Тренды ИИ: уходящие, настоящие и будущие

Дмитрий Марков. Важно понимать, какую задачу необходимо решить, а инструмент вторичен. Важно помнить, что хотя генеративные модели привлекают внимание, традиционные методы ML остаются основной движущей силой большинства современных решений в области искусственного интеллекта. Многие люди ошибочно связывают термин «ИИ» исключительно с такими технологиями, как чат-боты на базе GPT, упуская из виду значимость других подходов.

Хотелось бы обсудить концепцию AI-индекса. Когда речь идет о применении ИИ для улучшения существующих процессов или продуктов «насильно», возникает вопрос оценки эффективности вложенных ресурсов. Именно для этого был введен AI-индекс, позволяющий измерять достигнутые результаты и обосновывать инвестиции в подобные инициативы. Как еще можно оценивать целесообразность внедрения ИИ-продуктов? Какие ключевые факторы следует учитывать?

Арутюн Агабабян, Туту.ру. Решение о запуске ИИ-продукта действительно непростое и требует системного подхода. Нередко звучит фраза: «Было бы здорово внедрить ИИ сюда!» Но при этом важно осознавать, что ИИ и GenAI снижает порог для входа и порождает множество новых гипотез, которые раньше не рассматривались. Каждая такая гипотеза требует тщательной проработки.

Согласно статистике, лишь 30% ИИ-инициатив доходят до стадии коммерческого продукта, а еще меньше из них оправдывают вложения с финансовой точки зрения. Учитывая сложность и комплексность подобных проектов, многие компании начинают использовать понятие AI-индекса. Он помогает оценить, стоит ли вкладываться в ту или иную идею, чего от нее ожидать и как выстраивать приоритеты с точки зрения запуска различных инициатив.

«Согласно статистике, лишь 30% ИИ-инициатив доходят до стадии коммерческого продукта, а еще меньше из них оправдывают вложения с финансовой точки зрения»
Арутюн Агабабян, Туту.ру

Можно выделить пять ключевых факторов, влияющих на выбор и запуск инициатив. Эти факторы в целом аналогичны рядовой проверке гипотез, но учитывают требования ИИ и GenAI к инфраструктуре и данным.

1. Бизнес-ценность. Любая ИИ-инициатива должна иметь четкую цель — будь то экономия средств или увеличение дохода. Оценка потенциальной ценности помогает выбрать приоритетные проекты.
2. Качество и полнота данных. Запустить простую модель на тестовом наборе данных несложно, но создать полноценный продукт, соответствующий функциональным и нефункциональным требованиям, намного сложнее. Важно убедиться, что данные структурированы и актуальны.
3. Технологическая готовность. Успех внедрения ИИ зависит от технической готовности компании, а также наличия необходимых ресурсов и компетенций.
4. Юридический и ИБ-риски. Никогда не забывайте о правовых ограничениях и угрозах информационной безопасности при использовании данных.
5. ROI (окупаемость инвестиций). Учитывая быстрое развитие отрасли и меняющиеся технологии, проекты должны быстро окупаться, чтобы не попасть в те 70% проектов, которые не доходят до конечного пользователя.

Дмитрий Марков. 70% проектов, связанных с GenAI, не достигают поставленных целей. Инженеры и ученые научились продавать ИИ и GenAI, т. е. продавать фьючерсы. Но удалось ли инновациям оправдать возложенные на них ожидания, или это был лишь хайп, который замедлился на этапе практического внедрения, например, в 2024 году?

Адель Валиуллин, Газпромбанк. Говоря об искусственном интеллекте и машинном обучении, мы имеем дело с наукой и технологиями. Это объединение технологий и бизнеса, где такие технологии находят применение.

В настоящее время множество компаний внедряют так называемые «низковисящие фрукты» — решения, которые легко интегрируются благодаря наличию проверенных практик и многочисленных примеров успеха, описанных на конференциях и встречах.

«В настоящее время множество компаний внедряют так называемые „низковисящие фрукты“ — решения, которые легко интегрируются благодаря наличию проверенных практик и многочисленных примеров успеха»
Адель Валиуллин, Газпромбанк

Компании, которые начали внедрение подобных инструментов в прошлом году, сумели добиться положительных результатов, так как существуют готовые примеры для различных отраслей, будь то ИТ, финансы или ритейл. Следовательно, организации, решившиеся на внедрение ИИ-технологий в 2024 году, вполне оправдали свои вложения.

