Персонализираните AI агенти се нуждаят от мисленето на Mori
Персонализираните AI агенти трябва да стават по-малки, не по-големи. Това е истинският урок от Mori на OKA, домашната робот-лампа описана от Wired: устройство, което реагира, успокоява и взаимодейства в тясно определена роля, вместо да се преструва на универсален асистент. Ако изграждате AI системи за реални екипи, този избор в дизайна не е симпатична подробност. Това е дисциплина.
Повечето време прекарвам във вътрешни процеси, не в демота. Най-бързите AI проекти, които виждам през 2025 г., не са тези с най-дълъг списък от функции. Те са онези, които притежават един тригер, едно решение и едно предаване към следваща стъпка. Mori е важен, защото показва същия инстинкт в потребителски продукт: ограничи задачата, направи поведението разбираемо и спри, преди продуктът да се превърне в каша.
Mori сочи към истинското бъдеще на персонализираните AI агенти
Според репортажа на Wired, Mori е лампа-робот с височина малко под 30 см от One Kind Artifact, водена от Hua Wang, която следи хората с очи, пуска природни звуци, води дихателни упражнения и умишлено не се опитва да бъде заместител на Amazon Echo. Тезата на Wang е пределно ясна: продуктът е за възстановяване на връзката между хората и средата им, а не за да се превърне в универсален слой за команди.
Точно тази сдържаност пропускат повечето бизнес екипи. При разработката на AI агенти инстинктът обикновено е да се добавят още и още възможности: да отговаря на тикети в поддръжката, да обобщава срещи, да обновява полета в CRM, да следи фактури, да насочва одобрения, може би дори да управлява календар. До третия спринт вече никой не може да обясни какво всъщност притежава агентът.
Една лампа-робот е по-добър продуктов урок от чатбот демо, защото границите се виждат. Разбирате за секунди за какво служи Mori. Разбирате и какво няма да прави. Именно от тази втора част започва доверието.
Миналия месец работих по поток за триаж на заявки в поддръжката, при който първоначалният бриф искаше един асистент да класифицира тикети, да търси в help center, да подготвя отговори, да ескалира бъгове и да създава сигнали за риск от отпадане в CRM. Сведохме го до една задача: да класифицира и насочва входящите заявки с прагове на увереност и резервен човешки процес. Грешните насочвания намаляха след втория цикъл на настройка, приемането се повиши, а екипът най-сетне имаше метрика, която може да защити.
Защо тесният AI побеждава асистентите, натъпкани с функции
Потребителите помнят едно надеждно поведение. Не помнят 14 функции, които може и да проработят.
Затова Mori изглежда последователен, а толкова много AI разговорни агенти звучат хлъзгаво. Mori ви вижда, реагира ви и създава ненатрапчиво взаимодействие. Емоционално е разбираем. Сравнете това с типичния модел на претоварен асистент: гласов слой, закачен към пет системи, слаби права за достъп, непоследователно извличане на информация и точно толкова автономност, че да създава нови режими на провал.
Amazon Echo е полезен контрапункт тук. Един общ асистент може да е удобен и при стандартни задачи тази широта има смисъл. Но широтата създава и дълг от очаквания. В момента, в който системата изглежда обща, потребителите приемат, че разбира контекст, който всъщност няма.
В бизнеса тази разлика бързо става скъпа. AI агент за автоматизация, който понякога отговаря на въпроси по политики, понякога задейства работен поток, а понякога измисля грешен отговор, е по-лош от по-тесен инструмент с по-малка повърхност на риск. Насоките на Anthropic за изграждане на надеждни агенти казват същото, но по-технически: по-простите композиции често печелят пред разрастването на агентите. Моделите в cookbook на OpenAI стигат до сходен извод, ако гледате кои реализации оцеляват в production.
Проблемът на оператора не е IQ-то на модела. Проблемът е разширяването на обхвата.
Къде персонализираните AI агенти наистина носят стойност в бизнеса
Най-добрите бизнес сценарии за персонализирани AI агенти са нарочно скучни. Това е комплимент.
Помислете за триаж в поддръжката, извличане на вътрешно знание, подготовка на оферти, onboarding чеклисти, насочване на изключения при поръчки или последващи действия след срещи, които записват структурирани бележки в правилната система. Това са добри цели, защото границите се виждат, тригерът е ясен, а успехът може да се измери.
Например в един e-commerce процес тесният агент обработваше само едно събитие: поръчки с проблем при доставката плюс имейл от клиента през последните 48 часа. Той извличаше статуса на поръчката, подготвяше отговор по одобрени шаблони и предаваше случая на човек, ако увереността или стойността на акаунта минеха определен праг. Това не е бляскаво. Но точно този тип AI автоматизация на работни потоци остава в екипа, защото спестява реални минути всеки ден.
