У тех, кто внедряет ИИ, появилась новая головная боль. Чем больше технология умеет, тем труднее понять, где ее применить. Чат-боту достаточно ответить на запрос пользователя, а агенту уже можно дать доступ к браузеру, корпоративным документам, коду и другим инструментам. И вместе с этим уже недостаточно убедиться, что модель умная. Нужно еще доказать, что она решает конкретную задачу, вписывается в процесс и не тащит за собой новые риски. 

Этому и был посвящен митап «ИИ без иллюзий». Эксперты разобрали корпоративный ИИ с разных сторон — от поиска реальной пользы для человека и первых агентных сценариев до внутренних инструментов и их внедрения в масштабе целой организации. 

Хорошая ИИ-фича может оказаться бесполезной

Разговор об ИИ обычно начинают с того, что умеет модель. Какие инструменты ей подключили, насколько сложный запрос она вытянет. Но с точки зрения продукта порядок приходится менять. Артем Михеенко предложил смотреть на любую новую функцию через задачу пользователя. 

Простой тест: уберите функцию из продукта. Если процесс не изменился, то ценность этой функции сомнительна. Пользователю не нужна сама фича. Ему нужно решить проблему: уменьшить ручную работу и количество ошибок, перестать скакать между десятком чатов и систем. 

Для корпоративного ИИ это особенно жестко работает. Внутри компании собрать инструмент, который генерирует текст, пишет код или ищет информацию, можно довольно быстро. Только вот наличие такой штуки еще не значит, что ей будут пользоваться каждый день. Если технология не меняет процесс или требует от человека больше действий, чем обычно, то она рискует остаться красивой демкой. 

Оценивать ИИ-продукт по качеству ответа недостаточно — нужно понять, какую часть работы он реально забирает себе и что происходит с процессом после его появления. Пара сэкономленных минут на рутинной операции даст куда больше, чем эффектная демо модели. 

От ответа к действию

Следующий шаг для ассистентов — переход от генерации ответов к самостоятельному действию. Пелагея Пашинская на примере MWS Life Assistant показала, как это устроено. LLM сама по себе работает только с текстом, поэтому ей начинают давать инструменты: сначала калькулятор, потом что-то посложнее, включая браузер. В итоге модель может и рассказать пользователю, как что-то сделать, и выполнить это самостоятельно.

Звучит как мелкое изменение интерфейса, но по факту это другой способ общаться с ИИ. В обычном чате человек спрашивает, получает ответ и дальше действует сам. Агенту задачу можно отдать целиком: он сам выберет инструменты и порядок, в котором их применить.

И тут же растет цена ошибки. Неточный ответ человек заметит и поправит. А вот если модель уже что-то сделала в браузере или затронула корпоративные данные, последствия становятся куда серьезнее. Развитие агентных систем неизбежно тянет за собой работу над вопросами доступа, контроля и ответственности. 

Корпоративному ИИ мало быть умным

Марк Маджидов показал другой путь развития ИИ. В Т1 цифровой помощник разработчика задумывался как инструмент для айтишников. Но затем вокруг него выросли новые сценарии использования. Внутри компании появился спрос на универсального корпоративного ассистента, и так родился сценарий работы с моделью и собственными корпоративными и личными документами.

Техническая задача незаметно превращается в организационную. Сотрудники так или иначе будут пользоваться ИИ-сервисами, поэтому компания либо даст собственную альтернативу, либо будет пытаться контролировать этот процесс. В случае Т1 решение развернули внутри корпоративного контура, чтобы код и документация оставались в контролируемой среде. Сейчас им пользуются более 5 тысяч сотрудников холдинга и коллег из ВТБ. 

Корпоративный ИИ нельзя один раз внедрить и забыть. Когда растет аудитория, растут и сценарии, требования к доступам и источникам знаний. То, что подходит разработчику, аналитику или менеджеру уже может не подойти. Так развитие продукта превращается в постоянный поиск баланса между универсальностью, пользой и ограничениями корпоративной среды. 

От пилота к рабочему инструменту

Главный разрыв при внедрении возникает при переходе от прототипа к массовому использованию. На этапе пилота достаточно показать, что модель просто выполнит задачу. При интеграции в рабочие процессы нужно понять, кто будет этим пользоваться каждый день, какие данные ему доступны, кто отвечает за результат и как все это измерить. 

Количество запросов к модели или число открывших чат-бота тут почти ничего не говорит. Это показывает интерес сотрудников к технологии, а не ее пользу для бизнеса. Гораздо важнее изменения в самом процессе: экономия времени на операцию, уменьшение числа ручных шагов и ошибок, перераспределение работы между человеком и ИИ. 

Внедрение ИИ все меньше похоже на задачу ИТ-отдела и все больше на продуктовую и организационную работу. Команде нужно найти конкретный сценарий, проверить его на живых пользователях, встроить в существующие процессы, и только потом масштабировать. При этом масштабирование не должно убивать контроль: чем больше полномочий получает агент, тем важнее заранее очертить границы его самостоятельности. 

Так что же в итоге?

Корпоративный ИИ постепенно уходит от роли справочника, который просто отвечает на вопросы. Он получает доступ к данным, учится пользоваться внешними инструментами, выполнять цепочки действий и встраиваться в конкретные процессы. 

Качество работы отдельной модели уходит на второй план. Не тот ИИ-продукт хорош, который умеет больше всех, а тот, который заметно меняет конкретный процесс и предсказуемо ведет себя в тех условиях, для которых его создавали. 

В корпоративной среде красивого демо или удачного эксперимента одной команды недостаточно. Технологию еще нужно вписать в инфраструктуру, учесть требования ИБ, обучить сотрудников и отслеживать результат. Это обычная продуктовая работа, но цена ошибки у нее выше.