🧠 За пределами LLM: Почему масштабное внедрение ИИ в enterprise зависит от агентной логики

Исследователи IBM представили концепцию «агентной логики» (agent logic) — программных примитивов (графы знаний, алгоритмы, библиотеки анализа кода), которые работают на уровне агентного слоя и направляют LLM в нужное русло, сокращая контекстное пространство. Это позволяет снизить галлюцинации, токен-потребление и затраты при работе со сложными корпоративными сценариями.

В статье разобраны четыре реальных кейса IBM. Например, агент App Insights для mainframe-приложений (до 1M строк кода) использует статический анализ и предварительно индексированную базу данных, что даёт ~30× меньший расход токенов по сравнению с чистым LLM-подходом. Другой пример — библиотека Aster для генерации тестов: на 75+ Java-приложениях IBM она показала +20–45% улучшения покрытия кода и до 15× снижения токен-потребления относительно SOTA кодинг-агентов.

Ключевой вывод: без встроенной логики, направляющей модель, даже самые мощные LLM не справляются с динамическими, долгоживущими и зарегулированными enterprise-процессами. Агентная логика становится тем самым «GPS» для ИИ, обеспечивая доверие и экономическую эффективность.

#AI #Enterprise #AgentLogic #IBM #LLM