СИБУР добавил ИИ-критика в мультиагентную систему и сократил оценку идей с 88 дней до двух недель

Любой команде нужен человек, который вовремя спросит: «А откуда эти цифры?». В СИБУРе этого скептика решили сделать отдельным ИИ-агентом, и это оказалось одним из самых полезных решений в проекте.

Какую проблему решали

СИБУР производит полимерное сырьё, а его клиенты делают из него упаковку, трубы, шприцы и окна. Чтобы расширять рынок, компания постоянно проверяет идеи замены: можно ли сделать полимерной деталь, которая сейчас металлическая. Каждая идея требует большого исследования: свойства материала, условия эксплуатации, нормативы, спрос и экономика. Раньше оценка одной гипотезы занимала в среднем 88 рабочих дней. С мультиагентной системой это до двух недель, включая проверки и согласования.

Как устроена система

В системе 16 шагов: 14 ИИ-этапов и две детерминированные фазы. Агенты-исследователи собирают аргументы по направлениям, а критик проверяет, выдерживают ли они проверку, не упущены ли ограничения и нет ли противоречий. Основной движок работает на Google Gemini: Pro для сложных рассуждений, Flash для простых задач. Критиком выбрали Claude: он хорошо проверяет, но гонять на нём всю работу слишком дорого. Для поиска контекста используют Perplexity Sonar Pro, а запасной вариант, Sonnet с Web Search, медленнее и примерно в пять раз дороже.

Пример работы критика: исследователь пишет, что материал дешевле, значит замена выгодна. Критик проверяет, что именно сравнивали. Если только закупочную цену, до вывода о стоимости владения далеко. В другом прогоне по многослойной упаковке он усилил риск расслоения после стерилизации и потребовал испытаний до и после обработки. Рекомендация получила статус «только пилот».

Спора до бесконечности нет: критика один этап. Повторное исследование запускает эксперт, а если итоговый синтез отвергает довод критика, он обязан объяснить почему. Баллы выставляют агенты, а вердикт определяется по заданным правилам.

Где система ломалась

Первые ответы выглядели убедительно, но эксперты находили ошибки. Подробный и стройный текст скрывает неверную основу.

• Медицинскую упаковку система оценила по строительным СНиПам. Решением стала настройка под сегмент: эксперт один раз отвечает на вопросы и загружает документы, дальше ими пользуются коллеги.
• «АБС-пластик» превратился в «тормоза». Появился отраслевой словарь.
• Сравнивали цену покупки, забыв про эксплуатацию. Добавили методику стоимости владения, а нехватка данных теперь видна в результате.
• Агент сослался на отменённую норму. Теперь проверяются актуальность и применимость документа.

Ещё одна проблема: для слова «обечайка» (оболочка стаканчика) в каталоге не нашлось сегмента. Пришлось дать пользователям возможность добавлять свои сегменты.

Как довели до рабочего инструмента

Скорость: независимые поисковые вызовы и две пары этапов (нормативы с экономикой, рынок с потребительскими качествами) запускаются параллельно. Ограничили число поисковых раундов, объём загружаемых страниц и убрали дублирование контекста в финальном синтезе. Польза: «не заменять» считается полноценным результатом, ведь он экономит месяцы. Стабильность: новые сегменты, документы и смена моделей требуют постоянной поддержки.

Что из этого взять

Если строите агентную систему для решений с ценой ошибки, выделяйте проверку в отдельную роль и по возможности на другой модели. Фиксируйте правила вердикта вне LLM, добавляйте словарь предметной области и проверку актуальности источников. И оставляйте человека на финале: критик тоже ошибается. Ограничение материала в том, что цифры по качеству критика не приведены: непонятно, сколько ошибок он реально ловит. Но сама идея разделить «генерацию» и «возражение» хорошо переносится на другие домены.