CTO Pine Labs Sanjeev Kumar обсуждает построение экосистемы для агентской экономики, акцентируя внимание на доверии и контроле

Генеральный директор WSO2 Гарри Аулт заявил, что корпорациям необходимо глубже понимать, как ведут себя и взаимодействуют системы, работающие на основе искусственного интеллекта (ИИ), со всеми сетевыми компонентами, вместо того чтобы фокусироваться исключительно на вопросе доступа к этим сетям для определенных агентов.

WSO2, американская компания, специализирующаяся на открытом программном обеспечении и основанная в 2005 году, занимается интеграцией программных систем, безопасностью идентификации пользователей и доступом для предприятий.

По словам Аулта, хотя агенты на базе ИИ используются уже некоторое время, большинство из них применялось в детерминированных системах, где безопасность и управление встроены непосредственно в сети, оставляя агентам мало возможностей для выполнения задач вне установленных рамок.

Он отметил, что переход к генеративному ИИ приводит к более вероятностным сценариям, где невозможно предсказать результаты, что представляет серьезную проблему для приложений производственного уровня, и этот переход происходит во всех предприятиях.

Чтобы контролировать таких агентов, компании должны разрабатывать собственные планы управления ИИ, создавать имитационные шлюзы и сервисы аутентификации, а не использовать готовые решения, тем самым сохраняя интеллектуальную собственность бессрочно.

Аулт принял пост генерального директора WSO2 от основателя и долгосрочного руководителя Сандживы Виеравараны, который вышел на пенсию в августе текущего года. Аулт считает, что все проблемы, возникающие из-за ИИ, такие как неконтролируемое поведение агентов или выдача большими языковыми моделями ответов, не соответствующих их задаче, будут решены благодаря «открытому исходному коду и открытым стандартам», что позволит большему числу людей совместно работать над одной проблемой.

Он добавил, что большая часть возможностей для получения дохода для почти всех мировых технологических и продуктовых компаний поступает от спроса, связанного с ИИ, и эта тенденция, вероятно, сохранится в обозримом будущем.

Говоря о росте, Аулт подчеркнул необходимость решения всех существующих проблем в сфере ИИ, после чего компания обсуждает бюджеты с другими фирмами и предлагает им соответствующие решения.

Он сообщил, что в таких странах и регионах, как США и Индия, подход «AI-first» стал стандартом для всех компаний. При этом он особо выделил Индию, отметив, что масштаб и ценность, которые может обеспечить технология в этой стране, могут быть не найдены ни в каком другом регионе.

Компания, которая обслуживает около 950 клиентов в 92 странах мира, также сотрудничает с крупными государственными учреждениями, регуляторами и финансовыми организациями в Индии. Кроме того, он упомянул сильное развитие продуктовых компаний, возглавляемых основателями, в Индии благодаря улучшению технологий генеративного ИИ, что предоставляет таким компаниям, как WSO2, множество вариантов для приобретения или слияния с материнской компанией.

В последние годы улучшение результатов работы с ИИ зависело от умения писать более качественные запросы (промпты). Однако эта парадигма быстро меняется, поскольку системы ИИ начинают самостоятельно рассуждать, принимать решения и выполнять действия в рамках целых рабочих процессов.

На мероприятии TechSparks 2026, флагманском событии YourStory, доктор Вигнеш Субрахманиам, ведущий научный сотрудник по ИИ в Intuit, провел беседу с Адитом Чарли, управляющим редактором YourStory и The CapTable. Обсуждение под названием «За пределами промпта: создание ИИ, который мыслит, действует и обучается» было посвящено тому, что разработчикам необходимо переосмыслить по мере того, как интеллект становится все более автономным.

Сессия началась с вопросов о типичном рабочем дне Субрахманиама и просьбы упростить концепции финтеха и ИИ для аудитории. Он использовал аналогию с шахматами, задав вопрос: если алгоритму не преподавать правила шахмат, а показать миллион завершенных партий с победителями, сможет ли он вывести и правила, и наиболее вероятные стратегии для победы?

Команда Intuit применяет схожий подход для поддержки малого бизнеса, поскольку компания обслуживает как потребителей, так и бухгалтеров. Субрахманиам отметил: «Как мы изучаем игру бизнеса, анализируя данные, реальные действия и результаты, которые предпринимают предприятия». Цель состоит в понимании факторов, способствующих успеху бизнеса в привлечении клиентов, быстром росте и улучшении денежного потока.

Далее разговор перешел к смене парадигмы для разработчиков: от многолетнего изучения написания более умных промптов к проектированию агентов, которым ставится цель, и они сами определяют шаги для ее достижения. Субрахманиам сравнил промпт-инжиниринг с долгой историей языков программирования, начиная от двоичного кода и ассемблера до Fortran, C и Python. Большие языковые модели позволили любому человеку программировать на простом английском языке, однако этот метод имеет свои ограничения.

Исследователи быстро поняли, что интеллект не должен находиться только в самой модели. Модель должна выступать в роли оркестратора, разбивая сложную задачу на последовательность действий и вызовов инструментов. Реальный интеллект перемещается в инструменты, которые вызываются; и эти инструменты также должны быть разработаны иначе: «не для того, чтобы ими мог пользоваться человек, или разработчик программного обеспечения, или кто-либо еще, а таким образом, чтобы оркестратор LLM мог ими действительно пользоваться».

Это требует создания высокоточных инструментов с крайне детерминированным результатом. Для разработчиков мастерство смещается от остроумных формулировок к надежным компонентам, которые модель может вызывать снова и снова без неожиданностей.

