Sierra: почему лучшие AI-агенты для клиентов работают на простых архитектурах

Сооснователь Sierra Зак Рено-Уэдин и CEO LangChain Харрисон Чейс обсудили в подкасте Max Agency природу AI-агентов, которые реально работают в продакшне. Вывод оказался контринтуитивным: самые эффективные системы для клиентского сервиса — не самые сложные.

Ловушка сложности Большинство команд при создании AI-агентов идут по интуитивному пути:

добавляют больше слоёв, больше инструментов, больше оркестрации. В Sierra пришли к противоположному выводу после работы с крупными корпоративными клиентами. По словам Рено-Уэдина, агенты с простой архитектурой стабильнее и предсказуемее в продакшне. Каждый дополнительный слой абстракции — это потенциальная точка отказа, сложность в дебаггинге и неожиданное поведение на граничных случаях. В клиентских AI-системах это критично: ошибка в середине длинной цепочки может испортить весь пользовательский опыт.

• Меньше компонентов — проще отлаживать и мониторить Простые пайплайны дают предсказуемый latency Легче выполнять compliance и audit-требования Быстрее итерировать при изменении бизнес-логики Ниже порог входа для новых инженеров в команде ## Что такое «org chart shipping» Один из главных антипаттернов, который Рено-Уэдин описывает как «org chart shipping» — когда архитектура агента повторяет организационную структуру команды, создавшей его. Если в компании есть отдел по работе с жалобами, отдел технической поддержки и отдел продаж — в AI-системе появляются три отдельных агента, разделённых по тому же принципу. Проблема в том, что клиент не думает в категориях внутренней оргструктуры. Его реальная задача может пересекать несколько отделов одновременно, и система начинает давать фрагментированные или противоречивые ответы.

«Лучший агент — тот, который решает задачу клиента, а не тот, который отражает внутреннюю структуру компании», — Зак Рено-Уэдин.

Альтернатива — проектировать агента вокруг сценариев клиента, а не вокруг того, как устроена компания изнутри. Это требует глубокого понимания customer journey, но даёт значительно более связный пользовательский опыт.

Оплата за результат Sierra работает по модели outcome-based pricing — клиенты платят за

решённые задачи, а не за количество токенов или API-запросов. По мнению Рено-Уэдина, эта модель принципиально меняет стимулы всей команды разработки. Когда оплата привязана к результату, команда вынуждена заранее честно ответить на вопрос: что вообще считается успехом? Это дисциплинирует и продуктовое мышление, и техническую архитектуру. Агент оптимизируется под реальный исход для пользователя, а не под метрики использования системы. В практическом плане это означает, что ещё до запуска в продакшн команда должна чётко определить: что такое «решённый запрос», при каких условиях агент считается успешным и как это измерять. Без этой работы любая архитектура — и простая, и сложная — будет оптимизироваться вхолостую.

Что это значит Индустрия AI-агентов движется от экспериментов к зрелости.

Победители в корпоративном сегменте — не те, кто нагромоздил максимум технической сложности, а те, кто точно определил задачу клиента и выбрал минимально достаточную архитектуру под неё. Sierra — один из первых показательных примеров того, как это выглядит на практике.