От асистиращ към нативен изкуствен интелект: Тим О'Райли за новата операционна система на предприятието
Изображение: Svetni.me / ИИ генерирано изображение
В изказване по време на технологичната конференция Ai4 основателят на издателството O'Reilly Media Тим О'Райли представи цялостна рамка за трансформиране на корпоративния софтуер от отделни помощни инструменти в автономна организационна среда [1, 2]. В своя доклад „AI as an Enterprise Operating System: How to Get from AI-Assisted to AI Native“ О'Райли посочва, че истинският икономически ефект от генеративните модели няма да дойде от изолирано писане на подкани, а от дълбокото преструктуриране на работните потоци, фирмените данни и стимулите за служителите.
Според анализатора повечето компании в момента се намират в капана на началната фаза на асистиращ изкуствен интелект. Докато отделните служители използват езикови модели като усъвършенствани редактори на текст или помощници при писане на код, самата организация запазва непроменени традиционните си йерархични структури. Преходът към нативен ИИ изисква изграждане на системи, в които натрупаният човешки и алгоритмичен опит се мултиплицира системно, вместо да се разпилява в персонални разговори с чатботове [1].
Изображение: Svetni.me / ИИ генерирана инфографика
„Горчивият урок“ и границите на ръчната курация
Като отправна точка на своя исторически паралел Тим О'Райли посочва основополагащото есе „The Bitter Lesson“ на пионера в засилващото обучение Ричард Сътън. Основният извод на Сътън е, че през цялата история на изчислителните системи чистият изчислителен мащаб и общите методи за търсене неизменно надделяват над опита за ръчно вграждане на експертно човешко знание в алгоритмите.
О'Райли илюстрира този принцип със собствения опит на компанията си в зората на глобалната мрежа. През 90-те години O'Reilly Media създава първия пътеводител за уебсайтове (Whole Internet User's Guide & Catalog) и първия комерсиален портал Global Network Navigator (GNN). И двата проекта се основават на прецизен ръчен подбор от редактори.
Скоро след това каталогът на Yahoo мащабира идеята, но в крайна сметка и Yahoo, и GNN са победени от Google, чиято търсачка залага изцяло на изчислителна мощ и масирано индексиране на данни. С появата на ChatGPT технологичната индустрия преживява сходен фундаментален прелом, който задължава бизнеса бързо да прецени кои установени практики да изостави и кои нови принципи да прегърне [1].
Преходът: От асистент към нативна работна среда
Корпоративният преход преминава през три отчетливи етапа: асистиращ (AI-assisted), надграден (AI-augmented) и нативен за ИИ (AI-native). При асистиращия подход алгоритмите се добавят повърхностно към съществуващи продукти – например за генериране на примерни въпроси към курсове за обучение или за чернови на вътрешни доклади. Напредналите модели обаче вече са способни да анализират контекста на потребителя в реално време и да изграждат цялостни адаптивни траектории.
Преминаването към нативни работни процеси означава преосмисляне на продукта и процесите като интерактивна динамична система. Бариерата пред тази трансформация рядко е технологична. Както посочва главният изпълнителен директор на изследователската компания Trail of Bits Дан Гуидо, основната задача пред ръководствата е да създадат архитектура, в която придобитата експертиза се натрупва и комбинира автоматично [1, 3].
Психологическата бариера: Заплахата за идентичността
Практическият опит на Trail of Bits показва, че около 95% от предизвикателствата при възприемането на нови технологии са психологически и организационни, а не алгоритмични. При стартирането на мащабната програма за преструктуриране в компанията едва 5% от служителите са били истински мотивирани да използват моделите. Около 70% са изпълнявали задачите чисто формално, а 20% са оказвали активна вътрешна съпротива.
Дан Гуидо отдава това явление на няколко специфични когнитивни бариери: пристрастието към собственото превъзходство (self-enhancing bias), непрозрачността на невронните мрежи и нулевата търпимост към грешки в резултатите. Най-силният блокиращ фактор обаче остава т.нар. „заплаха за идентичността“ (identity threat).
