· AI Engineer World's Fair 2025
От Copilot к коллеге: создание надежных agents для продуктивной работы, где цена ошибки высока
From Copilot to Colleague: Building Trustworthy Productivity Agents for High-Stakes Work
Агентность в юридических и налоговых задачах стоит настраивать как набор рычагов (автономии, контекста, памяти и координации) под допустимый для пользователя риск.
- Разброс оценок экспертов — по словам спикера, одни и те же юристы через неделю давали разброс точности более 10% на тех же вопросах, поэтому команда опирается на рубрики и предпочтения экспертов как на ориентир.
- Легаси как инструменты агента — существующие приложения разбирают на компоненты и отдают агенту как инструменты: налоговый движок со встроенной валидацией, которую агент использует для проверки собственных ошибок, и поиск по правовым материалам с ссылками на реальные источники.
- Сначала целая система, потом MVP — по словам спикера, оптимизация отдельных компонентов до сборки всей системы уводила команды в детали; сначала стоит собрать систему целиком и посмотреть, что на самом деле требует доработки.
- Собственные данные как отличие — компания опирается на 4500 доменных экспертов и более полутора терабайт проприетарного контента; спикер советует искать такие активы в собственном продукте.
Кому полезно: тем, кто строит агентов для юридической, налоговой или комплаенс-работы и решает, сколько автономии давать системе.
Статья по теме
На какие вопросы отвечает доклад
Как настроить автономность агента под допустимый риск ошибки в юридических и налоговых задачах?
Автономию, контекст, память и координацию предлагается рассматривать как регуляторы, которые поднимают или опускают в зависимости от готовности пользователя терпеть риск. Для исследовательских задач их поднимают, для задач с жёсткой точностью опускают.
▶ 3:19Автономность агентов, контекст, память и координацияПочему оценки качества агента нестабильны, даже когда экспертная разметка одна и та же?
По словам спикера, одни и те же эксперты-юристы на одинаковых вопросах через неделю показывали разброс точности больше 10%. Оценки дорогие, а дрейф агента в траектории сложно найти и локализовать.
▶ 3:19Автономность агентов, контекст, память и координацияКак дать агенту работать с legacy приложением, не переписывая его с нуля?
Компоненты старого приложения разбивают на инструменты, которые агент вызывает сам. Так сохраняется доменная логика, накопленная за десятилетия, и не нужно начинать с нуля.
▶ 8:44Экспертная оценка, устаревшие системы и автоматизация налоговых процессовКак агент заполняет налоговую декларацию по W-2 и 1099 и проверяет собственные ошибки?
Агент извлекает данные из документов, сопоставляет их с полями налогового движка и запускает встроенный валидатор. Затем он смотрит ошибки, при необходимости запрашивает недостающие данные из документов и доводит расчёт до конца.
▶ 8:44Экспертная оценка, устаревшие системы и автоматизация налоговых процессовСтоит ли сначала строить минимальный MVP агентной системы или сразу собирать систему целиком?
По опыту команды, гонка за минимальным компонентом завела их в тупики. Сборка всей системы показала, какие части требуют доработки, а какие агентная природа системы компенсирует сама.
▶ 8:44Экспертная оценка, устаревшие системы и автоматизация налоговых процессовКак агент для исследования права ссылается на реальные источники и не выдумывает цитаты?
Агент работает с инструментами поиска и получения документов продукта, а каждая ссылка ведёт на реальное дело или статью закона. Агент пишет заметки по ходу, затем сводит их в итоговый отчёт с флагами риска.
▶ 15:12Память рабочих процессов, уникальные активы и вопросы из зала
Главы
Похожие доклады
Агентам нужно больше, чем чат
AI Engineer Europe 2026
Близко по содержанию
Почему мы удалили свой MCP-сервер и создали его заново
Близко по содержанию
Пробуждение агента: совместная разработка с Copilot
Christopher Harrison, John Peck
AI Engineer World's Fair 2025
Близко по содержанию
Как устроены долгосрочные agents Arca, управляющие бизнесом
Близко по содержанию

