Технологии в действии: что искусственный интеллект умеет уже сегодня
Генеративный искусственный интеллект не только стремительно меняет рынок труда и подходы бизнеса к решению стратегических задач, но и позволяет компаниям автоматизировать процессы, упрощать рутинные операции и перераспределять ресурсы на более важные направления.
Спрос на подобные технологии стабильно растет. Согласно данным TAdviser, в 2024 году 90% из топ-100 крупнейших российских компаний применяли технологии машинного обучения и ИИ для внутренних задач бизнеса или разработки коммерческих продуктов.
Сегодня эту технологию используют для решения разнообразных задач — от обработки данных до автоматического создания документов и повышения качества клиентского взаимодействия, в том числе в сферах с высокими требованиями к безопасности и точности.
Алексей Каширин, руководитель Центра продвинутой аналитики Альфа-банка:
«Персонификация — одно из ключевых применений ИИ. Он обрабатывает большие объемы разнородных данных, выявляет скрытые взаимосвязи и помогает принимать решения в разумные сроки, иногда в режиме реального времени.
Пример — кредитный скоринг. Ранее это была бинарная классификация: кому одобрить кредит, а кому нет. Теперь же это целый портфель моделей, учитывающий склонность клиента к разным продуктам, персональную эластичность цен и вероятность принятия предложений. Еще один пример — персонализированный кешбэк. Категории для выбора формируются на основе профиля клиента, его трат и доходности для банка. Мы внедрили CLTV (customer lifetime value), который прогнозирует доходность клиента на годы вперед и применяется как в розничном, так и в корпоративном сегменте».
По словам Алексея Каширина, антифрод-модели тоже эволюционировали. Вместо поиска аномалий в общей выборке теперь анализируются индивидуальные паттерны клиентов, что делает защиту более точной и эффективной.
Дмитрий Демидов, руководитель лаборатории инноваций «Норбит»:
«Наиболее востребованы технологии ИИ в поддержке и поиске. Например, в области поддержки чаще всего речь идет о текстовых запросах, которые требуют быстрых и точных ответов. Генеративные модели помогают понять суть вопроса, сгенерировать ответ, направить к нужной информации или даже устранить проблему за пользователя. Такие решения актуальны для крупных компаний, где ИИ обрабатывает внутренние запросы сотрудников — от технических и юридических до кадровых, а также популярны для улучшения процессов обработки запросов от клиентов.
Еще одно активно развивающееся направление — работа с корпоративными данными. Генеративный ИИ автоматизирует задачи поиска, например: «Какую выручку мы получили за период?» или «Дай список контрагентов, у которых большая дебиторская задолженность». Модель обработает данные и предоставит нужную информацию».
Генеративный ИИ начинают интегрировать в классические приложения: например, решение AI Master Data встраивается в MDM-системы (master data management, управление основными данными) и использует модель Norbit GPT для очистки справочников, что может сэкономить годы работы сотрудников, которые выполняли бы эту работу вручную.
ИИ все чаще используют и для автоматизации различных рабочих процессов, в том числе протоколирования встреч и совещаний. Современные решения на базе генеративных моделей могут не только транскрибировать и структурировать записи, но и формировать понятные резюме обсуждений. Это помогает сотрудникам быстрее ориентироваться в итогах и сокращает время, затрачиваемое на ручное составление протоколов.
Например, решение «Ланит» для автоматического протоколирования совещаний, реализованное на платформе LanDev AI Studio, позволяет транскрибировать, диаризировать (разбивать реплики по спикерам) и суммаризировать записи без передачи данных за пределы компании, а также пополнять общую базу знаний, с помощью которой можно проводить вопросно-ответную коммуникацию.
Сергей Литвинов, руководитель центра компетенций больших данных и ИИ «Ланит»:
«Платформа LanDev AI изначально создавалась как ответ на потребности наших клиентов. Ее главная ценность — удобство разработки, развертывания и использования AI-сервисов.
Если говорить об искусственном интеллекте в бизнесе, то это, по сути, набор узкоспециализированных микросервисов, каждый из которых выполняет свою задачу. Полезность ИИ проявляется за счет кумулятивного эффекта: каждый такой микросервис может давать незначительный прирост эффективности, но вместе они трансформируют процессы.
