, людей, инструментов автоматизации и детерминистских систем. Этот уровень использует смешанную модель оркестрации, которая позволяет отдельным агентам и системам автономно решать локально поставленные задачи посредством открытых протоколов, например, MCP и A2A, обеспечивая централизованный комплексный надзор и координацию всего процесса. Для внедрения модели смешанной оркестрации этот уровень представляет важные бизнес-процессы в машиночитаемых семантически обогащенных форматах, которые определяют как детерминистские этапы (смоделированные во время проектирования), так и динамические этапы (определенные агентами во время выполнения) бизнес-процесса, создавая основу модели процесса для управления и оптимизации.

Традиционно значительная часть управляемых человеком бизнес-процессов остается недокументированной или недоступной в машиночитаемой форме. Однако, подробная доступность для наблюдения действий агентов на основе искусственного интеллекта, включая обогащенные данные и метаданные об их задачах и действиях, позволяет собирать, документировать и интегрировать динамичную, ранее неструктурированную работу с детерминистскими линейными бизнес-правилами для создания комплексных моделей процессов. Подробная документация процесса собирает ранее не отображавшиеся взаимосвязи задач и пути выполнения, что позволяет предприятию постоянно оптимизировать операционную эффективность, эффективно устранять узкие места и систематически кодифицировать выявленные агентом рекомендации в многоразовых единых корпоративных справочниках. Это приводит к целостному цифровому близнецу отдельных процессов, а при масштабировании - всего предприятия.

Например, сложные процессы, например, выполнение комплексных стратегий продаж или адаптация новых сотрудников, включают многочисленные взаимозависимые этапы, где уровень оркестрации может обеспечить соответствующие уровни участия человека (например, обработка исключений), ограниченную автономность агентов искусственного интеллекта и обеспечить соответствие требованиям. На протяжении всех этих процессов верхний уровень оркестрации добавляет предсказуемость и управление, постоянно отслеживает и оценивает ключевые показатели эффективности (КПЭ), обеспечивает транзакционную целостность бизнес-правил и логику отката, а также поддерживает доступность на каждом этапе бизнес-правил для обеспечения соответствия общим бизнес-целям. Чтобы внедрить эту функцию, этот уровень использует политики, правила и ограждения из уровня безопасности и управления (посредством политики как кода), а также бизнес-цели и КПЭ, сохраненные в семантическом слое. Учитывая автономный и быстрый характер взаимодействий на основе искусственного интеллекта, исключительное использование децентрализованной хореографии чревато стратегической несогласованностью или нарушением требований, особенно в долгосрочных многоэтапных бизнес-процессах. Смешанный метод оркестрации уменьшает эти риски, внедряя единые бизнес-правила, проверки соответствия и реализацию политики напрямую в сложные бизнес-правила и интегрируя человеческий надзор на критических этапах.

Каждый из этих 11 уровней предоставляет определенные функции для развертывания агентов искусственного интеллекта в масштабе безопасным, надежным и эффективным способом, который раскрывает весь потенциал агентского искусственного интеллекта для изменения выполнения работы на предприятии. В разделе ниже описаны функции слоя, новые изменения, связанные с ростом агентов искусственного интеллекта, и его ключевые технологические возможности.

Функция: Слой взаимодействий служит основным интерфейсом для пользователей-людей, обеспечивая мультимодальное взаимодействие посредством сбора вводных данных (текстовых, голосовых, визуальных) и предоставления контекстуально значимых ответов на нескольких устройствах. Он без труда передает намерения пользователя агентскому слою для действий, а также предоставляет динамический пользовательский интерфейс и визуализации, способствующие расширениям и утверждениям пользователей в агентских бизнес-процессах.

Что отличается от сегодняшнего: Искусственный интеллект дополнит традиционные интерфейсы на основе графического интерфейса обработкой естественного языка, контекстуальной осведомленностью и поддержкой активных решений. Агенты на основе искусственного интеллекта смогут активно инициировать взаимодействия, предоставляя персонализированные рекомендации в режиме реального времени во всех каналах и модальностях.

