Суть
Обзор прикладных сценариев из лекции Стурейко: производство, телеком, маркетинг — там, где агенты уже приносят пользу; медицина, материаловедение, legal — где идут эксперименты.
Зачем это нужно
Помогает выбирать реалистичную тему проекта и формулировать ценность на языке бизнеса (downtime, SLA, ROI), а не технологий. Показывает, что «агент» в проде — это система поддержки принятия решений, обвязанная инструментами и базой знаний.
Как работает (production)
- Производство / индустрия: паттерн Diagnose → Recommend → Log/Ticket — читает алерты SCADA/MES и логи оборудования, предлагает план оператору, создаёт заявку в maintenance. ROI — через снижение downtime. Плюс: анализ отклонений (сравнение с историческими инцидентами), оптимизация энергопотребления (тарифы/нагрузка).
- Телеком: поддержка L1/L2 по жёстким runbooks с соблюдением SLA; агент для NOC агрегирует алерты и убирает дубли → меньше alert fatigue.
- Маркетинг / e-commerce: аналитика кампаний (сбор из рекламных систем через API/SQL, отчёты); генерация контента с проверкой на бренд-бук и публикацией по расписанию.
Как работает (PoC / pilot)
- Медицина: агент учится назначать анализы минимальной стоимости для диагноза — бюджет как параметр оптимизации.
- Материаловедение (IBM): агент-химик ищет молекулы, запрашивает данные из научных баз, решает «оставить/отбросить».
- Legal Tech (Сбер): NLP-анализ юридических документов.
- Многие сценарии — многоагентные системы: каждый уровень (диагностика, рекомендация) заворачивается в своего агента со своей базой нормативки.
Связано с
- Agent Roles — какие роли применяются в этих кейсах
- AI Agent — кейсы как иллюстрация «агент vs чат-бот»
- RAG — почти везде агенту нужна доменная база знаний
Открытые вопросы
- как считать ROI агента до внедрения (оценка downtime/часов)
- какие домены пока «не взлетают» и почему