Платформа решает задачу комплексного управления этими микросервисами. Сегодня на ней опубликовано более 70 сервисов, адаптируемых под конкретные задачи. LanDev AI — это no-code-среда, где пользователь может изучить логику работы требуемого сервиса, настроить его под себя, развернуть в личном кабинете и интегрировать в свои классические системы через API или веб-интерфейс».
По словам Сергея Литвинова, LanDev AI поддерживает гибкую работу с различными ИИ-моделями. Компании могут комбинировать on-premise-решения с внешними API, что избавляет от привязки к конкретной технологии: меняя модель, бизнес продолжает работать по прежней логике без дополнительных доработок.
Искусственный интеллект помогает и в извлечении данных из документов. Когда компании обрабатывают десятки контрактов или финансовых отчетов, ИИ-системы могут автоматически выделять ключевую информацию — реквизиты или условия договоров.
Кроме того, такие системы, например Smart Creator от «Ланит-Терком», позволяют формировать документы по шаблонам или на основе схожих материалов, что особенно полезно для компаний с большим числом проектов. Эти решения позволяют сократить время на подготовку документов на 15–20% и снизить нагрузку на сотрудников, что повышает общую продуктивность. Например, внедрение системы для автоматизации согласования документов помогает быстрее и точнее находить необходимую информацию, ускоряя процесс на 5%.
Дмитрий Медведев, директор департамента прикладных решений «Ланит-Терком»:
«Система Smart Creator в первую очередь автоматизирует процесс создания документов разного типа, значительно ускоряя обработку текстовых данных. Она позволяет генерировать документы в форматах .doc, .docx и .pdf на основе текстовых описаний, автоматически заполняя шаблоны с учетом данных компании и внутренних регламентов.
Помимо этого, система проверяет тексты на ошибки и соответствие нормативным требованиям, что помогает избежать неточностей. Снижение человеческого фактора позволило нам уменьшить количество ошибок примерно на 30% — это отличный результат. Также ускорился процесс согласования и подготовки документов. Например, раньше на юридическую документацию уходило несколько дней, а теперь сотрудники просто вводят описание — и система за несколько минут формирует документ с учетом всех нормативов. Это не только снижает риски, но и освобождает время для более творческих и стратегических задач».
В результате интеграции таких ИИ-решений, как умный поиск по базе знаний, компании получают возможность эффективно искать информацию, сужая область поиска и предоставляя ссылки на релевантные фрагменты документов. Эти технологии помогают сократить время на подготовку и согласование документации, повышая точность работы сотрудников и снижая вероятность ошибок.
В сфере поддержки генеративные модели значительно изменили подход к взаимодействию с клиентами и сотрудниками. Как отмечает Дмитрий Демидов, чат-боты на базе ИИ способны ответить на сложные запросы, направить пользователя к нужной информации или даже решить проблему, предлагая персонализированные рекомендации.
Дмитрий Демидов, «Норбит»:
«Такие модели не только понимают суть вопроса, но и способны предложить решение быстрее, чем человек. Это особенно важно в крупных организациях, где число внутренних запросов велико, — от технических до юридических. Например, одна из подобных систем — Norbit GPT — работает как интеллектуальная база знаний, в которую загружаются данные компании.
Сотрудники получают доступ к информации напрямую через чат-бота. Например, они могут задать вопрос о настройке системы, конфигурации процесса или требованиях к работе с определенным программным обеспечением. Раньше типовые запросы обычно направлялись специалистам, но теперь их можно решить с помощью ИИ. Это позволяет значительно сократить время на поиск ответов и оптимизировать рабочие процессы».
Генеративный ИИ сегодня — это не просто технология, а стратегический инструмент, помогающий компаниям оптимизировать операции, повысить производительность и найти новые источники роста.
Как бизнес адаптируется к ИИ
Проникновение ИИ в бизнес идет неравномерно: пока одни компании активно расширяют долю автоматизированных процессов, другие лишь начинают пилотирование. По данным CB Insights, только 32% респондентов уже внедряют генеративный ИИ, еще 54% находятся на этапе тестирования или оценки технологии.
Сергей Литвинов, «Ланит»:
«Скорость внедрения ИИ зависит от зрелости бизнеса с точки зрения понимания ценности искусственного интеллекта. Зрелые компании выстраивают системный процесс: выявляют, тестируют и интегрируют новые решения, их ключевая задача — поиск подходящих кейсов. Другие же предпочитают наблюдать за успешными примерами на рынке и внедрять технологии, когда их эффективность уже подтверждена.
