80% хайпа, 20% выхлопа: что не так с генеративным ИИ в бизнесе

Не хайпом единым

Очевидно, первое, что приходит в голову – это хайп. И это верно – тема действительно хайповая. Но только хайпом объяснить происходящее не получается – в чистом виде он столько времени не продержится, а значит, есть что-то еще.

Предположу, что одним из ведущих факторов здесь будет доступность и понятность (не в плане математики, конечно) ИИ для простых людей. Это первый ИИ, с которым можно поговорить, и который поможет человеку практически в любой ситуации. Что школьнику домашку сделать, студенту – диплом написать, HR-у – должностную инструкцию подготовить. А попробуй аналогичным образом поговорить с видеоаналитикой или предиктивкой … так и в дом с мягкими стенами можно попасть.

И в качестве шутки можно привести еще один довод, почему генИИ так популярен – на самом деле он ведет себя как хороший подчиненный, ровно по заветам Петра I:

«Подчиненный перед лицом начальствующим должен иметь вид лихой и слегка придурковатый, дабы разумением своим не смущать начальство».

Так и генеративка – лихо отвечает на любые вопросы, да еще и с некоторыми галлюцинациями, чтобы мы не чувствовали себя совсем глупыми. Таким образом у каждого из нас теперь есть возможность почувствовать себя начальником. Ну а кому не нужен подчиненный, то может ощущать рядом напарника «неутомимого, но со странностями», что тоже неплохо.

Но что-то же мешает?

Однако при всем этом хайпе, популярности темы в СМИ, на выставках и конференциях, а также наличия первых успешных кейсов, внедрения пока идут не сильно быстрыми темпами, большая часть компания пока еще осторожничает и думает. И причин-барьеров этому, на мой взгляд, три:

1.  Безопасность:

• — У многих компаний запрещено использование облачных ресурсов для корпоративных решений.

• — Даже если облака открыты, то есть опасения (и опасения совершенно оправданные) по поводу конфиденциальности данных, которые ушли в условный ChatGPT или DeepSeek.

2. Ресурсы – если нельзя использовать облако, то не у всех есть ресурсы на локализацию генеративного ИИ в контуре предприятия.

3. Непонимание сценариев использования генеративного ИИ или сложность подсчета экономической эффективности решения.

И, конечно же, основная причина – последняя. Потому что как только приходит понимание, как можно использовать генерацию через искусственный интеллект, чтобы увеличить эффективность работы сотрудников, то тут же решаются все вопросы, благо решения известны:

• — Безопасность – уже есть качественные модели, которые можно запустить в локальном контуре без доступа в интернет (QWEN, GPT-OSS и другие).

• — Ресурсы – даже если нет своих серверов с GPU, то всегда можно арендовать соответствующие мощности в дата-центре с соответствующем уровнем безопасности.

• — Разработчики – найдутся на стороне или собственная команда с удовольствием включится в работу с такой хайповой технологией. Тем более, что готовых фреймфорков, которые облегчают работу, сделано очень много.

Тут, правда, есть другой нюанс – кроме самой LLM, зачастую, требуется и интеграция в процессы и удобная админка с аналитикой и тонкая настройка под специфичные документы и правильный эмбеддер, поэтому иногда эффективнее взять готовый продукт, где эти нюансы уже решены. Но в любом случае – выбор есть и найти решение, в том или ином виде, не сложно.

Что делать с барьерами?

А вообще чем-то текущая история с генеративным ИИ напоминает появление персональных компьютеров в нашей стране в 90-е годы – вроде что-то новое, обещает золотые горы, но надо переучиваться и вообще, калькуляторы тоже отлично считают. Где теперь эти калькуляторы и кто еще не научился пользоваться компьютером или его «младшим братом», мобильным телефоном?

Скажу даже больше, когда ПК появились и внедрялись в США, был сформулирован парадокс Солоу: «Компьютерный век можно увидеть где угодно, кроме статистики производительности». Согласитесь, очень похоже? Только сейчас скорость развития генеративных моделей выше в разы и тот, кто не успел освоить «персональный компьютер 21 века», рискует остаться за бортом и резко наверстывать упущенное через годик-другой.

Ведь если серьезно подумать, как мы видим выше, перечисленные выше барьеры достаточно легко преодолеваются. На рынке уже много решений на базе больших языковых моделей разных масштабов и на разный кошелек, где уже решены как проблемы безопасности, так и не требуются космических ресурсов. Вплоть до того, что уже есть вполне функциональные решения с открытым кодом, т.е. условно бесплатные.

