За пределами промпт-инжиниринга: почему корпоративному ИИ нужны архитекторы

By Mirko Peters · 2026-08-27

Automatically translated with AI from the original post. Read the English original

Cover: Extending Microsoft 365 Copilot: Agents, MCP & Production-Grade AI with Yves Habersaat [MVP]

Добро пожаловать в официальный сопроводительный блог подкаста M365 FM. В сегодняшнем посте мы подробно разбираем технические основы современного корпоративного искусственного интеллекта. Промпт-инжиниринг завладел воображением как рядовых пользователей, так и бизнес-лидеров, но переход от базовых промптов к по-настоящему промышленному ИИ требует выделенных архитекторов и инженеров. Организации больше не могут полагаться на поверхностные внедрения. Вместо этого им нужно тщательно проверять бизнес-логику, требования безопасности и интеграции с системами, чтобы их инвестиции приносили реальную пользу.

Чтобы подробнее разобрать эту тему, недавно мы побеседовали в подкасте с Microsoft MVP и техническим лидером по ИИ Ивом Хабершатом (Yves Habersaat). Если вы хотите услышать полный разговор о расширяемости Microsoft 365 Copilot, мультиагентных архитектурах и Model Context Protocol, обязательно послушайте выпуск Extending Microsoft 365 Copilot: Agents, MCP & Production-Grade AI with Yves Habersaat [MVP].

Введение: выход за пределы промпт-инжиниринга

Промпт-инжиниринг, без сомнения, полезный навык. Он помогает обычным сотрудникам добиваться от инструментов генеративного ИИ более качественных результатов, аккуратного форматирования и более содержательных сводок. Однако когда компании пытаются масштабировать эти возможности на тысячи пользователей и глубоко встроенные внутренние системы, одного промпт-инжиниринга становится недостаточно.

Корпоративный ИИ требует гораздо большего, чем умелые формулировки. Организациям нужны специалисты, которые понимают лежащие в основе технологии, сложные требования клиентов, общие модели безопасности и конкретные решения по внедрению. Искусственный интеллект способен создавать технические материалы и давать полезные рекомендации, но человек-архитектор остается незаменимым. Только инженеры-люди могут по-настоящему проверить, решает ли автоматизированное решение ключевую бизнес-задачу и не создает ли оно неприемлемых рисков.

Почему корпоративному ИИ нужны архитекторы-люди

Сложность современных корпоративных сред означает, что развертывание ИИ никогда не бывает простым упражнением в духе «подключил и работает». Системы переплетены с устаревшими базами данных, самописными внутренними приложениями, строгими нормативными требованиями и динамически меняющимися разрешениями пользователей. Без опытных архитекторов, контролирующих проектирование, организации часто сталкиваются с узкими местами, галлюцинациями, уязвимостями безопасности и сбоями интеграции.

Архитектор смотрит на общую картину. Он оценивает, как данные перемещаются внутри организации, где могут возникнуть узкие места и как подготовить технологический стек к будущим изменениям. Поскольку платформы ИИ развиваются стремительными темпами, стратегически мыслящий руководитель гарантирует, что организация создает масштабируемые, поддерживаемые и безопасные решения, а не хрупкие прототипы, которые ломаются под нагрузкой в промышленной эксплуатации.

Эволюция Microsoft 365 Copilot и расширяемость

Microsoft 365 Copilot существенно эволюционировал с первых дней. Многие возможности, для которых когда-то требовались сложные пользовательские расширения, теперь встроены непосредственно в платформу. Этот нативный функционал покрывает широкий набор стандартных задач по продуктивности и совместной работе.

Однако расширяемость становится критически важной, когда организации нужен больший контроль. Это может означать настройку слоя оркестрации, создание специализированных агентных сценариев, встраивание ИИ-агента на внешний публичный сайт вместо того, чтобы держать его изолированным внутри Microsoft 365 Copilot Chat, или создание полностью индивидуальных возможностей. Чем специфичнее требование бизнеса, тем важнее становятся расширяемость и разработка под заказ.

