Иногда случается так, что компания покупает искусственный интеллект раньше, чем успевает понять, для чего он ей нужен и да это дань хаосу, страху выбыть из гонки. Генеральный директор уже услышал на форуме, что агенты заменят половину офиса; директор по инновациям уже пообещал пилот к концу квартала; HR заказал сотрудникам вебинар о промптах, потому что любое технологическое изменение в России прежде всего требует вебинара; а финансовый директор сидит на совещании, листает презентацию и пытается найти слайд, на котором вся эта новая цифровая жизнь наконец превращается в деньги. Только этого слайда пока нет. Зато к обеду нейросеть написала поздравление генеральному директору, а к вечеру появился приказ о создании рабочей группы — внедрение, можно сказать, пошло с успехом, все довольны.
Я намеренно сгущаю краски, но совсем немного (я очень осторожно выразился). Искусственный интеллект уже приносит бизнесу вполне материальный эффект: сокращает время обработки обращений, вытаскивает новичков на уровень более опытных сотрудников, управляет запасами, ищет дефекты, прогнозирует поломки и разбирает документы быстрее людей, которым ещё вчера приходилось переносить данные из одного окна в другое, сохраняя выражение лица человека, занятого интеллектуальным трудом. Однако деньги возникают не там, где модель лучше изображает собеседника, а там, где она встроена в повторяющуюся операцию и отвечает перед показателем, который не впечатляется ни качеством демо, ни количеством параметров: временем, себестоимостью, ошибкой, простоем, оборачиваемостью или прибылью.
Что тогда считать AI-внедрением? Купленные лицензии? Число сотрудников, которые хотя бы раз открыли корпоративный чат? Количество токенов, сгоревших в попытке составить идеальное резюме совещания о сокращении количества совещаний? Нет. Внедрение начинается в тот момент, когда модель меняет наблюдаемое действие внутри процесса, а это действие меняет экономику.
Поэтому ниже не будет экскурсии по очередному зоопарку моделей, где у каждой клетки висит табличка «революционная», а смотритель просит не кормить агента конфиденциальными данными. Я сравню три уже различимые модели — американскую, китайскую и российскую, — отделю подтверждённый эффект от корпоративного фольклора, а затем переведу всё это в вопрос, ради которого разработчику вообще стоит дочитать статью: какой AI-инструмент имеет смысл собирать, на чём его проверять и к кому идти с прототипом, если кроме восторга хочется получить ещё и заказчика.
Прежде чем считать проценты эффективности, придётся признать более неприятную вещь. Каждой отдельной компании рационально автоматизироваться как можно быстрее: заменить повторяющийся труд моделью, сократить штат, снизить себестоимость, произвести больше и отнять долю рынка у конкурента, который всё ещё содержит людей вместе с их зарплатами, отпусками, больничными и раздражающей привычкой иногда задавать вопросы. Может ли компания добровольно отказаться от такой экономии ради сохранения занятости и будущего совокупного спроса? Может. Но конкурент не откажется, снизит цену и заберёт клиента раньше, чем благородство первой компании успеет стать предметом исследования в бизнес-школе.
В этом и находится рациональность поведения внутри иррационального результата. Для одной фирмы работник записан в издержки, которые необходимо уменьшить; для экономики тот же человек записан ещё и в покупатели, которые должны на что-то приобретать произведённые товары. Компания видит первую роль очень хорошо — она находится в payroll. Вторая растворена между миллионами чужих касс, поэтому в её квартальной модели почти не существует.
Экономисты Лука Форнаро и Мартин Вольф описали этот механизм как внешний эффект совокупного спроса и назвали возможный результат «парадоксом производительности». Фирма автоматизирует операции, рассчитывая снизить расходы, увеличить продажи и прибыль, но не учитывает, что замена работников капиталом уменьшает трудовые доходы, переносит большую долю дохода к владельцам капитала, которые в среднем тратят меньшую его часть, и тем самым ослабляет общий потребительский спрос. Одна компания почти не заметит собственного вклада. Тысячи компаний, принявших одно и то же рациональное решение, могут обнаружить, что производительность выросла, издержки упали, а продавать стало некому — точнее, покупатели остались, просто денег у них стало меньше.
