Фото: Shutterstock
Erid: 2SDnjboZKno
Почему «волшебная кнопка» не всегда работает
Исследования последних лет показывают, что большая доля российских организаций уже использует искусственный интеллект в своей деятельности. Однако проникновение технологий нельзя назвать очень глубоким. Последние данные Института статистических исследований и экономики знаний НИУ ВШЭ показывают, что в 2024 году среди компаний, уже использовавших нейросети, 66% опрошенных внедрили технологии обработки визуальных данных, включая компьютерное зрение, 50% — технологии интеллектуальной поддержки принятия решений и управления. Треть организаций применяют в своей работе технологии обработки текста или звуковых данных, а технологии повышения эффективности ИИ есть лишь у 22% предприятий. При этом 48% от общего числа средних и крупных компаний вообще не видели потребности в интеграции ИИ в свою работу.
По мнению экспертов, пока возникает дисбаланс между ожиданиями от ИИ и глубиной интеграции технологий. Так, в системах бизнес-аналитики реальные возможности LLM-моделей (от англ. Large Language Model — большая языковая модель. — «РБК Отрасли») далеки от получения «волшебной кнопки», говорит директор направления INSIGHT компании Goodt Константин Саратцев. «Много вендоров и стартапов в России и на Западе рекламируют генерацию идей («инсайтов») и графиков по запросу пользователя. К сожалению, на деле все это ограничивается довольно примитивными фильтрами и формулами, которые можно сделать парой кликов мыши», — говорит эксперт. По его словам, LLM сейчас — это удобный помощник, способный убрать рутину, но он не сможет заменить аналитика или принять взвешенное управленческое решение.
Руководитель направления по внедрению ИИ в BPMSoft Андрей Зыкин отмечает, что LLM отлично справляется там, где результат нельзя «измерить линейкой» — например, в творческих сферах. Разработчики CRM (от англ. Customer Relationship Management — система управления взаимоотношениями с клиентами. — «РБК Отрасли»), понимая это, создают ИИ-агентов для специалистов по продажам и клиентскому сервису. Такие LLM-помощники автоматически обрабатывают входящие лиды и формируют коммерческое предложение (КП). По мнению эксперта, если ИИ-агент неидеально сформулирует КП или переведет клиента чуть выше в воронке продаж, когда он не готов, это не приведет к критическим последствиям. Но в определенных сферах — промышленности, индустриальных сегментах — ИИ-агенты пока еще сложно использовать, цена ошибки довольно велика.
Несмотря на то что сфера, связанная с финансами, довольно осторожно относится к ИИ-решениям, крупные банки уже начали тестировать различные конвейеры и агенты, которые предназначены для выполнения сложных задач, отметил директор по разработке платформы LDM Рамазан Салпагаров.
Однако и он признает: говорить о массовом использовании ИИ рано даже в IT-индустрии: нейросети не пишут коды целиком, а разгружают от рутинных задач. «Например, мы активно применяли ИИ для анализа отчетов о нагрузочном тестировании, благодаря чему удалось увеличить показатели производительности системы LDM до 30 RPS (от англ. Requests Per Second — запросы в секунду. — «РБК Отрасли») на создание документов на одном экземпляре микросервиса, — рассказывает Рамазан Салпагаров. — И тем не менее о значительном скачке производительности рассуждать преждевременно».
Как управлять цифровым хаосом
Однако сферы, где большие языковые модели реально становятся важнейшим инструментом, уже есть. Например, в упорядочении хаоса корпоративного контента.
Директор по разработке платформы LDM Рамазан Салпагаров отмечает, что многие крупные компании тонут в документах, письмах, изображениях, записях встреч и презентациях. Раньше с этим цифровым хаосом справлялись системы электронного документооборота или полноценные ECM-платформы (от англ. Enterprise Content Management — управление корпоративным контентом. — «РБК Отрасли»), но сейчас этого недостаточно.
Главной ценностью стало не накопление информации, а ее понимание, когда разрозненные массивы информации должны становиться структурированными базами данных. «Здесь как раз помогает искусственный интеллект: ИИ справляется с быстрым распознаванием текста из изображений (OCR), из аудио- и видеоконтента (транскрибация), с классификацией и извлечением ключевых атрибутов (NER), семантическим поиском (RAG); суммаризацией результатов поиска (QFS)», — говорит Рамазан Салпагаров.
