Amazon делает ставку на агентский ИИ для корпоративных операций; эксперты обсуждают эффективность маркетингового ИИ

Раджив Растоги, вице-президент по машинному обучению в Amazon, заявил о глубокой трансформации в бизнес-технологиях, отметив, что весь операционный слой становится агентным.

Это знаменует собой переход от статического программного обеспечения к автономным системам, способным интерпретировать инструкции на естественном языке. В отличие от традиционного ПО, которое следует жестким, заранее заданным сценариям, агентные системы обладают динамическими путями выполнения.

Во время беседы в рамках мероприятия TechSparks Растоги объяснил, что агенты самостоятельно разрабатывают планы для решения задач и активируют соответствующие инструменты. Вместо постоянного вмешательства человека эти автономные агенты анализируют запросы, формируют последовательность действий и используют специализированные цифровые инструменты для завершения сложных процессов от начала до конца.

Внутри Amazon этот операционный слой используется в таких системах, как Rufus, который является помощником для покупок и умеет разбирать запросы клиентов, применять фильтры цен, вызывать поисковые системы и направлять пользователей через сравнение товаров и оформление заказа. Аналогично, автономные помощники продавцов помогают заполнять карточки товаров, контролировать запасы и консультировать малый бизнес по вопросам соблюдения норм международного экспорта.

Несмотря на огромный энтузиазм рынка в отношении генеративного искусственного интеллекта (Gen AI), Растоги подчеркнул, что генеративные модели не являются универсальным решением для всех вычислительных проблем. Генеративный ИИ преуспевает в сложной аргументации, обобщении текста, анализе отзывов и творческих задачах, например, в редактировании фонов изображений продуктов. Однако он испытывает трудности в приложениях, требующих высокой пропускной способности и низкой задержки.

Растоги отметил, что для определенных задач производительность традиционных моделей машинного обучения никогда не сравнится с производительностью генеративных моделей. Классические алгоритмы, такие как градиентный бустинг деревьев решений или стандартные нейронные сети, обрабатывают структурированные числовые данные с исключительной скоростью.

Для крупномасштабных операционных нужд, например, поиск товаров в электронной коммерции, где приходится обрабатывать десятки или сотни миллиардов позиций, генеративные модели сталкиваются с непомерными вычислительными затратами и медленным временем отклика. Поэтому высокопроизводительные архитектуры используют оркестраторы агентного типа для понимания намерений человека, полагаясь при этом на базовые поисковые системы для молниеносного извлечения данных.

Когда действительно требуются генеративные возможности, руководителям предприятий не обязательно полагаться исключительно на массивные фундаментальные системы. Фронтирные модели, представляющие собой самые крупные и наиболее ресурсоемкие архитектуры ИИ, несут значительные эксплуатационные расходы. Растоги предложил более экономичную альтернативу, указав, что «дообучение некоторых открытых базовых моделей... может дать вам модели, которые работают намного лучше, чем некоторые из этих больших моделей... при одной пятой или десятой стоимости».

Дообучение подразумевает взятие меньшей, общедоступной открытой модели, такой как Qwen, и обучение ее на специфических проприетарных данных приложения. Принимая открытые дообученные модели, компании могут достичь равной или превосходящей точности для специализированных задач классификации или прогнозирования по сравнению с гигантскими закрытыми моделями, такими как Claude или ChatGPT, при этом значительно снижая свои вычислительные издержки.

Для технологических предпринимателей и архитекторов предприятий наиболее перспективные возможности лежат в автоматизации вертикальных рабочих процессов, а не в попытках создания фундаментальных моделей. Разработка новых фронтирных моделей требует неустойчивого финансового капитала и вычислительной инфраструктуры. Вместо этого Растоги советует: «построение поверх фронтирных моделей, использование агентного ИИ для автоматизации рабочих процессов в доменах... это определенно многообещающе».

Черпая вдохновение в инструментах кодирования, таких как Cursor, большие возможности существуют в специализированных областях, включая юриспруденцию, финансы, здравоохранение, сельское хозяйство и управление человеческими ресурсами. Особо ценным незанятым пространством является автоматизация стандартных операционных процедур — документов на естественном языке, подробно описывающих пошаговые инструкции для сотрудников по решению сложных операционных проблем.

Платформа агентной автоматизации способна уточнять плохо написанные инструкции с использованием внутренних баз знаний, разбивать длинные процедуры на управляемые подзадачи и делегировать их сетям специализированных под-агентов, которые автоматически просматривают внутренние инструменты, извлекают данные из документов, анализируют изображения и решают проблемы.

Заглядывая в будущее, необходимо, чтобы базовая конструкция моделей ИИ эволюционировала для сохранения устойчивости. Современные фронтирные модели сталкиваются с серьезными физическими и финансовыми ограничениями. Растоги отметил: «Фронтирные модели сегодня огромны, вычислительно очень дороги, потребляют много энергии и ресурсов... и я не думаю, что это устойчиво».

