Selektywna specjalizacja: jak tworzyć agentów, którzy sprawdzają się w produkcji

Stworzenie agenta na poziomie demo nigdy nie było szybsze. Podłączasz dobry model, dajesz mu kilka narzędzi i po jednym popołudniu masz coś, co umawia spotkania, pisze odpowiedzi lub generuje raporty na żądanie. Problem pojawia się później. VP ds. CX, szef operacji, lider platformy — ktokolwiek odpowiada za działanie tego agenta na skalę firmy — trafia na ścianę. To, co działało w demo, staje się wolne i nieprzewidywalne, gdy pojawia się prawdziwy ruch i realna stawka. Rzadko zawodzi sama platforma. Zawodzi architektura nad nią.

Wąskie gardło: jeden agent robi wszystko

Naturalnym odruchem po sukcesie pierwszego agenta jest dać mu więcej. Więcej narzędzi. Więcej kontekstu. Szerszy zakres odpowiedzialności. Skoro dobrze radził sobie z jednym zadaniem, na pewno poradzi sobie z dziesięcioma.

Ten odruch tworzy wąskie gardło. Gdy jeden agent odpowiada za planowanie, wykonanie, zapamiętywanie i analizę w szerokim zakresie, kilka rzeczy psuje się naraz.

Podejmuje decyzje wolniej i trudniej nim sterować, bo każdy krok walczy o miejsce w jednym oknie kontekstu i jednym przebiegu rozumowania. Wybór narzędzi staje się mniej niezawodny, bo dokładność zwykle spada wraz z liczbą dostępnych narzędzi. System staje się też kruchy, bo drobne nieporozumienie na pierwszym etapie pozostaje bez kontroli. Bez granic między odpowiedzialnościami wczesny błąd po cichu zatruwa wszystko, co dzieje się później.

Wyobraź sobie pojedynczego agenta głosowego stworzonego do obsługi przychodzących zgłoszeń ubezpieczeniowych od początku do końca. Podczas jednej rozmowy musi potwierdzić tożsamość dzwoniącego, znaleźć właściwą polisę, sprawdzić zakres ochrony, zinterpretować zgłoszenie, oszacować prawdopodobną wypłatę, zapisać interakcję i zdecydować, czy przekazać sprawę człowiekowi. W demo, przy współpracującym rozmówcy i czystym połączeniu, radzi sobie bez problemu. W produkcji na zaszumionym połączeniu komórkowym źle rozpoznaje nazwisko dzwoniącego już na pierwszym etapie. Agent nigdy się z tego nie podnosi. Pobiera złą polisę, z przekonaniem analizuje ochronę, której klient nie ma, i podaje kwotę wypłaty za plan, którego klient nigdy nie kupił. Między usłyszeniem nazwiska a działaniem nie było żadnej kontroli, więc jeden błąd transkrypcji stał się błędną obietnicą wypowiedzianą klientowi na głos.

W regulowanej branży to nie tylko złe doświadczenie — to naruszenie zgodności z przepisami i związana z nim odpowiedzialność. To jeden z powodów, dla których ubezpieczalność agentów staje się warunkiem wdrożeń produkcyjnych oraz dla których stworzyliśmy ElevenAgents jako pierwszą Conversational AI platformę kwalifikującą się do ubezpieczenia AI przez AIUC.

Zauważ, co faktycznie zawiodło. Agent nie był słaby w rozmowie. Nie radził sobie z samodzielnym dźwiganiem każdej odpowiedzialności, bez punktu kontrolnego między zrozumieniem czegoś a działaniem. Rozwiązaniem nie jest mniejsza ambicja ani spokojniejszy agent. Jest nim struktura.

Warto to doprecyzować. Nie chodzi głównie o ograniczenia samych modeli. Mocniejszy model podnosi poprzeczkę, ale nie usuwa problemu strukturalnego. To problem projektowania systemów.

