IBM Research: агентная логика снижает затраты и повышает точность корпоративных AI‑агентов

1 июня 2026 года IBM Research опубликовала статью, в которой утверждает: масштабное внедрение ИИ в корпоративной среде требует не только мощных LLM, но и «агентной логики» — слоя программных примитивов, который управляет агентами и снижает операционные риски. По данным исследования, агентная логика помогает сократить расходы на токены, уменьшить ошибки моделей и повысить доверие конечных пользователей; это важно для перевода пилотных решений в рабочие производства. Под «агентной логикой» авторы понимают набор программных примитивов — графы знаний, алгоритмы анализа программ, библиотеки для статического и семантического анализа — которые работают на уровне агента внутри так называемого agent harness. Этот слой целенаправленно направляет вызовы LLM, сокращая объём контекста и число итераций с моделью, сохраняя при этом релевантность и структурированность ответов.

IBM описывает применение такой архитектуры в четырёх ключевых направлениях: понимание кода на унаследованных языках (COBOL, PL/1), ускорение генерации тестов, проактивное реагирование на инциденты и автоматизация модернизации требований соответствия. Авторы подчёркивают, что интеграция агентов на уровне рабочих процессов нужна для устойчивой эксплуатации в условиях корпоративных ограничений. В качестве практического примера IBM приводит App Insights agent в составе watsonx Code Assistant for Z (WCA4Z). Агент проводит глубокий статический анализ приложений и сохраняет прединдексированное представление в схеме базы данных, охватывающей сотни взаимосвязанных таблиц со сложной семантикой. Такое прединдексирование позволяет извлекать точную структурированную информацию, значительно снижая потребление токенов и уменьшая число запросов к модели.

В тестах с использованием модели Mistral Medium 250B подход с agent harness показал существенные преимущества: на системах до 1M строк кода и примерно 1K программ инструмент обеспечил сопоставимо лучшее понимание приложений при примерно ~30× меньшем потреблении токенов по сравнению с подходом «только LLM». Эти цифры IBM приводит как доказательство экономической эффективности сочетания структурированных представлений и LLM. Авторы ставят работу в рыночный контекст: многие пилотные проекты по ИИ не переходят в производство, потому что корпоративные workflow динамичны, долгоживущи, связаны со множеством API, БД и сервисов и подвержены регуляторным требованиям. В таких условиях требуемый расширенный контекст вызывает увеличенные расходы на токены и рост галлюцинаций у чистых LLM‑решений.

по данным IBM, комбинация структурированного извлечения и LLM поддерживает качество ответов и одновременно сокращает затраты, а следующий шаг — распространение этих подходов на генерацию тестов, реагирование на инциденты и модернизацию соответствия.