Вроде бы направление, связанное с искусственным интеллектом, на российском ИТ-рынке процветает: динамика этого сегмента вдвое лучше, чем у прочих, руководители видят хорошие перспективы высвобождения рабочего времени сотрудников за счёт ИИ, да ещё при этом умные агенты не заменяют работников, а становятся для них дополнительными средствами производства — а значит, потенциальный рынок сбыта для ИТ-канала благодаря ИИ только ширится. Но когда очередной клиент приходит к интегратору за проектом внедрения у себя этого модного и мощного инструмента — всегда ли у партнёра есть что показать заказчику предметно, опираясь на собственный опыте?
Измеримая польза
Какие именно бизнес-процессы российских заказчиков в первую очередь могли бы выиграть (или уже выигрывают) от внедрения ИИ?
По свидетельству Григория Гасенко, директора ГК «КОМПЬЮТЕРЫ И СЕТИ», сегодня мы действительно наблюдаем, как ИИ постепенно переходит из категории экспериментальных технологий в разряд рабочих инструментов: «Наибольший эффект от внедрения ИИ получают процессы закупки, аналитики, обработки документов. При этом наш опыт внедрения говорит о том, что надо рассматривать ИИ прежде всего не как средство замены сотрудника, а как инструмент повышения эффективности: он помогает быстрее анализировать данные, принимать решения и сокращать объём рутинной работы. Максимальный эффект возникает не обязательно там, где процесс самый дорогой, а там, где сотрудники значительную часть времени тратят на условные Ctrl-C и Ctrl-V — поиск, перенос и сопоставление информации».
Григорий Гасенко, директор ГК «КОМПЬЮТЕРЫ И СЕТИ»:
Заказчики всё чаще приходят к интеграторам не с вопросом, что такое искусственный интеллект, а с желанием понять, как он работает на практике и какую пользу способен принести бизнесу. В такой ситуации недостаточно показать презентацию продукта. Гораздо убедительнее говорить о собственном опыте его применения. Именно поэтому перед тем, как предлагать платформу «НаВстрече» заказчикам, мы начали использовать её для внутренних совещаний нашей компании. Нам было важно понять, насколько ИИ действительно способен повысить эффективность управления и какую ценность он даёт в ежедневной работе.
Практика показала, что возможности платформы выходят далеко за рамки автоматической расшифровки и подготовки протоколов. Наиболее полезной для нас стала функция «Радар», которая анализирует содержание встречи и выделяет события, требующие внимания руководителя. Это могут быть риски нарушения сроков, нерешённые вопросы, эмоциональные всплески участников или, наоборот, перспективные идеи и инициативы. Руководитель может заранее определить важные для себя темы и получать уведомления, когда они возникают в ходе обсуждения. Даже если он не присутствовал на встрече лично, система помогает быстро понять её суть и обратить внимание на моменты, требующие управленческих решений.
Использование платформы показало, что ИИ не заменяет руководителя, а становится дополнительным инструментом для работы с большим объёмом информации. Он помогает быстрее выявлять риски, не упускать важные детали и лучше понимать особенности коммуникации внутри команды.
Сегодня мы готовы внедрять «НаВстрече» и в компаниях наших заказчиков. Собственный опыт позволяет лучше понимать возможности решения, предметно отвечать на вопросы и предлагать внедрение с учётом реальных задач бизнеса. В этом случае диалог строится не на обещаниях, а на конкретных сценариях применения и результатах, подтверждённых практикой.
Реклама ООО «ГРУППА КОМПАНИЙ «КОМПЬЮТЕРЫ И СЕТИ», ИНН: 5402540742
«Для крупного бизнеса сегодня важно не просто наличие ИИ, — полагает Алексей Телков, генеральный директор „Галактики“, — а то, насколько глубоко он встроен в корпоративные системы и бизнес-процессы. Именно здесь возникает реальная ценность технологии. В платформе „Галактика Сверхновая“ мы используем искусственный интеллект на двух уровнях. Первый связан с разработкой и архитектурой. Специалист формулирует задачу на естественном языке, а ИИ генерирует код, метаданные и API. Это сокращает путь от постановки задачи до реализации с недель до нескольких часов. Второй уровень — бизнес-процессы. Здесь ИИ работает с документами и данными, контролирует бюджеты, выявляет риски и готовит рекомендации. Результат, который мы уже видим на практике: в отдельных сценариях время обработки документов сокращается до 75%, а скорость принятия управленческих решений возрастает до 8 раз. Эффект особенно заметен в процессах с большими объёмами данных и документов: в финансах, учёте, закупках, договорной и кадровой работе. Отдельное направление — миграция на новую ERP. искусственный интеллект помогает сотрудникам быстрее адаптироваться к системе и эффективнее с ней работать. Следующее направление, которое мы сейчас развиваем, — предиктивная аналитика. Задача в том, чтобы система не только помогала реагировать на происходящее, но и заранее выявляла возможные отклонения и риски».