Задачите, които един персонализиран агент трябва да притежава, обикновено имат четири характеристики:
- повтаряем тригер
- ограничен източник на данни
- приемлив път за ескалация
- измерим резултат
Задачите, които е по-добре да оставите на софтуера, който вече имате, са тези със стабилни правила и без езикова нееднозначност. Ако нормална интеграция или детерминистична автоматизация може да свърши работата, използвайте първо нея. AI интеграциите за бизнеса носят стойност в хаотичната среда по средата: твърде променлива за правила, твърде повтаряема, за да е приятна за хората.
Ако картографирате точно тази среда, една фокусирана страница за реализация като AI Personalized Learning with Integration е добър пример как една агентоподобна система може да остане вързана за тесен резултат, вместо да се превърне в общ асистент.
За по-широк поглед към пазара последното изследване State of AI на McKinsey отново показва същия модел: стойността идва от целенасочено внедряване в работни процеси, а не от разпиляни експерименти.
Защо не всяка система трябва да се превръща в AI асистент
Ето най-силния аргумент от другата страна: copilots с общо предназначение намаляват превключването между интерфейси, дават на екипите едно място, откъдето да поискат помощ, и могат да поемат нови задачи с времето. Това не е грешно. В някои среди, особено когато потребителите са експертни оператори и базовите системи са добре управлявани, един широк асистент може да е ефективен.
Виждал съм това да работи във вътрешни инженерни среди, където хората познават пейзажа от данни, търпят неидеални ръбове и могат веднага да разпознаят лош отговор. Там широк copilot върху документация, тикети и репозитории може да спестява време.
Но повечето екипи не работят при тези условия. В професионалните услуги и e-commerce потребителите се нуждаят повече от предвидимо поведение, отколкото от широки възможности. Всяка нова интеграция добавя още един път за автентикация, още един въпрос за права, още едно място за остарял контекст и още един спор за собствеността. Резултатът често е по-бавно приемане, а не по-бързо внедряване.
Урокът от Mori важи и тук. Очарованието му идва отчасти от това, което отказва да бъде. Същото важи за персонализираните AI агенти в операциите. Ако системата е ограничена, хората научават къде помага, къде спира и кога да я заобиколят. Това се управлява по-лесно, тества се по-лесно и оцелява по-лесно след пилотната фаза.
Как да ограничите обхвата на персонализиран AI агент, без да го презастроите
Когато определям обхвата на един агент, използвам филтър от пет части, преди изобщо някой да започне да обсъжда избор на модел.
Първо: един потребител. Назовете точния оператор. Сътрудник в поддръжката. Акаунт мениджър. Координатор продажби. Не „всички“.
Второ: един тригер. Нов тикет. Нова форма. Неуспешно плащане. Качен договор. Ако тригерът е неясен, реализацията ще се разпълзи.
Трето: един източник на истина за данните. Изберете системата, която е най-важна. Ако ви трябват шест системи още в първия ден, обикновено маскирате проблем в процеса.
Четвърто: една метрика за успех. Спестено време на случай, намаляване на грешките при насочване, по-бърз първи отговор, по-малко ръчни намеси. Ако успехът изисква цял абзац, обхватът е твърде широк.
Пето: един път за ескалация. Решете какво се случва, когато агентът е неуверен, блокиран или извън политиката. AI Risk Management Framework на NIST е полезна и при нерегулирани проекти, защото принуждава екипите да мислят за обработка на грешки, а не само за качеството на изхода.
Ето защо и разработката на AI агенти трябва да започва с дизайн на работния процес, а не с дизайн на prompt. Prompt-овете имат значение, но идват след ясно дефинираната роля. Най-добрите спецификации за агенти, които чета, са по-близо до оперативни процедури, отколкото до списъци с продуктови желания.
Изводът: изграждайте артефакти, не AI кухненски мивки
Пазарът няма нужда от още асистенти, които се преструват на универсални. Има нужда от повече персонализирани AI агенти, които вършат една задача чисто, показват ограниченията си и печелят доверие чрез повторяемост.
Mori е потребителски продукт, не enterprise система. Но дизайнерският му инстинкт е точно правилен за бизнеса: една роля, едно усещане, един измерим резултат. Ако изграждате така, следващият ви агент има шанс да оцелее в контакт с реални потребители.
Започнете с най-малкия полезен артефакт, не с най-големия възможен асистент.
Martin Kuvandzhiev
Co-Founder & CEO, encorp.ai
CEO and Founder of Encorp.io with expertise in AI and business transformation
LinkedIn