Относительно источников новых данных, Субрахманиам открыто заявил, что обучение на текстовых данных в значительной степени решено. Более сложная задача заключается в обучении на мультимодальных источниках и реальных действиях. Он привел пример того, как маленький ребенок в основном учится через то, что видит, слышит и наблюдает, а не через чтение, утверждая, что включение таких сигналов из реального мира в системы ИИ поможет моделям выйти за рамки генерации текста и начать предлагать действия. Он назвал это следующим рубежом.

Рассматривая проблемы регулируемой отрасли, он вернул аудиторию на 18 лет назад, в одну из первых лабораторий машинного обучения в Бангалоре, где он работал над логистической регрессией и многослойными перцептронами. Тогда самой большой проблемой была не сам алгоритм. Он вспомнил: «На самом деле, это было качество данных».

Эта проблема не изменилась. Независимо от того, обучает ли команда простую регрессию или дообучает трансформер, принцип «мусор на входе — мусор на выходе» остается в силе. По его словам, компании, способные собирать, агрегировать и хранить данные самого высокого качества, получат преимущество.

Во время короткой сессии вопросов и ответов один из участников спросил, как ограничения на хранение финансовых данных влияют на работу Intuit. Субрахманиам назвал согласие основой любой обучающей системы и сослался на исследование Фрамингем, где жители города Массачусетс разрешили врачам отслеживать их здоровье с течением времени, что сформировало современное понимание сердечно-сосудистых заболеваний. Он добавил, что компании также обязаны объяснять широкой общественности преимущества использования данных.

По мере завершения беседы сквозной идеей стало то, что по мере перехода ИИ от реагирования к действию, основы становятся важнее интерфейса. Промпты останутся отправной точкой, но настоящая работа теперь заключается в создании надежных инструментов, которые могут вызывать агенты, снабжении систем высококачественными данными и получении согласия, которое позволяет им обучаться. Именно здесь, за пределами промпта, будет выиграна следующая волна ИИ для разработчиков.

Несмотря на то, что искусственный интеллект способен генерировать код с беспрецедентной скоростью, процесс его тестирования, проверки и вывода в рабочую среду представляет собой отдельную сложную задачу. Инженерные команды все чаще используют агентов ИИ для написания кода, устранения ошибок и создания новых функций, однако ускорение кодирования не гарантирует ускорения доставки программного обеспечения.

По мере того как генерация кода набирает обороты, количество проверок растет, тестирование замедляется, а командам становится трудно координировать увеличивающийся объем изменений.

На конференции TechSparks 2026 Тушар Матур, генеральный директор Forge Code, осветил эту проблему в своей сессии «Анатомия программной фабрики». Он объяснил, как инженерные организации, ориентированные на ИИ, могут выйти за рамки автоматизации отдельных задач кодирования и начать создавать системы, управляющие всем жизненным циклом разработки программного обеспечения (SDLC).

Матур отметил, что просто потому, что генерация кода стала проще и быстрее, это не означает, что общий SDLC ускорится. Он напомнил, что традиционный подход к разработке фокусировался на эффективном написании кода, требуя от команд определения требований, подготовки спецификаций и проектирования архитектуры для снижения нагрузки на этап реализации.

Однако, поскольку ИИ берет на себя большую часть работы по кодированию, узкие места смещаются в другие области. Матур описал ситуацию, когда организации сталкиваются с огромным количеством запросов на слияние (pull requests), ожидающих проверки, более длительными циклами тестирования и большим количеством ошибок, чем могут обнаружить существующие регрессионные наборы.

Он подчеркнул, что решение проблемы не обязательно заключается в найме большего числа инженеров или запуске большего количества агентов ИИ. Дополнительные сотрудники могут увеличить затраты на координацию, а добавление агентов без эффективных механизмов обратной связи может привести к созданию кода, который перегружает системы, отвечающие за проверку и тестирование.

«Причина этого в том, что отсутствует сигнал», — пояснил Матур, объясняя, почему простое соединение автоматизированных шагов не создает эффективной программной фабрики.

Матур представил Forge Code как программную фабрику, которая координирует агентов ИИ на протяжении всего цикла разработки. Процесс начинается с сортировки запросов, создания спецификаций и внедрения функций. Затем агенты проверяют изменения перед тем, как они будут развернуты, при этом человеческие инженеры вмешиваются, когда требуются решения или обратная связь.

Система также осуществляет мониторинг в рабочей среде, используя полученные данные для информирования будущих задач. Это формирует цикл обратной связи, позволяющий фабрике выявлять проблемы, совершенствовать свои рабочие процессы и генерировать новую работу на основе полученного опыта. Во время презентации Матур сообщил, что Forge Code использовал около 100 агентов в фоновом режиме для работы над функциями, совместимостью и обнаружением ошибок.

Он изложил шесть принципов для создания эффективной программной фабрики: автономная работа, масштабируемость, экономическая эффективность, измеримость, самосовершенствование и соответствие бизнес-целям. Последний принцип имеет особое значение.

Фабрика должна работать не как задача по написанию кода для каждого запроса, а быть направленной на достижение определенных результатов, таких как повышение удержания клиентов или соблюдение нормативных требований. Команды затем могут расставлять приоритеты функциям на основе ценности, которую они приносят. В этой модели инженеры тратят меньше времени на управление каждой задачей и больше — на наблюдение за результатами, анализ сигналов и улучшение самой системы. Руководители бизнеса также могут напрямую предоставлять запросы и приоритеты, позволяя фабрике преобразовывать организационные цели в бэклог разработки.

Скорость написания кода — это хорошо, но создание лучшего программного обеспечения — вот настоящая победа. Для инженерных команд ключ заключается в преобразовании скорости, обеспеченной ИИ, в надежные продукты, измеримый прогресс и реальные бизнес-результаты.