Дмитрий Васильев, управляющий партнёр IBS, призывает разделять успешный пилотный проект, ускорение отдельной операции и измеримый эффект для бизнеса: «Пилотов уже действительно много, а промышленное применение с подтверждённой экономикой пока встречается существенно реже. Приведу пример: крупная компания развернула в тестовой среде известную ИИ-модель для решения задач оптимизации производственных цепочек, однако масштабировать решение не смогла — из-за проблем с информационной безопасностью и высокой ресурсоёмкости модели. У крупных заказчиков в первую очередь выигрывают процессы, в которых есть большие объёмы данных, повторяющиеся решения и высокая цена ошибки: прогнозирование спроса и планирование производства, управление запасами и закупками, ТОиР, контроль качества, обработка документов, работа с корпоративными знаниями, поддержка пользователей, разработка и тестирование ПО».
«Можно уверенно констатировать, — утверждает Иосиф Маламуд, директор по продвижению программных продуктов Software Kit, — что искусственный интеллект достиг той зрелости, при которой все шире охватывает рабочие процессы большинства современных предприятий, а мастерство его применения определяет конкурентоспособность и, в конечном счёте, перспективы компании на рынке. Мы сами разрабатываем ИИ-решения, параллельно оценивая практический эффект от их внедрения. Заказчикам они помогают повышать эффективность бизнеса за счёт оптимизации отдельных процессов и их цепочек на основе автоматического анализа больших объёмов данных. Также многие заказчики используют ИИ для поддержки юридического сопровождения бизнеса. Он анализирует договорную документацию, автоматически выявляя спорные условия и юридические риски; подробно разбирает кейсы с точки зрения действующего законодательства и сложившейся практики, формирует юридическое заключение и подбирает аргументы для ответа».
Юлия Печникова, директор департамента развития бизнеса VAD (Value Added Distribution) компании Merlion, обращает внимание на следующий тонкий момент: «На практике успех внедрения ИИ зависит от определения самого термина: что считают собственно внедрением ИИ? Если это пилот, внедрение чат-бота в одном департаменте или закупка инфраструктуры „под ИИ“, — таких кейсов много. Если же мы говорим о проектах, где нужно внедрить ИИ в промышленный контур — с владельцем процесса, регламентом и понятной окупаемостью, — то таких кейсов заметно меньше. ИИ даёт результат только там, где есть узкий процесс, чистые данные и чёткий критерий „сделано“. Он не способен „починить“ размытую задачу и не заменяет собой управленческие решения. Сейчас отчётливо виден дисбаланс: компании охотнее инвестируют в „железо“ и лицензии, чем в перестройку внутренних процессов. В первую очередь от внедрения ИИ выигрывает документооборот; далее — первая линия поддержки и service desk: автоматический разбор типовых обращений, классификация и поиск ответов в базе знаний. Третий контур — продажи и пресейл: скоринг лидов, генерация материалов, навигация по продуктовому портфелю и проверка совместимости решений. Здесь ИИ приносит прямую пользу и интегратору, и вендору».
Чаще всего, по словам Светланы Ивановой, генерального директора РДТЕХ, успешные примеры связаны с клиентской поддержкой и генеративным функционалом: «По сути речь идёт о ситуациях, где есть ограниченный круг источников данных, стандартизированные и алгоритмизируемые решения. Примеры внедрений ИИ в других сферах пока единичны, поскольку требуют глубокого понимания бизнеса, более сложных интеграций, а иногда и формирования источников знаний с нуля. Стоит отметить, что даже наиболее популярные и развитые решения не способны без конкретной постановки задачи и передачи ее контекста генерировать полезные результаты. Очень хорошие показатели эффективности у ИИ-кейсов в части работы с различными форматами документов: сравнение, выявление расхождений в массивах информации и исправление в системах и документах, генерация проектов решений и документов на основе анализа больших объёмов данных».