Ключевые технологические возможности:

• Диалоговый искусственный интеллект и цифровые помощники: Включите UX по умолчанию для функции помощи на основе искусственного интеллекта для поддержки пользователей-людей.
• Пользовательский интерфейс Attribution & Transparency: Сделайте ответы объяснимыми в пользовательском интерфейсе, например, отображение ссылок, источников файлов/систем и подхода/обоснования к решениям.
• Служба активных и окружающих уведомлений: Позволяет агентам активно пропагандировать важные данные или предупреждения среди пользователей в наиболее подходящем канале и форм-факторе, в зависимости от текущего контекста пользователя.
• Взаимодействия мультиканала: Предоставляет безупречное, последовательное и объединенное взаимодействие во всех каналах с непрерывностью путешествия, когда разговоры и задачи следуют за человеком вместо приложения.
• Мультимодальные возможности: Позволяет человеку взаимодействовать с агентами и приложениями посредством текста, голоса, изображения, касания, видео и AR/VR, чтобы агенты могли понимать и представлять информацию в наиболее эффективной модальности.
• Контекстно-осознанная персонализация и динамический пользовательский интерфейс: Включает контекстно осознанные взаимодействия пользователя в реальном времени (время, расположение, действия пользователя) для включения персонализации, включая создание пользовательского интерфейса в процессе работы.

Функция: Агентский уровень выступает в качестве среды выполнения по умолчанию для выполнения работы на предприятии, где агенты на основе искусственного интеллекта разлагают задачи из слоя взаимодействий и выполняют задачи посредством динамической сборки бизнес-правил посредством инструментов из уровня обслуживания приложений и приложений и слоя данных. Состояние конфигурации агентов на основе искусственного интеллекта сохраняется и управляется в этом слое. Агенты обрабатываются для выполнения определенных задач, а определенные экземпляры агентов впоследствии списываются. Это внедрение позволяет всегда вызывать агентов из последнего состояния конфигурации на основе автономных оптимизаций (используя функции из уровней искусственного интеллекта/ML, наблюдения и оркестрации). Этот уровень отвечает за комплексное управление жизненным циклом агентов на основе искусственного интеллекта, координацию и управление.

Что отличается от сегодняшнего: Этот слой появится в современном несопоставимом наборе пробных и ограниченных агентских развертываний. Хотя боты на основе правил существуют, существует мало адаптивных, недетерминистских и нацеленных на достижение целей программ, развернутых в масштабах.

Ключевые технологические возможности:

• Среда выполнения агента: Управление жизненным циклом, выполнением и распределением ресурсов для агентов на основе искусственного интеллекта.
• Комплект управления жизненным циклом агента: Содержит инфраструктуры разработки, разработку и тестирование инструментария и системы управления для действий агента и управления версиями.
• Механизм мотивации агента: Когнитивная основа для агентов, позволяющая разлагать цели, планировать и решать, какие инструменты использовать для решения сложных проблем.
• Хранилище памяти и контекста агента: Позволяет экземплярам агента вспоминать и поддерживать контекст предыдущих взаимодействий, обеспечивая согласованность и персонализацию.
• Протоколы совместимости агентов: Стандартизированные интерфейсы для связи между агентами (A2A) и для взаимодействия агентов с внешними системами (например, посредством протокола типового контекста).
• Реестр инструментов: Рекомендуемый набор внутренних и внешних поддерживаемых инструментов для вызова агентами для выполнения определенной задачи.
• Реестр агентов: Исправленная экосистема готовых решений на основе искусственного интеллекта и агентов, поддерживающая поиск и сопоставление возможностей.
• Применение распределенной политики агента: Включает единую систему управления, позволяя агентам самостоятельно проверять соответствие перед выполнением действий.
• Инфраструктура самоанализа и адаптации агента: Предоставляет агенту механизм для анализа собственной производительности и, с одобрения человека, запуска улучшений или предложения изменений для себя.

Функция: Этот уровень функционирует как централизованный интеллектуальный центр, предлагая модели на основе искусственного интеллекта в качестве набора общедоступных услуг, которые должны использоваться агентским уровнем (и приложениями) для поддержки его возможностей по рассуждению и принятию решений посредством встроенных систем безопасности и мониторинга.

Что отличается от сегодняшнего: Традиционно модели на основе искусственного интеллекта внедрялись в конкретные приложения. В ИТ-архитектуре Agentic Enterprise уровень искусственного интеллекта/ML будет первоклассным централизованным набором услуг, которые обеспечивают питание многих приложений и агентов, поддерживая весь жизненный цикл модели от разработки до обслуживания в реальном времени в масштабе.

