Последнее время про генеративный ИИ не говорит и не пишет только ленивый (я вот, например, точно не ленивый). Причем это последнее время тянется уже минимум года 2–3 — с тех пор, как, собственно, OpenAI прогремели с ChatGPT 3. И скажу даже больше, если посмотреть на профильные ИИ‑конференции, то 80-90% докладов будет про генеративный ИИ. А если посмотреть на отраслевые конференции, то 80-90% докладов про применение ИИ в той или иной отрасли.
Честно скажу — такое засилье генИИ меня несколько удивляет. Складывается ощущение, что никакого другого ИИ уже не существует и все уже забыли про видеоаналитику, предиктивку и вот эти все непонятные слова.
Что любопытно, если посмотреть на оценки экономического эффекта от внедрения генИИ, то он достаточно скромен — 20%, по данным исследования «Яков и Партнеры». Вот и получается — 80% шума дает нам ИИ, который на самом деле принесет только 20% денег. Такой «принцип Парето» наоборот получается. И эти цифры меня заставили задуматься — а в чем же причина такой популярности генеративного ИИ, и почему так много шума из‑за не самой полезной темы?
Не хайпом единым
Очевидно, первое, что приходит в голову — это хайп. И это верно — тема действительно хайповая. Но только хайпом объяснить происходящее не получается — в чистом виде он столько времени не продержится, а значит, есть что‑то еще.
Предположу, что одним из ведущих факторов здесь будет доступность и понятность (не в плане математики, конечно) ИИ для простых людей. Это первый ИИ, с которым можно поговорить, и который поможет человеку практически в любой ситуации. Что школьнику домашку сделать, студенту — диплом написать, HR‑у — должностную инструкцию подготовить. А попробуй аналогичным образом поговорить с видеоаналитикой или предиктивкой … так и в дом с мягкими стенами можно попасть.
И в качестве шутки можно привести еще один довод, почему генИИ так популярен — на самом деле он ведет себя как хороший подчиненный, ровно по заветам Петра I:
«Подчиненный перед лицом начальствующим должен иметь вид лихой и слегка придурковатый, дабы разумением своим не смущать начальство».
Так и генеративка — лихо отвечает на любые вопросы, да еще и с некоторыми галлюцинациями, чтобы мы не чувствовали себя совсем глупыми. Таким образом у каждого из нас теперь есть возможность почувствовать себя начальником. Ну а кому не нужен подчиненный, то может ощущать рядом напарника «неутомимого, но со странностями», что тоже неплохо.
Но что-то же мешает?
Однако при всем этом хайпе, популярности темы в СМИ, на выставках и конференциях, а также наличия первых успешных кейсов, внедрения пока идут не сильно быстрыми темпами, большая часть компания пока еще осторожничает и думает. И причин‑барьеров этому, на мой взгляд, три:
1. Безопасность:
У многих компаний запрещено использование облачных ресурсов для корпоративных решений.
Даже если облака открыты, то есть опасения (и опасения совершенно оправданные) по поводу конфиденциальности данных, которые ушли в условный ChatGPT или DeepSeek.
2. Ресурсы — если нельзя использовать облако, то не у всех есть ресурсы на локализацию генеративного ИИ в контуре предприятия.
3. Непонимание сценариев использования генеративного ИИ или сложность подсчета экономической эффективности решения.
И, конечно же, основная причина — последняя. Потому что как только приходит понимание, как можно использовать генерацию через искусственный интеллект, чтобы увеличить эффективность работы сотрудников, то тут же решаются все вопросы, благо решения известны:
Безопасность — уже есть качественные модели, которые можно запустить в локальном контуре без доступа в интернет (QWEN, GPT‑OSS и другие).
Ресурсы — даже если нет своих серверов с GPU, то всегда можно арендовать соответствующие мощности в дата‑центре с соответствующем уровнем безопасности.
Разработчики — найдутся на стороне или собственная команда с удовольствием включится в работу с такой хайповой технологией. Тем более, что готовых фреймфорков, которые облегчают работу, сделано очень много.
Тут, правда, есть другой нюанс — кроме самой LLM, зачастую, требуется и интеграция в процессы и удобная админка с аналитикой и тонкая настройка под специфичные документы и правильный эмбеддер, поэтому иногда эффективнее взять готовый продукт, где эти нюансы уже решены. Но в любом случае — выбор есть и найти решение, в том или ином виде, не сложно.
Что делать с барьерами?
А вообще чем‑то текущая история с генеративным ИИ напоминает появление персональных компьютеров в нашей стране в 90-е годы — вроде что‑то новое, обещает золотые горы, но надо переучиваться и вообще, калькуляторы тоже отлично считают. Где теперь эти калькуляторы и кто еще не научился пользоваться компьютером или его «младшим братом», мобильным телефоном?