Почему один гигантский Copilot не работает: мультиагентные архитектуры

Распространенная ловушка для организаций, которые только начинают путь с ИИ, — попытка построить один огромный монолитный Copilot. Представьте себе единого ИИ-ассистента, нагруженного всеми мыслимыми инструкциями, инструментами, источниками знаний и корпоративными обязанностями. Естественно, такой подход быстро рушится под собственной тяжестью: заканчивается контекстное окно, падает качество решений и поведение становится непредсказуемым.

Вместо этого эксперты, такие как Ив Хаберсаат (Yves Habersaat), рекомендуют внедрять мультиагентные архитектуры. В этой модели у отдельных агентов чётко определены области ответственности и задачи. Например, в корпоративной структуре ИТ-поддержки может быть агент-триажёр первой линии, единственная задача которого — понять запрос пользователя и интеллектуально направить его специализированным агентам, отвечающим за Microsoft 365, Salesforce, порталы HR или внутренние инфраструктурные платформы. Каждый специализированный агент хранит собственные локализованные инструкции, целевые знания и конкретные инструменты.

Анатомия корпоративного ИИ-агента

Чтобы понять, как работают такие системы, полезно разобрать анатомию типичного корпоративного ИИ-агента. Любой надёжный агент начинается с чётко определённой цели. Далее он опирается на несколько основных компонентов:

Инструкции: явные указания, определяющие точные обязанности агента, его операционные границы и поведенческие ограничения.
Источники знаний: отобранные хранилища, содержащие релевантную организационную информацию и документацию.
Инструменты: функциональные возможности, которые позволяют агенту выполнять действия, запрашивать базы данных или вызывать внешние сервисы.
Слой оркестрации: механизм принятия решений, который определяет, как входящие запросы должны обрабатываться, разбираться и делегироваться.

В мультиагентной схеме основной агент выполняет первичную сортировку запросов, прежде чем делегировать задачи специализированным подчинённым агентам. Далее эти подчинённые агенты взаимодействуют с внутренними источниками знаний, внешними системами, API и серверами Model Context Protocol, чтобы завершить рабочий процесс.

Copilot Studio или собственная разработка

При создании таких агентов организации стоят перед ключевым выбором платформы: low-code или собственный код. Copilot Studio предлагает доступный low-code подход для быстрого создания и развёртывания агентов. Команды могут определять инструкции, подключать готовые инструменты, интегрировать репозитории знаний и использовать современные протоколы, не написав каждую строку кода с нуля.

С другой стороны, собственная разработка даёт значительно больше контроля над архитектурой. Однако этот контроль требует и большей ответственности. Разработчики должны самостоятельно управлять потоками аутентификации, границами безопасности, средами хостинга, логикой оркестрации и интеграцией сервисов. В конечном счёте выбор между Copilot Studio и собственной разработкой полностью зависит от того, какой уровень контроля требует конкретное корпоративное решение.

Понимание Model Context Protocol (MCP)

Одним из самых интересных достижений в архитектуре агентов является Model Context Protocol, широко известный как MCP. Раньше интеграция внешних инструментов и сервисов в ИИ-модель означала написание собственных API-обёрток для каждой системы, каждая из которых имела собственную схему аутентификации, особенности протокола и стандарты документации.

MCP решает эту фрагментацию, задавая стандартизированный способ, которым ИИ-системы могут находить внешние инструменты и сервисы и взаимодействовать с ними. Благодаря MCP агент может динамически понять, какие инструменты доступны, как они работают и как их можно комбинировать для выполнения сложного запроса пользователя. По сути, это универсальный переводчик между интеллектуальными языковыми моделями и обширной экосистемой корпоративного программного обеспечения.

Интеграция систем: MCP или традиционные API

Важно понимать, что Model Context Protocol не заменяет традиционные API. Вместо этого сервер MCP располагается перед существующими API, базами данных и внутренними микросервисами, предоставляя их возможности в формате, который ИИ-агенты могут легко понять и использовать.

Представьте компанию, которая уже опирается на устоявшиеся API для финансов, управления персоналом и управления взаимоотношениями с клиентами. Вместо того чтобы переписывать эти API, организация может развернуть сервер MCP и открыть подходящие инструменты поверх существующих конечных точек. Основную работу по-прежнему выполняют базовые API, а MCP обеспечивает семантический слой, необходимый автономным ИИ-агентам для эффективного взаимодействия с ними.