Кроме того, сегодняшние монолитные модели функционируют преимущественно как механизмы статистического предсказания следующего токена, угадывая наиболее вероятное следующее слово в последовательности, без подлинного понимания законов физики, трехмерной геометрии или причинно-следственных связей. По мнению Растоги, для преодоления этих границ будущий ландшафт будет переходить к сетям небольших, предметно-ориентированных моделей, управляемых центральными маршрутизирующими оркестраторами. Вместо хранения огромного объема мировых знаний в параметрах гигантской модели, будущие архитектуры ИИ будут разделять основные возможности рассуждения и хранение данных, полагаясь на внешние высокоскоростные поисковые системы для извлечения информации. В конечном итоге отрасль продвинется к подлинным мировым моделям, обладающим внутренним пониманием физических пространств и поведения окружающей среды, создавая практическую и экономически эффективную основу для корпоративной автоматизации.

Большинство современных маркетинговых команд используют искусственный интеллект для экономии времени при выполнении таких задач, как составление черновиков электронных писем, создание вариантов изображений и обобщение длинных документов. Однако Ананд Джейн, соучредитель и директор по маркетингу CleverTap, платформы для автоматизации маркетинга и взаимодействия с клиентами, утверждает, что базовые инструменты, выполняющие эти функции, редко способствуют увеличению прибыли компании.

Во время мастер-класса по маркетинговой стратегии на мероприятии TechSparks 2026 Джейн призвал руководителей смотреть дальше простых способов ускорения работы. Он подчеркнул необходимость перехода от использования ИИ для развлечения к применению его для получения реальных деловых результатов.

Хотя создание контента с помощью ИИ ускоряет работу и экономит время, Джейн поставил под сомнение, действительно ли это способствует росту, задаваясь вопросом: «Будет ли это на самом деле влиять на результаты бизнеса, или это просто то же самое?»

Традиционные цифровые кампании обычно работают по модели «выталкивания», когда компании решают, что они хотят продать, вместо того чтобы понимать, что потребители желают приобрести. В отличие от этого, консультант в офлайн-канале помнит личные предпочтения клиента, замечает мгновенные реакции и предлагает товары, соответствующие его бюджету и стилю. Цифровой маркетинг должен принять схожий подход.

Джейн заявил: «Не то, что я хочу продать, а то, что мой клиент хочет купить. Так нужно это перевернуть». Вместо того чтобы рассылать общие рекламные акции широким группам, современные маркетинговые системы должны анализировать действия клиентов в реальном времени, чтобы соответствовать индивидуальным потребностям.

Этот метод знаменует собой переход к самому высокому уровню зрелости ИИ, известному как «принятие решений в реальном времени». Маркетинговые технологии, как правило, развиваются через три стадии. Первый уровень сосредоточен на базовых задачах по экономии времени, второй охватывает эксперименты, такие как A/B-тестирование (сравнение двух версий рекламы для определения лучшей), а третий достигает истинного автоматизированного принятия решений.

Джейн отметил: «Вы начинаете с производительности, затем проводите эксперименты, а самое сложное — это принятие решений. Когда вы фактически строите целую систему для одной группы людей, и этот один человек может быть одним из нескольких миллионов, которые появляются в вашем приложении или на вашем веб-сайте».

Вместо того чтобы бомбардировать пользователей промокодами, система принятия решений сначала предлагает мягкие полезные шаги, например, укрепление доверия к бренду или объяснение преимуществ продукта. Принятие решений в реальном времени опирается на единый центр данных, который объединяет исторический профиль клиента с его недавними действиями в реальном времени. Традиционное A/B-тестирование обычно останавливается после выбора одного фиксированного победителя, тогда как система принятия решений использует обучение с подкреплением — умную систему, которая непрерывно учится на ответах пользователей и корректирует предложения на лету.

Более того, вместо того чтобы полагаться только на скоринг склонности (расчет вероятности покупки), система принятия решений использует моделирование подъема. Этот метод определяет конкретный толчок, сообщение или канал, необходимый для побуждения отдельного пользователя сделать следующий положительный шаг.

По мере того как автоматизированные системы управляют доставкой кампаний по тысячам вариантов сообщений, роль маркетолога смещается от исполнения к стратегическому руководству. Вместо ручного создания вариантов креативов маркетологи определяют высокоуровневые цели и устанавливают строгие операционные ограничения. Джейн акцентировал внимание: «Ваша работа — создать ограничители бюджета, ограничители бренда, регуляторные ограничители. Не используйте слово 'бесплатно', если вы что-либо предлагаете, если вы банк».

Устанавливая четкие границы, руководители маркетинга позволяют интеллектуальным системам принятия решений работать автономно, сохраняя безопасность брендовых сообщений и одновременно обеспечивая подлинную коммерческую прибыль, добавил он.