Так что не надо выдумывать «мега-задачу» для генеративки, ведь, как завещал Козьма Прутков, нельзя объять необъятное. Благо примеров успешного внедрения генеративного ИИ достаточно много. Если посмотреть сайты и презентации разработчиков продуктов на базе генеративного ИИ, то сценарии применения будут очень похожи:

• — Внутренняя ИТ-поддержка

• — Клиентская поддержка

• — Умный поиск

• — Ответы по базе знаний

Т.е. все те кейсы, где нужно:

• — помочь в поиске ответов по документам, а может по истории заявок,

• —сформировать автоответ,

• — провести классификация и маршрутизировать заявку/обращение/письмо,

• — суммаризировать заявки, которые идут потоком, чтобы либо сформировать новую статью в базу знаний или подсветить проблему с какой-то бизнес-системой.

А если добавить модальности (т.е. работать не только с текстом, но еще и с голосом), то сфер деятельности можно придумать еще немного:

• — оценка разговоров операторов КЦ.

• — суммаризация и подготовка резюме встреч.

В общем, есть уже не один десяток понятных сценариев использования больших языковых моделей практически в любых сферах деятельности, где большой объем работы с документами или обращениями людей. Это то, в чем он действительно силен.

Понятно, что пользу от этих сценариев посчитать иногда достаточно сложно. Бывает и математика сравнения затрат с эффектом не сходится, хотя решения есть на любой практически на любой кошелек. Но возвращаясь к примеру с компьютерами, в текущий момент времени накопление опыта работы с LLM и практика пилотирования новых возможностей – это ценность сама по себе.

Рекомендации: как реально начать работать с генИИ

Начните с малого: выберите один, пусть небольшой, пусть не критичный (так даже лучше), но рутинный процесс, связанный с работой с документами/письмами/заявками. На таких процессах тестировать генеративный ИИ лучше всего. Пусть даже вы не сможете посчитать заранее, какой эффект вам принесет автоматизация этого конкретного процесса. Это – знания и опыт. Дальше будет проще: как аппетит приходит во время еды, так и сценарии использования будут появляться внутри компании по мере понимания возможностей.

Если делать из этого чек лист, то я бы пошел следующим порядком:

1. — Выбрал 1-2-3 (чтобы с запасом) не самых критичных, но существенных рутинных процессов.

2. — (Опционально, где возможно) Хорошо бы договориться с самого начала с информационной безопасностью на предмет использования облачных ресурсов. Пилот на облачных ресурсах будет дешевле и быстрее. Это не всегда возможно, но где возможно – рекомендую.

3. — Нашел бы несколько потенциальных подрядчиков, которые готовы провести бесплатный (или недорогой) пилот по какому-либо из процессов с п.1.

4. — Провести пилот и формулировать результаты. Сравнить ожидания с реальностью.

5. — Выбрать из потенциальных подрядчиков одного, кто показался наиболее компетентным и с его помощью двигать тему генеративного ИИ дальше.
   
   

Чего ждать на рынке через год-два

В завершение, на этот счет есть следующие мысли.

1. — Учебный процесс ждут серьезные изменения. Домашние задания, лабораторные и курсовые с дипломными будут переработаны, чтобы учесть использование генеративок. Это будет долго, болезненно, но это будет.

2. — Генерация рекламных изображений и видеороликов полностью уйдет в генеративный ИИ.

3. — Рутинные процессы будут максимально автоматизированы, а за человеком останется только проверка и контроль.

4. — Улучшится качество клиентской поддержки, там, где ее уже оптимизировали – генеративный ИИ добавит интеллекта существующим ботам.

5. — Аутсорсинговые контактные центры начнут предлагать услугу «интеллектуального бота-оператора», тарифицируя его по аналогии с обычным оператором, только существенно дешевле.

6. — ИИ-ассистент появится в почтовом клиенте и будет предлагать ответы на письма.

Сам же процесс разработки точно ждут серьезные изменения – формат технических заданий будет максимально приближен к промпту для LLM – правильно структурирован, минимизированы двусмысленности и т.п. 95% кода будет писаться автоматически. Решения начальной и средней сложности будут писаться полностью автоматом. Для решений высокой сложности от человека будет требоваться только архитектурный надзор.

А вообще, полагаю, что года через 2 генИИ будет встроен в каждое третье бизнес-приложение. Но только те, кто начнет сейчас, смогут использовать его эффективно.