Хранилища контента за счет этого обрастают новыми возможностями: от обогащения атрибутов в исторических данных и быстрого удаления критических данных в соответствии с законом 152-ФЗ «О персональных данных» до умного поиска по содержимому.
Как отмечает директор по развитию бизнеса IT-холдинга LANSOFT Вадим Корепин, искусственный интеллект упростил процесс обогащения данных в целом: он позволяет автоматизировать дополнение информации с минимальным ручным трудом, выявлять закономерности и работать на базе из разных источников.
Как ИИ-агенты меняют интерфейсы
Еще одна сфера массового и эффективного применения LLM — ИИ-ассистенты. Эта общемировая тенденция уже полноценно пришла в Россию: согласно исследованию «Билайн Big Data AI», более 60% крупных российских компаний проявляют активный интерес к внедрению ИИ-агентов для автоматизации рутинных задач.
Искусственный интеллект и языковые модели меняют сам интерфейс взаимодействия пользователя с системой, считает Андрей Зыкин. «Не будет сотен кнопок и заранее заданных форм, останется лишь одно окно, через которое можно управлять процессами, системой и коммуникациями. Интерфейс становится проще, но «под капотом» — мощная архитектура. Тот, кто сейчас лучше всего реализует такой интерфейс, получит серьезное конкурентное преимущество», — объясняет эксперт.
«В BPMSoft все эти возможности тоже есть. До недавнего времени нам не хватало только коннектора к языковым моделям — сейчас мы его добавляем. В отличие от N8N, наша платформа не просто позволяет строить цепочки шагов, а управляет реальными процессами бизнеса: продажами, сервисом, клиентской базой», — рассказывает Андрей Зыкин.
По его словам, теперь не нужно писать ТЗ, ждать подрядчиков и дорабатывать монолитные системы. Процесс перестраивается мгновенно. Добавление шага с LLM делает его еще гибче: бизнес-процесс может обратиться к языковой модели за коммерческим предложением и вернуть его в систему. Лид проходит оценку, затем формируется коммерческое предложение — несколько шагов в процессе выполняются ИИ-моделями. Таким образом сами бизнес-процессы превращаются в ИИ-агентов.
Важную роль для встраивания ИИ в работу компании может сыграть MCP-протокол (от англ. Model Context Protocol — протокол контекста модели. — «РБК Отрасли»). Он нужен для интеграции инструментов искусственного интеллекта в инфраструктуру IT-решения. Андрей Зыкин поясняет, что LLM не всегда дает достоверный с точки зрения фактологии ответ, а MCP-протокол эту проблему устраняет, подключаясь, с одной стороны, к модели, а с другой — по API к серверу, способному дать точный ответ. Так, если в обычной ситуации большая языковая модель в ответ на вопрос пользователя о проверке компании по ИНН может галлюцинировать, то при подключении MCP-сервера даст точный ответ.
«Например, наша платформа LDM может стать так называемым MCP-хостом с определенным набором API, — рассказывает директор по разработке платформы LDM Рамазан Салпагаров. — За счет этого ИИ-агенты смогут подключаться к системе LDM. MCP-протокол сообщает ИИ-агенту, какие функции предусмотрены в платформе». Так, когда, например, от пользователя приходит запрос: «Запустить процесс согласования договора», ИИ-ассистент определяет, есть ли такая возможность, и передает запрос системе.
Почему важно развивать ML
Тем не менее LLM не может заменить аналитика или принимать взвешенные управленческие решения. Но когда говорят о технологиях искусственного интеллекта, часто забывают о втором его направлении — ML (от англ. Machine Learning — «машинное обучение». — «РБК Отрасли»).
По мнению директора направления INSIGHT, компании Goodt Константина Саратцева, про этот сегмент просто забыли, за последние годы этот термин практически исчез из публичного пространства. А ведь ML — это серьезный математический аппарат, который анализирует данные, ищет в них закономерности или аномалии, строит прогнозы, заметил эксперт.
Он подчеркивает, что этот инструмент «идеально отвечает требованиям бизнеса». Именно на его базе можно внедрить управленческие рекомендации, подсвечивать аномалии. Минус в том, что ML требует больших навыков, знаний предметной области и слабо переносится с одного бизнеса на другой.