Говоря о быстром росте GenAI, всего год назад никто не мог предположить, насколько далеко зайдет прогресс. Сегодня некоторые решения от OpenAI превосходят лучших математиков мира на международных соревнованиях.

Очевидно, что развитие технологий GenAI происходит стремительно, и ключевой задачей для бизнеса становится способность оперативно адаптироваться к изменениям. Мы словно едем на гоночном автомобиле, меняя шины на ходу. Те компании, которые не адаптируются и не внедряют инновации, неизбежно проигрывают в конкурентной гонке. Особенно ярко это проявляется в финансовой отрасли, где агрессивные молодые игроки предлагают клиентам частичные решения и конкурируют с крупными банками за долю прибыли (так называемая «атака на маржу»). В результате крупные игроки вынуждены ускоренно внедрять инновации и новые инструменты как для повышения качества клиентского сервиса, так и для оптимизации своих бизнес-процессов. Например, Газпромбанк разработал стратегию, нацеленную на интеграцию ИИ-технологий во все аспекты деятельности.

Современные исследования подтверждают, что сотрудники, использующие генеративный ИИ, демонстрируют улучшение сразу по нескольким показателям. Во-первых, возрастает общая производительность труда, поскольку благодаря автоматизации рутинных задач сотрудники могут сосредоточиться на более сложных и творческих процессах. Во-вторых, улучшается качество выполняемой работы: начинающие специалисты выдают результаты на уровне сотрудников среднего звена, а разница между новичками и профессионалами заметно сокращается. Наконец, растет уровень вовлеченности сотрудников, поскольку использование ИИ делает работу интереснее и повышает мотивацию.

Таким образом, все компании, внедряющие такие технологии, обретают конкурентное преимущество, несмотря на статистические данные о том, что значительная часть проектов ИИ (по некоторым оценкам, до 95%) не достигает поставленных целей. Те немногие успешные случаи обеспечивают столь существенный возврат инвестиций, что оправдывают вложенные усилия.

Если мы планируем запустить проект в сфере машинного обучения, основным критерием является экономическая эффективность. На этапе старта проекта мы обязательно оцениваем потенциальный возврат инвестиций. Если такая оценка отсутствует или не обещает выгоду, мы либо отказываемся от проекта, либо переносим его реализацию на более позднее время.

Однако хотелось бы отметить один важный момент: когда речь идет об инновациях, слишком высокая вероятность успеха может свидетельствовать о том, что идея недостаточно инновационна. Ведь истинная инновационная деятельность подразумевает работу над высоко рискованными проектами, где велика вероятность нереализуемости — но именно такие попытки часто приводят к прорывам. Мы осознаем, что большинство ведущих мировых компаний, подобных тем, что входят в рейтинг S&P 500, являются настоящими новаторами. Это подтверждается тем фактом, что среди десяти крупнейших корпораций восемь представляют сферу информационных технологий, и каждая из этих компаний активно инвестирует в самые перспективные технологии и разработки.

Дмитрий Марков. Когда я обсуждаю этот вопрос с коллегами, я часто слышу мнение, что наличие команды, готовой к освоению новой технологии, даже несмотря на риски, важнее конечного результата на начальном этапе. Логика здесь следующая: пока новая технология развивается, важно подготовить специалистов, способных эффективно использовать ее потенциал. Когда технология созреет и станет актуальной, команде будет проще внедрить изменения. Таким образом, формирование компетентной команды — это один из ключевых аспектов подготовки к будущим вызовам. Этот подход объясняет, почему многие компании вкладываются в развитие технологий заранее: обучение сотрудников позволяет быстрее реагировать на изменения рынка.

Какие основные барьеры существуют сегодня для внедрения решений на основе больших языковых моделей (LLM)? Как изменятся эти барьеры через три года?

Артем Семинихин, ТеДо. Можно не упоминать о качестве данных, так как об этой проблеме знают все.

Основные препятствия связаны с инфраструктурными ограничениями, особенно касающимися ресурсов для обучения LLM. Эта проблема является одной из главных сейчас и, вероятно, останется актуальной в ближайшие годы. Сегодняшняя ситуация напоминает глобальную гонку за обладание мощностями для обработки данных, сравнимую по масштабам с Манхэттенским проектом. Например, Саудовская Аравия готова была платить огромные суммы за доступ к специализированным видеокартам, необходимым для создания собственных вычислительных кластеров.