Ключевые технологические возможности:

• Готовые модели фундамента: Крупные модели ML, обученные широкому спектру данных, способные выполнять самые разные общие задачи.
• Генерация с дополненным извлечением (RAG): Конвейеры, ориентированные на искусственный интеллект, которые основывают модели фундамента в данных предприятия для повышения точности и уменьшения галлюцинаций.
• Центр доверия, безопасности и управления на основе искусственного интеллекта: Набор инструментов, интегрированных в жизненный цикл модели для внедрения ответственных принципов искусственного интеллекта, например, обнаружения предвзятости, объяснимости и мониторинга безопасности.
• Шлюз модели: Механизм маршрутизации, который действует как единая точка входа для всех запросов вывода модели, управляя вызовами разных внутренних и внешних моделей для оптимизации стоимости, производительности и соответствия.
• Средство разработки модели: Интегрированная среда разработки для специалистов по работе с данными с инструментами для предварительной обработки данных, обучения модели и экспериментов.
• Конвейеры автоматизации MLOps и жизненного цикла: Механизм CI/CD для компьютерного обучения, автоматизирующий сквозной жизненный цикл моделей от обучения до развертывания и вывода из эксплуатации.
• Среда выполнения обслуживания и вывода модели: Масштабируемая среда с низкой задержкой для развертывания обученных моделей в качестве безопасных конечных точек API для потребления в реальном времени.
• Реестр модели и актива: Централизованное хранилище, контролируемое версиями, для всех активов на основе искусственного интеллекта/ML, включая модели, наборы данных и исходный код, обеспечивая воспроизводимость и возможность проверки.
• Создание синтетических данных и управление ими: Инструментарий для создания синтетических данных и управления ими, поддерживающий статистические свойства реальных данных без открытия конфиденциальной информации.

Функция: Уровень оркестрации предприятия является плоскостью управления для комплексной работы на предприятии-агенте. Она обеспечивает соответствие агентских бизнес-правил и взаимодействий целям предприятия и политикам управления. Он использует телеметрию наблюдения из других уровней для создания комплексных моделей бизнес-процессов, включая оптимизацию по КПЭ, извлеченным из семантического слоя. Этот уровень предоставляет общий контекст и долгосрочную память каждому новому экземпляру агента искусственного интеллекта для важных бизнес-правил.

Что отличается от сегодняшнего: Этот уровень обеспечивает объединенное отображение бизнес-процессов, создавая машиночитаемые модели, которые собирают как структурированные, детерминистские этапы, так и неструктурированную, динамичную работу, выполняемую людьми и агентами. Он выходит за рамки современных моделей сотрудничества и управления, ориентированных на человека, программным кодированием бизнес-целей и правил соответствия в качестве ограничений в агентских бизнес-процессах для управления агентским персоналом.

Ключевые технологические возможности:

• Гибридный механизм выполнения бизнес-правил: Базовая среда выполнения, выполняющая "смешанную модель оркестрации", обеспечивая централизованный надзор, позволяя при этом создавать хореографию локального агента.
• Управление процессами и механизм ограничения: Служба управления в реальном времени, которая использует и применяет декларативные бизнес-правила, политики и ограничения ко всем мгновенным процессам.
• Общая память и управление контекстом: Общедоступный уровень памяти, доступный всем участникам бизнес-правила для поддержания непрерывности и согласованности на нескольких этапах.
• Process Modeling Studio: Конструкторско-временная среда для создания и управления машиночитаемыми, семантически обогащенными моделями процессов, определяющими как детерминистские, так и динамические, нацеленные на достижение целей этапы.
• Оптимизация и моделирование процессов: Возможность, которая создает цифровые симуляции бизнес-процессов для расширенного анализа, симуляции What-if и прогнозируемой оптимизации.
• Обнаружение процессов и мониторинг состояния: Принимает модели процессов и данные в реальном времени для составления отчетов по бизнес-показателям состояния процессов.
• Цифровое моделирование двойных процессов: Зеркало оперативных бизнес-правил в реальном времени для тестирования, моделирования изменений и оптимизации без влияния на производство.

Функция: Этот уровень открывает существующие функции бизнес-приложения в виде составных и модульных инструментов и служб для использования агентами. Он также служит средой выполнения презентации для встраивания агентских возможностей в взаимодействие пользователя. Приложения остаются системой записи, но реорганизованы как возможности без заголовка для агентов.

Что отличается от сегодняшнего: Приложения превратятся из монолитных пользовательских интерфейсов в "базовые службы", которые агенты могут динамически вызывать посредством API и событий. Этот уровень будет интегрирован с агентами и моделями искусственного интеллекта, а распространение LLM создания кода приведет к увеличению количества настраиваемых микроприложений, созданных агентами.

