Использовать ИИ для бизнеса: мода или прагматизм

Искусственный интеллект (ИИ) — это комплекс технологий, способных имитировать когнитивные функции человека. Он способен учиться, анализировать данные, распознавать образы, принимать решения.

Искусственный интеллект — уже часть повседневной жизни: онлайн-сервисы с подбором контента, голосовые помощники для быстрого поиска информации, навигаторы с прогнозом оптимального маршрута. Технологии, к которым мы привыкли в быту, активно внедряются и в компаниях — но в другом масштабе и для решения иных задач.

В корпоративной среде ИИ помогает ускорять процессы, снижать издержки, повышать качество принятия решений и перераспределять ресурсы. Все больше сотрудников используют ИИ как личного ассистента на рабочем месте: с его помощью ищут информацию, формируют отчеты, проверяют контрагентов, разрабатывают документы, анализируют коммерческие предложения поставщиков. Задачи, которые раньше требовали времени и внимания специалиста, теперь может выполнять ИИ — быстро и без ошибок.

Суперработник и влияние ИИ на рабочую среду

С развитием ИИ меняется роль сотрудников в компании. В этом контексте Джош Берсин, международный эксперт в сфере HR, предложил понятие суперработника (Superworker). Речь идет не просто о человеке, хорошо выполняющем свои задачи и не о трудоголике в режиме 24/7. Эта концепция описывает сотрудника нового типа. Он работает в симбиозе с технологиями для повышения своей продуктивности, делегирует рутину ИИ, а сам фокусируется на принятии решений, взаимодействии с командой и развитии компетенций. ИИ становится его цифровым напарником, который берет на себя повторяющиеся процессы и анализ данных, освобождая время для креативной и стратегической деятельности. Такой сотрудник постоянно адаптируется к новым технологиям, потому что понимает, что это ключ к успеху.

Джош Берсин подчеркивает, что ИИ не заменяет сотрудников, но их могут заменить специалисты, которые умеют им пользоваться — суперработники. Эта аксиома применима и к предприятиям. Своевременное внедрение подходящих ИИ-сервисов для оптимизации процессов определяет конкурентоспособность компаний.

Выбор ИИ

ИИ условно можно разделить на два типа: для анализа и обработки данных, а также для создания нового контента. Однако, на практике граница между ними размыта. Генеративный ИИ может использоваться и как аналитическая модель (поиск инсайтов, классификация, анализ данных). Аналитические модели могут генерировать прогнозы или рекомендации.

Традиционный (или аналитический) ИИ — работает по заданным алгоритмам, анализирует данные, классифицирует и выдает прогнозы. К нему можно отнести скоринг заемщиков в банках, системы fraud-аналитики, прогнозирование спроса, автоматическую маршрутизацию в логистике, чат-боты на скриптах, поиск дубликатов в документах.

Генеративный ИИ — способен создавать новый контент. Что к нему относится:

1. Большие языковые модели (LLM — Large Language Models)

Одна из самых известных таких моделей — Generative Pre-trained Transformer (GPT). Она обучается в два этапа: сначала — на огромных массивах текстов, чтобы освоить структуру языка и закономерности в построении речи, а затем — для выполнения конкретных задач, таких как генерация текста, ответы на вопросы или ведение диалогов. Проще говоря, модель «читает» миллионы текстов, запоминает шаблоны и связи, а потом может «придумывать» новые тексты, помогать с поиском информации и вести диалоги. На базе GPT построены популярные сервисы, такие как ChatGPT от OpenAI и YandexGPT от Яндекса.  

2. Мультимодальные модели (LMM — Large Multimodal Models)

Такие модели могут одновременно работать с текстом, изображениями, звуком и видео. Например, они умеют описывать содержание картинки, отвечать на вопросы по PDF-документам, распознавать голос и синтезировать речь, генерировать изображения по промптам. С конца 2023 года ChatGPT на базе версии GPT-4-turbo стал мультимодальным. Российский пример LMM — SpeechGPT.

3. Сервисы для создания изображений, музыки или видео

Это ИИ-системы, способные по текстовому описанию создавать мультимедийный контент. Такие технологии позволяют генерировать картинки (Midjourney, Kandinsky, Stable Diffusion), музыку (Suno, Jukebox), видео (Sora, Runway, Pika).

Существуют и другие типы генеративных решений — например, инструменты для написания программного кода (GitHub Copilot, CodeWhisperer), создания 3D-моделей (KAEDIM, Tripo AI), проектирования интерфейсов (Uizard.io) или дизайна (Interior AI) и генерации презентаций (Beautiful.ai, Gamma.app).

Однако при использовании сервисов важно понимать, куда и какие данные попадают. Нередки случаи, когда сотрудники по привычке отправляют в внешние генеративные ИИ-инструменты чувствительную информацию: фрагменты исходного кода, конфиденциальные документы, внутренние отчеты. Данные могут утекать за пределы компании. Это создает риски нарушения конфиденциальности, утечки коммерческой тайны и несоблюдения регуляторных требований.

Использование ИИ бизнесом

Для безопасного применения ИИ в корпоративных процессах требуется не только технология, но и правильная архитектура, локальная установка, ограничения на доступ, фильтрация вводимых данных и другие элементы защиты.

