Окончание. Начало здесь

Сложные проекты, внедрение которых неизбежно ведёт к переустройству бизнес-процессов, осторожные заказчики предпочитают сперва изучать на сторонних примерах. Есть ли такие примеры в собственной практике участников российского ИТ-канала?

Смотрите — работает!

Один из примеров успешного использования ИИ в собственной практике, который приводит Григорий Гасенко, директор ГК «КОМПЬЮТЕРЫ И СЕТИ», — внедрение решения «НаВстрече»: «Система фиксирует содержание разговора, формирует расшифровку и краткое резюме, выделяет договорённости, задачи и ключевые тезисы. Отдельно отмечу функцию „радар рисков“: ИИ анализирует коммуникацию и помогает выявлять потенциально проблемные моменты, такие как размытые договорённости, отсутствие ответственного или конкретных сроков выполнения задачи. Это позволяет обратить внимание на риски ещё до того, как те перерастут в реальные проблемы. На собственном примере мы можем показать заказчикам не абстрактные возможности технологии, а конкретный эффект: меньше времени уходит на обработку результатов встреч, договорённости не теряются, а потенциальные риски становятся заметны раньше».

«Сразу уточню нашу роль в экосистеме, — оговаривается Юлия Печникова, директор департамента развития бизнеса VAD (Value Added Distribution) компании Merlion. — Мы — проектный дистрибьютор: вендор создаёт продукт, системный интегратор ведёт внедрение у заказчика, мы собираем связку — инфраструктура, ПО, совместимость, демо, пилот, обучение партнерского канала. Поэтому наши кейсы — это реальный опыт вендоров и партнёров, а также сценарии, которые заказчик может протестировать у нас вживую. Мы не переписываем чужие бизнес-процессы сами, мы даём для этого все необходимые инструменты. Осторожность заказчика абсолютно оправданна. Чужой опыт жизненно необходим, особенно когда речь идёт о глобальной перестройке процессов, а не о локальном эксперименте. Но работает не любой пример. Убеждает сопоставимый контур: та же отрасль или тот же класс задачи, похожие ограничения по данным и безопасности, понятная метрика до и после. Кейс из облака, когда у заказчика закрытый контур, чаще пугает, чем помогает».

Алексей Телков, генеральный директор «Галактики», согласен с тем, что для крупных компаний реальный опыт внедрения — один из главных аргументов: «Важно увидеть, как решение работает на реальном предприятии, с конкретными объёмами и нагрузкой. Причём даже внутри одного холдинга готовность к внедрению может быть разной. Одно предприятие готово двигаться сразу, другое предпочитает сначала посмотреть, что получилось у коллег. Показательный пример — наш проект для „Транснефти“ по созданию единого цифрового контура управления активами. Проект стартовал на одном предприятии, после чего решение масштабировали на другие организации группы. Сегодня контур объединяет 42 организации и около 30 тысяч пользователей».

Вполне понятным считает желание заказчиков оценить эффект внедрения новой технологии на чужом опыте, избегая таким образом лишних рисков, Иосиф Маламуд, директор по продвижению программных продуктов Software Kit: «В моих переговорах с заказчиками убедительный пример опыта эксплуатации ИИ-решения отраслевым предприятием нередко становился решающим аргументом в пользу его внедрения. Он же помогал будущему партнёру защитить бюджет на новую систему перед руководством».

«Мы обсуждаем с клиентами релевантные кейсы, показываем наши демостенды и реализуем пилотные внедрения, — делится опытом своей компании Светлана Иванова, генеральный директор РДТЕХ. — Однако важно понимать, что универсальных ИИ-агентов или ассистентов на самом деле не существует: каждая ситуация уникальна. Потребности бизнеса, источники данных различаются от компании к компании. Равно как и требования к результату и условия кибербезопасности. Наибольшая сложность заключается сейчас в обманчивой лёгкости использования ИИ. Клиенты ожидают волшебной палочки, а достижение необходимого бизнес-результата — сложная рутинная и итерационная задача. Тем не менее, в подавляющем большинстве случаев достигнуть понимания удаётся».