Ключевые технологические возможности:

• Службы модульного приложения: Разложенная бизнес-логика из традиционных приложений, опубликованная в виде машиночитаемых действий для вызова агентами.
• Встраивание Agent SDKs: Наборы инструментов и библиотеки, позволяющие разработчикам безопасно встраивать агентов напрямую в пользовательские интерфейсы приложений.
• Динамические службы создания пользовательского интерфейса: Службы, позволяющие агенту на основе искусственного интеллекта создавать или изменять компоненты пользовательского интерфейса в режиме реального времени на основе контекста пользователя.
• Собственные инфраструктуры пользовательского интерфейса на основе искусственного интеллекта: Фронтальные инфраструктуры, разработанные со встроенной поддержкой обработки пользовательских интерфейсов на основе искусственного интеллекта, например, управление вероятностными данными и потоковыми текстовыми ответами.
• Системы занятости, введенные агентом: Корпоративные приложения для повышения производительности и сотрудничества, использующие возможности агента на основе искусственного интеллекта посредством визуальных компонентов.
• Разработка приложений с низким кодом и без кода на основе искусственного интеллекта: Инструменты, позволяющие пользователям и агентам создавать настраиваемые приложения и службы посредством естественного языка и подсказок.
• Ограждения приложения для использования агента: Элементы управления приложения для использования агентов, например, ограничение скорости, ограниченные полномочия и телеметрия.

Функция: Семантический уровень обеспечивает объединенное понимание данных и Knowledge на предприятии, позволяя как людям, так и агентам на основе искусственного интеллекта последовательно интерпретировать информацию и действовать над ней. Он использует инструменты представления Knowledge, например, онтологии и графики Knowledge, для перевода запросов естественного языка в точные запросы данных, учитывающие контекст.

Что отличается от сегодняшнего: Хотя сегодняшние предприятия имеют разрозненные хранилища метаданных, ИТ-архитектура Agentic Enterprise требует централизованного Enterprise Knowledge Graph (EKG), связывающего данные между доменами с четко определенными семантические взаимосвязями. Это предоставляет богатый контекст, который могут пройти агенты на основе искусственного интеллекта для выполнения сложных рассуждений, создавая требования к набору технических возможностей для питания графиков Knowledge, охватывающих несколько функциональных доменов.

Ключевые технологические возможности:

• Служба метаданных: Предоставляет описательные метаданные, включительно с линией данных, ответственностью и классификациями.
• Бизнес-глоссарий и управление таксономией: Инструмент для бизнес-пользователей для определения и согласования стандартных бизнес-условий.
• Управление семантической моделью: Инструментарий для инженеров Knowledge по созданию семантических моделей и онтологий, управлению ими.
• Enterprise Knowledge Graph (EKG): Мгновение среды выполнения онтологии предприятия, сохраняющее и соотносящее взаимосвязи между бизнес-объектами.
• Механизм принятия и гармонизации метаданных: Автоматический конвейер, заполняющий и обслуживающий Enterprise Knowledge Graph из различных исходных систем.
• Механизм семантического запроса: Толкует естественно-языковые запросы и создает структурированные запросы на основе EKG для извлечения данных из разных источников.
• Механизм семантического обоснования: Анализирует и извлекает implicit Knowledge и скрытые взаимосвязи из EKG.

Функция: Уровень данных является основным источником истины, управляющим и предоставляющим безопасный регулируемый доступ ко всем корпоративным данным для интерпретации семантического уровня, уровня искусственного интеллекта/ML для использования в обучении, приложений для использования в транзакциях и агентов для рассуждений.

Что отличается от сегодняшнего: Уровень данных становится более унифицированным, оперативным и ориентированным на управление, часто сосредоточившись на облачном озере данных. Он должен обрабатывать больший объем и разнообразие данных и переходить от пакетной обработки к потоковой передаче в реальном времени для поддержки реактивных агентов. Управление данными и их качество приобретают еще большее значение, чтобы предотвратить появление некачественных данных в результате использования искусственного интеллекта.

Ключевые технологические возможности:

• VectorDB: Специализированная база данных, оптимизированная для хранения и запроса высокомерных встраиваемых векторов, важная для RAG.
• Интеллектуальные ожидаемые продажи аналитических данных: Автоматическая служба под управлением метаданных для приема, трансформации и загрузки данных (ETL/ELT) в слой данных.
• Озеро данных предприятия: Центральное хранилище структурированных, полуструктурированных и неструктурированных данных, оптимизированное для аналитики и загруженности искусственным интеллектом.
• Федерация и поиск данных нулевого копирования: Методы доступа, запроса и поиска данных в нескольких магазинах без перемещения физических данных.
• Естественный язык в SQL: Метод преобразования естественно-языковых запросов в SQL.
• Служба каталога данных предприятия и Discovery: Централизованная инвентаризация всех активов данных на предприятии с возможностью поиска.
• Основное и справочное управление данными (MDM): Управляет «золотой записью» для таких важных бизнес-объектов, как клиент и продукт.
• Служба качества адаптивных данных: Служба непрерывного мониторинга, использующая искусственный интеллект для автоматического обнаружения и устранения Проблем с качеством данных в режиме реального времени.
• Контракты данных: Машиночитаемые соглашения между поставщиками данных и потребителями, определяющие схему, семантику и соглашения об обслуживании обмена данными.
• Специализированные на искусственном интеллекте хранилища данных: Базы данных, предназначенные для определенных способов использования искусственного интеллекта, например, базы данных временных рядов или графиков.
• Готовая к искусственному интеллекту ткань данных: Логический слой абстракции данных, предоставляющий объединенное виртуализованное представление данных в разных физических системах.
• Обработка данных в реальном времени: Возможности для непрерывной обработки и анализа мультимодальных потоков данных на скорости компьютера.

Функция: Уровень инфраструктуры поддерживает все другие уровни, предоставляя возможности вычисления, хранения, сети и облака, необходимые для выполнения ИИ и агентских нагрузок в масштабах устойчивым и экономичным способом.

Что отличается от сегодняшнего: Загруженность искусственным интеллектом требует большей масштабируемости и эластичности для обработки вероятностной природы агентных систем. Инфраструктура должна поддерживать быструю инициализацию, специализированное аппаратное обеспечение, например, GPU, и высокопроизводительный сетевой трафик с низкой задержкой для межагентской связи.

Ключевые технологические возможности:

• Инфраструктура как код: Автоматическая инициализация и управление инфраструктурой с конвейерами развертывания CI/CD.
• Инфраструктура гибридного и мультиоблачного искусственного интеллекта: Использует эластичность общедоступного облака и специализированную инфраструктуру для генерирования загруженности искусственным интеллектом.
• Оптимизированные на основе искусственного интеллекта вычисления, хранилище и сеть: Динамическое распределение и масштабирование ресурсов инфраструктуры на основе переменного спроса от загруженности искусственным интеллектом.
• Инфраструктура Edge AI: Позволяет развертывать модели и агентов на границе сети для сценариев использования с уникальными требованиями к задержке или конфиденциальности.
• Инфраструктура самовосстановления: Использует искусственный интеллект для управления восстановлением системы без ввода вручную, обеспечивая высокую доступность.
• Устойчивый искусственный интеллект: Энергоэффективные подходы к уменьшению воздействия загруженности искусственным интеллектом на окружающую среду.
• Автомасштабирование с учетом стоимости и выброса углекислого газа: Использует сигналы FinOps и Sustainability для стимулирования масштабирования и размещения нагрузки.

Функция: Уровень интеграции служит универсальной тканью коммуникации для всех систем (устаревших и новых) посредством API, событий, протоколов и промежуточного программного обеспечения, чтобы обеспечить беспрепятственное обнаружение и взаимодействие агентов со службами, данными и инструментами.

Что отличается от сегодняшнего: Интеграция должна развиваться для поддержки динамичных схем коммуникации агентов на основе искусственного интеллекта «Многие ко многим», а не только для обработки предопределенных статических взаимодействий между несколькими известными системами. Он требует обработки данных в режиме реального времени и должен учитывать разовое обнаружение и сотрудничество между агентами.

Ключевые технологические возможности:

• Оперативный конвейер подключения данных: Инструменты на основе искусственного интеллекта для автоматического соотнесения схем, трансформации данных и создания бизнес-правил, включительно с возможностями API, событий и обратного ETL.
• Адаптивное управление API и Service Mesh: Шлюзы API и технология Service Mesh, которые могут динамически регистрировать, обнаруживать и управлять службами посредством адаптивного внедрения политик для агентов.
• Семантические адаптеры Knowledge: Компонент интеграции, предоставляющий общий словарь и модель данных для агентов и приложений для последовательной интерпретации данных.
• Интеграционная ткань под управлением события: Высокопроизводительная магистраль службы сообщений с низкой задержкой и потоковой передачи данных, которая включает отделенную асинхронную связь.
• Шлюз протокола агента: Шлюз для служб MCP, позволяющий агентам безопасно находить инструменты и запускать действия, соединяя MCP с внутренними API и событиями.
• Каталог составных возможностей и площадка: Централизованный управляемый каталог для всех корпоративных возможностей (API, службы, навыки агента, модели и наборы данных) с примечаниями к семантическим метаданным для компоновки по запросу.

