AI-агенты в бизнесе: почему контекст работы важнее модели
Стартап Skan AI привлёк 63 миллиона долларов в раунде Series C, который возглавили Cathay Innovation и Dell Technologies Capital. Общий объём финансирования компании достиг примерно 120 миллионов долларов. Параллельно с объявлением о раунде компания выпустила два новых продукта — Skan AI Blueprint и Skan AI Agents, — которые вместе с уже существующим Skan AI Intelligence образуют единую платформу для обнаружения, моделирования и автоматизации корпоративных рабочих процессов.
Новость примечательна не столько суммой раунда, сколько тезисом, который лежит в её основе: большинство внедрений AI-агентов в крупных компаниях проваливаются не из-за качества моделей, а из-за того, что модели получают неточное описание реальной работы предприятия. По данным Gartner, на которые ссылается компания, лишь 8% крупных организаций довели AI-агентов до промышленной эксплуатации, а 95% ранних внедрений потребуют полной переработки.
Почему процессная документация обманывает AI-агентов
Стандартный подход к внедрению AI-агентов выглядит так: компания передаёт модели регламенты, инструкции и системные логи, рассчитывая, что агент поймёт, как устроена работа. Проблема в том, что документация описывает то, как работа должна выглядеть, а не то, как она происходит на самом деле.
Системные логи фиксируют только завершённые транзакции — committed states, по выражению CEO Skan Авинаша Мисры. Но реальная работа происходит между этими состояниями: сотрудник переключается между CRM, электронной почтой, Excel и унаследованными системами, принимает промежуточные решения, делает исключения, возвращается к предыдущим шагам. Именно эта часть процесса остаётся невидимой для агентов, питающихся логами и документами.
Skan предлагает наблюдать за работой на уровне экрана сотрудника. Технология компании непрерывно фиксирует, как работа перемещается между приложениями, и строит из этих наблюдений живую модель реального бизнес-процесса. Затем эта модель передаётся AI-агентам как контекст, на основе которого они принимают решения и выполняют задачи.
Мисра описывает различие между своим подходом и процессным майнингом — технологией, которая восстанавливает процессы из данных бэкенд-систем, — следующим образом: около 80% информации, существенной с точки зрения автоматизации, находится именно между системными записями, а не в них.
Что это означает для внедрения AI в конкретной компании
Опыт развёртываний Skan даёт несколько конкретных ориентиров для оценки.
- В одном из крупнейших американских банков наблюдение за 1 500 финансовыми специалистами выявило 11,2 миллиона переключений контекста и 37 миллионов долларов операционных потерь; передача этого контекста агентам снизила стоимость транзакции на 32% и увеличила пропускную способность на 41%.
- В банковском подразделении по противодействию отмыванию денег 60% дел теперь ведут AI-агенты, причём их точность, по словам компании, превышает точность людей.
- У страховщиков платформа обеспечивает около 25% прироста производительности в ключевых процессах урегулирования убытков; один из клиентов удвоил объём обрабатываемых дел без найма новых специалистов.
Среди публично называемых клиентов — Unum, американский провайдер льгот для сотрудников с выручкой 13,8 миллиарда долларов, и британская компания Mitie. Компания не раскрывает выручку, но сообщает о росте более чем на 300% год к году второй год подряд и удержании клиентской выручки на уровне около 150%. В числе клиентов — семь из десяти крупнейших банков США и четверть компаний из списка Fortune 50.
Заявленные 500 миллионов долларов совокупной ценности для клиентов — это идентифицированные возможности экономии, а не фактически реализованные сбережения. Часть из них уже переведена в конкретные результаты через редизайн процессов и внедрение агентов, часть находится на стадии реализации.
Отдельного внимания заслуживает вопрос приватности. Наблюдение за экранами сотрудников — чувствительная тема. Skan решает её через агрегацию: система строит статистические паттерны по сотням сотрудников, выполняющих одинаковые процессы, но не отслеживает поведение конкретного человека. Данные не покидают инфраструктуру клиента; в облако отправляются только анонимизированные метаданные. Компания ссылается на прохождение проверок европейских производственных советов — одних из наиболее строгих органов в вопросах трудовых прав — как на подтверждение жизнеспособности архитектуры. Тем не менее Мисра признаёт, что технология в ряде случаев привела к сокращению персонала в отдельных процессах, что означает: компаниям следует заранее выработать прозрачную политику использования подобных инструментов внутри команды.
Принципиальный стратегический аргумент звучит так: если все компании отрасли получают доступ к одним и тем же фронтирным моделям, конкурентное преимущество перестаёт определяться качеством модели. Оно определяется тем, насколько точно модель знает, как именно работает конкретная компания. Этот контекст — исторически накопленное в процессах знание — является собственностью организации и не передаётся поставщику модели. Компания, которая его оцифровала, получает преимущество, которое сложно скопировать.
Для бизнеса, рассматривающего внедрение AI-агентов, это означает смещение приоритетов: прежде чем выбирать модель или платформу, необходимо понять, какой контекст реальной работы будет передан агенту и откуда он возьмётся. Если ответ — «из регламентов и логов», вероятность провала внедрения остаётся высокой вне зависимости от качества выбранной модели.
Практический вывод: перед запуском пилота с AI-агентами проведите аудит источников данных, которые планируете передать модели, и отдельно проверьте, насколько они отражают реальное, а не задокументированное поведение сотрудников — именно это расхождение чаще всего становится причиной неудачи внедрения.