Некоторые компании рассматривают возможность использовать open-source LLM-модель в собственном контуре (на внутренних серверах или в защищенной среде), а затем интегрировать в свои процессы. На первый взгляд это кажется простым и логичным решением: модель бесплатна, можно избежать зависимости от вендора. Однако на практике все значительно сложнее.

Во-первых, сама по себе LLM — это только «двигатель», но без «кузова», «педалей» и «руля». Чтобы она начала решать конкретные задачи бизнеса — формировать отчеты, проверять документы, обрабатывать заявки — необходима полноценная инфраструктура вокруг модели: обработка промптов, подключение к базам данных, бизнес-логика, интерфейсы, разграничение прав, мониторинг, логирование, система откликов и дообучения. Это требует времени, технической экспертизы и инвестиций.

Во-вторых, не все open-source модели готовы «из коробки» работать в корпоративной среде: у них могут быть ограничения по качеству ответов, скорости, размеру модели (влияет на требования к «железу»), устойчивости к нестандартным запросам, а также по защите от утечек и галлюцинаций (выдуманных ответов). Кроме того, модель «из коробки» не знает отраслевой специфики и конкретных корпоративных аспектов. Чтобы она качественно выполняла задачи, ее необходимо дообучить или как минимум настроить через инженерию запросов (prompt engineering) и встраивание векторных баз знаний (RAG-механики).

Таким образом, для бизнеса ценность ИИ раскрывается в адаптированной «оболочке» — интерфейсах, API, защите данных, настройке ролей и сценариев. Именно это превращает технологии в реальные инструменты для повышения эффективности.

Например, при автоматизации работы с документами LLM может использоваться внутри IDP-систем для распознавания текста, извлечения ключевых полей, проверки соответствий между документами. Модель можно адаптировать к новым шаблонам всего по нескольким примерам — обучение занимает считанные минуты. Но чтобы это заработало в бизнес-среде, требуется дополнительное усилие: интерфейс для настройки, коннекторы для быстрой интеграции с системами документооборота, управление доступом, защита данных и точная адаптация под данные, формат и логику внутренних процессов.

Кроме того, на практике бизнесу редко требуется только один из типов ИИ (генеративный или аналитический). Чаще всего оптимальным оказывается комбинированный подход, при котором аналитические алгоритмы работают вместе с генеративными модулями в едином решении. Решения в портфеле SL Soft опираются на этот подход и находят отклик среди среднего и крупного бизнеса.

Рынок российских ИИ-решений развивается достаточно быстро. Количество компаний, занимающихся разработкой фундаментальных моделей и сервисов на их основе, растет. Соответственно, усиливается и конкуренция, которая положительно влияет на качество и стоимость решений. Также появляются прикладные продукты для конкретных задач — расширяется их спектр, создаются облачные сервисы и профильные экосистемы. ИИ-инструменты становятся все более доступными широкой аудитории.

Как измерить выгоду от внедрения ИИ

Оценка эффективности ИИ не всегда очевидна «на глаз», особенно на первых этапах внедрения. Поэтому важно опираться на измеримые метрики, которые отражают реальные изменения в бизнес-процессах.

Несколько практических рекомендаций и ориентиров для анализа:

• Автоматизация процессов: какие именно рутинные задачи удалось автоматизировать, сколько времени и ресурсов это экономит?
• Ускорение процессов: насколько быстрее стали выполняться операции после внедрения ИИ?
• Улучшение качества: зафиксировано ли снижение количества ошибок, повысилась ли точность прогнозов?
• Сокращение ресурсов: каковы экономические показатели, связанные со снижением затрат на персонал, материалы, энергию?
• Рост удовлетворенности: если ИИ взаимодействует с клиентами или сотрудниками, фиксируются ли позитивные изменения в оценках клиентского сервиса или внутренних опросах?

Показатели могут различаться в зависимости от контекста, но главное — сформировать систему оценки, которая позволяет соотнести вложения в ИИ с полученной пользой. Это помогает принимать обоснованные решения о масштабировании, корректировке или развитии ИИ-решений.

ИИ не модный аксессуар, а практичный инструмент для бизнес-роста. Его эффективность подтверждается не словами, а цифрами.

Кейсы компаний с внедрением ИИ-инструментов: 

Сеть лабораторий «Гемотест»: автоматизированы ответы по статусам заказов, опросы и подтверждение записи на прием. Решен вопрос с очередью звонков клиентов, на 40% снижены затраты на колл-центр по профильным задачам.

Консультационная система «Актион»: расширены возможности юридической системы: реализован облачный онлайн-сервис анализа договоров (проверка текстов и юридических рисков). Ежедневно обработку проходят около 200 комплектов документов.

Транспортно-логистическая компания «Салаир»: внедрена платформа для автоматизированной обработки транспортных накладных, экспедиторских расписок и комплектов финансовой первичной документации. В 2 раза выросла скорость поступления оплат от контрагентов, на 75% снижена трудоемкость обработки документов для сотрудников.

Страховая компания: внедрение интеллектуального бота обеспечило своевременные звонки клиентам — конверсия продления медицинского и ОСАГО полисов повышена на 20%.