ИИ-агентам нужна память: как работает граф знаний

Пять сотрудников компании задали корпоративному чат-боту один и тот же вопрос. Каждый получил ответ с нуля: бот не помнит, что отвечал коллеге час назад. Так выглядит большинство внедрений ИИ сегодня. На конференции VB Transform 2026 продуктовый директор Asana Арнаб Боуз показал другой сценарий: агенты, встроенные в граф рабочих данных компании, помнят контекст, но не выдают то, что видеть не положено.

Память компании как контекст агента

Asana построила систему Agentic Work Management (AWM) поверх графа Work Graph, который развивает 18 лет. В этой базе задача с исполнителем и сроком лежит внутри проекта, проект - внутри портфеля, портфель связан с целями компании. Связь между задержкой дизайн-задачи и выручкой видна прямо в графе. Обычный AI-копайлот не имеет состояния и привязан к одному промпту. AWM видит цели компании, обновляет статусы проектов и делит память с людьми.

Боуз формулирует прямо: агент работает не с локальным файлом сотрудника, а с общим реестром всей компании. Кейс CoreWeave это подтверждает. Продакт-менеджер пишет обычный документ, AI-воркфлоу создаёт структуру проекта, специализированные агенты следят за статусами и прогнозируют затраты на инфраструктуру. Люди переключились с рутины на оценку результатов.

Вторая инженерная деталь - маршрутизация моделей. Сложное поручение уходит на тяжёлый фронтир (Opus, модели OpenAI), простое - на быструю и дешёвую модель. Третья - биллинг. Агентные задачи жгут кредиты непредсказуемо, поэтому Asana берёт фиксированную цену за выполненную задачу и сама разбирается с токенами.

Граф памяти контекста в маркетинге

Мелисса Бенуа, вице-президент по инженерии, объясняет в MarTech, почему маркетинговые системы упираются в контекст. CRM и CDP знают, кто клиент и что он купил. Они не знают, чего клиент хочет сейчас. ИИ без этого отвечает гладко, но шаблонно: тексты не в стиле бренда, предложения мимо рынка.

Бенуа раскладывает технологии по четырём слоям зрелости. Схема структурирует страницы, чтобы ИИ их понимал. Сущности задают уникальные идентичности. Граф знаний собирает проверенные сущности и связи в слой знаний бизнеса. Граф памяти контекста добавляет сигналы в реальном времени, намерения клиента и историю решений. Каждый слой надстраивается над предыдущим, ничего не заменяя.

Пример из колонки: сеть отелей хочет поднять бронирования в слабый сезон. Обычный подход - цифры прошлого года и широкие сегменты. Граф соединяет историю с намерениями в реальном времени, сезонностью, наличием номеров и офферами конкурентов. Результат - предложение семейного пакета с бесплатной парковкой, когда спрос, наличие и условия рынка совпадают. После запуска команда следит по графу за вовлечённостью и бронированиями, и каждая кампания становится циклом обучения.

Когда графы выигрывают

Архитектор R&D из Persistent Systems Даттарадж Рао разобрал работу Microsoft и четыре независимых бенчмарка. Обычный векторный RAG ищет k отрывков, больше всего похожих на запрос. У схемы три слепые зоны: ответ требует соединить факты из разных кусков через общую сущность, вопрос касается всего корпуса, а связи между кусками пропадают на границах.

GraphRAG работает до того, как задан вопрос. На этапе индексации LLM читает каждый кусок, вытаскивает сущности, связи и утверждения и собирает их во взвешенный граф знаний. Алгоритм Лейдена делит граф на иерархию тем, для каждой темы заранее пишется краткое содержание. В момент запроса эти сводки делают основную работу: каждая тема готовит частичный ответ, части ранжируются и объединяются.

Есть и цена. Построение графа стоит денег: LLM извлекает сущности из всего корпуса. Один анализ оценил индексацию умеренного корпуса около 48 долларов на GPT-4o. Следующая версия Microsoft, LazyGraphRAG, переносит извлечение на момент запроса и снижает стоимость до 0,1% от исходной.

Вердикт Рао прост: граф нужен, когда вопросы многошаговые или глобальные, когда корпус густо связан - исследовательские библиотеки, история инцидентов, базы знаний. Для поиска одного факта текстовые куски держат позиции. Лучший вариант гибридный: маршрутизатор направляет каждый запрос к подходящему методу.

Модели дешевеют, память остаётся отличием

Ночью 2 августа команда Qwen из Alibaba выложила заявление: флагман на 2,4 триллиона параметров обходит GPT-5.6 Sol Max на бенчмарке агентных действий с компьютером. Qwen3.8-Max набрала 86,1 на OSWorld-Verified против 83,2 у GPT-5.6 Sol Max и 85,0 у Fable 5. Цена - 2 доллара за миллион входных токенов и 6 за выходные, меньше трети цены Claude Opus 5. На прошлой неделе OpenAI урезала цены на GPT-5.6 Terra и Luna на 20% и 80%.

Для агентных систем разница критична: многочасовая автономная работа сжигает миллионы токенов за одну задачу. Компании, которые запускают сотни агентов, платят за вывод едва ли не больше, чем за сами модели. Когда стоимость исполнения падает, конкурентное преимущество смещается в данные и память: у кого контекст структурирован, тот получает результат. Остальные платят за дешёвые токены и не видят эффекта.

Внедрение держится на людях

Дэн Слаген, CMO и директор по AI-трансформации Zapier, за три недели перевёл свою маркетинговую команду из пользователей ИИ в создатели. Планка выросла, когда coding-агенты начали осваивать люди без технического образования: маркетологам пришлось работать с Cursor, Claude Code и Codex. Слаген говорит прямо: никакой инструмент, платформа или языковая модель не придут и не спасут вас. Следующий этап внедрения ИИ держится на людях и на доказательствах, что новая организация труда даёт измеримый результат.

Что это значит для бизнеса

Пять новостей складываются в одну картину. ИИ-агенты для бизнеса дают эффект, когда у них есть память и контекст. Без этого они отвечают на отдельные запросы и не накапливают результат. Модели дешевеют, инструменты для графов появляются, и главным активом становится структурированный контекст компании: CRM, документооборот, согласования, история решений.

Для компаний во Владивостоке и на Дальнем Востоке практический путь такой. Начать с одного процесса, где контекст уже структурирован. Подключить агента к реальным рабочим данным, решить вопрос разграничения прав до старта. Потом добавить слой памяти: фиксировать решения, логику и результаты, чтобы следующий агент не начинал с нуля.

Внедрение искусственного интеллекта в компании начинается с аудита: какие процессы готовы к агентной автоматизации, где данные структурированы, какие вопросы будет задавать система. Нейросети для бизнеса усиливают эффект, когда у них есть контекст. Мы помогаем компаниям во Владивостоке и по всей России автоматизировать бизнес с помощью ИИ-агентов: от бесплатного аудита до полного внедрения.