Слоевете на ИИ: защо стойността идва от цялата система, а не от един модел

За ИИ често се говори твърде тясно. Един има предвид чатбот. Друг — езиков модел. Трети — агенти. Четвърти говори за центрове за данни, чипове и Nvidia. Пети — за промяната в труда, автоматизацията и как компаниите могат да постигат повече с по-малки екипи.

Всички са отчасти прави. Но нито една от тези гледни точки не е достатъчна сама по себе си.

Съвременният ИИ не е едно приложение, един модел или една технология. Той е цяла система от слоеве, която се простира от енергията и центровете за данни до бизнес процесите, агентите, роботиката, управлението и отговорността. Затова е полезно да го разглеждаме като стек — но не само технически. По-точно е да говорим за функционални слоеве. Те описват как ИИ превръща изчисленията в практическа работа.

Тази статия се основава на идеите на изпълнителния директор на Nvidia Дженсън Хуанг за многослойната структура на ИИ.

1. Защо да разглеждаме ИИ като система от слоеве?

В разговорите за ИИ има повтарящ се проблем: твърде често гледаме само видимата повърхност. Потребителят вижда чатбот. Ръководството — разход за лиценз. Разработчикът — API. Инвеститорът — компания, разработваща модели. Инфраструктурната компания — център за данни. Служителят вижда нов инструмент, който или улеснява ежедневието, или изглежда като поредната система сред много други.

Но истинското въздействие на ИИ се проявява едва когато тези гледни точки се съчетаят. Подходът със слоевете помага да разберем три неща.

Първо, показва, че ИИ не е изолиран софтуер. Той се нуждае от физическа и цифрова основа: енергия, изчислителни ресурси, мрежи, съхранение и чипове.

Второ, показва, че само моделът не стига. Езиковият модел може да е впечатляващ, но без подходящи данни, контекст, интеграции и работни потоци често остава помощник с общо предназначение.

Трето, показва, че внедряването на ИИ не е само технологичен проект. То изисква и управление, разпределяне на отговорности, умения, измерване и управление на промяната.

Когато компанията пита „Кой инструмент с ИИ да внедрим?“, често гледа само приложния слой. Когато пита „Как да изградим слоевете на ИИ така, че да подкрепят бизнеса?“, започва да разглежда цялата система. И точно там се ражда конкурентното предимство.

2. ИИ не е едно нещо, а производствена верига

Можем да сравним ИИ с електричеството. Самото съществуване на електричеството не промени света. Промяната настъпи, когато то навлезе във фабриките, осветлението, домовете, транспорта, комуникациите, устройствата и новите начини на работа.

Същото важи за ИИ. Езиковият модел е важен, но е само част от цялото. Истинската промяна идва, когато моделът се свърже с данни, инструменти, софтуер, процеси и човешкото вземане на решения.

Опростено, производствената верига на ИИ изглежда така:

• енергията осигурява работата на центровете за данни
• центровете за данни осигуряват изчислителните ресурси
• чиповете позволяват обучението и използването на моделите
• облакът и мрежите позволяват мащабируемо предоставяне на услугите
• базовите модели осигуряват езикови, визуални и логически способности
• оптимизацията прави използването по-бързо и по-евтино
• данните и RAG добавят контекста на самата компания
• MCP и интеграциите дават на ИИ достъп до инструменти
• оркестрацията разпределя задачите между модели, агенти и хора
• приложенията правят ИИ удобен за използване
• процесите превръщат ИИ в полза за бизнеса
• физическият ИИ пренася изкуствения интелект в роботиката и реалния свят
• управлението, надзорът и отговорността правят цялата система устойчива

Тази верига е важна, защото всеки слой влияе на следващия. Ако инфраструктурата е скъпа, използването на ИИ струва много. Ако моделът е бавен, потребителското изживяване страда. Ако данните са лоши, отговорите са ненадеждни. Ако липсват интеграции, ИИ не може да върши работа. Без оркестрация агентите действат хаотично. Без управление рисковете нарастват.

Затова ИИ е повече от технология. Той е нова производствена верига за мисленето, знанието, софтуера и труда.

3. Слой 1: енергия и центрове за данни

ИИ започва с електричеството. Звучи прозаично, но това е едно от най-важните наблюдения за цялата трансформация. ИИ не е магическа сила, носеща се в облака. Той работи в центрове за данни, които се нуждаят от ток, охлаждане, пространство, мрежови връзки, оборудване и постоянна поддръжка.

Когато потребителят поиска от ИИ анализ, изображение, код или задача, изпълнена от агент, зад кулисите се извършват огромно количество изчисления. Колкото повече се използва ИИ, толкова повече капацитет е нужен. Това превръща енергията в стратегически въпрос.

Компаниите, държавите и технологичните дружества трябва да обмислят откъде ще идва необходимата енергия, къде да се разполагат центровете за данни, как да се охлаждат и как растежът на изчисленията да се съчетае с климатичните цели и отговорното развитие.

В слоя на енергията и центровете за данни са нужни умения, които не изглеждат като традиционна експертиза по ИИ, но са незаменими:

• енергийно планиране
• познаване на електропреносните мрежи
• архитектура на центрове за данни
• решения за охлаждане
• планиране на сградите и капацитета
• управление на веригите за доставки
• оценка на устойчивостта
• управление на риска

Този слой ни напомня, че бъдещето на ИИ не се решава само на бюрата на софтуерните разработчици. То се решава и в енергийните мрежи, залите на центровете за данни и инфраструктурните решения. Ако ИИ се превърне в новата производствена технология на икономиката, енергията е неговото гориво.

4. Слой 2: чипове и изчислителна инфраструктура

Следващият слой е изчислителната инфраструктура: чипове, сървъри, ускорители, памет и системна архитектура. Именно тук Nvidia се превърна в символ на епохата на ИИ.

Съвременните модели на ИИ се нуждаят от огромен обем паралелни изчисления. Графичните процесори, или GPU, са подходящи за това, защото извършват много операции едновременно. Но не става дума само за отделен чип. Изчислителната инфраструктура на ИИ е цялостна система, в която чипове, памет, мрежи, сървъри, софтуерни библиотеки и инструменти за оптимизация работят заедно.

В този слой се определя например:

• колко бързо отговарят моделите
• колко струва създаването на един отговор
• колко потребители може да обслужва системата
• колко добре се мащабират агентните системи
• дали ИИ може да работи в облака, в собствена среда или на крайни устройства
• как се оптимизират изчисленията за различни приложения

Този слой е особено важен в епохата на агентите. Един отговор на чатбот може да изисква едно извикване на модел. Но при една задача агентът може да направи десетки или стотици извиквания: да търси информация, да оценява варианти, да използва инструмент, да провери резултата, да напише обобщение и да поиска одобрение.

Когато ИИ преминава от отделни отговори към работа на много стъпки, нуждата от изчисления невинаги намалява, дори моделите да стават по-ефективни. Тя може да нарасне. Затова изчислителната инфраструктура е един от най-стратегическите слоеве на ИИ.

5. Слой 3: облак, мрежи и съхранение

Облакът, мрежите и съхранението образуват слоя за предоставяне на ИИ. Благодарение на тях той не остава възможност на един компютър или една лаборатория, а се превръща в мащабируема услуга за организации, приложения и глобални работни потоци.

Облакът предоставя гъвкаво изчислителни ресурси и услуги. Мрежите свързват потребители, системи и източници на данни. Съхранението осигурява навременен достъп до данни, модели, дневници, документи и информация за случаите на употреба.

Този слой често е невидим за потребителя, но е критичен за компанията. Бавните мрежи влошават работата с ИИ. При разпокъсани хранилища RAG не намира правилната информация. При скъпа облачна архитектура разходите за токени и извиквания на модели растат бързо. Ако сигурността е слаба, разширяването на употребата спира.

Тук възниква и важен избор: публичен облак, собствена среда, хибридно решение или затворена среда за конкретния отрасъл? Публичният облак е бърз и мащабируем. Собствената среда може да даде повече контрол. Хибридният подход може да съчетае двете. В регулирани сектори като здравеопазването, финансите и публичната администрация местоположението и управлението на данните може да са решаващи.

ИИ превръща облачната архитектура и архитектурата на данните в бизнес въпрос. Вече не е достатъчно системите просто да работят. Те трябва да позволяват интелигентна, сигурна и икономически ефективна работа.

6. Слой 4: базови и езикови модели

Базовите и езиковите модели са най-видимият слой на интелигентност. Те дават на системите способността да разбират език, да създават текст, да тълкуват изображения, да пишат код, да обобщават, да разсъждават, да класифицират, да разговарят и все по-често да обработват едновременно различни видове данни.

Езиковият модел обаче не „мисли“ като човек. Той създава отговори въз основа на обучаващите си данни, контекста от потребителя и наличните инструменти. Въпреки това практическото му въздействие може да е огромно, защото работи с езика — основния интерфейс на човешкия труд.

За компаниите важният въпрос не е само „Кой е най-добрият модел?“. По-полезният въпрос е: Кой модел за коя задача е подходящ? Един модел може да е добър за бърза класификация. Друг — за задълбочен анализ. Трети е силен в програмирането. Четвърти обработва изображения. Пети е евтин и бърз за вътрешни рутинни задачи. Шести е достатъчно сигурен за регулирана среда.

В бъдещата архитектура на ИИ компанията невинаги ще използва един модел за всичко. Ще използва набор от модели. Това превръща оценяването им в нова ключова компетенция: организацията трябва да разбира как се тестват, сравняват, остойностяват и избират модели за различни цели.

Базовият модел е мощен двигател. Но двигателят все още не е завършено превозно средство.

7. Слой 5: оптимизация на моделите и изпълнение

Inference означава използването на обучен модел: момента, когато той създава отговор, анализ, изображение, код, извод или следваща работна стъпка. Обучението получава много внимание, но в ежедневието на компаниите изпълнението често е по-важно. Именно там възникват разходите, забавянето, потребителското изживяване и въпросът за мащабируемостта.

При рядко използване на ИИ разходите може да изглеждат малки. Но когато той навлезе в обслужването на клиенти, продажбите, разработването на продукти, анализите, програмирането, отчетността и агентните системи, употребата може да нарасне бързо. Всяко извикване на модел изразходва ресурси. Всяка междинна стъпка на агента може да изразходва още.

Затова оптимизацията е критичен слой. Тя може да означава например:

• използване на по-малък модел за проста задача
• използване на по-мощен модел само за трудните части
• кеширане на отговорите
• съкращаване на подканите
• подобряване на извличането при RAG
• квантизация на моделите, тоест намаляване на необходимите ресурси
• преместване на изпълнението в по-евтина среда
• разпределяне на задачите между няколко модела
• задаване на лимити на разходите за агентите

Тук се вижда икономическата страна на ИИ. Той не е безплатна вълшебна машина. Той е изчислителна работа, а тя струва пари. Компанията трябва да се научи да управлява разходите за токени, извикванията на модели, забавянето и качеството така, както управлява останалите ресурси.

Доброто решение с ИИ не е само интелигентно. То е и достатъчно бързо, достъпно, надеждно и достатъчно мощно там, където е нужно.

8. Слой 6: данни, RAG и контекст

Данните са слоят, в който ИИ се превръща от обща интелигентност в собствен инструмент на организацията. Без фирмени данни той може да дава общи отговори, да обяснява, да предлага идеи и да пише чернови. Но не знае какво е договорено точно в тази компания, какво е обещано на клиента, кой проект закъснява или коя версия на продукта се използва.

RAG, или Retrieval-Augmented Generation, означава генериране, подпомогнато от извличане на информация. На практика ИИ първо намира подходяща информация в документите, базите данни или други източници на компанията и въз основа на нея съставя отговор. Това е огромна промяна: RAG прави ИИ по-чувствителен към контекста.

Той може да помогне например за:

• намиране на правилното указание във вътрешната документация
• обобщаване на историята на клиента
• сравняване на договор с условията на компанията
• отговор на въпрос към техническата поддръжка
• намиране на подходящия раздел в продуктовата документация
• анализ на състоянието на проект
• подготовка на актуален обзор за ръководния екип

Но RAG не е магическо решение. Той е толкова добър, колкото информацията зад него. Ако документите са остарели, ИИ намира остаряла информация. Ако правата за достъп са неясни, може да вижда твърде много или твърде малко. Ако документите са лошо структурирани, извличането се проваля. Ако източниците не се показват, потребителят не може да оцени отговора.

Затова слоят на данните и RAG е и слой на управлението на информацията. ИИ принуждава компаниите да питат: къде е нашата информация? Кой отговаря за нея? Актуална ли е? Кой има право да я използва? Как се проверяват източниците? Как се премахва остарялата информация? Как се разрешават противоречията?

С навлизането на ИИ много организации откриват неприятна истина: проблемът всъщност не е в ИИ, а в собственото им управление на информацията. Това е добра новина, ако се заемат с него.

9. Слой 7: MCP, интеграции и връзки с инструменти

Ако данните дават на ИИ памет, интеграциите му дават ръце. MCP, или Model Context Protocol, е отворен стандарт, чрез който приложенията с ИИ могат контролирано да се свързват с външни инструменти, източници на данни и системи. Можем да го мислим като съединител за ИИ: общ интерфейс, през който той използва например документи, бази данни, календар, управление на проекти, CRM система или инструменти за разработчици.

Този слой е решаващ в епохата на агентите. ИИ без достъп до инструменти може основно да предлага. ИИ с достъп до инструменти може да действа. Той може да:

• извлече данните на клиента от CRM
• създаде задача в системата за управление на проекти
• провери календара
• прочете хранилище с код
• изпълни тестове
• отвори заявка към поддръжката
• актуализира документ
• изпълни заявка към база данни
• стартира автоматизация
• подготви доклад и го запази на правилното място

Но точно затова този слой носи и риск. Колкото повече права получава ИИ, толкова по-внимателно трябва да се определят границите. Компанията трябва да уточни какво ИИ може да чете, променя, изпраща и изтрива, кога се нуждае от човешко одобрение, с каква потребителска роля работи, как се записва всичко в дневниците и как работата му може да бъде спряна.

Интеграциите правят ИИ полезен. Контролът го прави безопасен. Без двете получаваме или неефективен помощник, или опасна автоматизация.

10. Слой 8: оркестрация и агентни системи

Оркестрацията е слоят, който ръководи работата на ИИ. Когато се използват множество модели, източници на данни, инструменти, агенти и хора, е нужен начин за координиране на цялото. Оркестрацията определя кой какво прави, в какъв ред, с какви права и с какви проверки.

Един прост чатбот не изисква много оркестрация. Агентната система обаче изисква. Агентът може да планира задачата, да търси информация, да използва инструменти, да проверява резултати и да преминава към следващата стъпка. Ако в организацията има няколко агента, е нужна ясна структура. Например агентна система за обслужване на клиенти може да работи така:

1. агентът за класификация разпознава въпроса
2. RAG агентът извлича указанията и историята на клиента
3. агентът за отговори подготвя решение
4. моделът за оценка на риска преценява дали отговорът може да се изпрати
5. интеграционният агент актуализира CRM
6. човек проверява необичайните случаи
7. наблюдаващият агент измерва качеството

Това вече не е един отговор на ИИ. Това е работен поток. Оркестрацията отговаря например на следните въпроси: кой модел да се избере за задачата? Кога да се използват фирмените данни? Кога агентът може да използва инструмент? Кога е нужно човешко одобрение? Какво се прави при несигурен отговор? Как се ограничават разходите? Как се откриват грешките? Как се документира работата?

Тук възниква и идеята за ферма от агенти. Това е група специализирани агенти с различни задачи: един следи конкурентите, друг анализира клиентската обратна връзка, трети подготвя продажби, четвърти проверява код, пети съставя доклади.

Фермата от агенти може да доведе до огромен скок в производителността. Но без оркестрация може да се превърне в хаос.

11. Слой 9: софтуер и приложения

В крайна сметка потребителят вижда ИИ под формата на софтуер и приложения. В този слой технологията се превръща в потребителско изживяване. Но ИИ променя и логиката на самите приложения.

Традиционният софтуер разчита потребителят сам да действа: да щрака, попълва, филтрира, копира, поставя, запазва и изпраща. Софтуерът с ИИ все повече се основава на цели. Потребителят невинаги казва „Експортирай този CSV файл, филтрирай колона B, направи обобщена таблица и графика“. Той казва „Анализирай продажбите за миналия месец, открий отклоненията и подготви обобщение в три точки за ръководството“.

Това променя проектирането на приложения. Доброто приложение с ИИ не е просто стар софтуер с добавен прозорец за чат. То разбира целта на потребителя, извлича правилния контекст, използва подходящите инструменти, показва несигурността, иска одобрение и прави крайния резултат лесен за проверка.

Това е голяма възможност за SaaS компаниите — доставчиците на облачен софтуер. Те трябва да преосмислят продукта си: какво се опитва да постигне потребителят? Кои стъпки може да извърши ИИ? Какви данни са нужни? Какви инструменти може да използва ИИ? Къде трябва да реши потребителят? Как да се представи резултатът? Как се изгражда доверие?

ИИ не премахва софтуера. Той го превръща от пасивен инструмент в активна работна среда.

12. Слой 10: бизнес процеси и работни потоци

Това е слоят, в който се създава реалната бизнес стойност на ИИ. Не в модела. Не в демонстрацията. Не в красивия интерфейс. А в процеса.

Бизнес процес може да бъде например продажбата, обслужването на клиенти, фактурирането, подборът на персонал, отчетността, разработването на продукти, снабдяването, контролът на качеството или управлението на проекти. ИИ става ценен едва когато промени скоростта, качеството, разходите или клиентското изживяване в тези процеси.

Например в продажбите ИИ може да събере информация за клиента, да анализира предишни разговори, да разпознае сигнали за покупка, да предложи следващо съобщение, да подготви оферта, да актуализира CRM и да напомни за последващи действия.

В обслужването на клиенти ИИ може да разпознае въпроса, да намери указания, да провери ситуацията на клиента, да предложи отговор, да реши рутинен случай, да насочи труден въпрос към човек и да запише резултата.

При разработването на продукти ИИ може да анализира обратната връзка, да пише спецификации, да генерира код, да пише тестове, да търси дефекти, да документира промени и да подготвя бележки за изданието.

Тук е важен подходът AI-first. Той не означава ИИ да се използва навсякъде. Означава при проектирането на процеса да питаме: Ако днес изграждахме този работен поток с ИИ, данни, агенти и автоматизация, как би изглеждал той? Този въпрос бързо разкрива къде старият начин на работа е просто навик.

13. Слой 11: физически ИИ и роботика

ИИ не остава на екрана. Физически ИИ означава изкуствен интелект, който действа във физическия свят: в роботи, превозни средства, фабрики, складове, лаборатории, болници, земеделието и градската среда.

Този слой прави ИИ осезаем по нов начин. Цифров агент може да напише погрешен доклад. Това е проблем, но често е поправим. Физически робот може да премести предмет неправилно, да се сблъска, да повреди оборудване или да създаде опасност. Затова изискванията към физическия ИИ са по-високи.

Физическият ИИ се нуждае от:

• сензори
• камери
• роботика
• симулации
• вземане на решения в реално време
• системи за безопасност
• мехатроника
• периферни изчисления
• взаимодействие между човек и машина
• познаване на нормативната уредба

Това е и голяма възможност. В промишлеността ИИ може да оптимизира производството. В складовете може да управлява роботи. В здравеопазването може да помага при образната диагностика, логистиката и лабораторната автоматизация. В земеделието може да подпомага прецизното отглеждане на култури. В транспорта може да подобрява планирането на маршрути и автономните системи.

Физическият ИИ връща изкуствения интелект към материалния свят. Напомня ни, че ИИ не е само език и код. Той може и да движи, измерва, възприема и действа.

14. Слой 12: управление, надзор и отговорност

Последният слой може би е най-важният. Управлението, надзорът и отговорността определят дали ИИ ще бъде конкурентно предимство за организацията, или неконтролируем риск.

Когато ИИ само пише чернови, контролът може да е по-лек. Когато започне да използва инструменти, да обработва клиентски данни, да актуализира системи, да предлага решения и да изпълнява работни стъпки, са нужни ясни правила. Компанията трябва да знае:

• къде се използва ИИ
• кой го използва
• какви данни се използват
• какви модели се използват
• какви агенти са внедрени
• какви права имат агентите
• колко струва използването
• как се измерва качеството
• как се поправят грешките
• кой отговаря за крайния резултат

Това е нова област на управление. AI governance, или управлението на ИИ, не бива да е само документ на юристите или списък със забрани от отдела по сигурността. То трябва да бъде практичен начин за безопасно използване на ИИ.

Доброто управление не спира развитието. То го прави мащабируемо. Без управление ИИ лесно остава на нивото на опити на отделни служители. Или още по-лошо: появява се неофициална употреба на ИИ, при която никой не знае какви инструменти се използват, къде се подават данни и какво правят агентите.

Задачата на ръководството е да изгради предпазни огради за ИИ. Не за да забави темпото. А за да може то да се ускори безопасно.

15. Компетенции, необходими във всички слоеве: от какво се нуждае цялата система?

Тези компетенции са изключително важни, защото не принадлежат само на един слой. Те преминават през всички.

Информационна сигурност и неприкосновеност на личния живот

ИИ може да обработва чувствителни данни, клиентска информация, лични данни, договори, изходен код и търговски тайни. Затова сигурността не е добавка. Тя е основно изискване.

Управление на качеството

Отговорът на ИИ може да звучи добре и все пак да е погрешен. Управлението на качеството означава тестове, оценяване, сравняване, обратна връзка, проверка на източниците и проследяване на грешките.

Управление на разходите

Токените, API извикванията, междинните стъпки на агентите, извличането при RAG и изчисленията струват пари. Ако разходите не се следят, ИИ може да изглежда продуктивен, но да стане скъп.

Мониторинг и наблюдаемост

Наблюдаемост означава да можем да видим какво се случва в системата. При ИИ това включва например: какво е отговорил моделът, кои източници е използвал, какви инструменти е извикал агентът, къде е възникнала грешката и колко е струвало изпълнението.

Умения и култура

ИИ не носи полза, ако хората не умеят да го използват или ако културата възпрепятства експериментите. Нужни са обучение, примери, вътрешни практики и насърчаване.

Управление на промяната

ИИ променя ролите, процесите и разпределението на труда. Ако промяната се остави на отделните хора, резултатите ще бъдат неравномерни.

Етика и нормативна уредба

Колкото повече ИИ влияе на хората, решенията и обществото, толкова по-важно е да се мисли за справедливост, прозрачност, отговорност и регулиране.

Тези общи компетенции са като носещите конструкции на сграда. Не могат да се добавят накрая като украса.

16. Бизнес перспектива: как слоевете променят стратегията?

За компанията слоевете на ИИ са практическа карта. Те помагат да се види защо някои проекти с ИИ се провалят, а други успяват.

Неуспешният проект често се съсредоточава само върху един слой. Купува се приложение, но данните са лоши. Изгражда се агент, но липсват интеграции. Избира се мощен модел, но процесът не се променя. Прави се пилотен проект, но разходите не се измерват. Обучават се служителите, но управлението не се променя.

Успешният проект разглежда цялата верига. Той пита: какъв бизнес проблем решаваме? Кой процес променяме? Какви данни са нужни? Кой модел използваме? Какви инструменти може да използва ИИ? Къде човекът одобрява? Как се измерва качеството? Как се виждат разходите? Кой отговаря за решението? Как ще се мащабира то?

Това променя и бюджетирането. ИИ не е само софтуерен лиценз. Той съчетава лицензи, разходи за токени, интеграции, сигурност, обучение, промени в работата и наблюдение.

Компаниите е добре да започнат да разглеждат ИИ като инвестиция в производителността. Ако възнагражденията на специалистите са значителна част от разходите, е естествено да се помисли какъв дял от тази сума да се инвестира в ИИ, за да се подобрят производителността, качеството и скоростта на работата. Това не означава безразборно харчене. Означава разходите за ИИ да станат видими и да се управляват.

17. Гледната точка на стартъпите: къде се ражда новото конкурентно предимство?

За стартъпите слоевете на ИИ са едновременно възможност и предупреждение. Възможност, защото малък екип може да изгради повече от всякога. ИИ може да помага в програмирането, маркетинга, анализите, обслужването на клиенти, документацията, продажбите и вътрешните процеси. Предупреждение, защото „имаме ИИ“ вече не е конкурентно предимство само по себе си.

Когато моделите са достъпни за мнозина, стойността идва от друго:

• по-добри данни
• по-добър работен поток
• познаване на отрасъла
• дистрибуция
• потребителски интерфейс
• доверие
• интеграции
• оркестрация на агенти
• икономическа ефективност
• способност да се реши реален проблем

Стартъп, изграден около ИИ от самото начало, не създава стар продукт с добавена ИИ функция. Той пита: Как би изглеждал този отрасъл, ако го изграждахме от нулата около ИИ, агенти, автоматизация и данни?

Например в правните технологии продукт, изграден около ИИ, не е само чатбот за правни въпроси. Той може да бъде работен поток, който чете договори, разпознава рискове, сравнява ги с фирмените правила, предлага промени, иска одобрение от юрист и актуализира базата с договори. В здравеопазването подобно решение не е само въпросник за симптоми, а система, която помага на специалиста да събира информация, да анализира изображения, да подготвя указания за пациента и да координира лечението. В B2B продажбите то не е само генератор на имейли, а агентна система, която следи сигнали, обогатява клиентските данни, предлага контакт, подготвя материалите и актуализира CRM.

Следователно конкурентното предимство на стартъпите идва от това колко добре съчетават слоевете. Не от самия факт, че използват ИИ.

18. Промяната в труда: какви умения ще са нужни занапред?

Слоевете на ИИ променят и необходимите умения. Не всеки трябва да умее да изгражда модели. Не всеки трябва да разбира архитектурата на чиповете. Не всеки трябва да познава технически MCP. Но все повече хора трябва да разбират къде в цялата система се намира собствената им работа.

Специалистът трябва да разбира как ИИ може да помогне в неговия работен поток. Ръководителят — как влияе на процесите и разходите. Разработчикът — как се свързват модели, данни и инструменти. Екипът по сигурността — какви права имат агентите. Човешките ресурси — как се променят уменията. Финансовото ръководство — токените и разходите за ИИ. Продуктовото ръководство — как приложението се превръща в агентна система.

В бъдещата работа особено важни ще бъдат следните умения:

• формулиране на проблема
• разделяне на процесите на стъпки
• разпознаване на възможностите на ИИ
• оценяване на качеството на данните
• критичен подход към източниците
• проверка на качеството
• разпределяне на работата между човек и ИИ
• разбиране на границите на автоматизацията
• познаване на разходите
• етична преценка
• способност за промяна

Едно от най-важните умения е да различаваме какво си струва да се автоматизира и какво не. Не всичко повтарящо се подлежи автоматично на автоматизация. Ако работната стъпка засяга права, безопасност, здраве, пари или репутация, е нужен по-строг надзор.

ИИ не премахва нуждата от преценка. Прави я по-важна.

19. Рискове и капани

Разглеждането на ИИ на слоеве помага и за по-точно разпознаване на рисковете. Рискът не е само ИИ да отговори погрешно. Рискове възникват във всеки слой.

Инфраструктурен риск

Разходите за центрове за данни, енергопотреблението, недостигът на капацитет и геополитическите зависимости могат да повлияят на достъпността и цената на ИИ.

Риск, свързан с модела

Моделът може да халюцинира, да е пристрастен, да разбере задачата погрешно или да даде убедителен, но неверен отговор.

Риск, свързан с данните

Фирмената информация може да е остаряла, противоречива, непълна или защитена с неподходящи права за достъп.

Интеграционен риск

ИИ може да получи прекалено широки права или да използва инструмент неправилно. Атаки чрез инжектиране на инструкции в подканата могат да се опитат да насочат агента към забранени действия.

Риск, свързан с агентите

Агентът може да продължи задачата в грешна посока, да направи твърде много междинни стъпки, да увеличи разходите или да допусне поредица от грешки.

Риск, свързан с приложението

Потребителят може да се довери прекомерно на отговора, ако интерфейсът не показва несигурността, източниците или нуждата от одобрение.

Риск, свързан с процеса

Старият процес може да бъде автоматизиран без промяна, въпреки че вече е неудачен. Тогава ИИ само ускорява лошия начин на работа.

Управленски риск

Ако никой не отговаря за цялостното използване на ИИ, в организацията се появяват неофициална употреба, дублиращи се инструменти, неясни отговорности и неконтролирани разходи.

Добрата новина е, че тези рискове могат да се управляват. Но само ако се разпознаят във всеки слой.

20. Бъдещето: ИИ се превръща в инфраструктура на труда

Следващият етап на ИИ не е просто по-добър чатбот. Той е инфраструктура за работа. В бъдеще ИИ може да присъства в почти всички етапи на интелектуалния труд: търсене на информация, анализ, подготовка на решения, програмиране, работа с клиенти, отчетност, обучение, проектиране и автоматизация. Същевременно той навлиза във физическия свят: в роботи, превозни средства, лаборатории, промишлеността и логистиката.

Това не означава всичко да се промени за една нощ. По-вероятно е развитието да върви на слоеве:

1. Първо ИИ помага на отделни служители.
2. После се вгражда в приложенията.
3. След това се свързва с фирмените данни.
4. После получава ограничени връзки с инструменти.
5. След това се появяват агенти.
6. После агентите се координират в процеси.
7. Накрая започва да се променя начинът на работа на компанията.

Най-голямата разлика спрямо днес е, че ИИ няма да остане отделен инструмент. Той ще се слее със системите, процесите и вземането на решения. Тогава въпросът вече няма да е „Използваме ли ИИ?“, а: „Как е вграден ИИ в начина, по който работим?“

21. Изводи

Слоевете на ИИ дават карта на трансформацията. Те показват, че ИИ не е само чатбот, езиков модел или отделно приложение. Той е цялостна система, в която енергията, центровете за данни, чиповете, облакът, моделите, оптимизацията, данните, интеграциите, агентите, софтуерът, процесите, роботиката и управлението са взаимосвързани.

Най-важният извод е: Стойността на ИИ идва от взаимодействието между слоевете. Само мощен модел не е достатъчен. Само данни не стигат. Само интеграция не стига. Само агент не стига. Само приложение не стига. Нужна е цялостна система.

За компаниите това означава стратегията за ИИ да бъде повече от списък с инструменти. Тя трябва да описва връзката му с инфраструктурата, данните, процесите, хората, разходите, рисковете и управлението. За стартъпите това означава, че конкурентното предимство все по-често идва от съчетаването на слоевете: по-добро обединяване на модели, данни, работни потоци, интеграции и потребителско изживяване. За отделния човек това означава, че грамотността за ИИ вече не е само писане на подкани. Тя е способност да разбираме къде във веригата действа ИИ, от какво се нуждае, за да успее, и къде човекът трябва да насочва, оценява и носи отговорност.

Бъдещето на ИИ не е един свръхинтелигентен бутон. То е нова работна среда. И в нея ще успяват онези, които разбират цялото.

22. Практически модели и шаблони

1. Контролен списък за слоевете на ИИ

Използвайте го, когато оценявате решение с ИИ или планирате нов случай на употреба.

Инфраструктура и изчисления

• Къде работи решението?
• Какви изчислителни ресурси са му нужни?
• Как растат разходите с мащаба?
• Приемливо ли е забавянето?
• Зависи ли решението от един доставчик?

Модели

• Кой модел се използва?
• Защо точно този модел?
• Проста ли е задачата, или изисква задълбочено разсъждение?
• Тестван ли е моделът със собствени материали?
• Как се следи качеството на модела?

Данни и контекст

• Какви данни са нужни?
• Актуални ли са данните?
• Кой отговаря за данните?
• Как работят правата за достъп?
• Показват ли се източниците на потребителя?

Интеграции и инструменти

• До кои системи има достъп ИИ?
• Може ли само да чете, или и да променя?
• Кога е нужно одобрение?
• Как се записва използването в дневниците?
• Как се ограничават правата?

Агенти и оркестрация

• Става ли дума за отделен отговор, или за многостъпкова задача?
• Кои стъпки извършва ИИ?
• Кои стъпки извършва човекът?
• Какво се случва при грешка?
• Има ли агентът лимит на разходите?

Приложение и потребителско изживяване

• Как потребителят разбира какво е направил ИИ?
• Виждат ли се източниците, несигурността и следващите стъпки?
• Лесно ли се проверява крайният резултат?
• Може ли потребителят да коригира или отхвърли предложението?

Процес и бизнес

• Кой процес се подобрява?
• Кой показател се променя?
• Спестява ли се време?
• Подобрява ли се качеството?
• Ускорява ли се обслужването на клиенти?
• Намалява ли ръчната работа?

Управление и отговорност

• Кой отговаря за решението?
• Кой отговаря за грешките?
• Как се следи използването?
• Как се отчитат разходите?
• Как се одитира решението?

2. Модел на процес с ИИ в основата

Изберете един фирмен процес и го разгледайте така:

1. Каква е целта на процеса?
2. Кои стъпки се повтарят?
3. Къде е нужна информация?
4. Къде е необходима човешка преценка?
5. Къде ИИ може да създаде първата версия?
6. Къде ИИ може да извлече информация?
7. Къде ИИ може да използва инструмент?
8. Къде ИИ може автоматично да изпълни стъпката?
9. Къде е необходимо одобрение?
10. Как се измерва резултатът?

Целта на този модел не е да автоматизира всичко. Тя е да намери правилното разпределение на работата между човека, ИИ и системите.

3. Модел на отговорностите по слоеве

Добре е за всеки слой да се определи отговорник.

4. Минимален модел за внедряване на агент

Преди агентът да започне реална работа, определете: предназначението му, източниците на данни, инструментите, правата, забранените действия, точките за одобрение, лимита на разходите, воденето на дневници, показателите за качество, отговорника и механизма за изключване.

Ако агентът няма отговорник, не бива да се пуска в реална експлоатация.

5. Въпроси за ръководството

Добре е ръководният екип редовно да пита:

1. В кои процеси ИИ вече носи измерима полза?
2. Къде ИИ все още е само експеримент?
3. Какви данни са нужни на ИИ, но още не са му достъпни?
4. Кои интеграции биха донесли най-голяма полза?
5. Къде агентите биха могли да работят безопасно?
6. Къде човешкото одобрение е задължително?
7. Колко струва ИИ на месец?
8. Как се променят разходите за токени?
9. Какви грешки допуска ИИ?
10. Кой отговаря за качеството и рисковете на ИИ?
11. Какви умения липсват в организацията?
12. Кой процес вече не бихме изградили по стария начин?

6. Практически съвет

Когато оценявате решение с ИИ, не гледайте само интерфейса или името на модела. Питайте за цялата верига:

„От каква инфраструктура се нуждае, какви данни използва, до кои системи може да се докосва, кои работни стъпки може да изпълнява, кой наблюдава работата му и как се измерват ползата, качеството, разходите и рисковете?“

Именно тук е разликата между експеримент с ИИ и реална способност за работа с него.

Източници

1. Интервю с изпълнителния директор на Nvidia Дженсън Хуанг за многослойната структура на ИИ (YouTube)