Это не новая тревога, которой человечество заразилось после появления ChatGPT. В 1930 году Джон Мейнард Кейнс назвал технологической безработицей ситуацию, в которой способы экономить человеческий труд появляются быстрее, чем общество находит людям новые занятия. Аджемоглу и Рестрепо позднее описали displacement effect — эффект вытеснения труда, — новые задачи, возвращающие спрос на человека, и риск «избыточной автоматизации», когда машины внедряются быстрее, чем это общественно полезно, в том числе потому, что капитал получает более выгодные условия, чем труд.
Означает ли это, что массовая безработица в ближайшие годы математически неизбежна? Нет. И здесь не стоит подменять экономический анализ трейлером антиутопии. Более низкие цены могут увеличить спрос, рост производительности — создать новые отрасли, новые задачи — вернуть занятость, а государственная политика и распределение выигрыша — поддержать доходы. OECD прямо называет итоговое влияние AI на занятость неопределённым: вытеснение конкурирует с ростом производительности и появлением новых задач; ILO считает трансформацию профессий более вероятным исходом, чем их полную замену.
Но ловушка от этого не исчезает. У каждого участника есть педаль газа, потому что за замедление он расплачивается собственной конкурентоспособностью; общего руля, позволяющего заранее распределить рост производительности, труд и спрос, рынок сам по себе не выдаёт. Поэтому рациональная компания будет оптимизировать, потом оптимизировать ещё, затем объяснит оставшимся сотрудникам, что освободившееся время нужно использовать для дальнейшей оптимизации, — и своим совершенно разумным поведением приблизит риск, которого ни один совет директоров в отдельности не заказывал.
Можно долго спорить, закончится ли эта гонка новым равновесием, сокращённой рабочей неделей, универсальным базовым доходом или очень современной версией кризиса перепроизводства. Но компании уже нажали на педаль, разработчики уже собирают инструменты, а инвесторы уже считают рынок. Поэтому теперь давайте посмотрим, что там на рынке — и где оптимизация действительно создаёт ценность, а где пока только красиво приближает нас к вопросу, кто купит всё произведённое.
Согласно Stanford AI Index, в 2024 году искусственный интеллект хотя бы в одной функции использовали 78% опрошенных организаций, генеративный ИИ — 71%, и это выглядит как состоявшаяся революция ровно до того момента, пока мы не дочитываем таблицу: наиболее распространённые оценки экономии остаются ниже 10%, прироста выручки — в пределах 5%, а зрелыми свои внедрения называл примерно один процент руководителей. Компании уже массово вошли в воду, торжественно открыли сезон и отчитались об освоении океана. Правда, большинство пока стоит по колено в это бездонном озере.
Почему так происходит? Может быть, модели ещё недостаточно умны? Тогда почему их способности растут быстрее, чем финансовый эффект от внедрений? Может быть, сотрудники сопротивляются? Тогда почему они охотно используют те же инструменты для собственных задач? Ответ неприятнее, потому что не позволяет заказать ещё одну лицензию: доступ к модели путают с изменением процесса.
Если сотрудник раньше писал письмо двадцать минут, а теперь пишет десять, компания ещё не заработала стоимость оставшихся десяти минут. Он может обработать больше клиентов, быстрее выпустить продукт, закрыть очередь или позволить не нанимать дополнительную смену — тогда появляется экономика. А может тщательнее выбрать ресторан, перепроверить прогноз погоды для отпуска в южном полушарии и уйти домой в то же время с той же зарплатой. В этом случае компания купила удобство. Удобство — вещь хорошая, просто EBITDA почему-то отказывается считать его деньгами.
Рабочая формула поэтому выглядит почти оскорбительно прозаично: данные, ограниченная задача, интеграция в реальное действие, ответственный человек и измерение до и после. Уберите данные — получите дорогого собеседника. Уберите измерение — презентацию. Уберите ответственного — автономного агента, который уже способен действовать самостоятельно, хотя организация пока не решила, кто будет самостоятельно отвечать за последствия.
Американская модель выросла из программного обеспечения и из старой, почти тейлоровской мечты разложить работу на операции, измерить их и сделать быстрее, только теперь секундомер висит не над рабочим у конвейера, а внутри браузера у консультанта, оператора или программиста. Microsoft, Google, Salesforce, ServiceNow, GitHub, OpenAI и Anthropic встроили модели туда, где человек уже пишет, ищет, продаёт, отвечает клиенту и двигает карточку по CRM. Так появился главный персонаж западного корпоративного ИИ — copilot, второй пилот. Первого пока не увольняют: страховая компания не согласовала тариф, профсоюз задаёт вопросы, да и второй пилот периодически предлагает посадить самолёт на очень убедительно описанное поле.
