Агенты уже среди нас. Они ставят под сомнение многие устоявшиеся представления, на которых десятилетиями опирались команды разработчиков ПО, включая само понятие "продукта".
В фильме "Интерстеллар" есть эпизод, где герои оказываются на далекой планете, покрытой водой. На горизонте то, что кажется горным хребтом, на самом деле оказывается гигантскими волнами, которые неумолимо нарастают и нависают над ними. С искусственным интеллектом ситуация развивалась похожим образом. Гигантская волна формировалась на горизонте на протяжении многих лет.
Генеративный ИИ и подходы вроде Vibe Coding уже изменили процессы проектирования и разработки. Теперь происходит еще один фундаментальный сдвиг: агентный ИИ.
Вопрос не в том, обрушится ли эта волна — она уже здесь. Вопрос в том, как она преобразит ландшафт, который, как считали, предприятия хорошо знают. С позиции команды по производственному дизайну в DataRobot эти перемены затрагивают не только методы проектирования, но и фундаментальные предположения о том, что такое продукты и как их создавать.
Чем агентный ИИ отличается от генеративного
В отличие от предиктивного или генеративного ИИ, агенты обладают автономностью. Они самостоятельно принимают решения, совершают действия и адаптируются к новой информации без постоянных указаний от человека. Эта автономия дает огромную силу, но она конфликтует с детерминированной инфраструктурой, на которую полагаются большинство предприятий.
Детерминированные системы предполагают, что одинаковый ввод всегда приводит к одинаковому выводу. Агенты же вероятностны: один и тот же ввод может запустить разные траектории, решения или результаты. Это несоответствие порождает новые вызовы в области управления, мониторинга и доверия.
Это не просто абстрактные проблемы; они уже проявляются в корпоративных средах.
Чтобы помочь предприятиям безопасно и в масштабе запускать агентные системы, DataRobot совместно с NVIDIA разработала платформу Agent Workforce, опираясь на их дизайн AI Factory. Параллельно были созданы бизнес-агенты, интегрированные непосредственно в среды SAP.
Эти инициативы позволяют организациям внедрять агентов надежно, в больших объемах и в рамках существующих систем.
Переход от экспериментов к производству
Предприятия по-прежнему сталкиваются с разрывом между пробами и реальным эффектом. Недавнее исследование MIT показало, что 95% пилотных проектов по генеративному ИИ не дают измеримых результатов — они часто застревают при попытке масштабирования за пределы концептов.
Переход от экспериментов к производству требует значительной технической сложности. Вместо того чтобы ожидать, что клиенты все построят с нуля, DataRobot изменила стратегию.
Если использовать кулинарную аналогию: вместо предоставления клиентам набора сырых ингредиентов вроде компонентов и фреймворков компания теперь предлагает готовые наборы для приготовления: шаблоны агентов и приложений с подготовленными элементами и проверенными рецептами, которые работают сразу.
Эти шаблоны фиксируют лучшие практики для типичных корпоративных сценариев. Специалисты могут их клонировать, затем заменять или расширять компоненты с помощью платформы или любимых инструментов через API.
Результат: готовые дашборды и приложения для производства за дни, а не месяцы.
Платформа Agent Workforce: шаблоны для конкретных сценариев, инфраструктура ИИ и интеграции с фронтендом.
Изменения в использовании платформы специалистами
Этот подход также меняет взаимодействие ИИ-специалистов с платформой. Один из главных барьеров — создание фронтенд-интерфейсов, которые используют агентов и модели: приложения для прогнозирования спроса, генерации контента, извлечения знаний или анализа данных.
Крупные предприятия с выделенными командами разработчиков справляются с этим. Но меньшие организации часто зависят от IT-команд или ИИ-экспертов, для которых разработка приложений не является основной компетенцией.
Чтобы преодолеть этот разрыв, DataRobot предлагает настраиваемые референсные приложения как отправные точки. Они эффективны, если сценарий близок к стандартному, но их сложно адаптировать под сложные или уникальные нужды.
Специалисты иногда прибегают к открытым фреймворкам вроде Streamlit, но те часто не соответствуют корпоративным требованиям по масштабу, безопасности и пользовательскому опыту.
Для решения этой задачи DataRobot изучает подходы на основе агентов, такие как дашборды для цепочек поставок, где агенты генерируют динамические приложения. Эти дашборды включают богатые визуализации и продвинутые элементы интерфейса, адаптированные под нужды клиентов, с поддержкой от платформы Agent Workforce на бэкенде.
Итог: не только ускорение создания, но и возможность для специалистов без глубоких навыков разработки создавать интерфейсы, соответствующие корпоративным стандартам по масштабу, безопасности и удобству.
Дашборды, управляемые агентами, делают дизайн корпоративного уровня доступным для любой команды.
Баланс между контролем и автоматизацией
Агентный ИИ порождает парадокс, знакомый по эпохе AutoML. Когда автоматизация берет на себя "интересные" аспекты работы, специалисты чувствуют себя отстраненными. Когда же она решает скучные задачи, это высвобождает огромную ценность.
DataRobot уже сталкивалась с этим напряжением. В эпоху AutoML автоматизация выбора алгоритмов и инженерии признаков демократизировала доступ, но опытные специалисты ощущали потерю контроля.
Урок: автоматизация преуспевает, когда ускоряет экспертизу, избавляя от рутины, но сохраняет контроль специалистов над бизнес-логикой и дизайном workflow.
