На выходных в сеть утекла часть внутренних регламентов крупной российской ИТ корпорации. Один необычный документ меня сначала очень рассмешил, потом показал много интересного с методической точки зрения. А для ответа на вопрос "как такое появилось на свет?" я провел собственное расследование и сделал много интригующих открытий в области корпоративных ИИ.

Расскажу все по порядку...

Часть 1. Маркетинг сложных продуктов, зумеры и AI

Инструкция, которая заставила меня смеяться, называлась "Руководство по корпоративному маркетингу для зумеров". Сам документ можно скачать по ссылке. Начинается он следующим образом.

Всё это меня изрядно повеселило и показалось забавной шуткой. Но документ оказался не в меру объёмным. А содержание, если перевести на человеческий язык, вполне осмысленным и хорошо проработанным. Я в силу своего опыта разбираюсь на стыке маркетинга, продаж и технологий. Так вот здесь довольно дельно описан сплав между моделью жизненного цикла клиента по исследованиям Нила Рэкхема и моделью продвижения по Бену Ханту. ИМХО, тема правильная и эффективная, советую почитать, если перевариваете молодежный сленг.

Получается, что документ рабочий. Кто это сделал и зачем? Пришлось расчехлять список контактов и искать выход на сотрудников той самой корпорации через знакомых. По итогам разговора с одним из них я открыл для себя любопытные сценарии внедрения генеративного ИИ в корпорате.

Вот что удалось выяснить. Обычно LLM проникают в компании на уровне теневых ИТ. Почти все потихоньку включают VPN и начинают пользоваться ИИ-ассистентами для помощи в работе. Кто-то на коленке внедряет отдельные ИИ-функции в существующие системы, но такие решения по понятным причинам работают не очень стабильно и требуют значительных усилий по поддержанию работоспособности.

В компании, о которой идёт речь, в конце прошлого года была внедрена AI BPA система российского производства. Это своего рода low-code платформа, которая не зависит от конкретных моделей нейронок, поддерживает создание векторных баз, управление этими базами и коннектами к разным LLM, а также даёт множество инструментов, чтобы собрать из этого нужный сценарий автоматизации как на самой платформе, так и во внешних системах.

С этого момента внедрение генеративных ИИ встало на уверенные рельсы: каждое подразделение смогло прорабатывать собственные способы применения, которые реализовывались, благодаря возможностям платформы, параллельно.

В частности, руководитель системы менеджмента качества, решая проблему «да сколько можно писать эти нудные простыни текста, их же никто не читает!», настроил автоматический перевод всех утверждаемых регламентов и инструкций на зумерский язык и публикацию этих альтернативных версий на портале СМК.

Часть 2. AI BPA и кейсы применения генеративного ИИ

Теперь давайте пробежимся по рабочим сценариям системного встраивания нейронок внутри большой компании, о которых мне рассказали.

Адаптация информации под разные аудитории

Как с регламентами для зумеров, так и с техническими материалами по продуктам и услугам компании хорошо работает сквозная автоматическая адаптация текста для использования продавцами и маркетологами. То же самое применимо и к выпускаемому наружу контенту: сложный материал для экспертов автоматически переупаковывается для специалистов средней руки и совсем бизнес-пользователей.

Изменение формата информации

На основе больших развёрнутых материалов без проблем создаются более компактные версии в нужных форматах. Например, на основе подробной истории успеха — новость на сайт, пресс-релиз, посты для соцсетей и микроблогов, текст рассылки по электронной почте и т. д.

Перевод на локальные языки

Если компания международная, то весь выпускаемый контент как внешний, так и внутренний (те же регламенты, инструкции, спецификации, материалы маркетинга и продаж, страницы сайта) автоматически переводится на локальный язык региона присутствия.

Полезная функция универсальных платформ — это возможность одновременно использовать как внешние топовые коммерческие сети (для маркетинга и работы с открытыми документами), так и собственные onpremise-модели для обработки закрытой информации.

Ассистенты по отдельным базам знаний

AI BPA платформы имеют готовые коннекторы к файловым хранилищам, Confluence, вики-системам, благодаря которым их можно векторизовать и создать на их основе автоматически обновляемую векторную базу знаний. Такие базы можно использовать как для подгрузки информации в контекст нейросети в рамках отдельных процедур процесса, так и для работы с ними через ассистента. Специализированные ИИ-ассистенты работают только в контексте настроенного хранилища, из которого берут информацию. Если похожая по смыслу информация находится, они дают ответ на вопрос пользователя и могут снабжать его ссылками на исходные статьи, чтобы можно было проверить первоисточник.

Заведение карточек в системы на основе файлов

Нейросеть получает на вход документ в любом из распространённых форматов. Извлекает из него текст. Если это скан плохого качества, да ещё с записями от руки, то что-то автоматически сделать с ним дальше традиционными способами сложно. Но современные LLM умеют разбирать такие данные и генерировать на выходе JSON, из которого уже можно создать карточку в учётной системе. Например, на вход поступают счета от поставщиков, а на выходе сеть генерирует платёжные поручения в 1С и связанные с ними заявки на оплату в ERP-системе со всеми необходимыми реквизитами и атрибутами.

ИИ-секретари

Автоматическими протоколами встреч в Zoom уже никого не удивишь, но с low-code платформой можно пойти дальше — а именно оформить протокол встречи как полагается по корпоративному шаблону, а главное, определить, какие задачи были поставлены, на кого назначены и в какие сроки. А дальше автоматически создать карточки этих задач в системе таск-трекинга. Благодаря поддержке в AI BPA платформах безопасного хранения голосовых отпечатков сотрудников, ИИ может точно определять спикеров.

ИИ-агенты и поддержка пользователей

Интеллектуальные чат-боты в поддержке тоже потихоньку проникают в нашу жизнь, но ИИ-агентами их не назовёшь. В моём понимании ИИ-агент предполагает возможность фоновой автономной работы, самостоятельного принятия решений и некоторого набора инструментов, которыми он может пользоваться по своему усмотрению.

Здесь я увидел интересный кейс, когда такой агент работает по задаче наполнения базы знаний. У него есть доступ к самостоятельной выборке обращений, закрытых вручную на первой и второй линии поддержки. С его помощью он анализирует похожие запросы и пытается из примечаний к закрытию создать инструкцию по типовому решению для передачи на автоматическую нулевую линию поддержки. Если ИИ-агент находит описание решения неинформативным, он пишет об этом сначала сотруднику, потом его руководителю.

Когда ИИ-агент считает, что информации собрано достаточно, то создаёт черновую статью, которая после утверждения менеджером базы знаний публикуется и проливается в векторное хранилище, доступное для ИИ-чатботов на нулевой линии поддержки. Таким образом круг замыкается.

Итого

Я не стал разбирать кейсы, связанные с разработкой ПО — ассистирование разработчиков, черновое ревью кода, автоматическая генерация автотестов и прочее, поскольку эти сценарии и так у всех на слуху. А перечисленные выше способы использования ИИ в реальной практике мне раньше в таком виде не встречались.

Видится, что такое разнообразие сценариев становится возможным благодаря использованию универсальной платформы, где можно собрать нужный бизнесу процесс как в конструкторе. Насколько мне известно, в России есть несколько разработчиков подобных AI BPA решений.

К сожалению (или к счастью), я работаю сейчас в стартапе, и мы обходимся коммерческими сервисами для личных ассистентов и костыльными самоделками с API ChatGPT. Расскажите, какие интересные способы использования ИИ практикуются в ваших компаниях?