Model myślowy: działy, a nie CEO decydujący o wszystkim

Pomyśl, jak rozwija się firma. Jeśli CEO osobiście podejmuje każdą decyzję w inżynierii, marketingu i HR, firma staje w miejscu. Nie rozwiążesz tego, zatrudniając mądrzejszego CEO. Rozwiązaniem są wyspecjalizowane zespoły z jasno określonym zakresem działania.

Ta sama logika dotyczy systemów AI. Zamiast jednego ogromnego agenta możesz podzielić system na wyspecjalizowanych agentów o ograniczonych odpowiedzialnościach. Jeden pobiera dane. Drugi pisze kod. Kolejny tylko sprawdza fakty. Każdy ma węższy zakres, więc jego decyzje są tańsze, szybsze i łatwiejsze do zaufania.

Nie potrzebujesz do tego specjalistycznej infrastruktury. Nasza platforma ElevenAgents już oferuje niezbędne elementy: agenta konwersacyjnego w centrum, wywołania narzędzi do wyszukiwania i aktualizacji, przekazywanie spraw między agentami przy zmianie zakresu, wyszukiwanie wiedzy dla oparcia odpowiedzi na faktach oraz workflow, które łączą te elementy. Dobre wdrożenie polega głównie na świadomym użyciu tych podstawowych funkcji, zamiast wciskania każdej odpowiedzialności do jednego promptu z nadzieją, że zadziała.

Na tym polega siła architektury multi-agent i przy odpowiednim rodzaju pracy jest ona realna. Dobrze pokazuje to przykład contact center. Załóżmy, że chcesz ocenić pod kątem jakości dziesięć tysięcy wczorajszych rozmów z pomocą techniczną. Praca dzieli się jasno: jeden agent sprawdza, czy konsultant stosował skrypt zgodności, drugi ocenia empatię i ton, trzeci oznacza rozmowy wymagające eskalacji, a kolejny wyciąga powód kontaktu klienta. Żadna z tych ocen nie zależy od innych i wszystkie mogą działać równolegle na tym samym transkrypcie. To dokładnie rodzaj pracy, w którym multi-agent się sprawdza. Części są niezależne, praca opiera się głównie na odczycie, a oddzielenie każdej oceny we własnym kontekście faktycznie zwiększa jej trafność.

Uczciwe kompromisy

Multi-agent nie daje korzyści za darmo. Każdy lider techniczny oceniający tę architekturę przed wdrożeniem sprawdzi — i powinien sprawdzić — koszty koordynacji. Najważniejsze zastrzeżenie jest takie.

Najczęstszym trybem awarii jest fragmentacja kontekstu. Gdy dzielisz zadanie między agentów, którzy nie współdzielą pełnego kontekstu, każdy działa na częściowym obrazie, a ich decyzje mogą być sprzeczne w sposób, którego koordynator nie potrafi pogodzić.

Ta sama pułapka pojawia się w rozmowach na żywo. Wyobraź sobie rozmowę windykacyjną podzieloną między agenta negocjacyjnego i agenta ds. zgodności, którzy nie współdzielą stanu. Agent negocjacyjny, chcąc pomóc, oferuje klientowi sześciomiesięczny plan spłaty. Agent ds. zgodności, który nie widział tej oferty, odrzuciłby ją, ponieważ w regionie klienta takie plany mogą trwać najwyżej trzy miesiące. Każdy agent działał rozsądnie w swoim wycinku. Razem złożyli zobowiązanie, którego firma nie może dotrzymać, prawdziwej osobie i w czasie rzeczywistym. Problemem nie był słaby model ani warstwa głosowa. Były nim dwa wąskie obrazy sytuacji, które nigdy się nie spotkały.

Rozwiązaniem nie jest więcej agentów. Trzeba zachować całość rozmowy i pozwolić agentowi sprawdzić regułę zgodności jako narzędzie, zanim złoży zobowiązanie. Dzięki temu reguła i oferta spotykają się, zanim cokolwiek zostanie wypowiedziane. To decyzja projektowa, a dobra platforma ułatwia jej podjęcie.

