Building Effective Enterprise Agents – брифинг группы BCG AI Platforms
Быстрая навигация
Теги
Поделиться слайдами
Building Effective Enterprise Agents – брифинг группы BCG AI Platforms
Подробный просмотр каждой страницы слайда, включая макет, ключевой контент и визуальные элементы.
Титульный слайд: Краткий обзор BCG AI Platforms Group, ноябрь 2025 г. Авторы: Tom Martin, David Heurtaux, Caitlin Barber и еще 8 человек.
Темный фон во всю ширину с бирюзовой органической формой, логотип BCG AI Platforms Group, заголовок и список авторов
Определение контекста: большинство рекомендаций по AI-агентам носят теоретический характер или игнорируют сложность предприятия. Этот краткий обзор призван показать, как создавать надежных, проверенных AI-агентов на предприятии с использованием правильных паттернов, платформ, методов и возможностей.
Разделенный layout: текст слева с выделенными ключевыми фразами, AI-сгенерированное изображение робота справа, смотрящего на устаревшую инфраструктуру
Четыре главы: (01) Почему сложно создавать агентов на предприятии? (02) Как проектировать корпоративного агента? (03) Как создать корпоративного агента? (04) Как собрать платформу агентов?
Четыре карточки с цветовой кодировкой в ряд: зеленая, голубая, желтая, розовая
Разделитель разделов для главы 1.
Темный фон с зеленым/бирюзовым маркером раздела и заголовком
Три ключевых вопроса, стоящих перед лидерами: как сохранить ориентацию AI на ценность (влияние на P&L), как держать AI под контролем (надежность, безопасность, стоимость) и как надежно масштабировать. 75% технологических лидеров опасаются скрытых сбоев.
Разделенный layout: вопросы лидерства слева с зелеными карточками, изображение MAD AI landscape и статистика 75% справа
Примеры из практики, демонстрирующие перспективность агентов (сокращение времени/затрат на 30-50%, повышение производительности на 30%+) по сравнению с контрольным списком из 15+ проблем реализации. BCG внедрила 300+ агентов для клиентов.
Разделенный layout: слева показаны примеры из практики и статистика BCG, справа показаны ожидания и реальность с длинным контрольным списком
Бенчмарк METR, показывающий сложность задач разработки программного обеспечения, обрабатываемых LLM с течением времени (от GPT-2 до GPT-5.1-Codex-Max). Ограниченные агенты работают сейчас; глубокие агенты — следующий рубеж.
Разделенный layout: точечная диаграмма слева, показывающая прогресс LLM, текст с перспективами на будущее справа
Ограничивающими факторами являются не LLM, а устаревшие системы: (1) Интеграция Brownfield, (2) Ненадежные корпоративные данные, (3) Отсутствие оценок, (4) Накладные расходы на управление и аудит, (5) Трения OpModel и масштабирования.
Layout в пять столбцов с пронумерованными бирюзовыми заголовками и подробными описаниями
Пять горизонтов: H0 Ограниченные агенты (в масштабе), H1 Одиночные агенты (внедрение растет), H2 Глубокие агенты (внедрение растет, фокус здесь), H3 Агенты на основе ролей (очень рано), H4 Сеть агентов (ранние R&D). Включен значок Reality check.
Горизонтальная временная шкала с пятью карточками горизонтов, значками зрелости и архитектурными диаграммами
BCG адаптирует классический Double Diamond для корпоративных агентов: Diamond 1 (Discover + Define) для проектирования, Diamond 2 (Develop + Deploy) для сборки. Четыре этапа: Поиск идей, Декомпозиция целей, Создание возможностей, Развертывание и итерация.
Две ромбовидные фигуры рядом с пронумерованными этапами и описаниями ниже
Разделитель разделов для Главы 2.
Темный фон с бирюзовым маркером раздела
Матрица 2x2: Сложность цели и среды vs Риск, Этика и Управление. Квадранты: Традиционная автоматизация, Агентные рабочие процессы, Управление человеком с различными уровнями поддержки. Ключевая идея: если четкие правила работают, избегайте создания агентов ради самих агентов.
Разделенный макет: матрица 2x2 слева с примерами, пояснительный текст справа
Дизайн, ориентированный на результат, с использованием примера обработки заявки на кредит. Начните с бизнес-целей, разбейте на деревья зависимостей с проблемными местами, затем расставьте приоритеты для возможностей агентов. Ключевая мантра: результаты, а не выходы.