Важно не внедрять технологии без проверки гипотез. Запуск MVP и пилотного проекта помогает оценить качество данных, готовность сотрудников и систем. ИИ не волшебная таблетка, он ошибается, но критичность этих ошибок зависит от задачи. Иногда 70%, а порой и 50–55% точности достаточно, если правильно выбрать область применения.
Принятие технологий проходит через три стадии: восхищение, разочарование, интеграцию. Если компания преодолевает сложности и продолжает работу, она выходит на осознанное использование ИИ. Перед внедрением важно оценить инфраструктуру: качество данных, доступность вычислительных ресурсов и специалистов. И не всегда нужна полная автоматизация — модель Human-in-the-Loop позволяет системе помогать человеку, а не заменять его, что повышает эффективность».
Эффективная интеграция генеративного ИИ в бизнес-процессы требует не только технологических инвестиций, но и изменений в управлении и корпоративной культуре. Успешные примеры внедрения показывают, что важнейшими факторами успеха являются инновации, гибкость и стратегическое планирование.
Как отмечает Дмитрий Демидов, руководитель лаборатории инноваций «Норбит», основными трудностями при внедрении генеративного ИИ являются качество данных, оборудование и галлюцинации моделей. «Если данные грязные или противоречивые, ИИ будет давать неверные ответы. Например, если регламенты компании противоречат друг другу, модель не сможет правильно интерпретировать информацию. Решение — это тщательная очистка и структурирование данных, что требует значительных усилий и инвестиций», — отмечает он.
Важно найти баланс и в использовании вычислительных ресурсов: их нехватка снижает качество работы ИИ, а избыточные мощности делают процесс неоправданно дорогим. Оптимизировать затраты помогают облачные технологии, позволяя гибко управлять нагрузкой. «Все эти проблемы решаемы, но они требуют времени, ресурсов и осознанного подхода», — добавляет Дмитрий Демидов.
Основные вызовы при внедрении ИИ в документооборот связаны не только с техническими аспектами, но и с организационными. По словам Дмитрия Медведева, одним из ключевых факторов является сопротивление изменениям — важную роль в преодолении этого вызова играет обучение сотрудников, чтобы они могли эффективно использовать новую систему в автоматизации своих рутинных операций.
Что ждет впереди: прогнозы и тренды
Рынок ИИ в России растет, а вместе с ним возможен и рост проникновения технологии в бизнес. Основными драйверами выступают высокие темпы цифровизации, поддержка со стороны государства и потребность в адаптации к новым условиям рынка.
Одной из главных задач для бизнеса станет расширение областей применения ИИ. Если сегодня он помогает автоматизировать рутину, то завтра его возможности будут выходить за рамки стандартных процессов.
Сергей Литвинов:
«Один из ключевых трендов в генеративном ИИ — развитие агентов, способных не просто отвечать на вопросы, а анализировать запрос, разбирать его на подзадачи и находить решения. Это меняет бизнес-процессы: на смену простым чат-ботам приходят интеллектуальные помощники, интегрированные с корпоративными системами. Они могут запрашивать данные, писать SQL-запросы, взаимодействовать с API и автоматизировать сложные задачи. Еще одно важное направление — увеличение контекстного окна или его замена с помощью других технологий, например RAG (Retrieval Augmented Generation, генерация с дополненной выборкой). Современные модели уже способны учитывать не только отдельные фрагменты информации, но и весь массив корпоративных данных: документы, деловую переписку, HR-опросы.
Не менее перспективна генерация интерфейсов. ИИ уже умеет писать код, но следующий шаг — создание полноценных пользовательских интерфейсов по запросу, что существенно упростит разработку ПО. Представьте себе ситуацию, когда ИИ может по текстовому запросу сформировать интерактивную форму или веб-страницу, а затем анализировать введенные данные и адаптировать интерфейс в режиме реального времени».
По словам эксперта, в сочетании с мультимодальностью это откроет новые возможности взаимодействия с IT-системами и радикально изменит подход к цифровым продуктам.
Дмитрий Демидов:
«Главное — это появление узкоспециализированных ИИ-продуктов, решающих конкретные задачи. Например, для очистки справочников выбор очевиден: либо 40 человек работают год, либо ИИ делает все за день. Искусственный интеллект помогает быстрее решать задачи, сохраняя качество, и становится неотъемлемой частью бизнес-процессов. В будущем он станет стандартной функцией, встроенной в продукты и сервисы».
