Խոշոր լեզվական մոդելների (LLMs) ներկայիս սերունդը օրինաչափությունների ճանաչման ոլորտում մեծ հաջողություն է, սակայն այն նաև բացահայտում է մի նուրբ, համակարգային թուլություն՝ «թվային խմբակային մտածողության» հակումը։ Երբ բիզնեսի ղեկավարները իրենց ներքին AI համակարգերին հանձնարարում են մշակել ստեղծագործական ռազմավարություններ, շուկայի վերլուծություն կամ նույնիսկ պատահական որոշումների կայացում, նրանք հաճախ բախվում են քաղաքավարի, կոնսենսուսի վրա հիմնված «արձագանքի խցիկի» (echo chamber): Սա ավանդական իմաստով տեխնիկական խափանում չէ, այլ ուսուցման տվյալների մաթեմատիկական արտեֆակտ, որն ավելի բարձր առաջնահերթություն է տալիս ամենահավանական նշանային հաջորդականություններին (token sequences), քան իսկապես տարբերվող մտածողությանը:

Քանի որ ընկերությունները Generative AI-ը ներդնում են կարևոր որոշումների կայացման գործընթացներում, այս միատարրությունը թաքնված ռիսկ է պարունակում: Եթե ձեր ավտոմատացված համակարգերը կարդում են նույն «դասագիրքը», ձեր կազմակերպությունը կորցնում է գաղափարները հակափաստարկների միջոցով սթրես-թեստի ենթարկելու ունակությունը: Արագ Թվային փոխակերպում (Digital Transformation) ապրող բիզնեսների համար այս խոչընդոտը սահմանափակում է այն AI գործակալների (AI Agents) օգտակարությունը, որոնք նախատեսված են բարդ, ոչ գծային միջավայրերում ինքնավար գործելու համար:

Կոնսենսուսի թակարդը կորպորատիվ ռազմավարության մեջ

Երբ LLM-ին խնդրում են կատարել որևէ առաջադրանք՝ լինի դա եռամսյակային մարքեթինգային պլանի կազմում, թե արտադրանքի ճանապարհային քարտեզի առաջարկում, այն հիմնվում է իր ուսուցման տվյալների հավանականության կշռված բաշխման վրա: Իր կառուցվածքով այն ձգտում է գտնել «ամենահավանական» պատասխանը: Թեև սա հիանալի է ստանդարտ կոդ գրելու կամ հանդիպումներն ամփոփելու համար, սակայն այն հակասում է նորարարությանը: Իրական ռազմավարական բեկումները հաճախ թաքնված են տվյալների «երկար պոչում» (long tail)՝ ոչ սովորական, եզակի և հակադիր կարծիքներում:

Այս խմբակային մտածողության ազդեցությունը բիզնեսի համար նշանակալի է.

  • Միատարր նորարարություն. Երբ ձեր AI գործիքները առաջարկում են միայն անվտանգ, սովորական ռազմավարություններ, ձեր բիզնեսը վտանգում է ընկնել մրցակցային հավասարության թակարդը, որտեղ դուք շարժվում եք նույն արագությամբ և ուղղությամբ, ինչ ձեր մրցակիցները:
  • Նվազած դիմացկունություն. Կոնսենսուսի վրա հիմնված տրամաբանությանը չափից ավելի ապավինելը կազմակերպություններին կուրացնում է «սև կարապ» (black swan) սցենարների նկատմամբ: Եթե ձեր ռիսկերի գնահատման մոդելները մարզվել են միայն պատմական միջին տվյալների վրա, դրանք հետևողականորեն կթերագնահատեն շուկայի ծայրահեղ անկայունությունը:
  • Ավտոմատացման արդյունավետության անկում. CRM-ում և հաճախորդների սպասարկման մեջ անհատականացված փոխազդեցությունները պահանջում են նրբերանգներով հարուստ, ստեղծագործական պատասխաններ: Եթե չաթ-բոտը կաշկանդված է կոշտ, սովորական տրամաբանությամբ, հաճախորդների գոհունակության ցուցանիշները նվազում են, քանի որ փոխազդեցությունից բացակայում է մարդուն բնորոշ ինքնաբուխությունը կամ ոչ ստանդարտ խնդիրներ լուծելու կարողությունը:

CTO-ների և CIO-ների համար ROI-ի (ներդրումների վերադարձի) հետևանքները հստակ են: Եթե ձեր AI ինտեգրումը տալիս է կանխատեսելի, միջակ արդյունքներ, ապա դուք չեք օգտագործում ձեր հաշվողական ռեսուրսների ծախսերի ողջ ներուժը: AI-ով առաջնորդվող բիզնեսների հասունության հաջորդ փուլը ենթադրում է հրաժարում սովորական, նախապես մարզված մոդելներից՝ հօգուտ այնպիսի ճարտարապետությունների, որոնք ներմուծում են կառուցվածքային պատահականություն, բազմազան հեռանկարների կարգավորում և բազմագործակալային (multi-agent) բանավեճերի շրջանակներ, որոնք ստիպում են մեքենային մարտահրավեր նետել իր իսկ նախադրյալներին:

Տարակարծության ներմուծումը AI աշխատանքային հոսքերում

Խմբակային մտածողության թակարդից դուրս գալու համար տեխնոլոգիական առաջնորդները փնտրում են նոր մեթոդներ՝ իրենց AI ստեկերում «ճանաչողական շփում» (cognitive friction) ներմուծելու համար: LLM-ը որպես ճշմարտության միակ աղբյուր դիտարկելու փոխարեն՝ ժամանակակից ճարտարապետական մոդելները մոդելը դիտարկում են որպես ավելի մեծ բանավեճի մասնակից: Սա ներառում է բազմագործակալային աշխատանքային հոսքերի ներդրում, որտեղ մեկ գործակալը հանդես է գալիս որպես գաղափարների գեներատոր, իսկ երկրորդը կամ երրորդը՝ որպես «կարմիր թիմի» (red team) հակառակորդ, որի խնդիրը տրամաբանության մեջ թերություններ գտնելն է:

Այս մոտեցումը, որը հաճախ անվանում են Մտքի շղթայի (Chain-of-Thought - CoT) տրամաբանություն կամ գործակալային բանավեճ, կտրուկ բարելավում է որոշումների աջակցման որակը: Ստիպելով AI-ին պաշտպանել իր տրամաբանությունը թերահավատ, ավտոմատացված գործընկերոջ առջև՝ ստացված արդյունքը հաճախ լինում է ավելի ամուր, մանրամասն և քիչ հակված «կոնսենսուսի հալյուցինացիաներին», որոնք բնորոշ են պարզ հուշումների ինժեներությանը (prompt engineering):

Որդեգրման միտումները արագորեն փոխվում են: Մենք տեսնում ենք պարզ «չաթ» ինտերֆեյսներից անցում դեպի Գործակալային նվագախմբում (Agentic Orchestration): Այս մոդելում կորպորատիվ AI-ն ոչ միայն պատասխան է տալիս, այլև տրամադրում է հետազոտական ուղի, մեջբերում է հակասական տեսակետներ և առաջարկում է վստահության գործակից՝ հիմնված այն աղբյուրների բազմազանության վրա, որոնք այն խորհրդակցել է: Ընկերությունների համար, որոնք ձգտում են գործնականում կիրառել սա, ուշադրությունը տեղափոխվում է հետևյալ ուղղություններով.

  • Դինամիկ հուշումների կառավարում (Dynamic Prompt Orchestration). Ծրագրային ծածկույթների օգտագործում, որոնք ստիպում են LLM-ներին ընդ