От Pull к Push: новая парадигма взаимодействия
Три недавних запуска — Meta Muse (8 сентября), OpenAI Dots (29 сентября) и обновленный Uber Driver Assistant (голосовая версия анонсирована 24 сентября) — объединяет одна стратегия. ИИ-агенты больше не ждут запроса. Они самостоятельно мониторят контекст, находят возможности и инициируют контакт. Это смещает фокус с качества ответа на точность момента: прервать слишком часто — пользователь заглушит уведомления, слишком поздно — упущенная выгода.
Три кейса проактивного ИИ
Каждая компания реализует этот подход через свои экосистемы, но с общей целью: быть полезными, не навязываясь.
| Компания | Продукт | Дата запуска | Ключевая функция |
|---|---|---|---|
| Meta | Muse | 8 сентября | Персональный агент, который работает даже при закрытом приложении. Помнит детали, делает непрошенные предложения и проверяет согласие в WhatsApp. |
| OpenAI | Dots | 29 сентября | Агенты «всегда на связи» для проактивного мониторинга (например, поиск забытых счетов или багов в Slack). Уведомления через ChatGPT, Slack, Teams (текст и голос). |
| Uber | Driver Assistant | 24 сентября (голос) | Анализ рыночных сигналов в реальном времени. Пример: водитель простаивает 33 минуты, агент предлагает зону с высоким спросом, обосновывая рекомендацию данными. |
Математика внимания: ценность выше стоимости прерывания
Автор статьи Жан-Марк Момессен утверждает, что LLM-модели хороши в написании текста, но плохи в принятии решений о том, когда его отправлять. Успешный проактивный агент должен отправлять сообщение только тогда, когда ожидаемая ценность для пользователя превышает стоимость прерывания. Эта ценность складывается из четырех факторов:
- Масштаб риска/выгоды: Насколько важно действие (просроченный счет vs. рекомендация фильма).
- Вероятность действия: Склонен ли пользователь отреагировать.
- Срок действия: Как быстро исчезает возможность (срочность).
- Бенефициар: Чья выгода — пользователя или платформы.
Техническое решение: Decision Models вместо LLM
Для решения задачи «когда говорить» используются не большие языковые модели, а специализированные Decision Models (модели принятия решений), такие как TypeSafe’s Jev или Julia 1 от Supersonic Labs. Эти модели не генерируют текст, а выдают структурированный вердикт: да/нет, оценку вероятности или выбор канала. Например, Julia 1 работает на CPU и принимает решение за ~33 мс.
Архитектура строится на каскаде:
- Агент оценивает триггеры.
- Дешевая Decision Model определяет: стоит ли прерывание того? Какова срочность?
- Только если решение положительное, вызывается LLM для генерации контента.
Для калибровки таких систем используются Uplift Models (оценка влияния на действие), Contextual Bandits (выбор лучшего момента) и Receptivity Models (понимание текущего состояния пользователя: в машине, на встрече или свободен).
Риски коммерциализации
Прозрачность намерений критична. Meta уже тестирует коммерцию в Muse, OpenAI вводит тариф $500/мес для Dots, а Uber продвигает доставку. Однако любая реклама или кросс-селл должны проходить ту же проверку ценности. Если пользователь поймет, что агент «продает», а не «служит», доверие к каждому последующему уведомлению будет разрушено.
Итог: гонка ИИ-агентов выигрывается не мощностью модели, а качеством «суждения» о внимании пользователя. Компании с историей работы с уведомлениями (как Uber или Meta) имеют здесь преимущество.
Источник: MarkTechPost ↗