«Основные препятствия связаны с инфраструктурными ограничениями, особенно касающимися ресурсов для обучения LLM. Эта проблема останется актуальной в ближайшие годы»
Артем Семинихин, ТеДо

Хотя некоторые компании вроде DeepSeek демонстрировали интересные достижения, тщательный анализ показал, что подобные прорывы требуют значительных вложений. Следовательно, ключевым фактором успешного развития в области ИИ становится доступность качественной инфраструктуры, будь то «железо» или облачные сервисы. Для организаций, стремящихся развиваться в этом направлении, крайне важно искать надежных партнеров, предлагающих необходимые мощности.

Таким образом, инфраструктура продолжает оставаться главным барьером, и без значительных изменений в доступности ресурсов эта тенденция вряд ли изменится кардинально в ближайшие несколько лет.

В условиях растущего правового регулирования ИИ, включая принятие законов в ЕС и других странах, возникает ряд этических и правовых вопросов. Новые законодательные акты создают серьезные риски для бизнеса, например, в секторе B2C, где обработка персональных данных регулируется жестко. Компании вынуждены балансировать между стремлением к инновациям и рисками, связанными с возможными нарушениями законодательства. Понимание регулятивных требований требует активного участия в обсуждениях законопроектов и инициативах сообщества, чтобы барьеры превращались в возможности.

Нехватка квалифицированных кадров, особенно специалистов в области data science и разработчиков больших языковых моделей, представляет собой серьезную проблему.

Успехи таких компаний, как OpenAI, во многом объясняются привлечением лучших умов. Кадровые вызовы остаются постоянными и актуальными для всех участников рынка.

Еще одним значительным препятствием является недостаточное финансирование. Несмотря на громкие государственные гранты, объем необходимых средств для разработки конкретных решений зачастую превышает доступные ресурсы. Примером служит недавний анонс гранта на сумму 4,5 млрд руб., тогда как разработка одной модели по оценкам участников рынка потребовала бы около 10 млрд руб. Такие расхождения подчеркивают необходимость учета рисков недофинансирования и своевременного прекращения бесперспективных проектов. При этом следует помнить, что неуспешные проекты — это опыт, который может «выстрелить» в других проектах, и к нему нужно относиться спокойно.

Одной из значимых будущих проблем станет рост киберугроз, связанных с использованием ИИ. Технология ИИ может быть как защитой, так и угрозой. Специалисты по информационной безопасности столкнутся с новыми вызовами уже в ближайшие три года, что потребует адаптации и готовности противостоять угрозам в рамках новых реалий, чтобы при этом не задушить новые возможности в зародыше.

Дмитрий Марков. Я уверен, что основной барьер для повсеместного внедрения ИИ — это внутренняя корпоративная культура. Искусственный интеллект — это сфера, где невозможно точно предсказать успех проекта. Всегда присутствует значительная доля неопределенности, связанная с научным аспектом работы. Именно поэтому во многих компаниях возникает внутренний культурный барьер — страх перед возможными ошибками. Важнейший элемент преодоления этого барьера — создание культуры, где есть право на ошибку. Подразделениям и сотрудникам необходимо понимать, что неудачи — часть исследовательского процесса, и их не стоит бояться. Конечно, не каждая компания готова принять такую культуру, но те, кто смогут ее освоить, имеют больше шансов на успех.

Итак, инфраструктура — важная тема, однако сложности, которые возникли около трех лет назад в Российской Федерации, уже решаются. Ситуация стабилизировалась, но необходимо учитывать определенные требования к информационной инфраструктуре со стороны ИИ-компаний.

Какие аспекты инфраструктуры следует учитывать в текущей ситуации и как подготовиться к тому, чтобы все прилагаемые усилия и инвестиции оставались значимыми и применимыми в ближайшие два-три года?

Никита Лебедев, X5 Group.Я бы выделил два ключевых направления: работа с данными, которые у нас уже есть, и управление пулом моделей, которые мы создаем, тестируем и внедряем.

Раньше преимущество было у компаний, работающих в онлайн-среде. У них все достаточно просто: они могут отслеживать каждое действие пользователя, собирать метрики, фиксировать клики и другие взаимодействия, а затем работать с этими данными.