Между тем эффект от развития ML может оказаться невероятным. Так, Константин Саратцев прогнозирует исчезновение сферы бизнес-аналитики в ее современном виде, если модели машинного обучения получат должное развитие. Ценность аналитики будет заключаться не в обработке данных и их визуализации на дашбордах, а в последующих выводах и действиях на их основе, интегрированных в бизнес-процессы, поясняет эксперт: «Акценты сместятся на принятие решений. Вендоры, которые это понимают, уже корректируют стратегию развития».
Он рассказывает о российской BI-платформе для бизнес-аналитики и визуализации данных INSIGHT, созданной Goodt. «Мы даем пользователям возможность самостоятельно строить себе цифровое рабочее место из компонентов, как из кубиков Lego, которые можно свободно генерировать с помощью ИИ и запоминать в качестве шаблонов», — объясняет эксперт. Это позволяет сразу привязывать поручения, комментарии к найденным инсайтам и отслеживать прогресс. Человек ставит задачу, ИИ на основании семантического слоя данных находит нужную информацию, подбирает шаблон визуализации, сохраняет в библиотеке. И это сразу становится доступным коллегам.
Бизнес-консультант CleverData Анна Овчинникова, говоря о современных ML-решениях и коммуникациях, приводит в пример американскую облачную платформу Bloomreach, где активно применяется контекстная персонализация контента через машинное обучение. «Это современная альтернатива классическому AB-тестированию: система находит оптимальный контент под категории пользователей, выделяемые алгоритмами ML», — рассказала эксперт.
Также распространены автосегментация клиентов и рекомендательные системы. Эти технологии уже внедряются в России, но пока не так широко и глубоко, как за границей: есть серьезные ограничения и неопределенности с качеством данных, а значит, и с результативностью таких ML-решений, говорит Анна Овчинникова.
Как в России справляются с ограничениями при внедрении ИИ
Существующие барьеры влияют, в частности, на тренд обогащения данных (enrichment). Если в мире он обычно реализуется через интеграцию внутренних и общедоступных данных, то в России доступ к внешним информационным ресурсам во многом осуществляется неформально, а механизмы обмена и приобретения данных пока недостаточно урегулированы. Снизить их несанкционированное использование должны недавно принятые поправки к закону «О персональных данных», которые направлены на предотвращение избыточного сбора данных.
Тренд на точное профилирование и обогащение данных сталкивается с проблемой фрагментации и законодательных барьеров: при требовании локализации нет единого универсального идентификатора, который однозначно связывал бы записи. Обычно под «единым ID» человека часто принимают СНИЛС, но это идентификатор физического лица, а не клиента — клиентом может быть семья, ИП или крупная компания, от имени которой действуют разные люди, и объединять такие записи без учета конкретного сценария использования некорректно.
«Некоторые компании применяют более сложные графовые модели, связывая разные ID, чтобы строить более полные профили — IDGraph, — рассказывает Вадим Корепин из LANSOFT. — Здесь в будущем обещают появиться и ML-модели, которые смогут на основе поведения пользователей принимать решения о том, что два профиля принадлежат одному человеку». При этом важно помнить, что автоматические модели не выдают абсолютных ответов: даже при вероятности выше 80% остается шанс ошибки, и в ряде сценариев такие допущения недопустимы — например, если чужая фотография окажется в профиле мошенника.
Сейчас объединение данных в российских компаниях чаще всего происходит либо простым «лобовым» слиянием кода (мерджем) по primary ID, либо с помощью графового анализа идентификаторов, отмечает эксперт. «В целом путь к единому клиентскому профилю в России — это повышение качества и достоверности данных в условиях строгого регуляторного контроля, применение сочетания классических и ML-алгоритмов и отработка новых графовых вероятностных моделей», — говорит Вадим Корепин. При этом он подчеркивает, что практика сбора и использования информации о человеке без его явного согласия противоречит российскому и международному праву.
Поэтому в России применяются простейшие ML-функции, которые не требуют сложной интеграции: генерация контента, автоматические рекомендации, базовое прогнозирование оптимального времени коммуникаций. В ближайшие несколько лет заработают комплексные сценарии, охватывающие целый путь клиента с множеством зависимостей.
По словам Вадима Корепина, несмотря на все вызовы, в России успешно внедряются интеллектуальные рекомендации и автосегментация, которыми уже пользуются крупные компании, в том числе CleverData. «Есть примеры по автогенерации контента для СМС и маркетинговых сообщений. Прогнозирование оттока и вероятных действий клиента возможно через интеграции с внешними моделями, но требуют усилий по настройке и внедрению», — рассказывает эксперт.
0+
Помогла ли вам статья?