Для тех, кто в блоге впервые: здесь я рассказывал про AI ready инфраструктуру, здесь — про её «железную» инженерную основу. После статьи про информационную безопасность логично перехожу от темы сборки техрешения к теме «сборки команды», которая это решение может реализовать.
Короче, говорим про локальную инфраструктуру для ИИ в стеке с реальностью: что это, зачем и как вообще её реализовывать в нынешних условиях AI-рынка в России.
Идея AI ready сложилась из личного опыта использования ChatGPT и пилотного внедрения модели в бизнес-процессы моей компании. Ещё год назад AI-команды у нас не было — один ИИ-энтузиазм. Мы, как и многие, наивно полагали, что запустим AI-ассистента силами имеющейся ИТ-команды. Ведь с ChatGPT даже ребёнок разберётся, корпоративный сервис немногим сложнее, не так ли?
Не так. Посвящаю эту статью всем руководителям, которые без разбора стремятся сегодня внедрить ИИ во все процессы, и тем, кто думает, что ИИ легко сможет заменить сотню сотрудников. Поверьте, чтобы создать собственный рабочий AI-инструмент, вам нужно будет работать в три раза больше, и найти тех, кто выстроит эту работу правильно, будет непросто. Равно как непросто переубедить нейроскептиков и научить команду бороться с рутиной с помощью ИИ.
AI-команда: компетенции против энтузиазма
Встань и иди: AI-архитектор в борьбе с костылями
Кто такие «нейросетичики» и почему они нам не подошли
Что заработало и где мы встряли
Иллюзия экспертности: от нейроигрушки к «цифровой правой руке»
Зимой 2025 года я анализировал возможность запуска производства нового оборудования. Оно связано с охлаждением, то есть отличается от основного профиля ПСМ (энергетики), поэтому знаний о технологии не хватало. Затягивать с решением не хотелось, поэтому я открыл GPT и стал разбираться в производственной цепочке и прикидывать стартовые инвестиции.
Честно — я особо ни на что не рассчитывал. Просто хотел сократить время на сёрчинге в Гугле. Мой единственный успешный GPT-кейс на тот момент — придумать название для компании в Кыргызстане. Нейроигрушка, не более. Но в этот раз GPT удалось меня впечатлить.
Я за пару вечеров так глубоко залез в незнакомую тему, что подумал: «Ого, вот будущее и наступило!» Раньше на такой анализ ушёл бы месяц: поиск экспертов, каталогов, 10 итераций инвестмодели…
Воодушевлённый, я поехал на аудит производства схожего оборудования с приятной уверенностью эксперта. Но получил прививку от восторга: процентов 40 «экспертизы» GPT оказались убедительно замаскированной фантазией.
ВЫВОД: AI очень быстро даёт иллюзорное ощущение экспертности. Это главный риск, который вроде бы очевиден, но который многие ленятся учитывать. Соблазн ускорения велик. Но скорость погружения в тему легко перепутать с глубиной изучения. AI без естественного интеллекта и жизненного опыта — остаётся опасной нейроигрушкой.
Фантазия и ошибки нейросеток — одна из причин скепсиса пользователей. Но отказываться от интеллектуального ускорителя только из-за риска галлюцинаций глупо. Поэтому, получив прививку реальности, я стал учиться пользоваться GPT: правильно писать промпты, быстро проверять данные, формировать техзадания, выдавать правки, анализировать документы.
Я надеялся, что ИИ-помощник наконец избавит меня от рутины и разгрузит мои вечера дома. Хрен там! Задач только прибавилось.
Рутины действительно стало меньше, но возможностей изучения разных тем больше — поэтому количество бизнес-процессов, в которые я вовлечён, выросло. Прошло буквально 3-4 месяца, и ChatGPT стал моим постоянным бизнес-компаньоном. И я решил, что пора переносить личный опыт на корпоративный уровень.
AI-команда: компетенции против энтузиазма
Всех сотрудников компании на GPT-подписку не посадишь. (Привет, информационная безопасность!) Мы поселили в офисную серверную корпоративный чат-бот на базе языковой модели GPT. Первая версия, запущенная в 2025 году, получилась умилительно тупой.
Единственное, что мы доверили ИИ на тот момент — проверку входящих сообщений attention-ботом, риск-аналитику контрактов в юридическом спектре и функцию сравнения документов. В свободном диалоге ПСМ-ассистент особо никому не помогал. Это усилило скепсис некоторых сотрудников.
Мнения разделились. Кто-то начал активно тестить AI-инструменты, кто-то попытался, но так и не понял, как этим пользоваться, кто-то упёрся, отстаивая интеллект естественный. Чтобы преодолеть скепсис, нужно было продолжать расширять возможности корпоративного ИИ.
Когда перешли на следующий уровень, поняли две вещи:
Промышленной компании вкладываться в ИИ только ради офисной рутины бессмысленно. Нам нужны инструменты контроля конструкторской документации, видеоаналитика производства и база знаний.
Силами своей ИТ-команды мы не справимся.