Я представляю офлайн-компанию, для которой основной источник дохода — наши магазины. До недавнего времени действия покупателей в них оставались своего рода черным ящиком. Однако сейчас ведется огромная работа по сбору и анализу данных в офлайн-среде. Это касается не только нас, но и других отраслей, таких как горнодобывающая промышленность, агрокомплекс и создание цифровых двойников реальных объектов, например, складов, рудников или машин. Сейчас мы, возможно, не можем монетизировать некоторые из этих данных настолько, чтобы быстро окупить инвестиции в датчики, камеры и технологии компьютерного зрения. Однако в течение трех лет мы увидим создание новых моделей, которые позволят лучше монетизировать эти данные. Здесь часто наблюдается сотрудничество крупных игроков с небольшими компаниями. Крупные компании инвестируют в стартапы, и хотя этот рынок остается относительно незаметным, он развивается очень динамично.

Второй важный момент для компаний, особенно тех, которые уже инвестируют в разработку моделей, — это управление «зоопарком» моделей, который они создают. Ранее упоминалось, что только 5–30% проектов оказываются успешными. Во многом это заслуга команд валидации, которые отсеивают неэффективные модели.

Одним из наиболее современных подходов, который действительно меняет индустрию, является создание платформ для выкатки моделей в продакшн и поддержания их в рабочем состоянии. Например, я видел интересное решение у одной из крупных российских компаний для рекомендательных систем.

Проблема компании заключалась в том, что у них не одна универсальная модель, а огромное количество моделей, каждая из которых разрабатывается для конкретных функций. Задача компании — тестировать много, быстро и качественно, чтобы убедиться, что процесс обучения (learning curve) продолжается с максимальной скоростью, а знания растут экспоненциально. При этом важно позволять себе ошибаться, чтобы быстрее приходить к лучшим решениям.

В компании разделили команды на несколько кластеров:

• MLOps-команда, отвечающая за выкатку моделей в продакшн,
• команда валидации, которая тестирует модели,
• команда данных, обеспечивающая актуальность и качество данных,
• команда, отвечающая за поддержание конкурентоспособности моделей.

Любая функция компании может передать свою модель в платформу рекомендаций и получить полный сервис. Благодаря этому процесс, который раньше занимал 2–3 месяца, теперь укладывается в несколько недель.

Мы должны позволять людям ошибаться. Разработка моделей — это всегда R&D. Чтобы ошибаться быстрее, т. е. получать результат на пятой или десятой итерации, нужно сокращать время каждой итерации. Это позволяет быстрее учиться и улучшать модели.

Дмитрий Марков. Данные — это основа для обучения моделей ИИ. Часто эксперименты заканчиваются неудачей из-за плохих, недостаточных или неправильных данных, а некоторые считают, что данные для обучения моделей уже закончились. Здесь действует принцип, который часто используют финансисты: garbage in, garbage out (мусор на входе — мусор на выходе). Этот принцип абсолютно применим и к искусственному интеллекту.

Какие требования к качеству данных существуют сегодня? Почему данные так важны и на что стоит обратить внимание?

Антон Балагаев, Arenadata. Стоит отдельно рассматривать данные для классического машинного обучения (ML) и данные для генеративных моделей.

Для классического машинного обучения данные по-прежнему остаются критически важными. Здесь важно контролировать их качество, структуру и доступность. Инструменты вроде MLOps и FeatureStore помогают управлять данными, обеспечивая их актуальность и прозрачность. В классическом ML данные для обучения еще не «закончились». Однако важно понимать, что интернет в качестве источника данных здесь не всегда подходит. Данные должны быть релевантными, очищенными и структурированными.

С данными для генеративных моделей ситуация сложнее. Большинство компаний не занимаются обучением базовых моделей, таких как ChatGPT, R1 или Claude, — это дорого и требует огромных ресурсов. Вместо этого компании фокусируются на том, как эффективно использовать свои корпоративные данные для работы с уже существующими моделями, чтобы получать на выходе качественный результат.

Одна из ключевых проблем — это ограниченный контекст моделей. Например, даже у маленькой и не очень смышленой модели Lama 3.1 с 8 млрд параметров, которая не делает ничего особенного без структурированных ответов, контекстное окно ограничено 128–130 килобайтами, что требует значительных вычислительных ресурсов (около 50 ГБ видеопамяти). Это приводит к высоким затратам (около 5 млн). Это серьезная нагрузка, особенно on premise.

Кроме того, объем данных, который может обработать модель (например, 1 млн токенов), не сопоставим с объемами данных, которые хранятся даже в небольших компаниях. Поэтому важно правильно подавать данные, структурировать их и формулировать задачи.

