Уровни AI-зрелости предприятия

Продолжаем цикл публикаций про видение архитектуры Agentic Enterprise от Salesforce.

Если в прошлой публикации мы смотрели на то, какие уровни архитектуры уже сформированы и будут формироваться, то в этой статье расскажем об уровнях AI-зрелости архитектуры предприятия.

Забегая вперёд, пока объективная реальность, которую мы видим в проектах, далека от какой-либо зрелости. Однако, многие моменты уже сейчас формируются на наших глазах и с нашим участием, а в некоторых компаниях мы видим элементы второго и даже третьего уровней.

Итак, рассматривается четыре уровня AI-зрелости:

• Уровень зрелости 1: Агенты поиска информации
• Уровень зрелости 2: Простая оркестрация, агенты единого домена
• Уровень зрелости 3: Агенты многодоменной оркестрации
• Уровень зрелости 4: Мультиагентская многодоменная оркестрация

Модель Agentic Enterprise: уровни зрелости.

Уровень зрелости 1: Агенты поиска информации

Бизнес-цель: Рост производительности сотрудников через поиск информации в Enterprise Knowledge. Ключевая задача — не замена человека, а рост его возможностей. Агенты помогают, извлекая информацию и рекомендуя действия.

Архитектурный фокус: Основное внимание — безопасная и надежная базы данных и базовых компонентов искусственного интеллекта.

Технологические приоритеты:

• Развитие слоя данных (включая VectorDB) для поддержки RAG-подхода.
• Внедрение централизованного AI-слоя с модельным шлюзом для контролируемого доступа к LLM.
• Создание контура Trust, Safety & Governance для мониторинга качества и соответствия.
• Формирование семантического слоя с управлением данными и бизнес-глоссариями.
• Развитие среды выполнения и жизненного цикла агентов для масштабирования.
• Обеспечение прозрачности через интерфейсы с указанием источников и атрибуцией.
• Закладка базовых механизмов безопасности (включая Zero Trust) и наблюдаемости.

Уровень зрелости 2: Простая оркестрация, агенты единого домена

Бизнес-цель: автоматизация рутинных задач, организация простых бизнес-правил в одном бизнес-домене
Архитектурный фокус: переход от извлечения данных к выполнению действий. Требуется модульность приложений (API), контроль действий агентов и развитие семантических и AI-функций.
Технологические приоритеты

• Декомпозиция бизнес-логики в API для использования агентами.
• Внедрение механизмов контроля действий (guardrails) и интеграция с наблюдаемостью.
• Развитие инструментов оркестрации: reasoning, протоколы (например, MCP), реестры.
• Создание специализированной системы безопасности и мониторинга агентов.
• Расширение ML/AI-возможностей для доменно-специфичных задач.

Уровень зрелости 3: Агенты многодоменной оркестрации

Бизнес-цель: Автоматизация сложных комплексных бизнес-процессов, охватывающих организационные и функциональные границы (например, «соответствие заказанного и полученного»). Ценность — оптимизация всего кросс-доменного бизнес-процесса. Роль человека смещается в сторону контроля AI.
Архитектурный фокус: единая семантика в кросс-доменах, межсекторальные интеграции, единая оркестрация.
Технологические приоритеты

• Корпоративная оркестрация с гибридным исполнением бизнес-правил и управлением процессами.
• Междоменная координация требует зрелого семантического слоя и Enterprise Knowledge Graph (EKG).
• Интеграция развивается через событийную архитектуру для асинхронного взаимодействия.
• Усиливаются требования к безопасности и мониторингу (AIOps, policy-as-code).
• Развивается прикладной слой: AI-ориентированные LCNC и мультимодальные интерфейсы для работы с агентами.

Уровень зрелости 4: Мультиагентская многодоменная оркестрация

Бизнес-цель: изменение бизнес-операций в доменах с учетом их взаимодействия нового типа. Переход к созданию целостного цифрового симулятора предприятия. Самоотимизация.
Архитектурный фокус: динамическое взаимодействие между агентами, самообучение, зрелость оркестрации, самовосстанавливающаяся инфраструктура поддержки
Технологические приоритеты

• Создание самосовершенствующихся автономных систем
• В агентском слое внедряются механизмы самоанализа и адаптации на основе данных о производительности
• Реализуется замкнутый цикл обучения: данные наблюдаемости поступают в MLOps для переобучения моделей (включая синтетические данные).
• Развиваются безопасность и каталог возможностей для динамического комбинирования функций агентами.
• Используются цифровые двойники процессов для моделирования, анализа «что-если» и безопасной оптимизации решений.