Функция: Этот уровень отслеживает и управляет работоспособностью и операционной производительностью агентов и всей системы (принцип встроенной наблюдаемости), обеспечивая прозрачность и контроль, создавая важные данные для включения аудита, отладки, объяснимости, стоимости и оптимизации ресурсов агентского персонала предприятия.

Что отличается от сегодняшнего: Этот слой становится еще более важным, учитывая риск создания ошибок агентами на скорости машины. Она должна выйти за рамки мониторинга инфраструктуры и включать непредсказуемое поведение автономных агентов, требующее новых видов телеметрии и умения понимать семантическую корректность, а не только техническую производительность.

Ключевые технологические возможности:

• Платформа мониторинга и наблюдения в реальном времени: Постоянно собирает журналы, показатели и трассировки во всей ИТ-среде с расширениями для показателей ML и поведения агента.
• FinOps & Cloud Cost Management: Отвечает за мониторинг, анализ и оптимизацию расходов на инфраструктуру, связанных с искусственным интеллектом и агентскими нагрузками.
• Отслеживание агента и ML: Регистрирует каждый этап выполнения агента в неизменном контрольном журнале и постоянно составляет профиль поведения агента для обнаружения отклонений от установленных норм.
• AIOps, управление инцидентами и изменениями: Использует искусственный интеллект/ML для прогнозирования потенциальных проблем с ИТ, определения коренных причин и создания бизнес-процессов исправления.
• Закрытый цикл отзывов об обучении: Интегрирует телеметрию наблюдения от агентов обратно в ожидаемые продажи MLOps, включая автоматическое переобучение модели или оперативную корректировку.
• Семантический механизм наблюдения: Интегрирует обозримость со семантическим слоем для контекстуализации, чтобы включить обнаружение семантических аномалий в поведении агента.

Цель: Этот уровень встраивает Trust и безопасность во всю архитектуру, защищая активы предприятия от угроз, управляя рисками и обеспечивая соответствие нормативным требованиям. Она охватывает управление удостоверениями, обнаружение угроз, GRC и меры безопасности на основе искусственного интеллекта.

Что отличается от сегодняшнего: Уровень безопасности должен эволюционировать для обработки новых поверхностей атаки, представляемых моделями искусственного интеллекта и агентами, например, быстрого введения и отравления модели. Управление удостоверениями и доступом должно перейти от статического ролевого управления к динамическим полномочиям на основе намерений, которые предоставляются своевременно и отменяются сразу после использования.

Ключевые технологические возможности:

• Безопасность ввода/вывода LLM и ограждения: Предпринимательские ограждения, применяемые своевременно и во время реагирования для блокировки небезопасного содержимого, утечек персональных данных и побегов из тюрьмы.
• Архитектура Zero Trust с проверкой на основе искусственного интеллекта: Постоянная проверка подлинности, расширенная поведенческим анализом на основе искусственного интеллекта, с подробным своевременным доступом для агентов на основе их конкретной задачи.
• Инфраструктура безопасности агента: Тонко детализированные модели полномочий, мониторинг вредного поведения и механизмы сдерживания для безопасного прерывания действий агента.
• Безопасность модели на основе искусственного интеллекта: Углубленная стратегия защиты с управлением на каждом этапе жизненного цикла модели для защиты от отравления, извлечения и враждебных атак.
• Сохраняющий конфиденциальность искусственный интеллект: Такие методы, как интегрированное обучение и дифференцированная конфиденциальность для защиты конфиденциальных данных.
• Расширенная на основе искусственного интеллекта GRC: Использование агентов искусственного интеллекта для постоянного мониторинга соответствия архитектуры ИТ элементам управления.
• Механизм политики как кода: Единый источник истины для определения бизнес-правил и ограничений соответствия в декларативном, машиночитаемом формате для установки ограждений поведения агента.
• Непрерывная красная команда: Автоматическое постоянное состязательное тестирование моделей и агентов на основе искусственного интеллекта для определения уязвимостей перед их использованием злоумышленниками.