Дмитрий Васильев, управляющий партнёр IBS, апеллирует к практике своей компании: «У IBS есть система-советчик для производства удобрений. Она анализирует технологические параметры и рекомендует оптимальный режим работы оборудования. У крупной химической компании за девять месяцев экономический эффект более чем в пять раз превысил инвестиции во внедрение. Есть и другие примеры: предиктивная аналитика оборудования, компьютерное зрение для выявления производственных дефектов, автоматическая классификация заявок, аналитические ассистенты, прогнозирование оттока и выгорания персонала. Такие кейсы действительно снимают сомнения в работоспособности технологии, но чужой результат нельзя механически переносить на другое предприятие. Поэтому правильная последовательность — показать отраслевой пример, проверить гипотезу на данных конкретной компании, измерить эффект и только после этого масштабировать решение. Тогда меняется и характер разговора: бизнес спрашивает уже не о том, работает ли ИИ вообще, а о том, где именно он принесёт пользу».

«Мы не являемся разработчиком ИИ-систем, — замечает Александр Ложков, технический директор АО „Современные системы“, — но подобные требования заказчики предъявляют сейчас к любому, как мне кажется, поставщику решений. На наш взгляд, лучшей практикой в подобных случаях является собственный пример. Предлагая решения нашим заказчикам, мы в первую очередь проверяем его площадках, доступных нам и нашим технологическим партнёрам — и лишь потом включаем его в список рекомендуемых к применению. Для нас это обязательная практика внедрения инноваций, в том числе и в области использования ИИ».

Есть эффект

Можно ли уже говорить об измеримых выгодах самого разного рода от внедрения ИИ в повседневную практику участников канала — и в каких областях деятельности компании эти позитивные последствия нагляднее всего проявляются?

«Здесь стоит упомянуть о двух проектах внедрения ИИ для собственных нужд, — говорит Григорий Гасенко. — Первый — использование ИИ для быстрой оценки стоимости оборудования и материалов. Зачастую на этапе бюджетирования не требуется детальная проработка проектных спецификаций. Нужно лишь верхнеуровневое понимание порядка итоговой стоимости. При этом спецификация может содержать тысячи строк. Используя ИИ, мы получаем оценку цен и сроков поставки за секунды, освобождая время сотрудников отдела закупки и кардинально сокращая сроки обработки запросов. В итоге людям нужно только проверить адекватность выданной информации и расценить строки, достоверность по которым была ниже порога. Это позволяет обрабатывать больше запросов, расширяя воронку, а специалистам — больше времени уделять снижению закупочных цен в проектах на стадии реализации».

«Второй, — продолжает эксперт, — использование ИИ для работы с Ad-hoc отчётами BI. Типовые ежедневные отчёты собираются в BI-системе, а сложная разовая аналитика доступна пользователям через простой текстовый запрос. Это делает работу с данными более доступной для руководителей, сокращает время принятия решений и позволяет экономить на разработке отчётов для BI. Например, руководитель может голосовым вводом запросить, какие сделки не двигались за период, что по ним было сделано и какие смежные активности велись».

Как must have навык, ожидаемый компаниями даже от джунов, не говоря уже о более квалифицированных позициях, рассматривает сегодня владение ИИ-инструментарием в компаниях ИТ-канала Иосиф Маламуд: «У нас ИИ в той или иной степени ежедневно используют более 80% сотрудников. При грамотном применении (что тоже — особое искусство!) он избавляет разработчиков от скучной рутины по написанию, тестированию и отладке кода, позволяя решать всё более интересные кейсы с постепенным ростом их сложности. Благодаря ИИ-ассистентам мышление программиста постепенно эволюционирует от банального „кодинга“ к инжинирингу, выводя его на новый профессиональный уровень. А руководители и владельцы таких бизнесов получают прямой экономический эффект, решая растущий объём задач имеющимися ресурсами. Также наши команды используют ИИ-ассистента собственной разработки, который автоматически конспектирует планёрки, определяет ключевые тезисы в привязке к их спикерам, обсуждаемые задачи, при необходимости — внося их в бэклог соответствующего исполнителя. Очень удобный инструмент, экономящий массу времени и сил!»

«Мы находимся в начале пути, — признаёт Светлана Иванова. — Точно могу сказать, что применение ИИ уже на первом этапе заставило нас пересмотреть подходы к кибербезопасности и к производительности труда. К тому же, мы выявили у себя некачественные и неполные источники знаний, скорректировали процессы их накопления и использования. Сейчас мы шаг за шагом формируем новый управленческий контур, который позволит менеджменту компании более оперативно принимать решения по всем текущим вопросам».