Здесь на помощь приходит агентский подход: вместо того чтобы пытаться решить все задачи сразу, модели разбивают процесс на шаги. Это особенно актуально с появлением моделей-«рассуждалок», способных строить планы и последовательно выполнять задачи.

Однако для успешной работы агента в базе данных, которому пользователь может дать поручение, критически важно наличие каталогов данных. Раньше каталоги данных были прерогативой крупных организаций, но теперь они приобретают новый смысл. Если раньше аналитики могли вручную подготовить отчет, то теперь ИИ, чтобы выполнить такую задачу, должен понимать, какие данные где находятся и что они означают. Каталоги данных должны описывать информацию в таблицах не только системными названиями, но и человеческим языком. Это помогает моделям правильно интерпретировать данные, даже если их контекстное окно ограничено.

Соответственно, мы по-другому воспринимаем каталоги данных и качество данных. Раньше главным критерием качества данных была точность и автоматизация. Сейчас на первый план выходит полнота данных. Модели, особенно генеративные, должны получать максимально полную информацию, чтобы корректно выполнять задачи.

Современные модели guidance engines, способны структурировать ответы (например, в формате JSON), даже если исходные данные неидеальны. Однако если данных не хватает, это становится критической проблемой.

Для того чтобы решить проблему с пошаговым действием — как агент будет ориентироваться в этой базе, как он будет работать с каталогом, как он будет принимать решения — его нужно организовывать. Ему нужно давать некий гайд, который будет занимать минимум места в контексте модели. С этим все справляются по-разному.

Компания Antropic, создатель модели Claude, предложила концепцию model context protocol (MCP). Идея заключается в том, чтобы все данные для моделей поставлялись в единообразном формате. Это упрощает взаимодействие моделей с различными источниками данных. Однако этот подход имеет ограничения. В мире big data, где объемы данных измеряются петабайтами, прогон таких объемов через MCP-сервер займет нереалистично много времени. Поэтому этот метод подходит только для ограниченных объемов данных.

Arenadata разработала альтернативный подход — agent home. В этой схеме агенту предоставляется дефолтное сообщение, которое объясняет, где находятся базы данных, как к ним подключиться, и какую информацию они содержат, включая

• реляционные базы данных (SQL),
• векторные базы данных (для поиска семантических связей),
• графовые базы данных (для анализа связей между объектами).

Агент выполняет простые операции, которые не требуют большого объема контекста, и шаг за шагом движется по данным. При необходимости он может перепланировать свои действия на основе новых данных.

Изначально этот подход казался авантюрным, но когда Google начал двигаться в том же направлении, это стало подтверждением его перспективности. Вскоре этот метод будет интегрирован в продукты Arenadata.

С появлением агентов фокус на качестве данных смещается на каталоги. Если раньше данные структурировались для минимизации человеческого фактора, то теперь, когда агенты начинают делать 90% задач, ранее выполняемых людьми, требования к данным меняются. По мере увеличения числа работающих агентов все большее число потребителей в платформе данных и сервисов/микросервисов будут «не-людьми». Этим потребителям не нужны будут такие традиционные интерфейсы или инструменты, как SQL и BI-системы. Агентам потребуются новые интерфейсы и подходы к работе с данными.

Качество данных придется также переосмыслить. Сейчас все процессы создаются с учетом минимизации человеческого фактора. Но что, если люди вообще перестанут участвовать в этих процессах? Это серьезный философский вопрос, требующий пересмотра аксиоматики, на которой построены наши системы.

«Качество данных придется переосмыслить. Сейчас все процессы создаются с учетом минимизации человеческого фактора. Но что, если люди вообще перестанут участвовать в этих процессах? Это серьезный философский вопрос»
Антон Балагаев, Arenadata

Дмитрий Марков. Представим себе, что все захотят незамедлительно внедрить искусственный интеллект повсюду. Существует ли успешный рецепт преодоления сложностей? На что следует обратить внимание в первую очередь, если мы хотим расширить применение искусственного интеллекта в бизнесе в 2025 году?

Илья Саламатов, K2 Cloud. Мой первый совет: если вы пока мало работаете с данными, не собираете их системно, то это именно то, на что стоит обратить внимание в первую очередь. Практика показывает, что даже без использования генеративных моделей можно получить положительный эффект от работы с данными — и достаточно быстро.