Этот опыт повлиял на подход к агентному ИИ: автоматизация должна усиливать экспертизу, а не замещать ее.
Контроль на практике
Сдвиг к автономным системам ставит базовый вопрос: сколько контроля передать агентам, а сколько оставить пользователям? На уровне продукта это проявляется в двух слоях:
- Инфраструктура, которую используют специалисты для создания и управления workflow.
- Фронтенд-приложения, через которые люди взаимодействуют с ними.
Все чаще клиенты строят оба слоя параллельно, настраивая каркас платформы, пока генеративные агенты собирают приложения на базе React сверху.
Разные ожидания пользователей
Это напряжение проявляется по-разному для каждой группы:
- Разработчики приложений привыкли к абстрактным слоям, но ожидают возможности отладки и расширения при необходимости.
- Специалисты по данным требуют прозрачности и возможности вмешательства.
- Корпоративные IT-команды хотят безопасность, масштабируемость и интеграцию с существующей инфраструктурой.
- Бизнес-пользователи просто желают результатов.
Теперь появился новый тип пользователей: сами агенты.
Они выступают как соавторы в API и workflow, что заставляет переосмыслить обратную связь, обработку ошибок и коммуникацию. Проектирование для всех четырех типов (разработчики, специалисты по данным, бизнес-пользователи и агенты) требует, чтобы стандарты управления и UX обслуживали как людей, так и машины.
Реальность и риски
Это не прототипы; это производственные приложения, уже обслуживающие корпоративных клиентов. Специалисты, не являющиеся экспертами в разработке приложений, теперь могут создавать клиентские программы, управляющие сложными workflow, визуализациями и бизнес-логикой.
Агенты берут на себя React-компоненты,布局 и адаптивный дизайн, в то время как специалисты сосредотачиваются на доменной логике и пользовательских workflow.
Та же тенденция наблюдается в организациях. Полевые команды и другие не-дизайнеры строят демо и прототипы с инструментами вроде V0, а дизайнеры начинают вносить вклад в производственный код. Эта демократизация расширяет круг создателей, но также создает новые вызовы.
Теперь, когда любой может выпускать производственное ПО, предприятиям нужны новые механизмы для защиты качества, масштаба, пользовательского опыта, бренда и доступности. Традиционные проверки на контрольных точках не поспевают; системы качества сами должны масштабироваться под новый темп разработки.
Пример приложения, построенного полевой командой, с использованием документации системы дизайна, осведомленной об агентах, в DataRobot.
Проектирование систем, а не только продуктов
Агентный ИИ меняет не только способы создания продуктов; он меняет само понятие "продукта". Вместо статичных инструментов для общих сценариев предприятия теперь могут строить адаптивные системы, генерирующие конкретные решения для конкретных контекстов по требованию.
Это меняет роль команд по продуктам и дизайну. Вместо поставки отдельных продуктов они проектируют системы, ограничения и стандарты дизайна, которые агенты используют для генерации опытов.
Чтобы сохранять качество в масштабе, предприятия должны предотвращать накопление "долга" в дизайне по мере того, как больше команд и агентов генерируют приложения.
В DataRobot система дизайна преобразована в машинно-читаемые артефакты, включая руководства Figma, спецификации компонентов и принципы взаимодействия, выраженные в markdown.
Закодировав стандарты дизайна на ранних этапах, агенты могут генерировать интерфейсы, остающиеся последовательными, доступными и соответствующими бренду, с меньшим количеством ручных проверок, замедляющих инновации.
Преобразование файлов дизайна в артефакты, осведомленные об агентах, гарантирует, что каждое сгенерированное приложение соответствует корпоративным стандартам качества и последовательности бренда.
Проектирование для агентов как для пользователей
Еще один сдвиг: агенты сами становятся пользователями. Они взаимодействуют с платформами, API и workflow, иногда более напрямую, чем люди. Это меняет подходы к обратной связи, обработке ошибок и совместной работе. Платформы, готовые к будущему, оптимизируют не только человек-компьютер взаимодействие, но и сотрудничество человек-агент.
Уроки для лидеров дизайна
По мере стирания границ одна истина остается: сложные проблемы остаются сложными. Агентный ИИ не устраняет эти вызовы — он делает их более актуальными. И повышает ставки для качества дизайна. Когда любой может запустить приложение, пользовательский опыт, качество, управление и соответствие бренду становятся настоящими отличиями.
Неизменные сложные проблемы
- Понимание контекста: Какие реальные неудовлетворенные нужды решаются?
- Проектирование с учетом ограничений: Будет ли это работать с существующими архитектурами?
- Связь технологий с ценностью: Решает ли это проблемы, важные для бизнеса?
Принципы для навигации в сдвиге
- Строить системы, а не только продукты: Сосредоточиться на основах, ограничениях и контекстах, позволяющих хорошим опытам возникать.
Применять суждение: Использовать ИИ для скорости и исполнения, но полагаться на человеческую экспертизу и мастерство для решений о правильном.
Стирание границ триады продуктов.
Оседлать волну
Как в "Интерстеллар", то, что казалось далекими горами, на деле оказались огромными волнами. Агентный ИИ больше не на горизонте — он здесь. Предприятия, научившиеся его использовать, не просто оседлают волну. Они сформируют то, что последует за ней.