Короткий гуглинг по теме показывает, что все рекомендации по внедрению ИИ в бизнесе сводятся к общим фразам. «Выделите одно приоритетное направление», «найдите рутинные операции», «проанализируйте доступные данные». Спасибо, кэп. А делать-то что?

---

Всем привет, на связи Влад Кармаков, CEO Siberian.pro, компании по продуктовой разработке цифровых решений. Я уже рассматривал плюсы внедрения ИИ в промышленности, страховом бизнесе и медицине. Выгод там полно. И из общения с представителями бизнеса я вижу, что да, выгоды очевидны многим. 

Не очевидно другое: как именно перейти от высокоуровневых рассуждений к конкретным шагам реализации и сколько это будет стоить.

Как понять, нужен ли вам AI?

Для начала —  ИИ нужен многим бизнесам, но все же не всем.

ИИ подходит компаниям с повторяющимися бизнес-процессами и большими объёмами данных. Исходные данные должны быть предварительно оцифрованы. С бумажками ИИ работать тоже умеет, но это более сложная задача, требующая уже готовой связки OCR и NLP для оцифровки.

Т.е. чек-лист выглядит так:

Если ответили «Да» на большинство пунктов — вашему бизнесу, вероятно, будет полезно внедрить ИИ.

Хотя, нет. Подождите. Хорошо бы еще предварительно оценить зрелость цифровой инфраструктуры в компании. ИИ — это инструмент автоматизации. Но если автоматизировать нечего, то он бесполезен. Зачем нанимать пилота Формулы 1, если у вас только велосипед и грунтовая дорожка?

Чек-лист готовности цифровой инфраструктуры приведен отдельно для Machine Learning (ML) и больших языковых моделей (LLM). Какой из двух вариантов ИИ вам подойдет, подробно расскажу ниже.

Из таблицы, помимо всего прочего, следует важный вывод: пилотные проекты на базе генеративных моделей можно запустить даже с минимальной готовностью инфраструктуры. Тогда как машинное обучение, особенно кастомное, потребует существенно больших вложений.

Вывод: ИИ нужен не всем бизнесам. Некоторые пока не готовы к внедрению ИИ в свои процессы. ML-модели привычнее, но требуют серьезной подготовки. А LLM-пилот можно запустить быстро и недорого, и при грамотном внедрении приносить финансовые плоды такое решение начнет с первого дня. 

Куда именно внедрять искусственный интеллект?

AI хорошо подходит для автоматизации одних процессов и плохо — для других. Есть и разница между классическим AI/ML и современными языковыми моделями — они нацелены на разные классы задач. Общие критерии подходящих для ИИ задач такие:

• повторяющиеся операции;

• есть четкие критерии успешности выполнения;

• доступна история данных;

• цена ошибки ИИ не высока.

При этом если ML-модели созданы для структурированных данных, то LLM блистает как раз на хаотичных и неструктурированных.

Примеры внедрения ML-моделей в бизнес:

• Прогнозирование спроса в ритейле. Классическая задача для ML-моделей. Модель предсказывает объёмы продаж по товарам, регионам и дням. Приложение для ритейла собирает данные для ИИ, и есть чёткий критерий оценки результатов.

• Оптимизация складских запасов и логистики. Внедрение ML-модели поможет предсказать, где и сколько нужно товаров, составить оптимальный маршрут движения.

• Контроль качества, видеоаналитика. На производстве CV-модель помогает выявлять дефекты продукции и нарушения техники безопасности, а классическая ML-модель — предсказывать сбои.

• Оценка рисков, скоринг, например, в страховании. Модель на основе прошлых данных по клиенту выполнит андеррайтинг и покажет риски. В основе обучения — формализованные признаки рисковых категорий клиентов, исторические данные.

Однако прорывной эффект от внедрения ИИ в бизнес стоит ожидать при работе с неструктурированной и разрозненной информацией. Современные языковые модели способны эффективно ее обрабатывать, анализировать и переводить в понятную форму.

Примеры внедрения ИИ (LLM) в бизнес-процессы:   

• Классификация заявок, обращений, документов. Модель определит тему обращения и переадресует нужному специалисту. LLM без проблем поймет суть, даже если запрос написан максимально коряво.

• Продвинутая техподдержка. Возьмем типовое приложение для дистрибьюторов. Клиент пишет: «где мой заказ?». Вместо шаблонного ответа или попыток найти заказ «в лоб», происходит нечто более интересное.
  
  Интеллектуальное решение с помощью RAG формирует контекст для LLM, преобразуя активные заказы клиента в текстовый снэпшот, затем семантически анализирует запрос клиента  и сопоставляет его со снэпшотом, находя заказ, о котором, наиболее вероятно, идет речь. Затем через ИИ-агента система получает доступ к ERP, видит, где именно находится этот заказ, и сразу информирует об этом клиента. Или даже предпринимает конкретные действия, например, через API формирует тикет в отдел логистики от имени клиента.

• Глубокая персонализация. Внедрение ИИ в здравоохранении поможет врачам отвечать в чате клиники уже с учетом истории болезни клиента и прошлого опыта общения.

• Анализ клиентского опыта. Закачиваем в LLM тысячи отзывов от заказчиков в соцсетях и на маркетплейсах. Получаем не просто фидбек «понравилось/не понравилось», но и конкретные формулировки. Которые затем можно использовать, например, в маркетинге или SEO.

• Поиск по базе знаний, документации, стандартам (на базе RAG). Сотрудник в своем приложении задает вопрос обычным языком («какие документы нужны для отгрузки» или «какой насос лучше предложить под эту спецификацию объекта от клиента»), а ИИ дает структурированный ответ со ссылкой на конкретные регламенты.

• Автоматизация типовых офисных действий. Например, с помощью LLM можно проверить правильность документа, понять суть договора и подсветить потенциально рискованные формулировки. А если подключить Model Context Protocol, то и перенести данные из одного формата в другой. AI-агенты способны предложить еще больший уровень автоматизации за счет интеграции в большинство офисных приложений.

• Поддержка продаж. Транскрибированием звонков уже никого не удивишь, но почему не пойти дальше и не попросить LLM сразу составить заготовку  коммерческого предложения по результатам созвона? Т.е. буквально: сотрудник завершил звонок, и уже через пару минут выслал адаптированное КП клиенту.

• Анализ рынка и инфополя. LLM использует внешние инструменты, чтобы отслеживать тренды, отзывы и действия конкурентов. Собранные данные помещаются во временную БД, а LLM+RAG затем составляет лаконичный отчет на основе именно этих данных. Тем самым экономя сотни часов работы аналитиков.

• HR-агент. В простом варианте — скрининг и анализ резюме. В сложном — выявление сильных сторон кандидатов, автоматизированный онбординг, ответы на вопросы новичков с помощью RAG по базе знаний и т.д.

А куда внедрять не нужно? Туда, где принятие решения — процесс индивидуальный, а не типовой. Не стоит внедрять ИИ туда, где нет достаточного объема данных — в таких условиях галлюцинировать и выдавать ложные прогнозы будет не только LLM.

В случаях, когда цена ошибки высока — например, речь о будущем компании или о здоровье человека, внедрить ИИ можно, но принятие решений оставить за живым сотрудником. Искусственный интеллект будет играть роль рекомендательной системы.

К слову, я сам активно пользуюсь ИИ и ратую за его внедрение в собственной команде. Подробнее о том, что именно и как именно можно внедрять, — у меня в Telegram-канале.

Иногда из формулировки задачи не ясно, можно ее автоматизировать с помощью AI-решений или нет. «Снизить процент отказов», «уменьшить процент брака на производстве», «улучшить работу отдела продаж». Звучит абстрактно. Вроде бы подходит под наши критерии, но куда именно тут внедрять ИИ?

В таких случаях нужно просто переформулировать задачу в конкретные результаты, достигаемые конкретными же действиями:

Главное, не забыть об остальных факторах. Ведь реальные условия сложнее лабораторных. Иначе получится, как у McDonald's. В 2024 году компания вынуждена была отозвать голосового AI-помощника, потому что тот генерил слишком много лулзов вызывал слишком много нареканий у клиентов.

Поторопились внедрить, не проработав все возможные сценарии взаимодействия и не учтя влияние десятков разных факторов.

Вывод: в задачах со структурированными данными лучше использовать классику, зато LLM отлично работает с нечеткими данными без структуры. Внедрять ИИ нужно туда, где есть рутинные повторяемые задачи и конкретные KPI, по которым можно отследить результаты внедрения. Стратегические решения и решения с высокой степенью ответственности оставляем людям.

Какой именно искусственный интеллект внедрять?

С ростом популярности и мощности современных LLM стало казаться, что искусственный интеллект — это они и есть. На деле, большие языковые модели — лишь один формат из многих.

Под термином ИИ может скрываться много всего разного:

Классические ML-модели: линейные регрессии, деревья решений, кластеризация, временные ряды, байесовская регрессия, различные типы нейронных сетей и т.д.

NLP-модели до LLM-эры. Например, тот же Илья Суцкевер приложил руку к созданию word2vec. Есть еще fastText, spaCy, rule-based системы и многое другое.

Алгоритмы computer vision: распознавание объектов, трекинг движения, OCR (YOLO, OpenCV и т.д.).

Современные LLM (GPT, Claude, Gemini и пр.): диалоговые агенты, генерация, RAG, креативные задачи, решение принципиально новых проблем, с которыми классические модели не справляются.

Классические AI хороши в классических задачах

Классический AI/ML хорошо работает на табличных и структурированных данных в линейных или апроксимируемых к линейным процессах.

Например, классики, как правило, достаточно в следующих областях:

Логистика:

• Прогнозирование спроса и оптимизация запасов элементарно решаются линейной регрессией или временными рядами со скользящей средней. Что-то типа ARIMA/Prophet.

• Оптимизация маршрутов — задача линейного программирования и простых эвристик.

Ритейл:

• Сегментация покупателей и формирование рекомендаций прекрасно работают на основе логистической регрессии и градиентном бустинге.

• Скоринг лояльности клиентов тоже не требует LLM — нужен качественный ETL со сбором данных из различных источников (CRM, кассы и т.д.), и нормальная DWH-архитектура с возможностью быстро обучать ML-модель прямо на хранилище или через связанный pipeline.

Производство:

• Предиктивная диагностика оборудования — это не что иное, как классические time series, дополненные фильтром выбросов и аномалий.

Страхование:

• Автоматическую обработку заявок, расчёт рисков и скоринг можно выстроить на табличных ML-модели, обучив их на исторических данных.

Для неструктурированных данных есть LLM

С другой стороны, LLM и RAG (retrieval augmented generation) отлично себя показывают в обработке документов, текстовых данных, неструктурированной информации, интернет-ресурсов, постов в соцсетях, отзывов, любых запросов на естественном языке и т.п. 

Например:

e-commerce, банкинг, страхование:

• Автоматизация клиентского сервиса в виде чат-бота или ассистента.

• Аналитика отзывов в сети и помощь в формировании товарной матрицы.

• Адаптивная интеллектуальная техническая поддержка для клиентов и простой доступ к регламентам с помощью естественного языка (RAG).

Дистрибьюция:

• Смарт-каталог товаров с запросами на естественном языке и поиском по конкретным спецификациям (RAG).

• Интеллектуальный онбординг сотрудников и партнеров.

• Сложная генерация текстов, отчетов, переводов на основе транскрипции голосовых звонков, анализа фото и видеоматериалов, например, для автоматической фиксации неисправностей или обнаружения дефектов.

• Обработка неструктурированных документов (PDF, сканы, тех.условия, таможенные документы, тендеры).

Производство:

• Можно разработать систему контроля соблюдения техники безопасности с помощью комплексной связки CV + MCP + LLM + RAG. Компьютерное зрение отвечает за триггеры (персонал без каски в опасной зоне), MCP формирует промты для LLM, которая создает уведомления для службы безопасности и отчеты для руководства. Конкретное место нарушения и нарушенный пункт инструкции вычленяем с помощью RAG.

• Аналогичная кооперация систем искусственного интеллекта способна не просто обнаружить брак, но и выявить его причину. Например, анализируя статистику брака в зависимости от смен, оборудования, технологических параметров и сырья. LLM здесь выступает в роли следователя, который по крупицам собирает доказательства «преступления», выдвигает гипотезы, с помощью Ватсона (MCP-агента) проверяет их, а затем составляет отчет вида: «С вероятностью 85% причиной микротрещин на изделии является сочетание повышенной температуры на станке №4 и сырья с высокой текучестью, что приводит к неравномерному высыханию и растрескиванию».

Круто же! ML-модели ничего такого не могут.

Итоговый чек-лист для выбора ИИ:

Выбор конкретного стека в рамках ML или LLM зависит уже от специфики задачи. В будущих материалах рассмотрю подробнее, подписывайтесь. А пока — едем дальше.

Вывод: продвинутая современная LLM нужна не для всякой задачи. Иногда классический ИИ — лучший выбор. Однако именно LLM сегодня предоставляет такие возможности, которые просто не с чем сравнить в классическом инструментарии.

С чего начинать внедрение ИИ в бизнесе?

Итак, мы решили, что AI нам нужен. Мы хорошо обрисовали задачи, которые он будет решать, и понимаем, как именно мы будем оценивать результаты. Что еще лучше — мы уже знаем, куда именно собираемся внедрять наш искусственный интеллект и каким он будет.

С чего начнём?

1. Деконструкция бизнес-процессов

Берем процесс, который хотим улучшить с помощью AI, разбиваем его на конкретные этапы и описываем, что именно выполняется, что на входе, что на выходе, сколько времени и ресурсов требуется и т.д.

Допустим, мы хотим уменьшить время обработки заявок на страхование. Сводим все шаги этого процесса в таблицу, диаграмму или иную удобную форму. Например, вот так:

Генри Форд, оптимизируя производство на своих заводах, буквально стоял над рабочими с секундомером, замеряя продолжительность каждой операции. У нас та же задача. Если продолжительность шага указать сложно, значит нужно его разбить на более мелкие операции, опять же по заветам Форда.

В итоге четко видно, где теряется больше всего времени, и какие именно операции стоит автоматизировать с помощью AI.

Внедрять ИИ будем в какую-то одну, наиболее приоритетную задачу, которую найдем, например, с помощью методов ICE или Lean Canvas. Распыляться не надо, сосредоточьтесь на одном процессе. В нашем примере — это анализ документов. Исходя из вышеописанного, мы понимаем, что эту задачу можно решить связкой OCR + LLM.

2. Подготовка данных

Для обучения модели нужны данные, но не какие угодно, а правильные. Поэтому план такой:

• Уточняем, сколько именно исторических примеров у нас есть. В примере со страхованием это будут заявки. В случае автоматизации контроля качества — данные по изделиям с дефектами и без них. Объема данных должно быть достаточно для обучения.

• Размечаем данные по конечному результату. Например, «заявка принята / отклонена», «есть дефект / нет дефекта», «правильное положение детали на конвейере / неправильное положение» и т.д.

• Уточняем, где именно хранятся данные.

• Уточняем, есть ли доступ к данным у тех, кто будет внедрять ИИ-решение.