Второй важный момент — это культура компании, которая позволяет распространить использование ИИ по всей организации, вовлекая сотрудников в процесс внедрения технологий в бизнес-процессы. Неудачи в проектах, связанных с ИИ, — не повод бояться. Мы все экспериментируем, и неудачи — это часть опыта. Главное — пробовать и учиться на ошибках. Кроме того, стоит пользоваться «низковисящими фруктами», т. е. задачами, которые можно решить с минимальными усилиями. Сейчас таких задач действительно много. Они могут быть не связаны с ключевыми бизнес-процессами, но их решение даст положительный эффект и поможет укрепить культуру использования ИИ в компании.

«Важный момент — это культура компании, которая позволяет распространить использование ИИ по всей организации, вовлекая сотрудников в процесс внедрения технологий в бизнес-процессы. Неудачи в проектах, связанных с ИИ, — не повод бояться»
Илья Саламатов, K2 Cloud

Наконец, поскольку мы все находимся в режиме экспериментов, важно помнить о финансовой стороне. Не стоит сразу инвестировать в огромные инфраструктуры. Лучше арендовать GPU-мощности у облачных провайдеров, что позволит сэкономить ресурсы и быстрее тестировать новые идеи.

Арутюн Агабабян, Туту.ру. Самый простой ответ — не бояться экспериментировать. За любым успехом стоит череда неудач, и это нормально. Поэтому страх перед неудачами не должен останавливать.

Если говорить более широко, то важно вкладываться в обучение. Необходимо активно учить сотрудников, рассказывать им о передовых технологиях и инновациях, таких как ИИ, генеративный ИИ и т. д., чтобы слово «инновация» перестало быть чем-то пугающим или далеким для рядового сотрудника. Эти технологии должны стать для них привычными инструментами, с которыми они умеют работать и которые понимают. Кроме того, сейчас существует множество успешных кейсов использования этих технологий. О них важно рассказывать, поскольку это не только воодушевляет людей, но и помогает им осознать, что будущее, которое казалось далеким, уже наступило. Пора действовать и собирать те самые «низковисящие фрукты».

Адель Валиуллин, Газпромбанк. Я бы озвучил рецепт нашего банка. Когда мы начинаем любой проект, связанный с искусственным интеллектом, мы оцениваем три ключевые составляющие на старте.

1. Экономический эффект. Мы сразу проводим предварительную оценку и понимаем, есть ли экономическая эффективность в реализации такого проекта.
2. Наличие данных. На старте проекта мы тщательно анализируем, есть ли данные для решения задачи, насколько они качественные, доступные и достоверные.
3. Повторяемость процесса. Идеальный кейс для внедрения ИИ — это наличие повторяющегося бизнес-процесса, что позволяет внедрять проект максимально эффективно.

Если эти три фактора выполняются, мы без раздумий начинаем проект. Однако есть и другие, не менее важные аспекты, которые нельзя игнорировать, например, человеческий фактор. Инновации — это всегда изменение устоявшихся процессов, а люди, как известно, сопротивляются изменениям. Социологические исследования показывают, что

• 80% людей не готовы к изменениям,
• 10% понимают, что изменения нужны, но не готовы действовать,
• всего 10% осознают необходимость изменений и готовы что-то делать.

Инновации — это всегда история про 10% против большинства. Поэтому важно не только заниматься обучением, но и внедрять культуру инноваций и изменений в организации.

Артем Семинихин, ТеДо. Чтобы найти рецепт, сначала необходимо понять, кто вы и чем вы болеете. С точки зрения disruption-технологий, таких как искусственный интеллект, которые значительно меняют конкурентный ландшафт для бизнеса, организации делятся на три типа.

Главное — понять, к какой категории вы относитесь. Из этого понимания и последует рецепт успеха или выживания.

Никита Лебедев, X5 Group. Действительно, компаниям приходится переосмысливать себя. Кроме того, компаниям, занимающим значительную долю рынка, приходится представлять не только себя через 5–10 лет, но и рынок в целом.

ИИ не всегда производит революцию в процессах. Компании часто добавляют «костыль», например, функцию, которая позволяет процессу «хромать» на 10% быстрее, или внедряют ассистента-помощника. Такой подход редко приводит к значимым изменениям, поэтому целесообразно сделать шаг назад и представить, как бы процесс выглядел, если бы его создавали с нуля с учетом современных технологий. Возможно процесс не нуждается в изменениях.

