Мультиагентные системы ИИ для бизнеса: чему учит свежий анонс Fujitsu

Fujitsu 25 мая 2026 года объявила о технологии self-evolving multi-AI agent: несколько AI-агентов работают как команда, учатся на результатах задач, обратной связи людей, изменениях политик и новых требованиях к процессам.

Для бизнеса здесь важен не сам бренд Fujitsu, а сдвиг в подходе: мультиагентные системы начинают использовать не как демо с чат-ботами, а как рабочий слой для сложных операций — от настройки отраслевых LLM до поиска по проектной документации.

Что произошло

По заявлению Fujitsu, новая технология позволяет AI-агентам не просто выполнять инструкции, а разбирать причины успехов и ошибок, выделять полезные операционные знания и безопасно применять их в следующих задачах. Компания описывает два проверенных направления:

• улучшение отраслевых LLM: агенты помогают выбирать данные, настраивать условия обучения, оценивать результат и предлагать рабочие улучшения;
• поиск по сложной документации: агенты учатся на прошлых поисках, ошибках и правках экспертов, чтобы лучше находить связанные документы и зоны влияния изменений.

Fujitsu также заявила, что при оптимизации своего бизнес-ориентированного LLM Takane для нескольких доменов получила средний прирост точности на 28 пунктов по сравнению с состоянием до специализации. Это не означает, что любой бизнес автоматически получит такой же эффект, но показывает направление: ценность появляется там, где ИИ учится на реальных рабочих данных и экспертной обратной связи.

Почему это важно для бизнеса

Обычный AI-помощник хорошо отвечает на вопрос, но быстро упирается в границы: он не знает внутренних правил компании, не видит всю историю ошибок и не всегда понимает, какие документы важны для решения.

Мультиагентные системы ИИ закрывают другую задачу. Вместо одного универсального ассистента появляется команда специализированных ролей: один агент ищет данные, второй проверяет соответствие правилам, третий оценивает риск, четвёртый готовит итог для человека.

Для предпринимателя или руководителя отдела это полезно в трёх случаях:

• процесс уже повторяется часто и отнимает время у сильных специалистов;
• решение зависит от многих документов, правил, CRM-записей или заявок;
• ошибка дорогая, поэтому нужен не «быстрый ответ», а проверяемый маршрут принятия решения.

Именно поэтому тема ближе к AI-сотрудникам под задачи бизнеса и автоматизации бизнес-процессов, чем к очередному чат-боту на сайте.

Где мультиагентные системы дают эффект

Практический смысл появляется не там, где хочется «поставить ИИ», а там, где есть понятный поток задач и достаточно данных для проверки результата.

1. Поддержка и клиентский сервис

Один агент классифицирует обращение, второй ищет ответ в базе знаний, третий проверяет договорные ограничения, четвёртый готовит ответ оператору. Человек остаётся владельцем качества, но тратит меньше времени на ручной поиск.

2. Продажи и CRM

Мультиагентная связка может собрать контекст по клиенту, проверить историю касаний, предложить следующий шаг и подготовить письмо. Особенно полезно, если менеджеры работают в CRM нерегулярно и теряют важные детали.

3. Документооборот и регламенты

Если процессы завязаны на договоры, инструкции, спецификации и изменения правил, агенты могут искать связанные документы, подсвечивать зоны риска и готовить черновик решения для ответственного специалиста.

4. Внутренние инструменты и разработка

Для компаний, которые строят интеграции и внутренние инструменты, мультиагентный подход полезен в задачах анализа требований, проверки изменений, подготовки тест-кейсов и контроля связей между системами.

Какие риски нельзя игнорировать

Главные слабые места внедрения:

• нет эталона качества — непонятно, какой ответ считать правильным;
• разрозненные данные — часть знаний живёт в чатах, часть в таблицах, часть в головах сотрудников;
• не назначен владелец — никто не отвечает за правила, безопасность и приёмку результата;
• слишком широкий старт — бизнес пытается автоматизировать «всё», вместо одного измеримого процесса.

Как подойти к внедрению без хаоса

Если вы смотрите на мультиагентные системы искусственного интеллекта как на практический инструмент, начинать лучше не с платформы, а с карты процесса.

1. Выберите один процесс. Например: разбор входящих заявок, подготовка коммерческих предложений, поиск по базе знаний, контроль договоров или первичная обработка лидов.
2. Опишите роли агентов. Кто ищет данные, кто проверяет правила, кто формирует вывод, кто передаёт решение человеку.
3. Соберите источники правды. CRM, документы, регламенты, база знаний, история обращений, шаблоны ответов.
4. Задайте критерии проверки. Что считается ошибкой, где нужна ручная валидация, какие действия агентам запрещены.
5. Запустите узкий пилот. Не «AI во всю компанию», а один сценарий с понятной экономией времени или снижением ошибок.

Такой подход хорошо сочетается с форматом проектного внедрения AI-решений: сначала фиксируется бизнес-задача, затем строится минимальная рабочая связка, и только после проверки она расширяется.

FAQ

Источники

• Fujitsu: self-evolving multi-AI agent technology, 25 мая 2026
• Контекст LagomDev: почему AI-пилоты пора переводить в production