Field Technology опубликовала отчет «AI Year in Review» с пятью уроками по созданию AI‑агентов после года работы и анализа

Field Technology 14 мая 2026 представила inaugural «AI Year in Review», итог годовой разработки и развертывания AI‑агентов, основанный на анализе более одного миллиона сообщений. Отчет фиксирует конкретные уроки и практики, которые привели к улучшению поддержки клиентов и упрощению рабочих процессов в продажах, — это важно для команд, строящих продукционные агентов и измеряющих их влияние на операции.

За период с 2024 по 2026 командой был разработан и запущен набор из пяти агентских инструментов на общей инфраструктуре Elasticsearch: Customer‑facing Support Assistant, Internal Support Assistant, Case Summarizer, Knowledge Drafter и Sales Assistant (встроенный в Salesforce). Все инструменты используют единый стек, но адаптированы под отдельные рабочие процессы и целевые аудитории, что позволило стандартизировать наблюдаемость и одновременно решать специфические задачи поддержки и продаж.

Для сбора и анализа трафика команда построила централизованный AI‑gateway, который обрабатывает весь LLM‑трафик: из сырых логов с помощью LLM удаляются PII, метаданные переводятся в паттерны использования, пути взаимодействия и метрики точности. Этот процесс команда называет Context Performance Monitoring (или Context Observability) и использует его как основной источник измерений для принятия продуктовых решений и итеративного улучшения агентов. Аналитика показала масштаб использования и неравномерное распределение нагрузки: в 2025 году платформа обработала 209,220 нитей разговоров по пяти инструментам. При этом около 8% пользователей («power users») сгенерировали 80% сессий, а оставшиеся 92% — 20% сессий. Отдельно отмечено, что на каждый простой запрос приходилось три и более сложных технических запросов, что изменяет приоритеты в развитии функциональности и обработке контекста.

Ключевой вывод отчета — успех AI‑инициатив определяется циклом обратной связи и качеством retrieval, а не только выбором LLM. Авторы подчёркивают, что логи являются самым богатым сигналом для оценки качества, а пороги релевантности напрямую влияют на качество ответов. Документ также фокусируется на том, что означают высокие значения токенов для работы агентов и как менять стратегию токенов в ответ на реальные паттерны запросов. Практические рекомендации для разработчиков и продуктовых команд в отчете сформулированы ясно: рассматривать логи как стратегический актив, внедрять централизованный шлюз для мониторинга LLM‑трафика, приоритизировать улучшение retrieval и поддержку power‑пользователей. По заключению команды, именно эти меры позволили быстро итеративно улучшать агентов и довести их до уровня, где они стали критичны для операций поддержки и продаж.