Кроме того, ИИ часто используется, чтобы закрыть дыры, которые раньше пытались залатать с помощью автоматизации. В таких случаях внедрение ИИ может быть оправданным, если это совпадает с приоритетами развития компании, которые должны определять команды стратегии и консалтинга.

Антон Балагаев, Arenadata. Мой опыт, возможно, будет вдохновляющим для тех, кто боится сделать первый шаг. Я 10 лет, до 2024 года, занимался консалтингом в области big data. Каждый день я работал с хранилищами данных, такими как Greenplum, ClickHouse и другими. Но в 2024 году, на волне хайпа вокруг ИИ и страха упустить возможности я задумался, буду ли я заниматься тем же самым через 10 лет. Мне стало ясно, что консалтинг, каким я его знал, либо исчезнет, либо радикально изменится. Такие мысли пугают любого менеджера с налаженной жизнью. Важно признать, что хайп не пройдет. Этот хайп появился, потому что снизился порог входа, каждый может заплатить 10–20 долларов и пообщаться с ИИ, изучить локальные модели или даже создать приложение за 10 минут. Чтобы понять границы возможностей GenAI, нужно на пару месяцев отказаться от своего work life balance и делать что-то самостоятельно, например, тестировать идеи или создавать прототипы без оглядки на масштабируемость и надежность, которыми ограничены ваши продакт-менеджеры.

Важным инструментом принятия решений стал AI-индекс. Когда у меня возникает идея, я обычно создаю прототип за 8 часов с помощью ИИ. Если у вас запланировано совещание, чтобы решить, стоит ли реализовывать какую-то идею, и оценка займет больше 8 часов времени менеджеров, то не проводите это совещание. Сделайте это сами или поручите одному человеку быстро создать прототип. Это сэкономит время и даст четкое понимание, стоит ли двигаться в этом направлении. Кроме того, это избавит вас от страха упустить возможности и позволит понять, как это работает, что сделали конкуренты, какую ценность это несет и насколько велик разрыв между вами и ими. В этой новой для всех отрасли нужно пробовать все делать самим.

Дмитрий Марков. Вы встречали или внедряли «низковисящие фрукты» в использовании искусственного интеллекта?

Илья Саламатов, K2 Cloud. Мы пробовали использовать ИИ-ассистентов для написания кода, т. е. ко-пилоты. Запуск ко-пилотов не требует серьезной инфраструктуры и на начальном этапе приводит к значительному ускорению процесса написания кода. Со временем процент ускорения снижается, но даже базовые модули и функции ко-пилоты помогали писать быстрее. Это особенно полезно для junior-разработчиков, поскольку ко-пилоты не только ускоряют процесс, но и часто пишут код качественнее.

«Низковисящие фрукты» — это часто готовые сервисы, которые не меняют бизнес-процессы кардинально, но упрощают ежедневные задачи Например, суммаризация встреч или генерация идей и картинок для внутренних презентаций с помощью ChatGPT или других инструментов без привлечения дизайнеров.

Арутюн Агабабян, Туту.ру. Один из ярких примеров — это наш проект Джарвел, который мы запустили в прошлом году. Джарвел — ИИ-ассистент, который помогает спланировать путешествие и наполнить его эмоциями. Джарвел составляет программу путешествия по параметрам, задаваемым пользователем. В тестировании Джарвела активно участвовали все наши сотрудники в течение 2–3 месяцев. Сейчас Джарвел доступен на основном сайте Tutu.

Можно отметить «низковисящие фрукты» в области рекрутинга и HR. Например, в Китае ИИ уже проводит собеседования и поиск кандидатов — до 2500 скринингов в день, что значительно сокращает затраты и ускоряет процесс.

Чтобы найти «низковисящие фрукты» в бизнесе, ищите рутинные и частотные задачи, которые требуют много времени и ресурсов. Начните с задач, которые выполняются часто, но не требуют больших инвестиций. Идеальный кандидат для ИИ — задачи, которые часто выполняются и дорого стоят в пересчете на единицу.

Адель Валиуллин, Газпромбанк. В банковской сфере и финтехе есть несколько ключевых направлений, где ИИ уже показывает значительные результаты. Например, в управлении рисками ИИ помогает анализировать риски как для физических, так и для юридических лиц, прогнозировать возможные проблемы и принимать превентивные меры.

