Гибридное преимущество: ценность agentic AI начинается с понимания, где его не нужно использовать
Коротко
- 90-дневный пилот предлагается разбить на baseline и подготовку данных, контролируемое сравнение с текущим процессом и решение о масштабировании.
- В стоимость agentic AI нужно включать не только токены, но и интеграцию, подготовку данных, лицензии, human review, исправление ошибок и поддержку.
- Финансовые операции — бронирование, проверку цен и биллинг — автор рекомендует оставлять детерминированному ПО, а AI использовать для анализа.
- OpenProposal в составе AAMP 3.0 должен стандартизировать то, как buyer- и seller-агенты оценивают предложения в рекламных workflow.
В гибридной архитектуре правила и предсказуемые операции остаются за обычным ПО, а AI используется там, где нужно интерпретировать неструктурированные данные, синтезировать информацию или предлагать варианты. В колонке со ссылкой на McKinsey, BCG и Gartner утверждается, что перенос rule-based задач из AI в детерминированные системы может дать 20–30% экономии на AI, а многослойная архитектура из нескольких моделей и правил — снизить совокупную стоимость токенов вплоть до 87% относительно использования одной frontier-модели для всех задач.
Автор предлагает проверять такие проекты через 90-дневный пилот: за первые 30 дней определить baseline, готовность данных, владельца, цели и лимиты расходов; к 60-му дню сравнить пилот с текущим процессом; к 90-му — решить, масштабировать, изменить или остановить проект. Еженедельно предлагается считать время до результата, долю успешно выполненных задач, ошибки, часы человеческой проверки и доработки, а также полную стоимость успешной задачи с учётом неудачных попыток.
Для бронирования кампаний, проверки цен, исполнения транзакций и биллинга автор рекомендует оставлять детерминированный софт: он предсказуемее для операций с финансовыми обязательствами. Agentic AI больше подходит для планирования, анализа и работы с разрозненными данными из DSP, ad server и CRM; отдельно IAB Tech Lab готовит OpenProposal в рамках AAMP 3.0, чтобы унифицировать взаимодействие buyer- и seller-агентов при оценке рекламных предложений.
FAQ
Зачем в рекламных процессах сочетать agentic AI с детерминированным софтом, вместо того чтобы переводить весь workflow на агентов?
Предсказуемые операции дешевле и безопаснее выполнять обычным ПО, а AI полезнее там, где нужно работать с неоднозначностью, текстом и разрозненными данными.
Какие метрики автор предлагает использовать, чтобы понять, окупается ли пилот agentic AI и стоит ли его масштабировать дальше?
Нужно считать время до результата, completion rate, значимые ошибки, часы human review и rework, полную стоимость успешной задачи и финансовый эффект относительно baseline.
В каких рекламных задачах agentic AI, по мнению автора, может давать больше пользы, чем традиционная автоматизация по заранее заданным правилам?
В планировании, синтезе данных и поиске инсайтов, особенно когда нужно объединять информацию из DSP, ad server, CRM, телевидения, walled gardens и open web.
Читайте также
Кто понесёт потери, если расходы AI-агента опережают доказательства эффективности?
Как ЮMoney учит ИИ отвечать на вопросы к базе данных и проверять собственные ошибки- AdCP и экономика агентного ИИ: строим под сегодняшнюю экономику, а не под завтрашние мечты
Нейросетями пользуются уже 55% россиян: Алиса AI опережает DeepSeek и GigaChat- Большие языковые модели избыточны для некоторых маркетинговых задач. На смену приходят малые модели
- Гибридная архитектура для agentic AI: Предсказуемые и строго регламентированные операции лучше оставлять детерминированному ПО, а AI использовать для интерпретации неструктурированных данных, синтеза информации и подготовки вариантов решения. Такой подход снижает стоимость и операционный риск по сравнению с попыткой перевести весь workflow на LLM-агентов.
[AI-архитектура]
Зарегистрированные пользователи видят только два тезиса.
Зарегистрироваться
AdExchangeriab-tech-labAgentic AIai-roiai-marketingmodel-routinginference-cost-optimizationagentic-media-buyingaamp
Колонка
AdExchanger предлагает оценивать agentic AI не по числу внедрённых агентов, а по доказанному бизнес-эффекту. Практический подход — сочетать AI с детерминированным софтом и отдавать каждой технологии только те задачи, где она действительно эффективнее.