Переписки в Slack, ТГ, почте, внутренние документы, договоры, история сделок и комментарии. Всё это становится новым источником данных для ИИ-компаний.

Появляются посредники, которые собирают корпоративные архивы для обучения моделей. Юридические фирмы рассматривают свои базы дел как коммерческий актив, а компании, разрабатывающие роботов, платят людям за запись повседневных действий - от приготовления еды до уборки.

ИИ хотят научить не просто отвечать на вопросы, а выполнять работу. Но большая часть знаний о том, как устроена компания, никогда не попадает в инструкции.

Возьмём обычную сделку. В CRM записаны клиент, сумма, статус и следующий шаг. Но почему менеджер согласовал нестандартную скидку? Что пообещали клиенту месяц назад? Почему похожую сделку с другой компанией закрыли на иных условиях? Ответы могут быть разбросаны по письмам, перепискам и комментариям к документам и такое обычно не дают агентам как базу.

Человек собирает эту картину почти автоматически. Он помнит предыдущие разговоры, знает договорённости внутри команды и понимает, почему в конкретной ситуации решили отступить от правил. ИИ-агенту, который должен вести сделку от начала до конца, тоже нужен этот контекст. Иначе он будет действовать по формальным инструкциям, игнорируя обстоятельства, от которых зависит результат. Здесь важно различать две задачи. Первая - научить модель работать. Вторая - помочь ей разобраться в конкретной компании.

Для обучения нужны примеры реальной работы: документы, кейсы, записи действий. Они помогают моделям осваивать закономерности, которые сложно получить из общедоступных текстов. А во время работы агенту нужна информация о конкретном клиенте, актуальных договорённостях и предыдущих решениях. Недостаточно однажды обучить модель на корпоративном архиве - ей нужен доступ к релевантным данным в момент выполнения задачи.

Но просто подключить CRM, календарь и корпоративный диск тоже недостаточно. В Wiki может лежать регламент двухлетней давности, в CRM - формальный статус сделки, а реальное решение команда приняла вчера в переписке на троих. Все источники доступны, но отражают разное положение дел. Нужно определить, каким из них доверять, как учитывать дату документа, разрешать противоречия и понимать, когда информации не хватает.

Для продуктовых команд это меняет саму задачу проектирования. Раньше мы создавали интерфейсы, в которых человек собирал информацию, сопоставлял факты и выполнял действия. Теперь проектируем системы, которые должны проделывать часть этой работы самостоятельно. Поэтому недостаточно продумать, какие инструменты доступны агенту. Нужно понимать, откуда он получает информацию, как восстанавливает историю событий и на чём основывает решение.

Есть и вопрос безопасности. В переписках могут быть персональные данные, в договорах - условия под NDA. Доступ сотрудника к документу не означает, что его содержимое можно использовать для обучения внешней модели.

Но основная ценность всех этих решений не в том, чтобы собрать весь архив за десять лет. Тут важно находить нужные сведения, отличать актуальные договорённости от устаревших и сохранять связь между решением и его источником.

Возможно, это станет одним из главных конкурентных преимуществ ИИ-продуктов.

Даже сильная универсальная модель не знает историю конкретного бизнеса из коробки: как компания работает с клиентами, какие компромиссы допускает и почему отказалась от решения, которое казалось очевидным. Один агент получает инструкцию и набор инструментов. Другой — ещё и связанную историю задач, событий и решений компании. Это разные исходные условия для выполнения одной и той же работы.

Конкуренция в ИИ будет идти не только за модели и вычислительные мощности, но и за способы превращать разрозненные рабочие данные в актуальный, проверяемый контекст. Нужно проектировать не только интеллект агента, но и его память о работе.