ВЫВОД: если мы тратим столько сил, времени и денег на AI для себя, то, во-первых, взаимовыгодно будет поделиться разработками с рынком, во-вторых, — так мы покажем собственной команде ценность ИИ-инструментов.
Почему подрядчик не решил задачу
Чтобы определиться с «железом», надо понять мощностную потребность софта. Мы решили всё провернуть по-быстренькому и пошли искать разработчика корпоративных AI-агентов, которых сегодня развелось на рынке на любой вкус (но все — на одинаково толстый кошелёк).
Все подрядчики строят работу по одинаковой логике:
Мы даём техзадание.
Подрядчик его принимает (или мы его уточняем).
В зависимости от ТЗ подрядчик собирает проектную команду или находит субподрядчика.
Потеря времени в квадрате: 10 утомительных зумов, чтобы понять, что делать корпоративный AI на стороне долго и дорого. Плюс гарантии с таким количеством посредников сомнительные.
В итоге переглянулись с нашим ИТ-директором и сошлись на идее набрать свою команду и сделать всё самим. (Никогда такого не было, и вот опять.)
ВЫВОД: косяков в проекте так и так будет много. Но если делать своей командой, мы сможем быстрее их закрывать. И одновременно нарастим компетенции, чтобы создавать внешний ИИ-продукт.
Шесть студентов с ИВТ
Какой процент айтишников вообще понимает, как работать с ИИ? Сколько «нейросетчиков», изучивших ИИ-модели методом проб и ошибок за последние пару лет, способны производить качественный продукт?
Выдвинули гипотезу «новый продукт — новая экспертиза» и пошли набирать команду на факультет информационно-вычислительной техники. (Кто не рискует — тот не внедряет ИИ.)
Выбрали 6 студентов. Они, несмотря на профиль кафедры, про разработку AI-инструментов знали только в теории. Практический опыт после подработки был только у одного — его и сделали тимлидом.
Что мы ждали от ребят: широкий креативный диапазон и работу без закоренелых ИТ-привычек.
Что мы были готовы им дать: реальный промышленный опыт и хорошие деньги на старте.
Что предстояло сделать: научить / научиться работать — соблюдать сроки, брать ответственность и взаимодействовать с заказчиком.
На первом этапе отсутствие ИТ-бэкграунда нам помогло. Команда не знала, как «правильно». Ребята просто делали, на энтузиазме. Но то, что помогало на старте, стало ограничением на следующих этапах.
Сейчас роли в команде утверждены: кто-то занимается фронтендом, кто-то бэкендом, кто-то UX. Я думаю, что один-два года такой работы дадут ребятам очень серьёзный профессиональный буст. Но бизнес не может столько ждать. Поэтому мы приняли решение усилить команду ИТ-архитектором с экспертизой.
Встань и иди: AI-архитектор в борьбе с костылями
Один из первых наших attention-ботов падал примерно раз в 2-3 дня: то не работал маршрутизатор, то заканчивалась подписка, то деньги на внешнем сервисе, то казахская почта внезапно начинала чудить. Наша молодая экспериментальная команда сделала AI-сервис (и не один), но стабильно работающего промышленного ИИ-продукта мы так и не получили.
Стало очевидно, что нужен системный архитектурный подход, нормальная эксплуатация и DevOps-функция. Иначе мы просто продолжим плодить умные микросервисы, которые бизнес не воспринимает всерьёз, потому что они чаще падают, чем приносят практическую пользу.
Хардовый AI-архитектор положил конец пилотной самодеятельности и направил энтузиазм команды в системное русло. Под управлением архитектора начали собирать микросервисы в единую платформу, а затем — интегрировать ИТ-контур с инженеркой и вычислениями, которые делают ИИ-сервисы устойчивее.
Возник ожидаемый конфликт бизнеса и техники. Я как CEO каждый день задавал вопрос про сроки цифровой трансформации компании. Техспецы больше думали о правильной архитектуре и новом «железе», а это не всегда сочетается с оптимальными для бизнеса сроками.
На каждой планёрке мы искали баланс. Важно было закрепить в голове разработчиков понимание — AI-платформу мы собираем не ради трендов или точечной автоматизации, а ради создания корпоративного ИИ-контура, который работает, как единый механизм, а не как набор костылей. Иначе чем это отличается от бизнеса без ИИ?
Кто такие «нейросетчики» и почему они нам не подошли
Поиск баланса «бизнес / разработчик» — это барьер, который мы всё ещё преодолеваем.
Не хочу, чтобы мой разговорный термин «нейросетчик» звучал обидно. Рынку, безусловно, нужны профи, которые разбираются в моделях. (Кстати, они пока на вес золота.) Но, как мы выяснили, для промышленного AI этих компетенций мало.
Разработчик может понимать устройство моделей, технологию RAG, инференс, маршрутизацию и так далее. Может сделать технологически «красивый» сервис «по ТЗ». Но будет ли этот сервис реально полезен бизнесу?