Еще одно направление — борьба с мошенничеством (anti-fraud), включая транзакционный антифрод (анализ транзакций в реальном времени для выявления подозрительных операций) и внутренний антифрод (выявление случаев мошенничества среди сотрудников банка).

Также можно отметить клиентский сервис, включая чат-боты для общения с клиентами и обработку звонков для решения типичных проблем. В самых цифровых банках уже 50% колл-центров автоматизированы, и этот показатель продолжает расти. Сегодня клиенты чаще пишут в чат-боты, чем звонят, и более 50% запросов обрабатываются без участия операторов.

Генеративный ИИ активно используется для внутренних процессов и работы с текстами, включая формирование отчетов, создание пресс-релизов и т. д.

ИИ позволяет сотрудникам быстрее и качественнее выполнять свою работу и делает процесс более увлекательным.

Артем Семинихин, ТеДо. «Низковисящие фрукты» можно легко собрать и получить быструю выгоду, однако важно понимать, когда они еще полезны, а когда уже превращаются в «гумус» — основу для роста чего-то нового.

Самый «низковисящий фрукт» в консалтинге — это продажа стратегий по внедрению искусственного интеллекта. Также можно назвать приложения для работы с первичными данными для компаний, обрабатывающих большие объемы данных. Раньше первичные данные обрабатывали белковые операторы, а сейчас — цифровые. Чем больший объем данных обрабатывается по той же цене, тем выше конкурентоспособность.

Использование ИИ, таких как ChatGPT или специализированных помощников, позволяет распараллелить работу senior-экспертов, т. е. повышать их продуктивность и эффективность работы по нескольким проектам.

Хороший пример — синергия технологий и традиционной экспертизы. Например, мы выпустили персональный ИИ-ассистент по налогообложению «Винча» (ранее Налоговый бот). В отличие от ChatGPT, который может давать некорректные ответы по налогам, наш бот сочетает технологии ИИ с экспертизой в области налогов и юриспруденции, что делает продукт более эффективным.

Никита Лебедев, X5 Group. В крупных компаниях, таких как X5, переделка процессов — это не «низковисящий фрукт». Это всегда долго и сложно. Но есть несколько направлений, где можно быстро получить результат.

Одно из них — анализ и модернизация существующих моделей, например, за счет перехода с бустинга на нейронки. В крупных компаниях каждый процентный пункт роста может принести миллиарды.

Отделам продаж, которые привыкли к изменениям, ИИ может помочь автоматизировать рутинные задачи, такие как анализ данных о клиентах, прогнозирование спроса и генерация персональных предложений. Это может быть актуально для финтеха или технических компаний.

Антон Балагаев, Arenadata. В работе с данными есть несколько направлений, где можно быстро получить результат.

Например, скачать векторный RAG, загрузить свою базу документов и получить любые ответы с точностью около 65% по любым документам, что идеально для проверки человеком, и является прорывом в трансляции экспертизы.

Text SQL позволяет разговаривать с данными. Минусом является высокая стоимость, где 1% — стоимость коробочного решения, а 99% — стоимость кастомизации, чтобы результаты были достоверными и менеджмент мог им доверять.

Анализ логов и сентимента (тональности) позволяет анализировать не только речь (speech-to-text). Например, в колл-центре можно сравнить сентимент в начале и конце разговора. Если разговор начался с позитива, а закончился негативом, это сигнал для анализа работы оператора. Такие задачи решаются быстро, если у вас есть локальная или облачная модель.

Дмитрий Марков. Подведем итоги. Ключевые факторы для успешного внедрения ИИ:

• Культура работы с данными.
• Инфраструктура.
• Не бояться. Страх перед неудачами — главный враг инноваций.
• Обучение сотрудников, чтобы они понимали, как работают технологии.
• Примеры успеха, которые вдохновляют и показывают, что ИИ — это не просто хайп, а реальный инструмент для улучшения бизнеса.
• Экономический эффект. Это сложно, особенно с учетом высокой ставки, но если вы достигаете результата, все двери открыты.
• Перепридумать себя. Это звучит амбициозно, но необходимо.
• Создать бизнес или процесс с нуля с использованием современных технологий.
• Пробовать создавать все своими руками.

Внедрение ИИ — это не просто техническая задача, но и культурный сдвиг. Важно работать с данными, строить инфраструктуру, обучать сотрудников, не бояться экспериментировать и постоянно переосмысливать свои процессы. И, конечно, пробовать своими руками — это лучший способ понять, как все устроено, и двигаться вперед.