Безопасность, управление и организационные знания

Среды Microsoft 365 содержат огромный объём ценного организационного контекста: документы, стенограммы собраний, электронные письма, организационные диаграммы, истории чатов Teams, файлы OneDrive и репозитории SharePoint. Подключение мощных ИИ-агентов к этому кладезю данных без надёжного управления создаёт серьёзные риски для безопасности.

Организации должны начать с полной инвентаризации своего информационного ландшафта. Компаниям необходимо точно знать, где хранится конфиденциальная информация, у кого сейчас есть права доступа и какие активы требуют повышенной защиты. Инструменты управления данными, такие как Microsoft Purview, включающие метки конфиденциальности и политики предотвращения утечки данных (DLP), должны быть встроены в архитектуру ИИ с самого начала.

Важность качества данных и готовности к ИИ

Управление ИИ гораздо шире, чем просто предотвращение несанкционированного доступа. Оно также включает практическую сторону гигиены данных. Плохо организованные сайты SharePoint, большое количество дублирующихся файлов, устаревшие документы политик, несогласованные рабочие пространства Teams и размытое владение информацией могут серьёзно снизить качество ответов, которые генерирует ИИ.

Подключение интеллектуального агента к неструктурированным, хаотичным знаниям организации не превращает эти данные в чистый и полезный ресурс само собой. Предприятиям необходимо в первую очередь заняться очисткой данных, современной архитектурой информации, строгим пересмотром разрешений и тщательной классификацией как основными условиями готовности к ИИ.

Управление делегированными и прикладными разрешениями

Управление разрешениями становится первостепенным в тот момент, когда агенту ИИ предоставляется возможность самостоятельно выполнять действия от имени пользователей. Как правило, архитекторам стоит по умолчанию использовать делегированные разрешения пользователя.

В делегированной модели агент работает строго в рамках разрешений конкретного пользователя, который с ним взаимодействует. Если у пользователя нет доступа к чувствительной финансовой папке, агент не должен каким-либо образом обходить это ограничение. В сценариях, где прикладные разрешения действительно необходимы для фоновой автоматизации, такие возможности следует тщательно изолировать за строго контролируемым сервисным уровнем или уровнем MCP, а не предоставлять широкие административные разрешения напрямую агентам, с которыми работают пользователи.

Генерация с расширением на основе поиска (RAG) в корпоративной среде

Генерация с расширением на основе поиска, или RAG, является краеугольным камнем современного корпоративного ИИ. Вместо того чтобы полагаться исключительно на статические внутренние параметры языковой модели, которые, разумеется, не могут включать корпоративные политики или актуальные данные по проектам, система RAG динамически извлекает релевантную документацию до формирования ответа.

Извлекаемый контент может происходить из внутренних баз знаний, сайтов SharePoint, специализированных хранилищ документов или внешних баз данных. Во многих современных платформах, например в Copilot Studio, механизмы поиска работают полностью за кулисами, скрывая сложность от конечного пользователя и при этом обеспечивая точные ответы с учётом контекста, опирающиеся на проверенные корпоративные данные.

Заключение: создание промышленных ИИ-решений

Переход от игривого промпт-инжиниринга к надёжному корпоративному ИИ требует принципиальной смены мышления. Организации больше не могут рассматривать искусственный интеллект как простую программную функцию, которую добавляют в последний момент. Напротив, создание промышленных ИИ-решений требует продуманной работы с многоагентными архитектурами, масштабируемыми уровнями интеграции, такими как Model Context Protocol, строгим управлением данными и взвешенными моделями разрешений.

Архитекторы и инженеры остаются главным звеном этой технологической революции. Сочетая технические основы с глубоким пониманием бизнес-требований, архитекторы обеспечивают, чтобы корпоративный ИИ приносил безопасную, масштабируемую и действительно трансформирующую ценность.

Чтобы глубже изучить эти архитектурные стратегии и услышать мнения экспертов непосредственно из практики, обязательно послушайте полный подкаст. Перейдите по ссылке Extending Microsoft 365 Copilot: Agents, MCP & Production-Grade AI with Yves Habersaat [MVP] и присоединяйтесь к обсуждению вопросов современной работы, безопасности и продуктивности!