От «магии» к инженерии: 9 ошибок работы с контекстом при внедрении AI‑агентов в процессы

В сфере искусственного интеллекта произошло заметное событие. koptelovak 8 минут назад От «магии» к инженерии: 9 ошибок работы с контекстом при внедрении AI‑агентов в процессы Средний 10 мин 201 Блог компании OTUS Искусственный интеллект Машинное обучение * Управление разработкой * Аналитика Я бизнес‑архитектор, много лет работающий на стыке управления бизнес‑процессами и корпоративной архитектурой. Последние годы применяю LLM и AI‑агентов в своей практике. В этой статье я разобрал 9 типовых ошибок управления контекстом, которые совершают команды при внедрении AI‑агентов в бизнес‑процессы, и показал, как превратить AI‑агента из дорогой игрушки в предсказуемый рабочий инструмент.

Хайп вокруг внедрения AI‑агентов немного спал, и команды столкнулись с реальностью. AI‑агенты, которые на демо‑презентациях показывали чудеса, при работе внутри компании начали выдавать шаблонные ответы без учета контекста и сжигать бюджет на токены без значимого результата. Первая реакция: «Модель слабая, надо перейти на более дорогую».

Технические детали

Но в подавляющем большинстве случаев проблема не в «силе» модели, а в том, что архитектура работы с контекстом в компании не выстроена. Для AI нужен контекстТипичный сценарий: специалист открывает чат, пишет запрос, получает результат. Если результат плохой — переписывает запрос, добавляет деталей, уточняет.

На простых типовых задачах это работает. На сложных, требующих понимания специфики организации — уже нет. Большинство команд на первом этапе внедряют AI через интерфейсы обычных чат‑ботов, подменяя ими полноценных агентов, учат сотрудников «правильно формулировать запросы», добавлять примеры.

Но промпт — это лишь малая часть того, что видит большая языковая модель (LLM) в AI‑агенте. Основным объемом в передаваемых данных должен стать контекст организации — внутренние правила и политики, договорённости команды, спецификации и многое другое. Если контекст организации не передан в запрос к LLM, то она сформирует ответ «по умолчанию» — усреднённый по всему интернету, без учёта специфики организации.

Отраслевые последствия

И от этого недостатка контекста никакой «волшебный» промпт не спасёт, поэтому нужно начинать работать с контекстом. Оптимизация промпта при игнорировании архитектуры контекстаКоманды тратят время на оттачивание формулировок запроса, добавляя сложные языковые конструкции, но часто игнорируют то, что AI‑агент должен увидеть еще до начала диалога. Из практики: Одна команда разработчиков жаловалась, что AI‑агент генерирует код «не в том стиле», и на ревью уходит больше времени, чем на написание кода с нуля.

Причиной этого было отсутствие общих командных правил создания кода в репозитории.

Событие, по словам экспертов, усилит конкуренцию в сфере ИИ.