Исследователи представили гибридный агентный фреймворк для управления запасами, который снижает общие затраты на 32,1% по сравнению с использованием GPT-4o в качестве сквозного решателя. Система строго разделяет семантическое рассуждение и математические вычисления.
В новой архитектуре большая языковая модель (LLM) выступает в роли интеллектуального интерфейса: она запрашивает параметры из естественного языка и интерпретирует результаты, но автоматически вызывает строгие алгоритмы для построения оптимизационного движка. Это решает проблему «налога на галлюцинации» — разрыва в производительности из-за неспособности модели к обоснованному стохастическому рассуждению.
Для тестирования системы в условиях неоднозначности реальных управленческих диалогов авторы ввели «Имитатора человека» — дообученную «цифровую копию» менеджера с ограниченной рациональностью. Эксперименты показали, что предоставление абсолютно точной информации само по себе не улучшает работу GPT-4o, что подтверждает: узкое место — вычислительное, а не информационное.
Результаты позиционируют LLM не как замену методам исследования операций, а как интерфейсы на естественном языке, которые делают строгие, основанные на решателях политики доступными для неспециалистов, особенно в малом и среднем бизнесе.