По справедливому замечанию Александра Ложкова, технического директора АО «Современные системы», ИИ уже оказывает серьёзное влияние на разработку не только прикладного, но и системного ПО — в частности, систем управления базами данных: «Наиболее ощутимый выигрыш при разработке СУБД FTData мы получили в AI-ассистированном программировании тестового покрытия; например, для написания сложных SQL-запросов и скриптов автоматизации. Это снижает требования к разработчикам и ускоряет выпуск обновлений. Также мы используем языковые модели для подготовки артефактов, сопутствующих основному коду СУБД, таких как commit messages, what`s new, etc. Это снижает долю рутинных операций. Мы интегрировали AI-ассистента в опубликованную документацию базы знаний о продукте. Пока это сделано в закрытом контуре для поддержки специалистов
Практические преграды
С какими наиболее острыми вызовами сталкиваются заказчики, стремящиеся интегрировать ИИ, уже минуя стадию пилота, — именно в свою повседневную практику? И как в ходе такой интеграции удаётся избегать задержек и потери темпов привычной коммерческой деятельности компании-клиента?
Основная сложность, как считает Григорий Гасенко, начинается как раз по завершении успешного пилотного проекта, когда ИИ необходимо встраивать в существующие процессы и ИТ-инфраструктуру, соблюдая притом требования информационной безопасности: «Возникает множество смежных вопросов в части перестройке бизнес-процессов, бесшовной интеграции с корпоративными системами и готовности сотрудников работать по-новому. Наиболее эффективно показывает себя подход, при котором внедрение ИИ организуется по принципу внутреннего стартапа: MVP, тестовые группы новаторов в отдельных процессах с понятными критериями эффективности. После этого решение можно постепенно масштабировать без резкого изменения привычной работы компании. Такой подход может казаться более медленным на старте, но существенно снижает риски при масштабировании».
Самым критичным кейсом, на сегодня вызывающим среди разработчиков наибольшее количество разногласий, Александр Ложков называет интеграцию ИИ в ядро СУБД: «Это не просто добавление новой функции, а фундаментальная перестройка архитектуры. С чем неизбежно придётся столкнуться при внедрении ИИ в ядро СУБД:
- Задержки и нестабильность при обработке данных через LLM. Скорость работы ИИ в сотни раз медленнее стандартных SQL-операций. Интеграция с внешними API привносит непредсказуемые задержки, сбои и квоты. В итоге, сложный запрос на 17 000 строк может выполняться более 5 часов на одном GPU.
- Хрупкость архитектуры. Попытки „склеить“ традиционную СУБД, векторные хранилища и конвейеры ИИ создают сложные, хрупкие системы. Каждый межкомпонентный API — это точка отказа, задержки и риска безопасности. Это также ведёт к удорожанию стоимости поддержки из-за множества связанных компонентов.
- Риски безопасности и „галлюцинации“. Предоставление LLM доступа к элементам управления БД может привести к генерации ошибочных или даже вредоносных SQL-запросов. При этом для эффективной работы ИИ-помощнику часто нужен доступ к сырым метаданным и данным, что создаёт серьёзную угрозу утечки.
- „Чёрный ящик“ и кризис доверия. Решения ИИ остаются непрозрачными. Любой совет нейросети по изменению критичных параметров (например, shared_buffers) должен рассматриваться лишь как гипотеза, а не как инструкция. В противном случае это опасная иллюзия экспертизы».
В качестве ключевых факторов успеха в масштабировании ИИ-решений (помимо достаточных вычислительных мощностей) Светлана Иванова называет наличие актуальных данных и документов, отлаженные процессы их формирования и обновления, а также качество проработки планируемого результата: «Зачастую ожидания у клиентов формируются на базе применения готовых ИИ-агентов для решения задач персональной эффективности. Это требует ограниченного набора данных, а образ результата формируется по образцу или на основании сходных примеров из внешних библиотек. При внедрении решений в процессы компании круг источников значительно расширяется, а итоговый результат работы ИИ требует значительной адаптации под конкретные бизнес-задачи».
Юлия Печникова склонна видеть самый острый вызов в самóм прыжке в неизвестность, которым по сути является масштабное внедрение ИИ в бизнес-процессы: «Пилот обычно живёт на чистом срезе данных, в одном отделе и без жёсткого SLA. А промышленная эксплуатация — это «грязные» данные, сложные интеграции, строгие регламенты, рабочие смены и юридический вопрос: «Кто отвечает за ошибку модели?» Если проигнорировать эти факторы, внедрение буксует: сотрудники вынуждены вести два контура параллельно, они не доверяют новой системе — и при малейшем сбое возвращаются к привычной рутине. На практике у заказчиков системных интеграторов проблемы возникают не с «моделью» как таковой, а в других четырёх аспектах:
- Данные. В пилоте их объёма хватало, но в промышленном контуре обнаруживается нехватка актуальных данных, критическое падение их качества или отсутствие согласий на обработку.
