Агенты генеративного искусственного интеллекта (GenAI) начнут приносить прорывную ценность, но только тогда, когда компании поймут, как создавать и оркестрировать сотни таких агентов, пишут в корпоративном блоге топ-менеджеры McKinsey Аарон Боуком, Мэтт Фицпатрик, Чи Вай Чунг, Дэн Коллинз и Данте Габриэлли.

Практически у каждой крупной организации есть огромный якорь, замедляющий развитие бизнеса: технический долг, связанный с унаследованными ИТ-системами. Зачастую созданные десятилетия назад, эти крупные системы составляют техническую основу компаний и функций практически во всех отраслях. До 70% ПО, используемого компаниями из списка Fortune 500, было разработано 20 и более лет назад.

Модернизация этих устаревших систем и погашение технического долга традиционно считались «ИТ-проблемой», и руководители компаний довольствовались тем, что откладывали решение этой проблемы на потом. Причины знакомы: это слишком дорого (часто сотни миллионов долларов), это занимает слишком много времени (от пяти до семи лет), это слишком разрушительно, отдача от инвестиций неясна, а текущие системы в основном работают.

Но по мере того как технологии проникают в каждый уголок бизнеса и становятся центральным элементом способности компании генерировать ценность, модернизация ИТ-систем должна стать одним из приоритетов CEO. Возможности и риски, возникающие в результате развития технологий — от GenAI до облачных вычислений и робототехники, — требуют современной технологической базы. Фактически, технологии обеспечивают около 71% ценности, получаемой в результате трансформации бизнеса. Тот факт, что программисты, создавшие и поддерживающие эти устаревшие корпоративные системы, достигают пенсионного возраста, еще больше подчеркивает необходимость модернизации.

Новые разработки в области ИИ, особенно GenAI, радикально меняют соотношение затрат и выгод от модернизации унаследованных технологий и сокращения технического долга в рамках более широкого комплекса изменений в работе ИТ. Рассмотрим систему обработки транзакций одного из ведущих финансовых учреждений, модернизация которой три года назад обошлась бы в сумму, превышающую 100 млн. долл., а сегодня при использовании GenAI она обойдется менее чем в половину этой суммы. Благодаря такому сдвигу многие мероприятия по модернизации, которые раньше были слишком дорогими или требовали много времени, вдруг становятся жизнеспособными. А благодаря возможности измерять и отслеживать прямые издержки технического долга и их влияние на финансовые результаты (во многих случаях до 40-50% от общих инвестиционных расходов) компании могут отслеживать ценность, которую они генерируют.

Хотя это еще только начало, наш опыт показывает, что использование GenAI может устранить значительную часть ручной работы, что приводит к уменьшению сроков технической модернизации на 40-50% и сокращению расходов на технический долг на 40%, а также к повышению качества результатов. Однако эта ценность в меньшей степени связана с самой технологией, а в большей — с тем, как она используется, причем особое внимание уделяется следующему:

  • Улучшение бизнес-результатов. Преобразование старого кода в код на современных языках просто переносит ваш технический долг из устаревшей системы в современную. Чтобы избежать этой проблемы, необходимо использовать GenAI для принятия более эффективных бизнес-решений и модернизации того, что важно.
  • Создание автономных GenAI-агентов. Создание и обучение армии GenAI-агентов, способных работать самостоятельно и совместно с человеком над целым рядом сквозных процессов, позволяет добиться значительных успехов в модернизации ИТ.
  • Фокусировка на масштабировании ценности. Ценность мультиагентной модели заключается в ее индустриализации, чтобы она могла масштабироваться и применяться в различных областях бизнеса, а также постоянно погашать технический долг.

GenAI-агенты могут улучшать как код, так и бизнес-результаты

По своей сути технологическая модернизация подразумевает преобразование существующих приложений для использования преимуществ современных технологий, фреймворков и архитектур. Этот процесс может включать в себя переход на более простые в использовании языки программирования, переход на современные фреймворки, обеспечивающие более широкую функциональность, реструктуризацию систем для создания модульности или даже модификацию и перенос приложений для работы в более дешевых облачных средах. Использование возможностей GenAI для проведения подобных изменений, повышения рентабельности облачных программ и погашения технического долга требует концентрации на трех вышеупомянутых областях.

Компании, как правило, тупо используют GenAI, например, подавая унаследованный код непосредственно в инструмент GenAI, который переводит его на современный язык. Однако такой подход, по сути, переносит ваш технический долги в современный контекст. Эта ловушка похожа на ту, в которую попали многие компании в первые дни развития облачных вычислений, когда основное внимание уделялось «lift and shift», то есть переносу без модификации существующих приложений в облако, где старые проблемы оставались нерешенными.