Скажу даже больше, когда ПК появились и внедрялись в США, был сформулирован парадокс Солоу: «Компьютерный век можно увидеть где угодно, кроме статистики производительности». Согласитесь, очень похоже? Только сейчас скорость развития генеративных моделей выше в разы и тот, кто не успел освоить «персональный компьютер 21 века», рискует остаться за бортом и резко наверстывать упущенное через годик‑другой.
Ведь если серьезно подумать, как мы видим выше, перечисленные выше барьеры достаточно легко преодолеваются. На рынке уже много решений на базе больших языковых моделей разных масштабов и на разный кошелек, где уже решены как проблемы безопасности, так и не требуются космических ресурсов. Вплоть до того, что уже есть вполне функциональные решения с открытым кодом, т. е. условно бесплатные.
Так что не надо выдумывать «мега‑задачу» для генеративки, ведь, как завещал Козьма Прутков, нельзя объять необъятное. Благо примеров успешного внедрения генеративного ИИ достаточно много. Если посмотреть сайты и презентации разработчиков продуктов на базе генеративного ИИ, то сценарии применения будут очень похожи:
Внутренняя ИТ‑поддержка
Клиентская поддержка
Умный поиск
Ответы по базе знаний
т. е. все те кейсы, где нужно:
помочь в поиске ответов по документам, а может по истории заявок,
сформировать автоответ,
провести классификация и маршрутизировать заявку/обращение/письмо,
суммаризировать заявки, которые идут потоком, чтобы либо сформировать новую статью в базу знаний или подсветить проблему с какой‑то бизнес‑системой.
А если добавить модальности (т. е. работать не только с текстом, но еще и с голосом), то сфер деятельности можно придумать еще немного:
оценка разговоров операторов КЦ.
суммаризация и подготовка резюме встреч.
В общем, есть уже не один десяток понятных сценариев использования больших языковых моделей практически в любых сферах деятельности, где большой объем работы с документами или обращениями людей. Это то, в чем он действительно силен.
Понятно, что пользу от этих сценариев посчитать иногда достаточно сложно. Бывает и математика сравнения затрат с эффектом не сходится, хотя решения есть на любой практически на любой кошелек. Но возвращаясь к примеру с компьютерами, в текущий момент времени накопление опыта работы с LLM и практика пилотирования новых возможностей — это ценность сама по себе.
Рекомендации: как реально начать работать с генИИ
Начните с малого: выберите один, пусть небольшой, пусть не критичный (так даже лучше), но рутинный процесс, связанный с работой с документами/письмами/заявками. На таких процессах тестировать генеративный ИИ лучше всего. Пусть даже вы не сможете посчитать заранее, какой эффект вам принесет автоматизация этого конкретного процесса. Это — знания и опыт. Дальше будет проще: как аппетит приходит во время еды, так и сценарии использования будут появляться внутри компании по мере понимания возможностей.
Если делать из этого чек лист, то я бы пошел следующим порядком:
Выбрал 1-2-3 (чтобы с запасом) не самых критичных, но существенных рутинных процессов.
(Опционально, где возможно) Хорошо бы договориться с самого начала с информационной безопасностью на предмет использования облачных ресурсов. Пилот на облачных ресурсах будет дешевле и быстрее. Это не всегда возможно, но где возможно — рекомендую.
Нашел бы несколько потенциальных подрядчиков, которые готовы провести бесплатный (или недорогой) пилот по какому‑либо из процессов с п.1.
Провести пилот и формулировать результаты. Сравнить ожидания с реальностью.
Выбрать из потенциальных подрядчиков одного, кто показался наиболее компетентным и с его помощью двигать тему генеративного ИИ дальше.
Чего ждать на рынке через год-два
В завершение, на этот счет есть следующие мысли.
Учебный процесс ждут серьезные изменения. Домашние задания, лабораторные и курсовые с дипломными будут переработаны, чтобы учесть использование генеративок. Это будет долго, болезненно, но это будет.
Генерация рекламных изображений и видеороликов полностью уйдет в генеративный ИИ.
Рутинные процессы будут максимально автоматизированы, а за человеком останется только проверка и контроль.
Улучшится качество клиентской поддержки, там, где ее уже оптимизировали — генеративный ИИ добавит интеллекта существующим ботам.
Аутсорсинговые контактные центры начнут предлагать услугу «интеллектуального бота‑оператора», тарифицируя его по аналогии с обычным оператором, только существенно дешевле.
ИИ‑ассистент появится в почтовом клиенте и будет предлагать ответы на письма.
Сам же процесс разработки точно ждут серьезные изменения — формат технических заданий будет максимально приближен к промпту для LLM — правильно структурирован, минимизированы двусмысленности и т. п. 95% кода будет писаться автоматически. Решения начальной и средней сложности будут писаться полностью автоматом. Для решений высокой сложности от человека будет требоваться только архитектурный надзор.
А вообще, полагаю, что года через 2 генИИ будет встроен в каждое третье бизнес‑приложение. Но только те, кто начнет сейчас, смогут использовать его эффективно.