Трансформация в предприятие-агент требует многоэтапного подхода путем создания технологических основ и создания ощутимой бизнес-ценности (см. диаграмму 3 ниже). Хотя точная дорожная карта зависит от стратегии предприятия, культуры, модели управления на основе искусственного интеллекта и архитектурной отправной точки ИТ, большинство организаций должны применять поэтапный подход в качестве продолжающихся агентов влияния инвестиций в ИТ с растущим охватом, сложностью и созданием ценности. Агентская модель зрелости Salesforce предоставляет предприятиям полезную основу уровней зрелости для разработки стратегии их трансформации, описывающей возможные пути расширения возможностей агентов от базового информационного поиска (уровень 1) до организации более сложных многодоменных (уровни 2 и 3) и многоагентных бизнес-правил (уровень 4). Для успешного прохождения этих этапов архитектура ИТ должна развиваться согласованно, с целевыми инвестициями в различные уровни архитектуры на каждом этапе в соответствии с потребностями более сложных и ценных развертываний агентов искусственного интеллекта. Для каждого уровня зрелости определяются конкретные технологические возможности, необходимые на 11 архитектурных уровнях, с обоснованием инвестиций.

Уровень зрелости 1: Агенты поиска информации

Бизнес-цель и значение: Повышение производительности труда сотрудников путем предоставления надежного интерфейса диалога для запроса Enterprise Knowledge. Главная ценность - в расширении человеческих возможностей, а не в их замене. Эти агенты помогают людям, извлекая информацию и рекомендуя действия.

Архитектурный фокус: Основное внимание уделяется созданию безопасной, надежной базы данных и базовых компонентов искусственного интеллекта, необходимых для поиска информации. Управление и возможность наблюдения с первого дня имеют решающее значение для укрепления Trust пользователей и контроля за расходами.

Основные инвестиции в технологии (рис. 4):

На данном этапе ИТ должны сосредоточиться на создании надежных ожидаемых продаж между данными и другими базовыми возможностями. Технологии в слое данных, например, VectorDB, имеют важное значение для включения методов извлечения дополненного создания (RAG), которые питают агентов по извлечению информации. Это дополняется централизованным уровнем искусственного интеллекта/доходов, который включает шлюз модели для безопасного и контролируемого по стоимости доступа к моделям фундамента и узел искусственного интеллекта Trust, Safety & Governance Hub для мониторинга небезопасных результатов и обеспечения соответствия. Основное управление данными и деловые глоссарии в семантическом уровне являются основой для извлечения агентами точной информации. Возможности среды выполнения и жизненного цикла агента обязательны для обеспечения возможности изменения и расширения агентов, созданных на этом этапе, для будущих способов использования. Чтобы предоставить ценность и повысить доверие пользователей, уровень взаимодействий должен использовать пользовательский интерфейс «Атрибуция и прозрачность», который позволяет объяснять ответы агентов посредством отображения ссылок и источников информации. Фундаментальные инвестиции в области наблюдения и безопасности (например, zero Trust) должны быть начаты, с тем чтобы заложить основу для будущих агентских развертываний.

Уровень зрелости 2: Простая оркестрация, агенты единого домена

Бизнес-цель и значение: Автоматизируйте рутинные задачи и организуйте бизнес-правила низкой сложности в одном бизнес-домене. Это повышает эффективность работы и уменьшает ручной труд, позволяя работникам сосредоточиться на более ценной деятельности.

Архитектурный фокус: Ключевым архитектурным сдвигом является переход от извлечения данных только для чтения к выполнению действий. Это требует начала более длительного процесса модуляризации функций приложения (часто открытых как API) для доступа агентов, внедрения надежной безопасности действий агентов и создания семантической функции и функции разработки на основе искусственного интеллекта для повышения интеллектуальности агентов на основе искусственного интеллекта.

Основные инвестиции в технологии (рис. 5):

Инвестиции тематически сосредоточены на предоставлении агентам на основе искусственного интеллекта возможности предпринимать действия при наличии надлежащего управления. Слой приложений и служб приложений претерпевает критическое изменение, поскольку монолитная бизнес-логика разлагается на модульные службы приложений (API) для вызова агентами. Они защищены ограждениями приложения, чтобы предотвратить заполнение систем агентами посредством интеграции в инструменты наблюдения. Для обеспечения функционирования этих агентов необходимы инвестиции в рассуждения агентов, протоколы инструментов (например, MCP) и реестры. Это создает новые риски, что делает необходимым для управления и безопасности специализированную систему безопасности агентов и модель искусственного интеллекта и возможности мониторинга агентов. Наконец, предприятия могут начать масштабирование своих возможностей искусственного интеллекта/ML для настраиваемых моделей, позволяющих этим агентам решать задачи, связанные с конкретным доменом.