Важно удостовериться, что данные корректные, не устаревшие, непротиворечивые и соответствуют сформулированным ранее целям бизнеса. Согласно Gartner, именно плохие данные — причина провала трети всех AI-пилотов.

А как понять, достаточно ли данных? Ориентируемся на конкретную бизнес-задачу. Данные должны покрывать все возможные кейсы и сценарии этой задачи, плюс некоторый запас. 

Например:

Цифры, конечно, примерные. Качественно можно оценить так: должно быть достаточное число повторений по каждому сценарию, чтобы модели было на чем учиться.

3. Выбор решения

Если вы не в первый раз внедряете AI в бизнес, то этот раздел можно пропустить. В противном случае, нужно определиться, что именно вам требуется: Proof of Concept (PoC), Minimum Viable Product (MVP) или уже готовое решение.

• PoC позволяет оценить, можно ли поставленную задачу решить с помощью предлагаемого ИИ-решения. Будет ли оно вообще работать? Т.е. буквально: взяли Jupyter Notebook, загрузили данные из эксельки и посмотрели, что выдала модель.

• MVP — это уже про бизнес. Проверяем в реальных условиях и смотрим, достигаются ли бизнес-цели, решается ли задача, есть ли ценность. Это уже не лабораторные испытания, а реальная работа, пусть и на ограниченных данных, в рекомендательном режиме и лишь в одном бизнес-процессе.

• Продакшн. Наконец, пилот внедряем в бизнес на постоянной основе.

4. Подготовка инфраструктуры

В целом, все готово. Ингредиенты для супа нарезаны, но нужна еще и плита с кастрюлей. Инфраструктуру выбираем исходя из выбранного ранее этапа внедрения:

Действительно: зачем инвестировать в дорогостоящий сервер, если он потом будет простаивать? Для тестирования пилота вполне достаточно LLM с доступом через API.

Второй момент — юридический. Например, от облаков на иностранных серверах придется отказаться, чтобы соответствовать 152-ФЗ.

Третье — как часто будет меняться бизнес-логика? Если часто, то лучше заложить это в проект сразу и использовать API и гибкие облачные решения.

Дальше. Объемы данных. Быстрая обработка сотен миллионов записей потребует распределенной инфраструктуры (Spark, Dask и т.д.). При небольшом числе можно взять что-то локальное.

Для внедрения и поддержки решения нужна команда. Если своей DevOps/ML команды нет, разумнее начать с облачных решений или вовсе протестировать гипотезу максимально дешевым способом: LLM.

Итоговый чеклист по инфраструктуре AI-решения:

Что по инструментарию и конкретному стеку технологий? Зависит от того, продаем мы или покупаем внедряем мы уже готовое решение или пока только проверяем гипотезу.

Архитектурно, внедрение ИИ в бизнес-процессы состоит из этапов: сбор данных из источников, обработка, хранение, и т.д. У каждого этапа своя инфраструктура, но из таблицы ниже хорошо видно, что внедрение искусственного интеллекта на базе LLM потребует гораздо меньше вложений даже на этапе прода.

Вывод: при внедрении искусственного интеллекта сосредоточьтесь на одном бизнес процессе и сформулируйте конкретный ожидаемый результат. Подготовьте данные в достаточном для описания всех сценариев объеме. Выберите между PoC, MVP или готовым решением и соберите под него инфраструктуру. И да, LLM почти всегда будет дешевле.

Как выбрать подрядчика

По порядку следования в тексте этот пункт идет последним, но в действительности искать подрядчика лучше в самом начале проекта. Хотя можно и не искать, а собрать свою in-house команду. Общие принципы выбора подрядчика здесь такие же, как и в целом по IT.

Воспитывать свой in-house разумно, если вы работаете в долгосрок и готовы инвестировать время и деньги в команду и инфраструктуру своего AI-проекта. Для быстрого запуска, пилотов и всяких нестандартных задач — лучше привлечь подрядчика для внедрения ИИ под ключ. Это еще и дешевле.

Чек-лист:

Ок, допустим, мы ищем подрядчика. Кого выбрать? Рынок не то чтобы переполнен, но предложений достаточно. Опять же: я рекомендую смотреть на компании, которые не только подкованы технически, но и понимают запросы бизнеса. Т.е. они не просто покажут изменения, скажем, в ROC-AUC кривых на 5%, но и объяснят, как именно это снизит ваши затраты, например, на контроль качества продукции.

Техно-энтузиасты бывают убедительны, но помните, что ваша цель — не внедрение AI как такового, а достижение бизнес-цели с его помощью.

Чем зрелый подрядчик отличается от энтузиастов?

• Вникает в ваши процессы и спрашивает про бизнес-метрики и ROI;

• не требует «чистых» данных, готов работать с реальными;

• разрабатывает PoC с прицелом на масштабирование;

• не «зажимает» знания: документация, обучение, сопровождение;

• предлагает адекватный стек под задачу.

Например, если задача состоит в увеличении продаж, то вместо ML-модели для прогнозирования, может оказаться выгоднее использовать LLM, чтобы из отзывов вычленить реальные проблемы пользователей и адаптировать продуктовую линейку. Но чтобы это понять, подрядчик должен быть готов глубоко нырнуть в ваши процессы.

Что должно быть в документации по AI-проекту (неважно, подрядчик или in-house):

• Описание задачи: постановка, допущения, целевые метрики.

• Данные: источники, примеры, сценарии, пайплайны обработки.

• Выбранная модель: тип, параметры, дата обучения, обоснование выбора.

• Метрики: обучающая/валидационная/продакшн-метрики.

• CI/CD: как происходит деплой, где хранятся артефакты.

• Механизмы мониторинга (на проде): что отслеживается, пороговые значения.

• Контроль качества: логика тестирования модели (юнит-тесты, интеграционные тесты).

• Обратная связь: кто и как валидирует поведение на проде.

• Риски: bias, drifts, приватность, интерпретируемость.

• Руководство по эксплуатации: как перезапустить, как дообучить.

Вывод: при выборе подрядчика ориентируйтесь не на «ботоводов», а на людей, понимающих суть бизнеса и готовых вникать в процессы.

Сколько стоит внедрить ИИ в бизнес

Если вы внимательно прочитали статью, то уже знаете ответ. Если пролистали сразу сюда, то вот краткая выжимка:

• не всем бизнесам нужен ИИ;

• аудит цифровой готовности поможет понять, нужен ли искусственный интеллект именно вашей организации;

• с помощью AI лучше оптимизировать рутинные и повторяющиеся действия с четкими критериями эффективности;

• ML-модели хороши на структурированных данных, а LLM — на хаотичных и в креативных задачах; 

• в чувствительных сферах принятие решений оставляем за человеком;

• выбор конкретной реализации и модели AI зависит от бизнес-процессов, вида задачи, объема и типа данных, и от вашего бюджета;

• объем работ по внедрению ИИ в бизнес и инфраструктура зависят от вида решения: Proof of Concept, MVP или продакшн.

Отсюда ясно, что стоимость внедрения варьируется. Обычно эта фраза означает, что исполнитель запросит много, но спешу успокоить: услуги внедрения ИИ вполне по карману даже малому бизнесу. 

Например, простой AI-помощник, заточенный под ваши офисные бизнес-процессы, обойдется буквально в 100-200 тысяч рублей. При этом результаты проявятся очень быстро. Бюджеты от нескольких миллионов начинаются в сфере AI/ML, где требуются кастомные модели, обучение и комплексные интеграции.

По вопросам внедрения ИИ и в целом про разработку цифровых решений регулярно пишу в своем ТГ-канале. Заглядывайте.