- Встройка в действующий процесс. ИИ должен автоматически писать данные в учётную систему и двигаться по стандартному маршруту согласования, а не жить в изолированном чате.
- Безопасность: персональные данные, коммерческая тайна и закрытый контур — эти вопросы обязаны быть решены строго до запуска, а не в процессе.
- Люди. Без выделенного владельца процесса и чёткого регламента «что делать, если ИИ выдал неуверенный ответ», проект навсегда останется на стадии демо.
Как не потерять темп привычной работы? Не выключать модель в день запуска. Рабочий путь такой: берём один узкий процесс с понятным результатом; какое-то время ИИ идёт рядом, в тени, старый регламент остаётся основным; сравниваем качество и скорость на живом потоке; только потом переносим нагрузку, с запасным маршрутом назад. Обучение команды и инструкции внедряем до момента переключения (cutover), а не после первого сбоя. Инфраструктура, доступы и ИБ-согласования должны быть финализированы заранее, иначе проект наглухо застрянет на этапе бюрократии. Иначе говоря: попытка миновать пилот и развернуть ИИ «сразу на весь холдинг» гарантированно уничтожит темп и сломает бизнес-процессы. Но если отказаться от «вечного эксперимента» и сразу внедрить ИИ внутрь одного живого процесса с параллельным теневым контуром, вы защитите операционку и получите быстрый результат».
«Не секрет, — замечает Иосиф Маламуд, — что значительная часть сотрудников крупных предприятий по складу своего характера весьма консервативна, и к новым технологиям относится со здоровым скепсисом. А инициатива внедрения искусственного интеллекта, различные угрозы которого — от откровенно фантастичных до вполне обоснованных — обсуждаются даже на правительственном уровне, может вызвать откровенный саботаж с их стороны. Нивелировать этот эффект отчасти могла бы пилотная стадия, в рамках которой до сотрудников заказчика была бы доведена подробная информация о целях и задачах проекта. В её отсутствие одновременно с внедрением новой технологии можно создать внутри компании параллельный ландшафт, в котором сформировать отдельную фокус-группу, где все новые процессы будут полноценно внедряться и тестироваться. В дальнейшем опыт этой фокус-группы останется только масштабировать на всю компанию. Это поможет минимизировать психологический дискомфорт для коллектива и простой рабочих процессов для бизнеса».
После пилотных проектов технологическая задача превращается прежде всего в организационную, — на это обращает внимание Дмитрий Васильев: «Возникают вопросы качества данных, интеграции с действующими системами, информационной безопасности, ответственности за решения ИИ, контроля точности модели и доверия сотрудников. Кроме того, неожиданно выясняется, что при высокой параллельной нагрузке модели требуется в несколько раз больше ресурсов, чем на стадии пилота. Пилотные проекты доказывают, что модель умеет работать. Промышленное внедрение должно доказать, что компания способна жить с ней каждый день. Критические решения должны оставаться под контролем человека. Необходимы параллельная эксплуатация, возможность быстрого отката и постоянное измерение результата. Главная ошибка — пытаться встроить ИИ в неуправляемый процесс. В этом случае технология не устраняет хаос, а лишь ускоряет его».
По мнению Алексея Телкова, сложнее всего обеспечить достойное качество данных: «Чтобы ИИ действительно давал результат, ему нужна точная и структурированная информация. На крупных предприятиях данные часто разбросаны по разным системам, справочники не унифицированы, а часть процессов до сих пор существует только на бумаге. В такой ситуации ИИ просто не получает целостной картины. Поэтому внедрение искусственного интеллекта начинается не с выбора модели, а с оценки того, насколько хорошо организованы данные и знания предприятия. Мы решаем эту задачу, в частности, с помощью RAG-подхода: ИИ работает с конкретной базой знаний и регламентами заказчика и получает необходимый контекст. В „Галактика Сверхновая“ мы изначально заложили архитектуру, в которой данные и бизнес-логика доступны для интеллектуальных сервисов. Это позволяет не просто добавить ИИ поверх ERP, а встроить его непосредственно в систему. Для заказчика это означает, что новая технология не требует перестройки привычной работы, — она становится её органичной частью».
Окончание следует
Источник: Максим Белоус, IT Channel News
erid: