Цифры, а не обещания: когда AI-агенты действительно работают
Новостей про ИИ — море. Каждый день появляются «революционные» решения, которые «изменят всё». Большинство из них так и остаются красивыми презентациями. Но иногда попадаются реальные истории с конкретными цифрами. Вот одна из них.
Telus (канадский телекоммуникационный гигант) и Suzano (крупнейший в мире производитель целлюлозы) внедрили AI-агентов Google Cloud и получили цифры, которые заставляют задуматься: 40 минут экономии на одной задаче, 95% сокращение времени на SQL-запросы. Это не прогнозы на 2026 год из наших трендов AI-агентов, а отчёт за вчерашний день.
Ключевая разница: эти агенты не «умные помощники», которых нужно всё время направлять. Они выполняют многошаговые задачи автономно. Запросили? Получили результат. Без промежуточных «а как это сделать?».
Кейс Telus: 40 минут вместо чашки кофе
У Telus была рутинная, но критически важная задача: анализ отключений услуг у клиентов. Когда у абонента пропадает связь, нужно быстро понять — проблема локальная (только у него) или массовая (затрагивает целый район).
До внедрения агента процесс выглядел так:
- Инженер получает тикет о проблеме.
- Вручную логинится в несколько систем мониторинга.
- Собирает данные из разных источников: логи сетевого оборудования, CRM, геолокационные данные.
- Анализирует, сопоставляет, пытается найти закономерности.
- Формулирует вывод и принимает решение: отправлять техника на дом или искать проблему на стороне сети.
Среднее время — около 45-50 минут. Инженер занят полностью. Ошибки из-за человеческого фактора — неизбежны.
1 Что сделал AI-агент
Google Cloud построил агента, который умеет:
- Автоматически подключаться ко всем нужным системам (через безопасные API)
- Понимать естественный язык запроса («Проверь, есть ли массовые отключения в районе X за последний час»)
- Самостоятельно строить и выполнять сложные SQL-запросы к BigQuery (о них подробнее ниже)
- Агрегировать данные из разных источников в единый отчёт
- Предлагать варианты решений с оценкой вероятности
Теперь процесс занимает 5-7 минут. Из которых 4 минуты — это время выполнения запросов к базам данных. Инженер только ставит задачу и получает готовый анализ. Те самые 40 минут экономии.
Важный момент: агент не заменяет инженера. Он освобождает его время для действительно сложных задач, которые требуют человеческого опыта и креативности. Это идеально ложится в выводы исследования Google об ИИ на работе — речь не об экономии, а о раскрытии потенциала.
Кейс Suzano: когда SQL пишется сам
Suzano — компания с гигантским количеством данных: от спутникового мониторинга лесов до датчиков на производственных линиях. Аналитикам постоянно нужны выборки, отчёты, дашборды. И каждый раз — написание SQL.
Проблема знакома любой компании с большими данными:
- Аналитик тратит 30-60 минут на формулировку запроса
- Написанный SQL нужно тестировать, проверять на ошибки
- Часто получается не с первого раза — не учтён джоин, неправильная агрегация
- Когда схема данных меняется, старые запросы ломаются
Suzano внедрила AI-агента, который генерирует SQL из текстовых запросов. Не просто «напиши SELECT * FROM table», а полноценные аналитические запросы.
2 Как работает SQL-агент
Агент обучен на структуре данных компании. Он знает:
| Что знает агент | Как это помогает |
|---|---|
| Схемы всех таблиц в BigQuery | Понимает, какие поля в каких таблицах находятся |
| Типы данных и связи между таблицами | Правильно строит JOIN'ы и WHERE-условия |
| Бизнес-терминологию компании | Переводит «выручка за квартал» в конкретные SQL-конструкции |
| Историю предыдущих запросов | Учится на ошибках и улучшает качество генерации |
Аналитик пишет: «Покажи динамику производства целлюлозы по месяцам за последний год, с разбивкой по фабрикам, исключая плановые остановки».
Агент:
- Определяет, какие таблицы нужны (production_facts, factories, maintenance_calendar)
- Строит правильные связи между ними
- Добавляет фильтр по дате и условие исключения плановых остановок
- Генерирует SQL с агрегацией по месяцам и фабрикам
- Предлагает вариант визуализации (график или таблица)
Результат: сокращение времени на подготовку SQL-запросов на 95%. Если раньше аналитик тратил час на написание и проверку запроса, теперь — 3 минуты. И это не теоретический расчёт, а реальная метрика Suzano.
Техническая кухня: как устроены эти агенты
Google не раскрывает всех деталей, но по публичным данным можно собрать картину. Эти агенты — не один большой LLM, а система специализированных компонентов.
Архитектура агента Telus
# Примерная архитектура (упрощённо)
class IncidentAnalysisAgent:
def __init__(self):
self.llm = GeminiPro() # Модель для понимания запроса
self.sql_agent = SQLGenerator() # Агент для генерации SQL
self.data_fetcher = APIIntegrator() # Работа с внешними API
self.report_builder = ReportGenerator() # Формирование отчёта
def analyze_outage(self, user_query: str) -> Report:
# 1. Парсинг запроса
intent = self.llm.parse_intent(user_query)
# 2. Генерация SQL для внутренних данных
sql_queries = self.sql_agent.generate(intent)
# 3. Сбор данных из внешних систем
external_data = self.data_fetcher.fetch_apis(intent)
# 4. Анализ и выводы
analysis = self.llm.analyze_data(sql_results, external_data)
# 5. Формирование отчёта
return self.report_builder.build(analysis)Ключевой момент — использование суб-агентов. Каждый отвечает за свою область: один генерирует SQL, другой работает с API, третий формирует отчёт. Это тот подход, который мы обсуждали в статье про суб-агентов в AI-разработке.
Почему это работает лучше, чем один LLM
- Специализация: SQL-агент обучен только на SQL, он не отвлекается на «общие знания»
- Безопасность: Каждый агент имеет строго ограниченные права доступа
- Надёжность: Если один компонент падает, остальные продолжают работать
- Обучение: Проще дообучить один специализированный агент, чем переобучать всю систему
Ошибки, которые гарантированно совершат (и как их избежать)
Глядя на успешные кейсы, кажется, что всё просто. Не верьте. Вот что идёт не так в 80% случаев внедрения AI-агентов.
| Ошибка | Последствия | Как избежать |
|---|---|---|
| Пытаться сделать «универсального агента на всё» | Получается «мастер на все руки, профи в ничём». Качество низкое по всем направлениям. | Начинать с одной конкретной задачи. Как у Telus — только анализ отключений. |
| Не готовить данные | Агент генерирует красивый, но неверный SQL, потому что не понимает схему данных. | Потратить 80% времени на описание схем, связей, бизнес-правил. Как сделала Suzano. |
| Игнорировать безопасность | Агент получает доступ ко всем данным компании. Риск утечек и атак. | Строить архитектуру с минимальными правами. Каждый агент — только к своим данным. |
| Ждать идеальных результатов с первого дня | Разочарование, отказ от проекта. «ИИ не работает». | Настраивать человеческий контроль на первых этапах. Агент предлагает, человек проверяет и корректирует. |
Что дальше? Не только экономия времени
40 минут экономии — это круто. Но это только начало. Посмотрите, куда движется эта технология:
Автономные команды агентов
Следующий шаг — не отдельные агенты, а их скоординированные группы. Представьте:
- Агент-аналитик обнаруживает аномалию в данных
- Агент-диагност ищет причину
- Агент-планировщик предлагает решения
- Агент-исполнитель запускает корректирующие действия
Всё без участия человека. Такие системы уже тестируются — например, в мультиагентных архитектурах.
Агенты для аджайл-команд
Представьте спринт-планирование, где AI-агент:
- Анализирует бэклог задач
- Оценивает сложность каждой (на основе истории похожих задач)
- Распределяет задачи между разработчиками с учётом их компетенций и загрузки
- Прогнозирует риски срыва сроков
Это не фантастика. Такие инструменты уже появляются — достаточно посмотреть на Kaggle по AI-агентам от Google и NVIDIA.
Стоит ли начинать сейчас?
Да. Но с умом.
Не пытайтесь построить «ИИ-сотрудника» за месяц. Начните с малого:
3 Практический план на 30 дней
- Неделя 1: Найдите одну рутинную задачу, которая отнимает 30+ минут в день. Лучше всего — работу с данными (отчёты, выборки, анализ).
- Неделя 2: Опишите эту задачу максимально подробно. Какие данные нужны? Какие системы задействованы? Каков идеальный результат?
- Неделя 3: Протестируйте готовые инструменты. Google Cloud AI Agents, возможно, другие платформы. Не пишите код пока.
- Неделя 4: Соберите прототип. Не идеальный, а работающий. Даже если он решает только 70% задачи.
Самая большая ошибка — ждать, пока технология «созреет». Она уже работает. Просто посмотрите на цифры Telus и Suzano.
И последнее: не гонитесь за модными моделями. Telus и Suzano использовали не самые новые LLM. Они сосредоточились на интеграции, данных и конкретных задачах. Технология — инструмент. Результат — в правильном применении.
Через год те, кто начал сегодня, будут иметь работающие системы. Остальные — всё ещё читать новости про «революционный потенциал ИИ». Выбор за вами.