Уровень зрелости 3: Агенты многодоменной оркестрации

Бизнес-цель и значение: Автоматизация сложных комплексных бизнес-процессов, охватывающих организационные и функциональные границы (например, «соотнесение сметы с наличными», «соответствие заказу»). Ценность заключается в разбивке элеваторов, ускорении времени цикла процесса и оптимизации целых цепочек создания стоимости в бизнесе. Более высокие изменения в производительности труда человека возможны, поскольку организационные барьеры начинают разрушаться, а люди начинают уделять больше внимания надзору за агентами искусственного интеллекта.

Архитектурный фокус: Архитектура теперь должна поддерживать межсекторальные технические проблемы. Единое семантическое понимание в рамках предприятия, централизованный механизм оркестрации для управления и отделенная, управляемая событиями интеграционная ткань становятся важнейшими факторами, способствующими этому.

Основные инвестиции в технологии (рис. 6):

Инвестиции в технологии тематически сосредоточены на организации процессов в масштабе предприятия в людях, агентах и детерминистских системах. Уровень корпоративной оркестрации становится центром инвестиций, требующим гибридного механизма выполнения бизнес-правил для координации действий и механизма управления процессами и ограничения для внедрения бизнес-правил и политик соответствия в локальных процессах, поскольку агенты работают в разных доменах, часто с разными политиками и семантические определения. Такая междоменная координация возможна только при наличии зрелого семантического уровня, содержащего график Enterprise Knowledge Graph (EKG), который создает общее понимание взаимосвязей хозяйствующих субъектов между доменами. Уровень интеграции должен быть дополнен событийной тканью интеграции, использующей потоковую магистраль для отделения систем и обеспечения устойчивой асинхронной связи, типичной для долгосрочных корпоративных процессов. С учетом более высокой ценности этих бизнес-правил и связанных с ними рисков дополнительные инвестиции в безопасность и мониторинг приобретают первостепенное значение (например, AIOps, политика как код). И наконец, необходимы дальнейшие инвестиции в уровень приложений и услуг (например, LCNC с использованием искусственного интеллекта, более динамичные и мультимодальные взаимодействия пользователей), поскольку пользователи начинают отслеживать и сотрудничать с более способными агентами искусственного интеллекта.

Уровень зрелости 4: Мультиагентская многодоменная оркестрация

Бизнес-цель и значение: Перепланируйте и оптимизируйте бизнес-операции в доменах, чтобы стимулировать постепенные изменения производительности и эффективности. Этот этап переходит к созданию целостного цифрового симулятора (цифрового близнеца) предприятия для постоянного совершенствования и стратегического планирования в рамках основных бизнес-процессов и бизнес-процессов.

Архитектурный фокус: Заключительный этап фокусируется на создании возможностей для динамичного, формирующегося сотрудничества между агентами. Это требует расширенных протоколов связи между агентами (A2A), возможностей самообучения агентов, дальнейших инвестиций в зрелость уровней оркестрации, данных и семантики, а также полностью динамичной и самовосстанавливающейся инфраструктуры для поддержки растущих потребностей динамических загруженности искусственным интеллектом по мере расширения агентов на предприятии.

Основные инвестиции в технологии (рис. 7):

Тематические инвестиции направлены на создание самосовершенствования автономной системы. В агентском слое инфраструктура самоанализа и адаптации агента предоставляет агенту механизм анализа собственных журналов производительности и запуска улучшений. Это обучение поддерживается слоем ИТ-операций и наблюдения, который внедряет закрытый цикл обратной связи обучения для автоматической подачи данных наблюдения обратно в ожидаемые продажи MLOps для переобучения модели, что также может использовать создание синтетических данных для дальнейшей оптимизации производительности модели. Поскольку сети агентов развертываются в департаментах наряду с текущими усилиями по модуляризации прикладных программ, агентам необходимо дополнительно инвестировать в обеспечение безопасности и, что особенно важно, в составной каталог возможностей, с тем чтобы они могли динамично создавать возможности для решения более абстрактных и ценных задач. Все эти процессы оркестрируются и оптимизируются посредством новой возможности цифрового моделирования двойных процессов, которая использует данные в реальном времени для создания симуляции для анализа «что-если» и прогнозируемой оптимизации, что позволяет предприятию безопасно тестировать и развертывать новые агентские развертывания.

Заключение

«Дорожная карта» для Agentic Enterprise проходит через процесс архитектурной эволюции ИТ. Архитекторы-предприниматели станут важнейшими движущими силами этой трансформации, способствуя принятию важных инвестиционных решений, наряду с другими партнерами в бизнесе и ИТ, необходимых для того, чтобы организация осознала ценность новых бизнес-возможностей предприятия-агента.