Левая сторона показывает пример дерева декомпозиции, правая сторона содержит три ключевых принципа
Три уровня проектирования агентов: Одиночный агент (одиночный цикл рассуждений), Простой глубокий агент (оркестратор + подпроцессы), Сложный глубокий агент (многоагентная оркестрация со специализированными агентами).
Сравнение в трех столбцах, показывающее диаграммы архитектуры агентов возрастающей сложности
Четыре модели взаимодействия человека и агента: Агент-помощник (подобно ChatGPT), Человек в цикле (подобно Claude Code), Человек в контуре (подобно Crew AI), Человек вне цикла (автономный). Каждый с различными механизмами запуска и утверждения.
Макет в четыре столбца с диаграммами рабочих процессов и примерами для каждой модели
Стандартизированный фреймворк для описания и документирования агентов. Показывает иллюстративный поток Loan Agent: создание начального контекста, цикл рассуждений агента, вызов инструмента, окончательный ответ с одобрением человека и трассировка LLMOps.
Подробная схема потока агента с компонентами, выделенными цветом: общие, контекстная инженерия, AI модель, состояние/память, инструменты, ошибки
Структура ADC: Agent-Achievable Goal (Цель, достижимая агентом), Metrics (Метрики), Inputs/Outputs (Входы/Выходы), Skills/Tools/Capabilities (Навыки/Инструменты/Возможности), Fallback behavior (Поведение при отказе), Agent Trigger type (Тип триггера агента) (Реактивный/Проактивный, Управляемый пользователем/Управляемый системой). Пять принципов эффективных ADC.
Разделенный макет: пять принципов слева, пример карточки ADC справа для обработки заявки на кредит
От заполненных ADC к архитектуре платформы. Ключевые принципы: сначала оцените текущий стек, пусть дизайн-карты определяют выбор возможностей, приоритизируйте тонкий MVP платформы, проектируйте для производства (ограничители, наблюдаемость), расширяйте выборочно.
Разделенный макет: сложенные карточки ADC и схема архитектуры платформы слева, пять принципов справа
Разделитель раздела для главы 3.
Темный фон с желтым маркером раздела
Обзор 14 компонентов: (1) Жизненный цикл разработки агента, (2) Платформа данных, (3) Память, (4) Оценка, (5) Оркестровка агентов, (6) Тонкая настройка промптов, (7) Построение платформы агентов, (8) Контекстная инженерия, (9) AI Gateway, (10) Проектирование среды, (11) Low vs pro code, (12) Enterprise LLMOps, (13) Режимы отказа, (14) Нормативное регулирование и соответствие.
Сетка с 14 пронумерованными карточками, каждая с миниатюрой и кратким описанием
Шестифазный жизненный цикл разработки агента, основанный на жизненных циклах ML и SWE: (1) Сформулируйте задачу агента, (2) Разработайте структуру и логику агента, (3) Подготовьте оценки и окружение, (4) Разработайте политику и промпты, (5) Протестируйте и настройте, (6) Запустите, отслеживайте и развивайте.
Горизонтальный шестиугольный конвейер с шестью фазами, каждая с подробными маркированными пунктами
Четыре типа платформ: Автономные agentic решения (под ключ), Встроенные agentic платформы (интегрированные в корпоративные пакеты), Платформы для создания агентов (low/no-code), Кастомные платформы агентов (полный контроль).
Сравнение в четыре столбца с иллюстрациями и маркированными пунктами
Архитектура платформы данных для агентов: уровень извлечения (гибридный поиск, GraphRAG, Text-to-SQL), уровень хранения (векторные DB, графы знаний, OLAP/OLTP), обработка входных данных (chunking, embedding, обогащение метаданными).
Диаграмма архитектуры, показывающая уровни платформы данных с неструктурированными и структурированными источниками данных
Архитектура Model Gateway: центральный реестр, мониторинг токенов/задержки, политики маршрутизации моделей, отслеживание затрат FinOps и средства защиты безопасности. Подробно описаны пять ключевых возможностей.
Блок-схема, показывающая арендаторов через Model Gateway к сторонним поставщикам, с блоками FinOps и Security
Две модели развертывания: Уровень окружения (изолированный для каждого окружения, более быстрая экспериментальная разработка) vs Уровень проекта (общая база данных, централизованное управление в масштабе). LLMOps должен обеспечивать управление промптами, оценки агентов и наблюдаемость.
Разделенное сравнение: две диаграммы моделей развертывания рядом друг с другом с плюсами/минусами
Фреймворк оценки: производительность агента (конечный результат, планирование и траектория, точность одного шага) и безопасность агента и red-teaming (безопасность взаимодействия, контроль агентства, целостность жизненного цикла). Непрерывный цикл сбора-тестирования-развертывания-мониторинга.