Целью модернизации унаследованных технологий не должно быть преобразование как можно большего количества строк кода. Она должна заключаться в улучшении систем и процессов, чтобы бизнес мог генерировать бóльшую ценность. Это означает использование GenAI для понимания уже имеющегося кода, определения того, что необходимо для создания бизнес-ценности, а затем модернизации процессов, необходимых для достижения этого результата.

При правильном применении GenAI способен за считанные минуты перевести зачастую неподъемные элементы наследия — документацию, код, данные о наблюдаемости, журналы вызовов, подходы к программированию и т. д. — в простые описания процессов на естественном языке. Инженеры одной компании, предоставляющей финансовые услуги, опросили ряд экспертов, чтобы дополнить имеющуюся ограниченную документацию, и передали стенограммы в модель GenAI, чтобы обеспечить ее более точными рекомендациями. Такой подход не только помогает инженерам понять, что делают системы, но и позволяет бизнес-экспертам определить, что действительно необходимо. Таким образом, бизнес-эксперты и инженеры могут работать вместе, чтобы определить, что им нужно, что следует обновить, а от чего можно отказаться.

Создание автономных GenAI-агентов

Использование GenAI-агентов для помощи в кодировании может позволить некоторым разработчикам повысить производительность труда. Наш опыт показывает, что следующий горизонт такого ускорения позволит сотням GenAI-агентов работать независимо от человеческого надзора, особенно по мере масштабирования модели.

Суть этого автономно-агентного подхода заключается в развертывании множества специализированных GenAI-агентов, каждый из которых обладает определенными ролями и экспертизой и сотрудничает в решении сложных задач. Среди задач, которые они могут выполнять, — анализ данных, оркестрация сложных интеграций, разработка и выполнение тестовых примеров, а также уточнение результатов на основе обратной связи от людей в режиме реального времени.

Однако реальную ценность представляет оркестровка агентами выполнения не только задач, но и целых процессов разработки ПО. Например, агенты отображения и хранения данных выполняют анализ данных, анализ соответствия требованиям, контроль качества, а также создают соответствующую документацию. Эти агенты работают с агентами проектирования безопасности, которые занимаются анализом угроз, политикой информационной безопасности, дизайном безопасности, а также с агентами контроля качества для разработки безопасного, надежного и эффективного кода.

Для того чтобы GenAI-агенты добивались нужных результатов, важно внедрить целый ряд элементов управления. Например, конструктивные петли обратной связи позволяют агентам проверять и совершенствовать работу друг друга. Агенты GenAI также могут быть запрограммированы на самообучение решению проблем или на передачу их менеджеру, если они не могут их решить. Некоторые агенты GenAI могут даже задавать прямые вопросы менеджеру. Присвоение идентификаторов каждому агенту GenAI позволяет менеджерам быстро определять источник проблемы и принимать меры к ее решению. Аналогичным образом организации могут разрабатывать специализированные агенты для автоматической проверки и исправления результатов работы других агентов на основе выявленных проблем с этикой и предвзятостью.

Люди по-прежнему будут играть важную роль в руководстве и управлении агентами GenAI. Такие специалисты, как владельцы продуктов, инженеры и архитекторы, должны будут понять замысел унаследованных систем, выяснить, какие процессы важны для бизнеса, а также разработать и установить цели и целевые состояния.

Сила подхода, основанного на использовании оркестрованных агентов GenAI, стала реальностью в одной банковской компании, которая в течение многих лет безуспешно пыталась модернизировать свой мэйнфрейм. После развертывания большого набора агентов GenAI банк смог перенести и улучшить ряд компонентов мэйнфрейма в рамках перехода на целевую среду, включающую Java, Angular UI и PostgreSQL. Компания рассчитывала, что на завершение миграции, предполагающей модернизацию 20 тыс. строк кода, потребуется от 700 до 800 часов. Благодаря оркестрованному GenAI-подходу эта оценка сократилась на 40%. Например, на этап создания карты отношений потребовалось не 30-40 часов, а всего 5 часов.

В другом кейсе компания, входящая в число 15 крупнейших мировых страховщиков, использовала этот подход для модернизации унаследованных приложений и сервисов. Первым шагом стало обратное проектирование кода для лучшего понимания технических спецификаций, а затем использование агентов GenAI для генерации кода, а также автоматизации процессов обнаружения и конверсии. В результате эффективность модернизации кода и тестирования повысилась более чем на 50%, а задачи по кодированию ускорились более чем на 50%.

Фокус на масштабировании ценности

Ажиотаж вокруг GenAI привел к тому, что компании стали уделять значительное время оценке и выбору инструментов. Это важно, но меркнет по сравнению с решением более важной задачи: как масштабировать GenAI. Как недавно сказал один CIO, «мне не нужен один инструмент для решения одной проблемы; мне нужна возможность решить сотни проблем».