Классическая ошибка ИТ: спросить у сотрудника, как устроен его процесс, записать и начать автоматизировать. Итог — качественно оцифрованный плохой процесс.
Это работает в обе стороны: бизнес тоже не всегда может корректно описать проблему «нейросетчику», даже если чётко её понимает. Переводчиком в разработке AI-проектов должен стать бизнес-аналитик, который а) глубоко понимает процессы, б) базово разбирается в ИИ.
Бизнес-аналитик — гарант того, что процесс НЕ будет оцифрован по принципу «у нас так принято». Но мы такого человека до сих пор не нашли.
В качестве бизнес-аналитика в AI-проекте ПСМ пока выступаю я, поскольку выполняю функции операционного директора. Во-первых, компанию я знаю лучше всех. Во-вторых, я привык никому не доверять на 100% и перепроверяю всё сам.
Это необходимо ещё и потому, что мало кто в компании стремится брать ответственность за сроки реализации и качество AI-инструментов. Ответственные за процессы сотрудники получают х2 к повседневным задачам за счёт подготовки данных для ИТ. Может ли в этом случае пострадать качество данных? Да. Сможет ли это пофиксить разработчик? Нет. Работа сводится к «они просили заполнить табличку — я заполнил».
Поэтому не только в нашей компании, но и во многих других, управлять процессом внедрения ИИ может только директор, который на протяжении лет погружен в операционку. Его задача — держать задачи в сроках, проверять качество данных и заворачивать их на доработку, быть переводчиком с бизнесового на айтишный и, главное, — объяснять команде, зачем на самом деле нужен корпоративный AI и как им пользоваться.
Что заработало и где мы встряли
Не хочу превращать эту статью в каталог наших AI-проектов. Но перечислить кейсы всё же нужно, чтобы объяснить, как менялись понимание задачи разработчиками и отношение команды к новым инструментам.
Attention-бот. Одно из самых полезных решений — фильтр рисков для «бэков», юристов и сервисной службы. Бот не думает вместо руководителя. Он вытаскивает из потока писем ситуации с потенциальным коммерческим, юридическим или репутационным риском, которые в запаре легко пропустить.
Проверка эксплуатационной документации. Для наших продуктов пара коробок сопроводительных документов при отгрузке — норма. Мы начали с элементарной проверки грамотности. Затем подключили фактчек характеристик оборудования. Этот кейс эволюционировал в проект RAG по технической базе (которую мы нарабатывали без малого 20 лет).
Приёмка электростанций. Подключили AI к заводским испытаниям оборудования. Инженеры загружают в чат с ассистентом логи из контроллера, данные из Grafana и методику испытаний. ИИ проверяет режимы, временные интервалы, соответствие методике и ищет подозрительные события. Следующим шагом планируем сделать отдельный модуль, который будет независимо формировать вывод: принять станцию, принять с замечаниями или не принимать и отправлять на доработку.
На текущем этапе самое важное — что мы вывели AI из офиса в производство. К привычным инструментам работы с текстовыми данными добавился функционал контроля качества промышленного оборудования. Часть рутины мы уже скинули. Теперь задача — усилить возможности каждого сотрудника.
Наш опыт показал, что главный эффект ИИ пока не в замене людей, а в том, чтобы сделать сотрудника сильнее. ИИ помогает видеть больше, перебравшись через стену операционки, и, соответственно, больше креативить и фокусироваться на приоритетных задачах.
Самые активные пользователи AI-ассистента сейчас — бухгалтерия, юристы, инженеры-конструкторы, маркетинг и, само собой, ИТ. Матёрых технарей и продажников пересадить на AI-платформу трудно. Причины разные: недоверие, привычка, непонимание, лень.
Вот хороший пример. Наш контент-менеджер сначала была одним из самых упёртых нейроскептиков. Говорила, что AI тупой, пишет скучно и профессионального живого человека никогда не заменит. В итоге она стала одним из самых эффективных пользователей — не только в части текстов, но и в части графики, аналитики и поиска технической фактуры.
Это как раз тот результат, который нам нужен: не заменить, а сделать сильнее. Не считать KPI по количеству людей, которые открыли корпоративного ассистента, а добиться того, чтобы сильный специалист с AI начал делать больше и качественнее.
Я был бы рад закончить статью этим ИИ-хэппи-эндом. Мы прошли две ступени внедрения AI: собрали команду, добавили архитектора, выстроили DevOps-логику, получили первые сервисы и начали снижать скепсис внутри компании. Казалось, основные проблемы понятны: компетенции, архитектура, эксплуатация и разрыв между ИТ и бизнесом.
Но это оказалась только верхушка айсберга.
Взялись за следующий проект — RAG по технической документации. Планировали запустить пилот за три недели. Сегодня исполнилось два месяца с первого совещания проектной группы…
Простой пилот тормозят не ИТ-команда, не модели и даже не нейроскептики. Проблемы внутри самой компании: процессы, данные и документация.
Про это расскажу уже в следующей серии.
Есть, кстати, ещё Telegram — там тоже коротко пишу про ИИ.