Дмитрий Медведев:
«Думаю, что генеративный ИИ будет глубже интегрироваться в бизнес-процессы. Мы ожидаем, что системы станут еще более персонализированными, смогут адаптироваться к индивидуальному стилю компаний и предлагать контекстные решения в реальном времени».
Одним из ключевых блокеров остается вопрос доверия к искусственному интеллекту, особенно в критически важных сферах: юриспруденции, медицине и финансах. Также вызовом остается вопрос регуляторных требований и стандартов, поскольку в разных странах нормы работы с ИИ сильно различаются. Однако при грамотном подходе и четкой стратегии внедрения эти барьеры можно преодолеть.
Алексей Каширин:
«Генеративный ИИ уже плотно вошел в жизнь Альфа-банка. Я бы разделил большинство задач, решаемых с его помощью, на два основных типа: автоматизация внутренней рутины (написание текстов, кода, суммаризация информации, поиск в базах знаний и т.д.) и новые способы коммуникации с клиентами (чат-боты, умные автоответчики, голосовые помощники и т.д.). В ближайшие годы этого будет становиться все больше. Постепенно изменятся как рабочий процесс, так и привычные способы взаимодействия банка и клиента.
Если же говорить про принципиально новое применение генеративного ИИ, то я считаю крайне интересным создание цифрового двойника, но не сотрудника, о чем уже давно говорят, а клиента — можно будет построить политику работы с каждым конкретным клиентом с учетом долгосрочных эффектов».
Другая важная тенденция — внедрение ИИ в малый и средний бизнес. До сих пор искусственный интеллект был доступен преимущественно крупным игрокам, однако растущее число облачных решений и доступных платформ делает генеративный ИИ более демократичным. Это откроет новые горизонты для небольших компаний, позволив им конкурировать с большими корпорациями.
Дмитрий Демидов:
«Я вижу, что крупные компании быстрее внедряют ИИ для оптимизации процессов и повышения эффективности сотрудников. Малый бизнес, напротив, может столкнуться с ограниченной доступностью этих технологий, что приведет к усилению разрыва между крупными и небольшими организациями. Кроме того, на уровне стран это может вылиться в технологическое расслоение. Например, развитые страны, инвестирующие в ИИ, будут лидировать, а остальные окажутся в роли догоняющих.
Особенно это касается генеративного ИИ, который применяется не только для текстов, но и для сложных производственных процессов — например, авиастроения или химического производства. Те, кто освоит эти технологии первыми, получат значительное конкурентное преимущество».
Еще один тренд связан с потребностью бизнеса в высококвалифицированных специалистах в области искусственного интеллекта. Компании осознают, что развитие ИИ-решений требует не только инвестиций в технологии, но и подготовки кадров, способных работать с передовыми алгоритмами и разрабатывать инновационные продукты. В этом контексте роль государственных программ и образовательных инициатив становится ключевой: именно они формируют экосистему, в которой молодые таланты получают необходимые знания, а бизнес — доступ к перспективным разработкам.
Ованес Петросян, доктор физико-математических наук, профессор Санкт-Петербургского государственного университета:
«Государственная поддержка научных исследований и образования в сфере ИИ должна включать целевое финансирование научно-прикладных грантовых программ, таких как центры ИИ первой и второй волны, а также прямую поддержку соревнований, олимпиад и хакатонов. Молодые талантливые специалисты — победители олимпиад и успешные ученые — задают скорость и вектор технологического развития, поэтому их поддержка должна быть усилена. Важно и сбалансированное участие бизнеса: компании не всегда должны играть ведущую роль в научных разработках, как и ученые — в бизнес-проектах. Оптимальный формат сотрудничества зависит от уровня компетенций обеих сторон.
Особое внимание следует уделять международным соревнованиям и хакатонам. Приоритетами должны стать организация мероприятий с 70–80% иностранных участников и активное участие российских команд в крупных международных конкурсах. Высокая конкуренция и взаимодействие с ведущими мировыми специалистами позволяют перенимать новые подходы и выходить за рамки традиционных научных школ».
➤ Подписывайтесь на телеграм-канал «РБК Трендов» — будьте в курсе последних тенденций в науке, бизнесе, обществе и технологиях.