Техническое руководство должно сосредоточиться на раскрытии потенциала центрального, автономного GenAI, способного создавать сложные многоагентные сквозные рабочие процессы. Существует два основных аспекта такой возможности:

  • Фабрика. Это группа людей, которые разрабатывают и управляют несколькими агентами GenAI, служащими для выполнения определенного сквозного процесса. Цель фабрики — стандартизировать и упростить различные процессы, связанные с разработкой, развертыванием и управлением агентами GenAI. Фабрика разрабатывает стандартизированный набор инструментов и подходов для создания и управления агентами, таких как мониторинг, отслеживаемость, управление документацией и доступ к большим языковым моделям. На ранних стадиях пути к зрелости организации следует рассмотреть возможность создания пяти-десяти фабрик агентов.
  • Платформа. Это стандартизированный набор многократно используемых сервисов и возможностей, к которым могут обращаться фабрики. GenAI-платформа должна включать в себя пользовательский интерфейс, API, соединяющие сервисы GenAI с корпоративными сервисами (такими как Jira или ServiceNow), ряд вспомогательных сервисов (например, сервис импорта данных или сервис оркестровки агентов), а также библиотеку агентов GenAI, которые можно загружать для выполнения определенных задач. В идеале компаниям следует создать одну или две фабрики GenAI, чтобы точно определить, какие сервисы и возможности они используют в целом, а затем стандартизировать эти элементы и предложить их через платформу. Специальная команда экспертов должна следить за развитием и управлением этой платформы, а также тщательно отслеживать ее использование в соответствии с определенными KPI, такими как использование услуг или функций.

Следующие шаги

Компаниям, желающим перейти к модели мультиагентной оркестровки, следует предпринять четыре шага:

  • Пересмотрите свое отношение к любому технологическому предложению, которое имеет длительные сроки и требует привлечения большого количества людей. Многие крупномасштабные ИТ-проекты традиционно требуют многолетней работы большого количества людей, чтобы обеспечить ценность. К любым предложениям, которые следуют этой модели, следует относиться скептически. Это означает, что необходимо проанализировать все предложения и инициативы, находящиеся в процессе реализации, чтобы определить, как GenAI может снизить затраты и сократить сроки. Особенно тщательно изучайте программы и предложения, в которых якобы используются возможности GenAI. Возможно, они ограничены или являются вспомогательными, а значит, не способны принести большую пользу.
  • Сосредоточьте GenAI на ваших самых серьезных проблемах. Мелкомасштабные инициативы приводят к мелкомасштабным результатам. GenAI способен радикально изменить соотношение затрат и выгод от модернизации систем и сокращения технического долга. Определите самые крупные и сложные технические проблемы — те, которые стоят сотни миллионов долларов, имеют многолетние сроки и ответственны за большие транши технического долга, — и сосредоточьтесь на разработке решений на основе GenAI для них. Частью этих усилий должен стать пересмотр предыдущих планов технической модернизации, которые оказались слишком дорогими или трудоемкими.
  • Четко увяжите бизнес-план с ценностью и активно отслеживайте его выполнение. Хотя у многих компаний есть бизнес-планы, они часто бывают поверхностными или ограниченными по охвату (например, сфокусированными только на технологии, а не на операционной модели). Сильный план дает детальное представление о том, что поставлено на карту, о приросте ценности, который необходимо получить на этом пути (с учетом регулярных затрат, таких как текущие и будущие расходы на эксплуатацию инфраструктуры, и единовременных затрат, например на модернизацию кода), о мероприятиях, необходимых для его получения, и о сроках, которые определяют точку безубыточности. Более важным, чем разработка плана, является его пересмотр и обеспечение того, что усилия по модернизации действительно приносят желаемую выгоду. Без такой дисциплины сильные планы могут постепенно потерять свою направленность и ограничиться доставкой кода, а не ценности.
  • Действуйте на опережение проблем, связанных с кадрами, технологиями и операционной моделью. Масштабируя мультиагентный подход компаниям необходимо понимать и планировать последствия для бизнеса. К ним относятся переосмысление стратегии привлечения талантов и программ переквалификации, адаптация операционной модели, изменение операционных и капитальных расходов, а также другие приоритеты. Это вопросы уровня CEO и совета директоров, требующие тщательного планирования.

Компании еще только приступают к эффективному применению GenAI для модернизации унаследованных технологий и сокращения технического долга. Сосредоточение внимания на том, как оркестрировать агентов GenAI для реализации значимых для бизнеса возможностей технологий, — это единственный способ, с помощью которого компании смогут сократить технический долг и позволить своим технологическим активам стать источником инноваций и ценности.