Висококвалифицираните експерти изпитват подсъзнателен страх, че софтуерът не просто замества механичния им труд, а обезценява професионалната им индивидуалност. За да преодолеят този блокаж, организациите трябва изрично да преформулират изкуствения интелект като инструмент, който разгръща и мултиплицира човешката идентичност, вместо да я отнема [1, 3].
Практически механизми: Стълбици на компетентност и хакатони
За да структурира реалното напредване на екипите, Trail of Bits въвежда тристепенна матрица на компетентностите (Capability Status Ladder):
Ниво 0 (Level 0): Пълна неангажираност или съпротива срещу автоматизацията. Това състояние не се разглежда като обикновен дефицит на знания, а като поведение, действащо директно срещу целите на компанията.
Ниво 1 (Level 1): Лично експериментиране с инструменти и адаптиране на индивидуалната ежедневна работа.
Ниво 2 (Level 2): Проектиране и изграждане на софтуерни решения с изкуствен интелект, които увеличават общия капацитет на цялата организация.
Критериите за преминаване между нивата се адаптират спрямо конкретния отдел, тъй като задачите на инженера по киберсигурност нямат допирни точки с процесите в счетоводството. За ускоряване на прехода компанията провежда задължителни хакатони на всеки два месеца с предварително обявени цели за придобиване на опит.
Успехът на хакатоните не се оценява според количеството завършен за продукция код, а според изкачването на участниците по стълбицата на компетентностите. Всички създадени прототипи и конфигурации постъпват в споделено репозитори, което превръща индивидуалните открития в постоянна база за надграждане от останалите екипи [1, 3].
Превръщане на белезите в инфраструктура и контрол на промпт дълга
Един от основните технически капани при бързото внедряване на генеративни модели е натрупването на т.нар. „дълг от подкани“ (prompt debt) – понятие, формулирано от изследователя Дрю Бройниг. То описва явлението, при което инженерите пишат все по-сложни, крехки и тясно настроени инструкции за конкретен модел, които се оказват несъвместими при появата на следващата софтуерна итерация.
Trail of Bits елиминира тази сложност, като превръща всяка локална грешка и отстранен дефект („белег от рана“) в стандартизирано решение на инфраструктурно ниво. Всяка успешно решена аномалия се документира в централно хранилище като модул за директно внедряване от колегите.
Едновременно с това компанията налага стриктни инженерни граници: задължителна изолация в пясъчници (sandboxes) и 7-дневен охлаждащ период („cooldown“) преди интеграцията на нови външни софтуерни пакети. Според Гуидо единствената сериозна грешка при управлението на прехода е било първоначалното ограничаване на неструктурираното време за свободно експериментиране на инженерите [1, 3].
Заземяване на знанието: Отворени протоколи и корпоративен интелект
Макар алгоритмите да повишават производителността, те остават просто среда за разширяване на автентичния човешки опит. Техническият директор на O'Reilly Андрю Одеван посочва нарастващ системен проблем в съвременните организации: бързото вземане на локални решения от автономни софтуерни агенти често разкъсва цялостната корпоративна стратегия, затруднявайки получаването на глобален поглед.
За преодоляване на тази фрагментация се налага въвеждането на надежден слой за заземяване (grounding layer). Използвайки отворения протокол MCP (Model Context Protocol), O'Reilly разработва своя Expert MCP сървър и инициативата O'Reilly Expert Intelligence.
Архитектурата позволява на автономните агенти да черпят контекст директно от валидирани експертни източници. По този начин всяко управленско решение или препоръка за разпределение на инженерни натоварвания се удостоверява с точни цитати от реални практици, вместо да разчита на халюцинациите на общите модели [1, 2].
Нови сили за фундаменталните проблеми
В заключителните си думи на Ai4 Тим О'Райли припомня същината на технологичния прогрес: автоматизацията на рутината не е крайна цел, а средство за освобождаване на интелектуален ресурс.
„Светът е пълен с велики проблеми. И ако изкуственият интелект отнеме и направи лесна някоя малка задача, отпразнувайте го и отидете да работите върху нещо голямо с новите сили, които са ни дадени“, обобщава визионерът [1, 2].
Източници:
[1]: How to Get from AI-Assisted to AI Native - O'Reilly Radar
[3]: How we made Trail of Bits AI-Native (so far) - Trail of Bits