Круговая диаграмма рабочего процесса слева, категории оценки в центре, лучшие практики справа
Кейс страхового клиента: оценка F1 извлечения сущностей улучшена с ~50 до 75 (+25%) за 6 спринтов благодаря итеративной контекстной инженерии (промпты, RAG, инструменты). Преобразовано в многомиллионный эффект на выручку.
Левая сторона показывает процесс извлечения сущностей, в центре - столбчатая диаграмма оценки F1, справа - таблица прогресса спринтов
Пять уровней интеграции: Уровень интеллектуального бизнеса, Уровень основных транзакций (используйте MCP), AI уровень (проектируйте для асинхронности), Уровень данных (используйте IAM), Уровень инфраструктуры (абстрагируйте сложность). Ключ: относитесь к агентам как к системным акторам с четкими границами.
Диаграмма типа «звезда» с агентом в центре, пять окружающих уровней с описаниями
Разделитель раздела для главы 4.
Темный фон с розовым маркером раздела
Три эры: 2023-24 тесно связанные агенты (код+данные+развертывание в одном стеке), 2025 разделенные платформы агентов (логика отделена от бэкенда), 2026+ интероперабельность между платформами с общими протоколами.
Временная шкала в три столбца с архитектурными диаграммами, показывающими эволюцию
Полная эталонная архитектура платформы: (1) AI Guardrails, (2) LLMOps, (3) MCP & Agent Registry, (4) Model Gateway, (5) No/low-code builders, (6) Agent Framework, (7) Agent Runtime, (8) Memory, (9) Monitoring/Logging/FinOps, (10) Data Platform.
Подробная схема архитектуры платформы с 10 пронумерованными компонентами и описаниями
Три стратегии платформы: Унифицированная (один поставщик, быстро, но ограничено), Гибридная (сбалансированная гибкость с целевыми дополнениями), Пользовательская/модульная (высокая дифференциация, высокая сложность). Предприятия придут к гибридной.
Сравнение в три столбца с диаграммами в виде стопок блоков
Трехуровневая экосистема агентов: Enterprise Orchestration (управление на разных платформах), Domain Orchestration (оперативное взаимодействие между людьми и агентами), Data & Tool Landscape (общие коннекторы, версия/мониторинг/вывод из эксплуатации).
Трехуровневая многослойная архитектурная схема с примером обработки кредита
Дерево решений: Сначала оцените дифференциацию и сложность (если нет дифференциации → Купить/Принять), затем возможность исполнения (если ресурсы ограничены → Купить и настроить/адаптировать), если есть возможность → Построить/Собрать. Гибрид неизбежен для большинства предприятий.
Дерево решений слева, три варианта (Принять/Адаптировать/Собрать) справа с описаниями
Пять факторов гравитации для выбора платформы: (1) Data Gravity (самая сильная сила), (2) Systems Gravity (привязка к устаревшим ERP/CRM), (3) Governance/Security/Compliance, (4) Value & Differentiation, (5) UI/UX complexity. Доступ к данным - самая сильная тяга.
Орбитальная диаграмма, показывающая пять факторов гравитации с развертыванием агентов, описания справа
Пять основных выводов: (1) Проектируйте для достижения результатов, а не просто для выпуска продукции, (2) Начните с простого, используя eval-driven design, (3) Опирайтесь на общие корпоративные основы, (4) Выберите правильную платформу, основываясь на гравитации данных/системы, (5) По умолчанию проектируйте доверие, соответствие требованиям и устойчивость. Взгляд в будущее: 2026 год станет годом, когда агенты начнут приносить реальную пользу.
Пять пронумерованных карточек с выводами слева, текст «Взгляд в будущее» справа
Ссылки на четыре ресурса BCG: Tech Foundation for GenAI Success, AI on BCG.com, Latest thinking on Agents, Executive Perspective Series.
Четыре миниатюры карточек предварительного просмотра в сетке 2x2 с темным фоном
18 фотографий членов команды с именами: Vladimir Lukic, Nicolas De Bellefonds, Gene Sheenko, Djon Kleine, Tom Martin, Julien Marx и 12 других.
Три ряда по шесть круглых фотографий с именами
Стандартное юридическое предупреждение BCG о том, что материалы подпадают под действие Стандартных условий BCG, не являются юридической/бухгалтерской/налоговой консультацией, конфиденциальны и не содержат заключений о справедливости.
Разделенный макет: большой текст «Предупреждение» слева, полный юридический текст справа
Слайд с логотипом BCG в заключение.
Логотип BCG по центру на темно-бирюзовом градиентном фоне
Разделитель секции для технического приложения с дополнительными слайдами для углубленного изучения.
Темный фон с заголовком Technical Appendix
Пять систем: (1) User & Agent Experience (приложения, APIs, MCP), (2) Agent Environment (ресурсы, инструменты), (3) Agent Policy (управление потоком, сопоставление контекста с действием), (4) Agent Runtime (платформы, масштабирование), (5) Agent Operations (мониторинг, безопасность, жизненный цикл).
Пять горизонтальных зеленых полос с описаниями и иллюстрациями
Детальные компоненты для каждой системы: Environment (Browser, APIs, Databases, Terminal, MCP servers), Policy (LLMs, Control flow, Threads, Input/Output, Memory), Runtime (API Manager, Hosting, FinOps, Guardrails), Operations (PromptOps, Testing, Evals, Monitoring, SIEM).
Таблица-сетка с пятью строками систем и их подкомпонентами
Семь фундаментальных проблем: (1) Обмен контекстом и согласование целей, (2) Сложность координации, (3) Разрешение конфликтов, (4) Долгосрочное планирование и память, (5) Распределение заслуг, (6) Застревание в циклах, (7) Смещение задач. Требуются прорывы в CS, а не просто улучшенное промптирование.
Разделенный layout: диаграмма взаимодействия нескольких агентов слева, семь пронумерованных проблем справа
Декомпозиция на четыре уровня: Результат → Стратегическая цель → Тактическая цель → Цель, достижимая агентом. Пример eCommerce: Увеличить CLV на 25% → Улучшить удержание до 75% → Определить клиентов из группы риска → Цели агента (мониторинг сигналов, запуск вмешательств, отправка рекомендаций, предложение продуктов).
Разделенный layout: иерархия декомпозиции слева, дерево примера eCommerce справа
Матрица 2x2 паттернов взаимодействия агентов: Timing (Реактивный vs Проактивный) x Context Origin (Инициированный пользователем vs Инициированный системой). Четыре квадранта с примерами: Пользователь спрашивает и агент отвечает, Пользователь действует и агент наблюдает, Система запускает и агент отвечает, Система меняется и агент наблюдает.
Матрица 2x2 со ссылкой на LangChain Ambient Agents
Четыре типа платформ, соответствующие сценариям: Standalone (быстрый, узкий, одна команда), Embedded (агенты в пакете, использующие собственные данные), Agent Builder (управляемый low/no-code), Custom-Built (дифференцирующая, заказная логика). Примеры: Adobe Firefly, Salesforce Agentforce, Copilot Studio, open source.
Таблица сравнения из четырех столбцов с критериями выбора и техническими примерами
Пять стратегий: (1) Хранить контекст за пределами окна, (2) Оптимизировать выбор и время извлечения, (3) Сжимать контекст с течением времени, (4) Изолировать контекст в отдельные контейнеры, (5) Активно управлять воздействием рабочего процесса. Ссылки из Anthropic, LangChain и Building Manus.
Layout из пяти столбцов с иконками и подробными маркерами, справочные статьи справа
Архитектура памяти: STM (временное окно контекста с инструкциями, знаниями, инструментами, свободной емкостью) и LTM (постоянная между сессиями: семантическая, процедурная, эпизодическая). Интеграция нетривиальна, с проблемами продвижения, сжатия и извлечения.
Двухуровневая диаграмма, показывающая STM и LTM с описаниями справа
Семиэтапный цикл PromptOps: (1) Настроить циклы обратной связи, (2) Закрепить и версионировать промпты, (3) Изменять один элемент за раз, (4) Использовать структурированные выходы, (5) Оценивать через несколько слоев, (6) Завершить A/B-тесты с canary rollouts, (7) Обеспечить наблюдаемость с путями отката.
Круговая диаграмма рабочего процесса PromptOps слева, семь пронумерованных лучших практик справа
Шесть категорий сбоев: (1) Сбои идентификации/аутентификации/авторизации (Identity/AuthN/AuthZ), (2) Сбои в цепочке поставок данных и контента, (3) Сбои оркестровки/инструментов/интеграции, (4) Сбои целей/обоснования/согласования, (5) Сбои управления и человеческого фактора, (6) Сбои в эксплуатации/стоимости/доступности. Для каждой категории приведены примеры и меры по смягчению последствий.
Таблица из шести столбцов со строками: режим сбоя, примеры и меры по смягчению последствий
A2A определяет, как агенты общаются, координируют, ведут переговоры и обмениваются информацией о состоянии. A2A обрабатывает диалог между агентами, а MCP обеспечивает обнаружение инструментов. Ведущие фреймворки (Google ADK, CrewAI, LangGraph) интегрируют A2A. Подходите к этому с любопытством и осторожностью.
Разделенный макет: описание A2A и схема архитектуры слева, сравнение A2A и MCP справа
Сравнение по шести критериям: Скорость получения первой ценности (дни против недель), Глубина настройки (на основе правил против полной гибкости), Интеграции (богатая экосистема против неограниченных), Управление (встроенное против полного контроля), Наблюдаемость (базовая против расширенной), Стоимость (более низкий порог входа против более высоких первоначальных затрат).
Двухстрочная сравнительная таблица с шестью столбцами критериев принятия решений
Архитектура безопасности: SOC в центре с EDR, XDR/SIEM, Application Delivery Controllers, CloudSec, SASE, IAM/PAM, Data Sec/DLP, GRC, Offensive Security. Три ключевых момента: SOC нуждается в телеметрии агентов, плоскости управления должны развиваться, организации должны обеспечивать безопасность идентификации/данных/соответствия требованиям.
Схема архитектуры операций безопасности с центром SOC, окружающими уровнями безопасности и тремя ключевыми моментами
Распространенные вопросы об этом слайде и основном содержании презентации.
Это подробный брифинг группы BCG AI Platforms по созданию эффективных корпоративных AI-агентов, опубликованный в ноябре 2025 года. Он охватывает полный жизненный цикл от проектирования до развертывания, с практическими фреймворками для архитектуры агентов, выбора платформы и управления, основанными на опыте BCG по внедрению более 300 агентов.
Пять ключевых блокирующих факторов: (1) Интеграция Brownfield с устаревшими системами, (2) Ненадежные корпоративные данные, (3) Отсутствие фреймворков оценки, (4) Накладные расходы на управление и аудит и (5) OpModel и проблемы масштабирования. Примечательно, что ограничивающими факторами являются не возможности LLM, а корпоративные процессы и системы.
BCG определяет пять горизонтов: H0 Ограниченные агенты (в масштабе сегодня), H1 Одиночные агенты (внедрение растет), H2 Глубокие агенты с оркестровкой (текущий фокус), H3 Команды агентов на основе ролей (очень рано) и H4 Сеть агентов (ранние исследования и разработки). Предприятиям следует сосредоточиться на наращивании до Horizon 2 сегодня.
14 компонентов: жизненный цикл разработки агентов, платформа данных, память, оценка, оркестровка агентов, настройка и итерация подсказок, создание платформы агентов, контекстная инженерия, AI Gateway, проектирование среды, баланс между low-code и pro-code, Enterprise LLMOps, управление режимами отказа и нормативно-правовое соответствие.
BCG рекомендует дерево решений: если вариант использования не является дифференцирующим, купите (Adopt). Если у вас ограниченные ресурсы, купите и настройте (Adapt). Создавайте (Assemble) только тогда, когда вариант использования является дифференцирующим и у вас есть инженерные возможности. Большинство предприятий в конечном итоге придут к гибридному подходу.
ADC — это стандартизированный шаблон BCG для определения области действия агента. Он включает в себя достижимую агентом цель, показатели успеха, входы/выходы, необходимые навыки и возможности, поведение при отказе и тип триггера (реактивный/проактивный, управляемый пользователем/управляемый системой). ADC обеспечивают согласование между бизнес-целями и технической реализацией.
MCP (Model Context Protocol) позволяет агентам обнаруживать и вызывать инструменты и получать доступ к ресурсам, в то время как A2A (протокол Agent-to-Agent от Google) обрабатывает диалог, координацию и обмен состояниями между агентами. Они решают разные уровни AI tech stack и дополняют друг друга, хотя оба все еще развиваются.
Он уделяет значительное внимание безопасности, включая шесть категорий режимов отказа агентов (идентификация, данные, оркестровка, рассуждения, управление, операционные), архитектуру плоскости управления безопасностью для интеграции SOC и подробные меры по смягчению последствий для каждого типа отказа. Ключевой принцип — по умолчанию разрабатывать доверие, соответствие требованиям и устойчивость.
Create Your Own Slides
Turn your ideas into professional presentations in seconds with 2slides AI.
Используйте профессиональные дизайны, выберите свой стиль и генерируйте слайды с идеальной отрисовкой текста. На базе Nano Banana—начните создавать свою презентацию прямо сейчас.
Your AI Agent for slides. Save time, shine faster with intelligent presentation creation.
© 2026 2slides. All rights reserved.