W praktyce wybór zależy od zadania. Multi-agent najlepiej sprawdza się w równoległej pracy opartej głównie na odczycie, gdzie części są naprawdę niezależne — w badaniach, wyszukiwaniu i weryfikacji. Gorzej radzi sobie z pracą ściśle powiązaną, gdzie wszystko musi tworzyć spójną całość, na przykład przy pisaniu jednego fragmentu kodu. W zadaniach wrażliwych na opóźnienia, takich jak pipeline głosowy w czasie rzeczywistym, każde dodatkowe przekazanie między agentami zwiększa czas odpowiedzi w ramach ograniczonego budżetu. Dlatego długie łańcuchy agentów są domyślnie ryzykowne. Tu znaczenie ma też nasza infrastruktura. ElevenAgents łączy rozpoznawanie mowy, obsługę zmian tur i generowanie głosu w jednym stosie, więc bazowe opóźnienie jest już minimalne, zanim dojdzie narzut orkiestracji.

Co naprawdę napędza ROI

Zespoły, które osiągają realny zwrot z agentów, zwykle nie wybierają po prostu najinteligentniejszego modelu i nie oczekują, że udźwignie całą pracę. Świadomie decydują, gdzie się specjalizować, gdzie utrzymać jeden ciągły kontekst oraz jak agenci mają się koordynować, gdy jest to konieczne.

Innymi słowy, odpowiedzią rzadko jest „jeden ogromny agent” i rzadko „podziel wszystko”. Odpowiedzią jest selektywna specjalizacja. Korzyści wynikają z wyznaczenia granic we właściwych miejscach, a nie z liczby agentów czy możliwości któregokolwiek z nich. Zachowaj zadanie w jednym agencie, gdy praca jest powiązana, a kontekst musi pozostać ciągły. Podziel je między wyspecjalizowanych agentów, gdy praca jest równoległa, a konteksty można wyraźnie odizolować.

Rekomendacja

W nadchodzącym projekcie nie wybieraj najpierw architektury. Najpierw rozpisz pracę.

Wypisz konkretne możliwości, których system naprawdę potrzebuje. Zaznacz, które części są faktycznie niezależne, a które ściśle powiązane. Określ, gdzie odizolowany kontekst jest zaletą, a nie obciążeniem — na przykład przy sprawdzaniu faktów, które chcesz oddzielić od głównego toku rozumowania. Dopiero wtedy zdecyduj, gdzie podzielić odpowiedzialności między osobnych agentów.

Tak może to wyglądać w produkcyjnej linii przypomnień o spłacie pożyczki. Rozmowa na żywo pozostaje w jednym ciągłym agencie, ponieważ słowa klienta, ton i wymiana zdań są ściśle powiązane, a każde dodatkowe przekazanie dodaje opóźnienie słyszalne dla dzwoniącego. Do tego jednego rdzenia konwersacyjnego podłączasz ograniczonych zakresem specjalistów, którzy nie przerywają rozmowy: wywołanie narzędzia pobierające dane konta i niespłacone saldo, zabezpieczenie zgodności, które agent sprawdza przed złożeniem oferty płatności, płynne przekazanie sprawy człowiekowi, gdy wymaga tego sytuacja, oraz osobną grupę agentów oceniających, którzy następnego ranka oceniają nagrania pod kątem jakości i ryzyka.

Rozmowa jest powiązana, więc pozostaje w całości. Wyszukiwanie danych, kontrole i ocena są niezależne, więc dostają własne granice. To selektywna specjalizacja, a nie dzielenie dla samego dzielenia, i bezpośrednio odpowiada podstawowym funkcjom, które daje ci dobra platforma agentowa.

Zrób tak, a zyskasz zalety specjalizacji bez niepotrzebnego kosztu koordynacji. Przewidywalne działanie, ograniczone skutki awarii i system o złożoności, którą wybierasz świadomie, zamiast odkrywać ją dopiero w produkcji. Używana w ten sposób platforma agentowa nie jest demo, które staje się coraz mniej stabilne wraz ze skalowaniem. To infrastruktura, która działa coraz pewniej, gdy każda jej część ma jasno określone zadanie. Właśnie tym stworzyliśmy ElevenAgents.