AI-агенты в бизнесе: как Target строит управляемую систему
Старший вице-президент Target Сиобан МакФини заявила на конференции VB Transform 2026, что конкурентное преимущество компании создаётся не самими AI-моделями, а всем, что выстроено вокруг них: архитектурой, управлением автономностью, системой мониторинга и культурой ответственности.
Это принципиально важный тезис для любого бизнеса, который сегодня инвестирует в искусственный интеллект. Большинство компаний фокусируются на выборе модели, тогда как реальная ценность формируется на уровне процессов, управления данными и организационной дисциплины вокруг этих моделей.
Почему не каждая задача требует AI-агента
МакФини открыто назвала «провокационным» следующий тезис: не каждая бизнес-задача нуждается в AI-агенте. Команда Target начинает любой проект с базового вопроса — какую именно проблему предстоит решить. Только после этого следует вопрос о том, нужен ли здесь агент вообще.
Если ответ положительный, возникает следующий уровень уточнений: какой тип агента подходит — оркестратор, суперагент или узкоспециализированный агент? А может быть, то, что называют «агентом», по факту является просто инструментом?
Такой подход защищает бизнес от двух распространённых ошибок. Первая — дублирование уже существующих решений: если аналогичный агент уже зарегистрирован в системе, создавать новый нет смысла. Вторая — избыточная сложность: когда под задачу, решаемую простым скриптом, разворачивается полноценная агентная архитектура.
Перед запуском каждого агента Target фиксирует следующее:
- что именно запускает агента — автоматизация, инженер или таймер;
- к каким данным, системам и базам данных агент имеет доступ;
- начальный уровень автономности и условия его повышения;
- метрики оценки — точность, отклонение, соответствие целевому результату.
«Мы хотим иметь полную историю с самого начала — с момента создания агента — потому что в два часа ночи, когда что-то пойдёт не так, мы должны понимать всё, что произошло», — пояснила МакФини. Это требование к прозрачности работы агентов становится обязательным условием масштабирования.
Автономность как измеримый показатель, а не статус по умолчанию
Target использует четырёхуровневую модель автономности агентов. На первом уровне агент только наблюдает и фиксирует данные без каких-либо действий. На втором — предлагает рекомендации, ожидая подтверждения человека. На третьем — действует в рамках заранее определённых ограничений. На четвёртом, высшем уровне, который Target применяет сегодня, агент работает сквозным образом, однако человек по-прежнему включён в процесс.
Конкретный пример из практики компании: цифровой двойник прогнозировал запасы мужских шорт для трёх магазинов Target в Лонг-Биче. По одному магазину система выдала рекомендацию, которая в шесть-семь раз превышала потребности двух других. Аналитики поначалу усомнились в корректности прогноза. Однако система зафиксировала фактор, который не был учтён вручную: этот магазин находился менее чем в двух километрах от пляжа, тогда как два других — в десяти-двенадцати километрах от береговой линии. Рекомендация была принята, и весь запас был реализован.
Этот результат МакФини описала так: «Это наука. Это математически более значимо и вызывает больше уверенности, чем человеческий анализ». Именно подобные измеримые результаты позволяют агентам получать более высокий уровень автономности.
Обратная сторона этой модели также чётко определена: агент может потерять автономность, если начнёт давать результаты хуже ожидаемых. Модели с существенным отклонением от целевых показателей выводятся из эксплуатации. Такой подход устраняет характерную проблему многих AI-внедрений, когда система продолжает работать даже после деградации качества её решений.
Важно также, что разные модели имеют разную стоимость применительно к разным задачам. Фронтирные модели хорошо справляются со сложными задачами, требующими обработки больших массивов данных, — например, в управлении цепочками поставок. Однако в ряде сценариев они оказываются экономически нецелесообразными. МакФини прямо указала на необходимость постоянного расчёта соотношения затрат и выгоды при выборе модели.
Параллельно с технической трансформацией меняется и организационная структура команд. Инженеры и разработчики теперь работают в двух параллельных контекстах одновременно: управляют действиями людей и наблюдают за работой агентов. МакФини описала новую роль так: «Ты — разработчик. Ты наблюдаешь за тем, как агенты строят, и при этом коучишь людей, которые наблюдают за агентами». Это требует принципиально иного набора компетенций, а ответственность за ошибки агентов по-прежнему лежит на командах, которые их создали и запустили.
Практическая ценность подхода Target заключается в том, что он даёт возможность «двигаться быстро всегда» — за счёт чётко установленных ограничений. Когда команда знает, где проходят границы, она не тратит время на согласование каждого шага. Это сокращает операционные издержки на внедрение и ускоряет итерации без роста числа инцидентов.
Для бизнеса риски заключаются в следующем: компании, внедряющие AI-агентов без регистрации, мониторинга и модели управления автономностью, лишаются возможности быстро диагностировать сбои и несут непредсказуемые операционные потери. Возможности, напротив, открываются для тех, кто выстраивает не набор разрозненных AI-инструментов, а управляемую архитектуру с полной историей действий каждого агента.
Практический вывод: прежде чем запускать следующего AI-агента, зафиксируйте письменно — какую конкретную проблему он решает, каков его начальный уровень автономности, кто несёт ответственность за его результаты и по каким метрикам будет оцениваться его работа.