Что мешает ИИ стать полноценным рабочим инструментом: итоги митапа "ИИ без иллюзий"
У компаний, которые занимаются внедрением ИИ, появилась новая проблема: чем шире становятся возможности технологий, тем сложнее определить, где именно они принесут пользу. Чат-боту достаточно сформулировать ответ на вопрос пользователя. Агенту же можно предоставить доступ к браузеру, корпоративным документам, коду, базам данных и другим инструментам. Поэтому одной проверки качества модели уже недостаточно.
Теперь важно понять, решает ли система конкретную задачу, вписывается ли она в существующий рабочий процесс, снижает ли нагрузку на сотрудников и не создает ли дополнительных рисков. Именно этим вопросам был посвящен митап "ИИ без иллюзий". Участники обсудили практическое применение искусственного интеллекта для бизнеса: от поиска реальной пользы для пользователя и первых агентных сценариев до создания внутренних сервисов и их масштабирования на всю организацию.
Хорошая ИИ-фича не всегда приносит пользу
Обсуждение ИИ часто начинают с возможностей самой модели: какие инструменты к ней подключены, насколько сложные запросы она понимает, умеет ли писать код, анализировать документы или работать с изображениями. Однако с продуктовой точки зрения правильнее начинать не с технологии, а с задачи пользователя.
Артем Михеенко предложил простой критерий оценки: нужно временно убрать новую функцию из продукта и проверить, изменится ли рабочий процесс. Если ничего существенного не произойдет, ценность функции вызывает сомнения. Пользователю нужна не сама ИИ-возможность, а решение конкретной проблемы - сокращение ручных операций, уменьшение количества ошибок, отказ от постоянного переключения между чатами, таблицами и корпоративными системами.
Для корпоративных продуктов этот принцип особенно важен. Инструмент, который умеет создавать тексты, писать программный код или искать сведения во внутренних базах, можно собрать достаточно быстро. Но его наличие еще не означает, что сотрудники станут пользоваться им ежедневно. Если сервис не меняет процесс или, наоборот, требует от человека дополнительных действий, он рискует остаться эффектной демонстрацией.
Поэтому оценивать ИИ-продукт только по качеству ответа неправильно. Гораздо важнее выяснить, какую долю работы он действительно берет на себя и что происходит с процессом после его появления. Иногда несколько сэкономленных минут на повторяющейся операции приносят бизнесу больше пользы, чем впечатляющая демонстрация возможностей большой языковой модели. Практические примеры такого подхода к разработке и внедрению можно найти в материале о реальном применении ИИ в корпоративных процессах.
От ответа к самостоятельному действию
Следующим этапом развития ассистентов становится переход от генерации ответов к выполнению задач. Пелагея Пашинская на примере MWS Life Assistant показала, как меняется взаимодействие с моделью, когда ей предоставляют набор внешних инструментов.
Сама языковая модель работает с текстом, но к ней можно подключить калькулятор, поиск, браузер, базы знаний и другие сервисы. Тогда ассистент способен не только объяснить пользователю, как выполнить операцию, но и сделать это самостоятельно.
На первый взгляд разница кажется небольшой. В обычном чате человек задает вопрос, получает инструкцию, а затем выполняет действия вручную. В агентном сценарии задачу можно передать системе целиком: она сама определит последовательность шагов, выберет необходимые инструменты и проконтролирует результат.
Однако вместе с ростом автономности увеличивается и цена ошибки. Неточный текстовый ответ пользователь, скорее всего, заметит и исправит. Если же агент изменит данные в корпоративной системе, отправит письмо, оформит заказ или получит доступ к конфиденциальной информации, последствия могут оказаться гораздо серьезнее. Поэтому автоматизация бизнеса с помощью ИИ невозможна без продуманной системы разрешений, журналирования действий, подтверждений критических операций и распределения ответственности.
От эксперимента к корпоративному сервису
Марк Маджидов рассказал о другом направлении развития ИИ на примере цифрового помощника разработчика в Т1. Изначально продукт создавался для ИТ-специалистов, но со временем внутри компании появились новые сценарии. Возник спрос на универсального ассистента, способного работать не только с кодом, но и с корпоративными и личными документами сотрудников.
Так технический проект постепенно превратился в организационную задачу. Сотрудники все равно будут использовать ИИ-сервисы, поэтому компании приходится выбирать: предоставить безопасную внутреннюю альтернативу или пытаться контролировать применение внешних инструментов. В Т1 решение развернули внутри корпоративного контура, благодаря чему код, документация и рабочие материалы остались в управляемой среде. Сегодня помощником пользуются более пяти тысяч сотрудников холдинга и коллег из ВТБ.
Этот пример показывает, что корпоративные решения на базе ИИ требуют не только сильной модели. Нужны политики доступа, понятные правила обработки данных, единая система авторизации, мониторинг качества и поддержка пользователей. По мере расширения аудитории растет количество сценариев и меняются требования разных подразделений. То, что удобно разработчику, может оказаться избыточным для аналитика или менеджера.
Что важно учитывать при масштабировании
Корпоративный ИИ нельзя внедрить один раз и затем оставить без развития. После запуска необходимо собирать обратную связь, анализировать реальные сценарии использования и регулярно пересматривать набор доступных функций. Особенно важно отслеживать ситуации, когда сотрудники обходят встроенный сервис и возвращаются к сторонним решениям: это может свидетельствовать о неудобном интерфейсе, недостатке данных или слишком жестких ограничениях.
Еще одна важная задача - подготовка корпоративных знаний. Даже самая мощная модель не сможет надежно отвечать на вопросы о внутренних процессах, если документы устарели, противоречат друг другу или хранятся без понятной структуры. Поэтому внедрение ИИ в бизнес часто начинается не с выбора модели, а с инвентаризации данных, настройки прав доступа и создания единого пространства знаний.
Не менее значима и оценка результата. До запуска проекта стоит определить измеримые показатели: время выполнения операции, число ошибок, долю автоматизированных обращений, скорость подготовки документов или нагрузку на специалистов поддержки. Такой подход помогает отличить действительно эффективное использование ИИ в работе от красивого, но бесполезного пилота.
Наконец, внедрение должно сопровождаться обучением сотрудников. Людям важно объяснить не только возможности инструмента, но и его ограничения: какие решения нельзя передавать агенту без проверки, какие данные запрещено загружать, когда требуется подтверждение специалиста. ИИ становится рабочим инструментом только тогда, когда технология, процессы и ответственность выстроены как единая система.
Главный вывод митапа заключается в том, что успешный искусственный интеллект для бизнеса начинается не с демонстрации возможностей модели. Он появляется там, где технология снимает конкретную нагрузку, органично встраивается в рабочий процесс, безопасно взаимодействует с данными и приносит измеримый результат. Именно такой переход - от впечатляющего прототипа к надежному сервису - определит дальнейшее развитие корпоративного ИИ.
