От демонстрации до повседневного использования: 5 уроков по внедрению рабочих процессов с ИИ-агентами в рабочую среду

Frances Ward is Asana's Head of Global CommunicationsFrances Ward
18 ноября 2026 г.
3 мин. на чтение
facebookx-twitterlinkedin

Вкратце: от пилотного проекта до внедрения ИИ-агента в любой компании

Переход агента ИИ от демонстрационной версии к ежедневному использованию в большей степени зависит от пограничных случаев, отсутствующих данных и доверия, чем от самой модели. Альберто Арриги возглавляет отдел по работе с клиентами в StackAI, которая теперь входит в состав Asana, а Макс Пофф — один из её инженеров, работающих на передовой. Он делит своё время между написанием кода и внедрением агентов в банках, частных инвестиционных компаниях, агентствах и оборонных подрядчиках. В недавнем интервью на MTS они поделились пятью практиками, которые позволяют перевести агента из стадии прототипа в стадию внедрения: начинайте с утомительного рабочего процесса с высокими ставками, относитесь к пользовательскому тестированию как к реальной сборке, объединяйте данные, на которые опирается вся команда, внедряйте цикл обучения и обеспечивайте безопасность с первого дня.

Что самое сложное во внедрении ИИ-агентов в рабочую среду?

Самое сложное — это переход от рабочей демонстрации к моменту, когда пользователи начинают доверять агенту в своей повседневной работе. «Самое сложное — это справиться с пограничными случаями, которые возникают между демонстрацией и моментом, когда пользователи действительно начинают доверять агенту в повседневной работе», — говорит Макс.

Демонстрационные версии работают с чистыми исходными данными и предположениями одного человека. В реальной работе возникают беспорядочные документы, отсутствуют разрешения, а коллеги работают иначе, чем человек, который инициировал проект.

1. Начните с утомительного рабочего процесса с высокими ставками

Лучшие первые агенты берутся за работу, которая важна, но выполняется медленно. Макс рассказал о команде по управлению рисками и комплаенсу в крупном европейском банке. Каждый раз, когда поступало предложение об изменении в деятельности компании, риск-менеджеры сверялись с обширным реестром рисков, чтобы выявить новые риски, а затем — с реестром мер контроля, чтобы назначить меры по их снижению.

Теперь команда публикует предложение в специальном боте Slack. Рабочий процесс StackAI выдает отформатированную книгу Excel с полной оценкой рисков, отмеченными рисками и сопоставленными мерами контроля. «Задание, на которое раньше уходил целый день, теперь занимает примерно 10–15 минут», — говорит Макс.

Успех был обусловлен двумя факторами: агент взаимодействовал с людьми в уже знакомом им инструменте, а результаты предоставлялись в формате, который они уже использовали в своей работе.

2. Относитесь к пользовательскому приёмочному тестированию как к реальной сборке

Пользовательское приёмочное тестирование (UAT) — это этап, на котором демоверсия становится продуктом. Макс работал с командой помощников руководителей в компании прямых инвестиций над автоматизацией кодирования расходов в SAP Concur. «Создать демоверсию для этого можно очень быстро, — сказал он. — «Но как только мы предоставили его бета-тестировщикам, началась настоящая работа».

StackAI проводит структурированный этап тестирования на предмет приемлемости для пользователя при каждом развертывании, чтобы выявить случаи, когда агент не справляется с задачей. Каждое исправление делает рабочий процесс более устойчивым к использованию в реальных условиях. Запланируйте этот этап в своей хронологии — это не признак того, что проект отстаёт от графика.

3. Обеспечьте доступ к данным, на которые опирается вся команда

Агент, созданный с участием одного заинтересованного лица, видит только мир этого заинтересованного лица. Команда Альберто создала агента-медиапланера для одного из крупнейших медийных и маркетинговых агентств Северной Европы. Получив бриф клиента, он рекомендует каналы, распределение бюджета и план развёртывания.

Основному заинтересованному лицу агент показался надежным. Когда его протестировала более широкая команда, она указала на критически важные наборы данных, к которым агент не мог получить доступ. «Создать демоверсию — это просто, — говорит Альберто. — Но когда вы предоставляете её реальным тестировщикам, то обнаруживаете отсутствие системных разрешений или нарушение логики». Решение заключалось в том, чтобы подключить больше инструментов и устранить разрозненность между ними.

Это отражает более масштабный сдвиг. Год назад в большинстве вариантов применения агент был связан с одной базой знаний. Сегодня это системы оркестрации, которые извлекают данные из множества источников, реагируют на события и выполняют действия в разных инструментах.

4. Внедрение цикла обучения в каждый рабочий процесс

Агенты становятся более полезными, когда помнят то, чему научились. Агенты StackAI хранят файлы общей памяти для всех пользователей в организации клиента. По мере того как люди используют агента и предоставляют обратную связь, эта память обновляется, и агент загружает её при последующих запусках.

Альберто указал на второй цикл: запись результатов обратно в исходную базу знаний. «Этот непрерывный цикл обратной записи является важнейшим фактором, повышающим ценность наших корпоративных развертываний», — сказал он. Со временем каждый запуск пополняет базу знаний организации.

5. Обеспечение безопасности и управляемости с первого дня

В регулируемых отраслях, где то, как работает агент, имеет такое же значение, как и то, что он делает. Крупнейшие финансовые учреждения всё чаще требуют, чтобы агенты работали в их частном облаке или локально, а не в общей инфраструктуре SaaS. StackAI также поддерживает оборонных подрядчиков, работающих в средах с физической изоляцией.

«Для оборонных, банковских и хедж-фондов безопасность периметра данных не подлежит обсуждению», — сказал Макс. Управление, наблюдаемость и безопасность становятся критически важными, когда агенты имеют дело с конфиденциальными данными и выполняют действия с более высокими ставками.

Что могут делать агенты ИИ сейчас, чего они не могли делать несколько лет назад?

Теперь модели хорошо справляются со структурированными данными. «Когда я только начинал, обычно советовали следующее: если ваш рабочий процесс зависит от запутанной, сложной электронной таблицы Excel, ИИ, скорее всего, не подойдет», — говорит Макс. Сегодня многие из создаваемых им агентов формируют сложные, отформатированные книги Excel.

Агенты также могут работать в фоновом режиме, поддерживая уровень данных, пока люди просто задают вопросы. Макс считает, что это ставит под удар статические панели задач для бизнес-аналитики: «Панели задач представляют собой статические снимки того, что, по чьему-то мнению, вы, возможно, захотите увидеть».

Где применяется Work Graph® от Asana

Все вышеперечисленные методы сводятся к одному: контекст, корпоративные знания… понимание того, кто, что, когда, как и почему делает. Агент переходит от демонстрационного режима к повседневному использованию, когда получает доступ к данным, решениям и информации об ответственных за работу. Именно это и содержится в Asana Work Graph®. StackAI добавляет возможность межсистемного выполнения задач, благодаря чему агенты могут действовать в разных инструментах, используемых компанией. В результате рабочий процесс необязательно должен начинаться в окне чата: назначение задачи в Asana может запустить агента StackAI, который будет выполнять её от начала до конца, а люди будут утверждать и передавать работу по мере её выполнения. «Интеграция возможностей агентов напрямую в корпоративные графы работ открывает совершенно новый уровень операционной деятельности», — говорит Альберто.

Начать работу

Готовы перевести свои рабочие процессы с агентами ИИ из демоверсии в ежедневное использование? Узнайте, как StackAI от Asana помогает предприятиям создавать, тестировать и внедрять агентов в системах, на которых работает их бизнес.

Подробнее

Об экспертах

Альберто Арриги возглавляет отдел сопровождения клиентов в StackAI, которая теперь входит в состав Asana. Его команда стратегов по ИИ и инженеров по развертыванию работает с корпоративными клиентами, чтобы найти наиболее ценные рабочие процессы для агентов и преобразовать их в спецификации и требования для развертывания в производственной среде. Он начал свою карьеру в StackAI в качестве стратега по ИИ. 

Макс Пофф — инженер по внедрению в StackAI, которая теперь входит в состав Asana. Он делит свое время между написанием кода и внедрением агентов у корпоративных клиентов, включая команды по управлению рисками и комплаенсу в банковской сфере и операционные команды в сфере прямых инвестиций, и использует полученные знания для улучшения продукта.

Похожие статьи

Как Asana использовала Astra, Codex и Command для снижения затрат на браузерные агенты
инжиниринг

Как мы сократили затраты на браузерный агент в 76 раз и повысили его скорость в 5 раз, сохранив кэш без изменений