L’Oréal: мультиагентная аналитика, где сотрудники спрашивают данные обычными вопросами

Задача

L’Oréal — крупнейшая в мире косметическая компания: больше 150 стран и более 37 международных брендов. Традиционным ИИ она занимается много лет, а генеративный ИИ начала внедрять в 2023 году. Цель — сделать возможности ИИ доступными всем сотрудникам, сохранив безопасность, управляемость и бизнес-пользу.

Ключевая проблема — доступ к данным без технических навыков и без отдельного дашборда под каждый вопрос. Для таких задач нужны математика, программирование и генерация запросов SQL, а ошибка в цифре быстро подрывает доверие к инструменту.

Что сделали

L’Oréal выбрала Claude после тестирования на своих сценариях. Модель работает в двух ролях: в ИИ-ассистентах, где нужны сильные рассуждения, и в разработке, через GitHub Copilot и Claude Code.

В разговорной аналитике Claude стал главным оркестратором. Сотрудник задаёт вопрос обычным языком, а модель решает, каких специализированных агентов подключить, координирует их и собирает ясный ответ с подтверждающими графиками.

Как это устроено

Вместо одной модели на все задачи компания построила узких агентов. Для расчётов Claude отдаёт задачу выделенному агенту-калькулятору. Измерения продуктов обрабатывает агент справочника продуктов, географические вопросы — агент справочника географии. Также есть агенты семантического API и получения данных. Система запрашивает данные Beauty Tech Data Platform на естественном языке и при этом соблюдает права доступа конкретного пользователя.

Такая схема помогает бороться с ошибками: узкие агенты помогают сохранять точность, а риск галлюцинаций команда отслеживает и снижает. Руководитель платформы отмечает, что в их тестах модели Claude 3.7, 4 и 4.5 Sonnet лучше всех справляются с управлением субагентами.

Цифры

• ●примерно 99% точности на разговорной аналитике против 90% при прежних подходах к генеративному ИИ
• ●более 15 специализированных агентов, которыми управляет Claude для работы с данными
• ●15 000 уникальных пользователей в день, 33 000 в неделю, 44 000 в месяц
• ●2,5 млн сообщений в месяц на внутренней платформе (несколько моделей)
• ●ранний тест Claude Code на 30–50 разработчиках показывает обнадёживающие результаты для производительности

Что повторить у себя

1. Ставьте оркестратора над узкими агентами: калькулятор, справочники, поиск данных. Так проще контролировать точность.
2. Для числовых вопросов отдавайте расчёты отдельному инструменту, а не самой языковой модели.
3. Сравнивайте модели на своих задачах, например, оценкой одной модели другой, а не по общим рейтингам.
4. Учитывайте права доступа пользователя на уровне запросов к данным, иначе система не пройдёт согласование.
5. Измеряйте точность на реальном наборе вопросов до массового запуска, чтобы доверие к инструменту росло вместе с охватом.