← Каталог

· 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 координация
  • Почему 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 координация
  • Как 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 процессов
  • Как 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 процессов
  • Стоит 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 процессов
  • Как 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