Искусственный интеллект
От личного помощника к корпоративной платформе: как меняется роль генеративного ИИ
Из экспериментальной технологии генеративный ИИ превратился в повседневный инструмент: сегодня 40% россиян используют его в работе. Для бизнеса главный вопрос уже не в том, внедрять ли искусственный интеллект, а в том, как встроить его в операционные процессы и получить измеримый эффект.
Где проходит точка, после которой ИИ становится частью корпоративной инфраструктуры? Почему компании всё чаще выбирают собственные платформы вместо публичных сервисов? И что отличает успешные проекты от пилотов, которые так и не вышли за рамки эксперимента? Об этом рассуждают директор Центра ИИ-решений для B2B Сбера Александр Вибе и директор департамента технологических инноваций «Норникеля» Алексей Тестин. В центре их дискуссии — переход генеративного ИИ от отдельных инструментов к новой корпоративной инфраструктуре и изменение роли технологических партнёров.
Подкаст «Цифра в деле: как искусственный интеллект меняет большой бизнес»: во втором сезоне проекта СберПро разбираемся в генеративном ИИ, его перспективах и реальном влиянии на бизнес.
В этом выпуске директор Центра ИИ-решений для B2B Сбербанка Александр Вибе и директор департамента технологических инноваций «Норникеля» Алексей Тестин рассказали, как превратить искусственный интеллект из удобного личного инструмента в корпоративный стандарт, работающий на результат.
Содержание:
Почему сотрудники применяют ИИ в работе раньше внедрений
Генеративный ИИ перестал быть экзотикой. Люди всё чаще используют его в повседневной жизни, чтобы искать информацию, писать тексты, анализировать документы или решать рабочие задачи. Привычка обращаться к цифровому помощнику формируется быстрее, чем корпоративные политики по использованию ИИ.
По мнению экспертов, именно здесь бизнес уже прошёл точку невозврата. Для большинства компаний вопрос больше не в том, будут ли сотрудники использовать генеративный ИИ. Они уже используют его — зачастую через публичные сервисы и вне корпоративного контура. Теперь задача бизнеса — предложить безопасную альтернативу, которая позволит сохранить привычный пользовательский опыт, не жертвуя информационной безопасностью.
«Если спросить руководителей бизнеса, внедрён ли в компании искусственный интеллект, многие ответят: „Мы только пробуем“. Однако большинство сотрудников уже используют ИИ каждый день, просто вне корпоративного контура», — говорит Александр Вибе.
По его словам, задача компаний сегодня — сделать этот процесс безопасным и управляемым, чтобы корпоративные данные не попадали в сторонние сервисы.
Искусственный интеллект как новая инфраструктура бизнеса
Создание корпоративных систем на базе собственных моделей далеко не универсальный сценарий. По словам экспертов, самостоятельно развивать подобные решения способны единицы крупнейших российских компаний. Для этого необходимы вычислительные мощности и собственные команды специалистов, способные обучать модели, выстраивать инфраструктуру и сопровождать весь цикл разработки.
Для большинства компаний более реалистичен другой сценарий — использовать готовые корпоративные платформы и адаптировать их под собственные процессы. В этом случае ИИ перестаёт быть отдельным приложением и становится частью корпоративной ИТ-инфраструктуры наряду с системами ERP (enterprise resource planning — планирование ресурсов предприятия), CRM (customer relationship management — управление взаимоотношениями с клиентами) и другими ключевыми цифровыми сервисами.
Именно с такой задачей столкнулся «Норникель». Компания разработала корпоративного помощника на базе собственной доменно-специфичной модели MetalGPT, адаптированной под задачи горно-металлургической отрасли. Решение сочетает привычный пользовательский опыт с требованиями информационной безопасности. В основе — гибридная архитектура: данные, не содержащие коммерческой тайны, могут обрабатываться в облаке, тогда как чувствительная информация остаётся внутри корпоративного контура.
Доменно-специфичная большая языковая модель (от англ. domain-specific large language model, DSLM) — это искусственный интеллект, обученный под задачи конкретной индустрии: распознаёт профессиональный сленг, терминологию и отраслевые стандарты. В отличие от универсальных аналогов, такая модель специализируется на узких предметных областях, избегая общих ответов и галлюцинаций.
«Невозможно удержать людей от использования GPT. Поэтому мы решили дать им собственный инструмент. Теперь сотрудники заходят в проверенный источник, а информационная безопасность спокойна», — объясняет Алексей Тестин.
Почему большинство проектов не доходят до результата
Почему же тысячи пилотов так и не становятся частью бизнеса?
Проблема — в подходе. Компании часто начинают экспериментировать с ИИ, не определив заранее, какую бизнес-задачу он должен решить и каким образом будет измеряться результат.
«Когда закладывается пилотный проект, зачастую не выставляются бизнес-метрики: для чего мы его делаем и какой эффект должны получить. В итоге пилот демонстрирует возможности технологии, но не становится частью операционной деятельности», — объясняет Александр Вибе.
Сегодня рынок постепенно смещается от обсуждения возможностей моделей к поиску конкретных сценариев применения. Если год назад компании чаще спрашивали, что умеет генеративный ИИ, то теперь интересуются, где он действительно способен увеличить выручку, сократить издержки или повысить производительность.
Запросы зависят от отрасли, масштаба бизнеса и уровня цифровой зрелости компании. Крупные холдинги чаще автоматизируют целые процессы: управление кадрами, финансы, закупки, документооборот. Более гибкий бизнес внедряет облачные сервисы и корпоративных помощников. Малые компании заинтересованы прежде всего в готовых инструментах, поскольку не располагают собственными командами разработки.
Эксперты также отмечают, что сегодня генеративный ИИ всё чаще рассматривают как инструмент роста, а не только сокращения расходов. Среди наиболее востребованных сценариев — автоматизация клиентского сервиса. Так, более половины обращений в контакт-центр Сбера уже обрабатываются с помощью автономных агентов, снимая с сотрудников значительную часть повторяющейся нагрузки.
Однако даже при наличии подходящего сценария внедрение редко оказывается исключительно технической задачей. На практике одним из самых сложных этапов становится подготовка технического задания. Заказчику необходимо не только описать будущую систему, но и сформулировать образ результата, определить показатели эффективности и понять, как новая технология будет встроена в существующие процессы.
Успешные проекты начинаются не с выбора модели, а с детальной проработки бизнес-кейса. Только после этого можно переходить к разработке и оценивать реальный эффект внедрения, резюмирует Александр Вибе.
Практика — главный критерий зрелости технологии. В разделе «Кейсы» на СберПро собраны истории компаний, которые уже внедрили генеративный ИИ в свои операционные процессы и получили конкретные бизнес-результаты. Узнайте, как нейросети решают задачи автоматизации, аналитики и повышения эффективности в разных отраслях — от промышленности до финансов.
Новый формат работы: что меняется для сотрудников
С внедрением генеративного ИИ связан ещё один устойчивый миф — об увольнениях. Именно этот страх нередко становится причиной сопротивления новым технологиям.
Александр Вибе отмечает, что при запуске проектов компании сталкиваются с ситуацией, когда сотрудники неохотно описывают собственные процессы, опасаясь, что после автоматизации их функции окажутся невостребованными. Однако на практике происходит обратное. «Если повысить производительность труда, специалисты будут заниматься другими, более интересными задачами», — говорит Александр Вибе.
Опыт «Норникеля» это подтверждает. Компания занимается внедрением технологий искусственного интеллекта уже несколько лет, прежде всего в производственных процессах. Сегодня около 80% операций поддерживаются системами предиктивного ИИ, а часть оборудования работает в полностью автоматическом режиме.
Предиктивный ИИ (от англ. predict — прогнозировать) — это категория систем искусственного интеллекта, которая анализирует исторические данные и выявляет скрытые закономерности для предсказания событий. В отличие от генеративного ИИ, создающего новый контент, он специализируется на числовых оценках, вероятностях и аналитике.
Главной задачей таких проектов в «Норникеле» было не сокращение персонала, а перераспределение функций. Вместо постоянного контроля типовых задач операторы сосредоточились на анализе нестандартных ситуаций, поиске причин отклонений и оптимизации технологических процессов.
По словам Алексея Тестина, именно такой подход позволил быстро снять опасения сотрудников: «За четыре года мы никого не уволили. Мы дали людям инструмент, от которого они сами не хотят отказываться, потому что он снял с них рутинную нагрузку. Раньше операторы весь день смотрели на экраны с мнемосхемами и нажимали кнопки, давая команды технологам. Теперь эти задачи выполняет „автомат“, а специалисты занимаются анализом: почему падает качество на такой‑то руде, как оптимизировать процесс».
Экономический эффект таких решений в компании исчисляется миллиардами рублей. Генеративный ИИ пока находится на более раннем этапе развития, однако его роль, по мнению экспертов, будет иной.
Если предиктивные модели напрямую влияют на производственные показатели, то генеративный ИИ постепенно становится универсальным инструментом повышения эффективности интеллектуального труда и превращается для компаний в «гигиенический слой», как электронная почта и офисные приложения. Оценивать его эффективность как отдельного проекта будет всё сложнее.
«Как посчитать экономический эффект от внедрения компьютеров или Excel? Это базовый минимум, без которого работать невозможно», — резюмирует Алексей Тестин.
Вопрос не в том, заменит ли ИИ человека. Важнее понять, как изменится организация труда. Генеративные модели постепенно берут на себя поиск информации, подготовку документов, первичный анализ данных и другие повторяющиеся операции, освобождая сотрудникам время для задач, требующих профессиональной экспертизы, принятия решений и взаимодействия с людьми.
По мере развития технологии ключевым фактором успеха становится способность компании перестроить процессы, изменить подход к работе сотрудников и встроить ИИ в повседневную деятельность.
Что меняется для поставщиков корпоративного ИИ
По мере взросления рынка меняются ожидания заказчиков. Большинство крупных компаний уже накопили опыт экспериментов с генеративным ИИ, поэтому теперь оценивают не возможности модели, а её влияние на бизнес-процессы.
«Самая сложная часть проекта не технология. Самая сложная часть — понять образ результата и встроить новое решение в существующие процессы», — говорит Александр Вибе.
Поэтому компании всё чаще ожидают от партнёров не отдельные модели, а готовые решения: отраслевую экспертизу, методологию внедрения, помощь в формировании технического задания, интеграцию в существующую ИТ-инфраструктуру и оценку экономического эффекта.
Алексей Тестин формулирует это ещё проще: «Если мне просто предложат модель, я отвечу: „Спасибо, не надо“. Но если скажут: „Мы возьмём на себя HR-функцию под ключ, встроим её в операционную модель компании, а внутри будут работать агенты и генеративный ИИ“, — это уже действительно интересно».
По мнению Александра Вибе, именно поэтому ключевую роль будут играть не отдельные модели или решения, а сотрудничество вендоров и интеграторов. Первые развивают базовую инфраструктуру: модели, API и платформенные сервисы. Вторые помогают встроить эти технологии в реальные бизнес-процессы с учётом отраслевой специфики.
Сбер уже развивает именно такой подход: сочетает развитие платформенных решений с сопровождением клиентов на всех этапах внедрения — от обучения и проектирования архитектуры до интеграции и масштабирования ИИ в разных сегментах бизнеса.
Первый сезон подкаста «Цифра в деле» был посвящён вопросам цифровой трансформации: вместе с экспертами и управленцами из разных отраслей разбирали, как грамотно выстроить подход к интеграции технологических решений.
Генеративный ИИ уже применяют через сотрудников. Теперь главная задача бизнеса состоит в том, чтобы не запретить этот процесс, а сделать его безопасным, управляемым и полезным для компании.
Что это значит для бизнеса
Алина Носова
Автор