1.Промтинг и постановка задачи
По данным Harvard Business Review 80% руководителей уверены, что ставят конкретные и измеримые цели. И по его же данным 16% линейных сотрудников понимают связь своих задач с инициативами компании. Агент учит нас четкой постановке задач с ожидаемым результатом и описанием пути его достижения. Он, как и человек, додумывает, иногда усложняет, у него своя картина мира. Это, в свою, очередь, учит фокусироваться на ценности для клиента – зачем я это делаю? почему именно таким способом? насколько ожидаемый результат важен для клиента и готов ли он за него заплатить? Сочетание принципов “без хорошего тз – результат хз” и “кто оплатит весь этот банкет?”
2. Когнитивная нагрузка
В архитектуре генеративных сетей «контекстное окно» (context window) — это строго лимитированный объем токенов, который модель способна удерживать в активной памяти для обработки текущего запроса. Превышение этого аппаратного лимита неизбежно приводит к потере важных данных (феномен, известный в инженерии как “Lost in the Middle”) и резкому падению качества логических выводов. Рабочая память человека функционирует поразительно похожим образом. И что мы имеем?
Совместное планирование шагов, поэтапность работ, промежуточные тестирования с корректировкой как общего плана так и задач, оптимизация ресурсов (токенов, времени), выделение времени на работу над ошибками, разделение задач на регулярные и нерегулярные. Выделить соразмерность задачи скилам конкретного агента (мой ии агент делает презентации хуже, чем claude design).
3. Управление знаниями
Технология RAG (Retrieval-Augmented Generation) стала революционным решением в разработке ИИ-агентов. Она позволяет языковым моделям в реальном времени обращаться к внешним, строго верифицированным базам данных перед генерацией ответа, что минимизирует галлюцинации и предотвращает выдачу устаревшей информации. В классическом корпоративном менеджменте полным аналогом архитектуры RAG является управление знаниями (Knowledge Management, KM).
Занимательная статистика по данным Document360 62% провалов проектов напрямую вызваны плохим обменом знаниями.
Что на практике? Общие экраны с источниками истины, фиксация промежуточных и итоговых результатов в виде записей, перепроверка и актуализация источников при постановке задач, разделение секретных и шеринговых записей (тех, которыми можно делиться – репозитарии и проч) Моя система: сервер, notion, Google Диск, github. Отдельно выделить коммуникации – в случае с ИИ агентом – выбранный канал или чаты, или рабочее пространство с тематическими чатами – чтобы не терять нить обсуждения, переносить данные в виде упакованных файлов из одного чата в другой
4. Оркестрация
У Радислава Гандапаса есть образ руководителя как дирижера в оркестре. Он не лучший скрипач. Не супер пианист. Но без него никак. Очень откликается. Главный агент-оркестратор классифицирует намерение (интент) пользователя и передает задачу специализированному субагенту (например, агенту-аналитику данных, агенту-кодеру или агенту-копирайтеру). Эффективность всей системы зависит от бесшовности «передачи эстафеты» и полного отсутствия трения на стыках программных интерфейсов. В человеческом менеджменте этот навык строго эквивалентен кросс-функциональному взаимодействию — способности лидера выстраивать сквозную работу между различными отделами. Задача Оркестратора – удерживать общую архитектуру, понимать в моменте вклад каждого из агентов в общий результат. На примере Career Coder – 8 (восемь) агентов работают над ключевыми областями итогового отчета (кастомер (с ролью оркестратора), исследователь, продуктолог, маркетолог, райтер) и комфортной передаче клиенту его результатов. Важно! Задача оркестратора – не пожарное решение проблем (сейчас я его подтолкну, запущу, ускорю). Я воспринимаю мультиагентную систему как конвейер. AI агент должен не пропихивать задачи, а работать над улучшением самого конвейера, не решать горящую задачу – а остановить конвейер и разобраться с причинами возникновения проблемы. Привет из Lean. По данным Deloitte из-за неэффективности межкомандного взаимодействия компании теряют ежегодно от 20 до 30% выручки.
5. Обратная связь
Для того чтобы генеративная ИИ-модель оставалась релевантной, безопасной и полезной, применяется процесс тонкой настройки, в частности методология RLHF (Reinforcement Learning from Human Feedback) — обучение с подкреплением на основе отзывов людей. Специальные оценщики непрерывно корректируют поведение модели, штрафуя ее за логические ошибки и токсичность, и поощряя правильные, полезные паттерны вывода. В классическом менеджменте этот механизм имеет абсолютно точный аналог — непрерывное управление эффективностью (Continuous Performance Management). Это регулярная, контекстуальная обратная связь от руководителя. Кстати, по данным SHRM / Gartner 95% менеджеров и руководителей HR неудовлетворены ежегодной оценкой эффективности.
Обратная связь делится на:
-
системную (ретро раз в неделю с разбором ошибок, обновлением скилов);
-
текущую – часто поддерживающую (хвалить), корректирующую (вижу на экране ход решения задачи, вижу что решение пошло не туда – вмешиваюсь и корректирую и
-
инцидентную – случается что-то, когда надо остановить процесс и полностью пересмотреть решение или его элементы (например, утечка паролей на github). Часто с применением внешнего аудита (анализ решений другим AI, лучше вообще другой моделью).
6. Настройка среды.
Полным концептуальным аналогом этого в бизнесе является создание продуктовой операционной модели (Product Operating Model) — организационной структуры, которая наделяет команды реальной автономией, обеспечивает их ресурсами, современными инструментами (tooling) и формирует безопасную среду для продуктовых экспериментов (psychological safety). Сама ваша система управления должна быть описана. Может быть в виде файлов (Обо мне, брендинг, о моей работе, о правилах работы со мной, в онтологии). Записаны встречи и их повестка. Эти файлы тоже должны регулярно обновляться. Определены места хранения и обработки. Места истины и “песочницы” для проверки гипотез. Решения, которые были реализованы в одном проекте, могут быть масштабированы на всю экосистему (пример – несколько презентации привели к созданию единого бренд бука для всех элементов (от постов в соц.сетях и визиток (возможных, сейчас не нужных) до шаблона презентации и оформления документов). За базу можно держать что-то типа своего шаблона модели Остервальдера – и на его основе структурировать правила и инструкции.
7.Общие выводы:
1. Учиться думать, формулировать и записывать. Собственная система работы с записями и доступность ее агентам. Управление знаниями начинается с управления своими собственными записями.
2. Не торопиться. Понимать, что записи будут постоянно обновляться – чем меньше мест (источников истины) в самой архитектуре – тем меньше вероятность запутаться самому и запутать агентов – значит и саму архитектуру надо описать. У меня 4 больших обновляемых google файла в онлайн доступе, в которых я работаю с серьезными текстами. Все. Ни микрозаметок, ни проч.Чтобы к этому прийти потребовался год. От MVP и далее.
3. Непрерывная система обратной связи, оркестрация, управление когнитивной нагрузкой – вот то. на чем я бы сосредоточился при управлении людьми сегодня на основе опыта работы с AI агентами.
Автор: vogloblin