Дмитрий Васильев свидетельствует о том, что внутри IBS ИИ используется как повседневный рабочий инструмент: «Для анализа информации, написания кода, создания тестов и документации, поиска в корпоративных базах знаний и протоколирования встреч. В собственной работе я применяю его для проверки гипотез, сравнения сценариев и сокращения пути от большого массива информации до принятия решения. На уровне отдельных операций эффект уже измерим: задачи выполняются быстрее, сокращается объем ручной работы, уменьшается количество потерь информации и повторных итераций. Существенно возрастает объем обрабатываемых данных, а значит — и глубина проработки. Однако говорить об одной универсальной цифре роста производительности всей компании пока преждевременно. Сэкономленное время ещё нужно превратить в выручку, прибыль, повышение качества или ускорение реализации проектов. ИИ действительно убирает часть рутины, но сотрудники не начинают меньше работать — их работа становится содержательнее. На мой взгляд, это и есть главный позитивный сдвиг: меньше механических операций, больше времени на экспертизу, взаимодействие с клиентами и принятие решений. Есть и обратная сторона. С массовым внедрением ИИ началась конкуренция за вычислительные ресурсы и приоритеты их использования. Для сотрудников пришлось вводить ограничения по количеству токенов и числу параллельных задач. При подключении новых пользователей приходится постоянно увеличивать мощности оборудования».

Александр Ложков предпочитает говорить о бизнес-эффектах от внедрения ИИ: «В первую очередь, это освобождение высококвалифицированных специалистов от рутины. И это вопрос не только эффективности труда разработчика. Это и сокращение времени решения инцидентов, и большая скорость решения сложных задач. Особенно это актуально в смежном для основных разработчиков стэке. Также можно оценивать и повышение качество кода и надёжность получаемых решений. Контроль ИИ более беспристрастен. А значит, заказчик получает более стабильное решение. Однако у внедрения ИИ в СУБД есть и обратная сторона. И это сторона связана с серьёзными рисками. В первую очередь, это безопасность. Хотя AI оптимизированы для причинения пользы, увы, обеспечение безопасности не является для них приоритетом. Уже можно говорить о том, что ИИ-агенты с неограниченным доступом становятся новой инсайдерской угрозой. Имея широкие права, они могут за секунды выполнить деструктивные SQL-команды и уничтожить рабочую среду».

«В эту же категорию, — продолжает эксперт, — попадает наиболее обсуждаемая уязвимость — инъекция промптов. Это может привести к утечке, модификации или даже удалению данных. Отдельная история — встроенные шпионские функции. Так легитимные AI-функции могут быть использованы во вред. Например, в SQL Server 2025 штатные инструменты для работы с внешними моделями ИИ позволяют злоумышленнику с высокими привилегиями незаметно выгружать до 100 МБ данных за раз на внешний сервер по HTTPS. Причём такой трафик маскируется под обычную работу AI-сервиса, что зачастую не отслеживается штатными средствами контроля. Непредсказуемость модели может приводить к „галлюцинациям“, выдумке несуществующих имён столбцов или провокациях в промптах. Зачастую внедрение ИИ опережает возможности компаний управлять этим процессом. Это может привести к удорожанию решений в сравнении с „кожаной“ технологией. Главная опасность кроется в критическом разрыве между скоростью внедрения ИИ и зрелостью процессов управления и безопасности. Компании, игнорирующие эти риски, могут столкнуться не с экономией, а с серьёзными потерями данных, репутационным ущербом и регуляторными штрафами. Успех внедрения ИИ в СУБД зависит скорее не от смелости экспериментов, а от способности внедрить надёжные детерминированные политики, жёсткий контроль доступа и человека в цикле принятия критических решений».

«Мы используем инструменты „Галактика Сверхновая“ в собственной разработке, — констатирует Алексей Телков, — и оцениваем эффект по конкретным результатам. Например, подготовка проектной документации и сценариев тестирования, на которую раньше специалист тратил целый день, сейчас выполняется ИИ-агентом примерно за четыре минуты. При текущем объёме задач это позволяет обходиться без дополнительного штата примерно из 30 ручных тестировщиков и даёт прямой экономический эффект в несколько миллионов рублей в месяц. Но для нас важна не только экономия. Меняется сама организация инженерной работы: рутинных операций становится меньше, а специалисты могут сосредоточиться на архитектуре, контроле результата и задачах, где действительно нужна их экспертиза. Работа с ИИ — это дополнительный навык, который усиливает профессиональную компетенцию и позволяет специалисту работать на другом уровне производительности».

Источник: