Искусственный интеллект
От пилотов к масштабу. Зачем бизнесу генеративный ИИ и где он даёт реальный эффект
За два года генеративный искусственный интеллект стал одним из главных направлений технологических инвестиций. Компании тестируют большие языковые модели, создают корпоративных помощников и автоматизируют сложные процессы. Однако массового перехода от пилотных проектов к масштабному внедрению пока не произошло.
Где генеративный ИИ уже приносит измеримый эффект? Почему многие инициативы остаются на уровне экспериментов? И как сделать так, чтобы инвестиции в искусственный интеллект действительно окупались? Эти вопросы обсуждают Максим Кузнецов, директор управления стратегического развития и партнёрства AIRI, и Сергей Черномырдин, руководитель команды по развитию инструментов платформы данных Magnit OMNI.
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 управления стратегического развития и партнёрства AIRI Максим Кузнецов и руководитель команды по развитию инструментов платформы данных Magnit OMNI Сергей Черномырдин рассказали, как выйти за рамки отдельных экспериментов и встроить генеративный ИИ в повседневные бизнес-процессы.
Содержание:
Где генеративный ИИ уже меняет бизнес
Первые большие языковые модели привлекли внимание бизнеса благодаря простому пользовательскому сценарию. Сотрудники получили инструмент, с которым можно взаимодействовать на естественном языке и практически сразу видеть результат. Этот опыт стал отправной точкой массового интереса к генеративному ИИ.
«Когда появились публичные модели, мы смогли буквально взять эту технологию в руки. С ИИ можно было поговорить и быстро получить обратную связь», — говорит Максим Кузнецов.
Следующий фактор — скорость. Многие задачи теперь выполняются быстрее: подготовка текстов, анализ информации, генерация идей. По словам Сергея Черномырдина, сокращение времени на принятие решений стало ощутимым эффектом.
Наиболее заметные результаты достигаются в прикладных задачах. Одно из зрелых направлений — разработка. Модели помогают разбирать код для старых версий программ, анализировать архитектуру и ускорять реверс-инжиниринг (от англ. reverse engineering — обратная разработка). Это особенно важно для крупных компаний, где многие системы развивались годами, а часть документации утрачена.
В «Магните» такие инструменты уже активно используют и последовательно расширяют область их применения. Один из примеров — ускорение миграции бизнес-функциональности между хранилищами данных в контуре компании. Значительная часть времени специалистов уходит на анализ легаси-кода (от англ. legacy — наследие) и поиск логики, которая нигде не описана. «Человек сейчас тратит очень много времени, чтобы разобраться в таком коде. Мы ищем возможности, где инструменты ИИ смогут сделать эту работу быстрее», — говорит Сергей Черномырдин.
Однако подобные проекты показывают и ограничения моделей. Если процессы построены на неформализованных знаниях, ИИ не закрывает процесс целиком, а лишь ускоряет отдельные этапы.
Схожая ситуация в других функциях. Генеративный ИИ автоматизирует подготовку документов, помогает искать информацию в корпоративных базах, анализирует большие объёмы данных, поддерживает принятие решений. Максимальный эффект достигается там, где процесс описан, данные структурированы, а результат можно проверить.
Отдельное направление — клиентский опыт. Сергей Черномырдин, отвечающий за развитие платформенных инструментов для работы с данными в контуре крупнейшего ретейлера страны, видит значительный потенциал от использования ИИ в развитии клиентского опыта. Генеративный ИИ позволяет не только автоматизировать обслуживание, но и лучше понимать потребности покупателей, персонализировать взаимодействие и значительно быстрее тестировать новые сервисы.
В ретейле использование генеративного ИИ выходит за рамки автоматизации контакт-центров. Компании активнее используют модели для персонализации предложений и более точного понимания потребностей покупателей. Меняются и внутренние процессы — от оптимизации работы сотрудников до управления цепочками поставок и ценообразованием.
Эксперты сходятся во мнении: главная ценность генеративного ИИ заключается не столько в сокращении затрат, сколько в возможности быстрее выводить на рынок новые продукты и сервисы. «Основной эффект не в экономии. Искусственный интеллект позволяет создавать продукты совершенно другого качества. Именно это становится источником долгосрочного преимущества», — считает Максим Кузнецов.
Истории внедрения генеративного ИИ: от концепта до результата
Отраслевые кейсы с описанием задач, решений и бизнес-эффекта от внедрения искусственного интеллекта — в разделе «Кейсы» на СберПро.
Почему проекты с ИИ сложно масштабировать
Несмотря на рост числа пилотов, масштабирование генеративного ИИ остаётся главной задачей. Многие сценарии успешно работают в эксперименте, но при переходе к промышленной эксплуатации компании сталкиваются с ограничениями, которые невозможно решить только за счёт развития моделей.
Первый вопрос — экономика. На этапе пилота стоимость внедрения часто оправдана: объём данных невелик, пользователей немного, результат достигается быстро. При масштабировании резко растут затраты на вычислительные ресурсы, интеграцию с корпоративными системами и сопровождение решений. Эффект приходится оценивать не только через качество модели, но и через влияние на экономику бизнеса.
«На небольших сценариях решения могут быть достаточно эффективными и не требовать значительных затрат. Но при масштабировании именно экономическая эффективность становится ключевым фактором», — отмечает Сергей Черномырдин.
Вторая причина — устройство бизнес-процессов. В большинстве организаций они формировались задолго до появления генеративного ИИ и построены вокруг взаимодействия сотрудников и неформальных правил. Такие процессы не всегда подходят для автоматизации. Поэтому компании ищут отдельные этапы, где ИИ способен ускорить задачи или снизить нагрузку на сотрудников.
Пример — та же работа с устаревшими системами. Модель помогает разобраться в старом коде и восстановить документацию, однако не может воспроизвести неформализованную логику. «Там нет единого паттерна, который можно было бы полностью передать модели. Значительная часть знаний существует только в опыте людей», — объясняет Сергей Черномырдин.
Ещё один барьер — завышенные ожидания. Доступность генеративных моделей создала иллюзию мгновенной автоматизации сложных задач. Первые эксперименты ведут к переоценке технологии.
Максим Кузнецов отмечает, что после первоначального энтузиазма компании заново оценивают масштаб работ. «Кажется, что завтра можно автоматизировать всё. Потом приходит понимание, что полноценный продукт требует архитектуры, разработки и контроля качества. Искусственный интеллект становится частью системы, а не заменой всей команды».
Наконец, человеческий фактор. Организационные изменения требуют времени, а внедрение ИИ затрагивает привычные способы работы. Успех зависит не только от качества моделей, но и от готовности людей использовать новые инструменты.
Именно сочетание технологических, организационных и экономических факторов объясняет, почему переход от пилота к масштабному внедрению оказывается сложнее запуска первых экспериментов.
Готовые продукты с генеративным ИИ уже помогают компаниям сокращать рутину, ускорять обработку данных и добиваться более точных результатов. Узнайте, какие инструменты подойдут для ваших задач.
Как построить систему, которая работает
Практика показывает: генеративный ИИ нельзя внедрить как отдельный сервис. Для устойчивого результата нужно одновременно менять процессы, подходы к данным и принципы управления.
Эксперты советуют начинать с небольших прикладных задач. В отличие от классических ИТ-проектов, генеративный ИИ позволяет быстро проверить гипотезу. Многие сценарии тестируются за несколько недель. Это снижает стоимость экспериментов и помогает понять, где технология создаёт ценность.
Заранее рассчитать экономический эффект удаётся далеко не всегда. «Сначала нужно провести пилот, подтвердить гипотезу, а уже потом принимать решение о масштабировании», — говорит Сергей Черномырдин.
Следующий принцип — сохранить контроль человека. Эффективный формат: ИИ выполняет подготовительную работу, сотрудник проверяет результат и принимает окончательное решение. По мере развития технологий часть функций контроля перейдёт к системам, но ответственность за результат всё равно останется за человеком.
«Сегодня человек подтверждает результаты работы ИИ. Следующий этап — автоматизированный контроль, когда одни модели проверяют результаты других, а человек управляет правилами и контролирует систему в целом», — отмечает Сергей Черномырдин.
Этот подход особенно важен в процессах с финансовыми и операционными рисками. По словам Максима Кузнецова, развитие автономных агентов потребует встроенных механизмов контроля качества и ограничений.
Важна и корпоративная культура. Речь не только об обучении сотрудников. Компаниям нужно создать условия, где использование генеративного ИИ становится естественной частью работы. Сотрудники должны понимать возможности технологии, иметь доступ к качественным инструментам и видеть практическую пользу. В «Магните» развитие генеративного ИИ поддерживается специализированной платформенной командой. Она создаёт внутренние сервисы, помогает бизнес-подразделениям находить прикладные сценарии и формирует единый подход к использованию ИИ внутри компании.
По словам Максима Кузнецова, широкое распространение технологии начинается с личного опыта пользователей. «Нужно дать людям возможность попробовать. Если инструмент действительно помогает решать рабочие задачи, сотрудники очень быстро начинают использовать его самостоятельно».
Основа трансформации — данные. Генеративные модели не компенсируют отсутствие единых правил хранения информации или низкое качество данных. «Чистые, описанные и доступные данные — один из тех кирпичиков, без которого полноценная ИИ-трансформация просто не состоится», — подчёркивает Сергей Черномырдин.
Успешное внедрение генеративного ИИ выходит за рамки ИТ-функции. Такие проекты требуют участия бизнеса, владельцев процессов и специалистов по данным, которые вместе формируют основу для развития интеллектуальных систем.
Следующий этап развития искусственного интеллекта
Эксперты сходятся во мнении: генеративный ИИ перестаёт быть инструментом для отдельных задач. Следующий этап — системы, которые смогут самостоятельно планировать действия, использовать разные источники информации и взаимодействовать с другими сервисами.
Подобные сценарии уже тестируются, но требуют постоянного контроля человека. Уровень автономности будет расти, однако полностью исключить участие специалистов в обозримом будущем не получится.
Максим Кузнецов считает, что следующим крупным этапом станет выход ИИ за пределы работы с текстом. «Я верю, что искусственный интеллект начнёт выходить в реальный мир. Это сенсорика, полная омнимодальность моделей, которые смогут нативно понимать текст, изображения, звук, сигналы датчиков, возможно, даже запахи. Появятся иммерсивные агенты, которые будут значительно ближе к человеку по своим возможностям».
Речь о развитии мультимодальных моделей, способных воспринимать разные типы данных и принимать решения на их основе. Такие системы станут основой для интеллектуальной робототехники, промышленной автоматизации и новых форм взаимодействия человека с цифровыми сервисами.
В качестве примера эксперты приводят «кофейный тест» Стива Возняка. Робот должен войти в незнакомое помещение, определить расположение предметов, понять, как работает конкретная кофемашина, и самостоятельно приготовить напиток. Задача требует объединения компьютерного зрения, языковых моделей, пространственного мышления и физических действий.
В этом направлении развивается мировая робототехника. Всё больше внимания получают модели класса VLA (от англ. vision, language, action — зрение, язык, действие), объединяющие восприятие среды, понимание речи и управление действиями.
Близкие изменения ожидаются в корпоративном секторе. По мнению Сергея Черномырдина, в ближайшие годы главный результат — не полностью автономные системы, а радикальное сокращение времени на получение информации и принятие решений. «Следующий этап развития корпоративного ИИ — сделать аналитику и экспертные знания доступными каждому сотруднику за минуты, а не за недели. Тогда специалисты смогут больше времени уделять принятию решений, а не поиску информации».
Искусственный интеллект станет привычным рабочим инструментом для большинства сотрудников, таким же естественным, как корпоративная почта, офисные приложения или системы бизнес-аналитики. Основная ценность — в возможности быстрее получать ответы, анализировать данные и сосредоточиться на задачах, требующих экспертной оценки.
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 доказал ценность в отдельных сценариях, но переход от пилотных проектов к масштабному внедрению требует изменений в процессах, данных и в корпоративной культуре.
Что это значит для бизнеса
Мария Каткова
Автор