Лучше всего второй пилот работает там, где работа состоит из большого количества похожих решений, а сильный сотрудник отличается от новичка не озарением, а накопленным знанием: что спросить, куда посмотреть, какую формулировку выбрать и в какой момент перестать читать клиенту внутренний регламент. В исследовании NBER генеративный помощник повысил производительность сотрудников поддержки в среднем примерно на 14%, а у новичков и менее опытных операторов выигрыш доходил примерно до 35%. Система не стала умнее лучших сотрудников — она сделала их способы работы доступными остальным. Опытным операторам она помогала меньше по вполне унизительной для технологии причине: они уже знали то, что модель собиралась им подсказать.
Эксперимент Harvard Business School с консультантами BCG показал ту же закономерность в более дорогих костюмах. На задачах, находившихся внутри возможностей модели, участники работали примерно на четверть быстрее и показывали заметно более высокое качество. Но когда задача выходила за эту границу, пользователи ИИ на 19 процентных пунктов реже приходили к правильному ответу. Модель не только ошибалась — она поставляла ошибке связный текст, хорошую структуру и интонацию человека, который уже заказал переговорную для защиты результата.
С разработкой происходит то же самое. В контролируемом эксперименте GitHub участники с Copilot решили ограниченную задачу примерно на 55% быстрее. Это сильный результат, и именно поэтому ассистенты хорошо прижились в генерации шаблонного кода, тестов, документации и знакомых конструкций. Однако исследование METR, проведённое с опытными разработчиками, работавшими в собственных зрелых open-source-репозиториях, обнаружило уже 19-процентное замедление. Разработчики при этом были уверены, что AI их ускоряет.
Противоречия здесь нет. Небольшую понятную задачу можно быстро отдать помощнику; сложное изменение в системе, контекст которой складывался годами, пережил трёх архитекторов и держится на комментарии temporary fix 2019, требует чтения, проверки и исправления правдоподобных предложений. ИИ способен за минуту написать код, после которого инженер сорок минут выясняет, почему решение выглядит настолько убедительно и ломает ровно тот сценарий, о существовании которого модель не знала. Это не провал технологии. Это граница задачи, которую маркетинг технологии предпочитает изображать пунктиром.
Не путайте скорость генерации со скоростью работы! Америка доказала не то, что каждому сотруднику срочно нужен Copilot, а то, что ИИ хорошо сжимает разницу между новичком и сильным специалистом, ускоряет ограниченные интеллектуальные операции и особенно полезен внутри привычного интерфейса. Однако сложность он не отменяет — иногда лишь быстрее доставляет её к code review, где она наконец встречает человека, формально всё ещё считающегося первым пилотом.
Я уже писал об этом и не хотел бы подробно останавливаться на самоцитировании, заинтересованный читатель легко найдет мою статью. Китайская модель начинает с другого вопроса — не «что нейросеть может написать сотруднику?», а «где поток теряет деньги, сколько именно и почему сигнал об этом приходит тогда, когда продукция уже произведена, отправлена и торжественно внесена в отчёт как успех». Поэтому ИИ оказывается не только в чате, но и рядом с датчиками, роботами, камерами, производственным планированием, цифровыми двойниками, складами и логистикой. Американская компания чаще продаёт специалисту вторую голову. Китайская собирает предприятию нервную систему, после чего выясняется, что раньше завод действительно многое чувствовал — просто сообщал об этом раз в месяц в Excel.
Кейсы Global Lighthouse Network хорошо показывают масштаб. На заводе Haier в Циндао комплекс AI-алгоритмов и цифровых решений связывают со снижением дефектов на 40%, затрат на качество на 72% и запасов в днях на 53%. EVE Energy сообщает о снижении дефектов на 52% и удельных конверсионных затрат на 41%. У распределительного центра Unilever в Хэфэе точность прогнозирования выросла на 39%, срок выполнения операций сократился на 75%, операционные затраты — на 24%. На других площадках в систему входят компьютерное зрение, машинное обучение, AIoT, симуляция, генеративные модели и цифровые двойники.
Здесь важно вовремя убрать с лица выражение технологического благоговения. Все эти цифры относятся к комплексной перестройке предприятий, поэтому приписывать весь результат одной нейросети — всё равно что объявить турбину единственной причиной полёта самолёта: кроме неё внезапно обнаруживаются крылья, топливо, управление, диспетчер и несколько сотен людей, которые договорились лететь в одну сторону. Поставщику модели такое уточнение мешает продавать, но помогает нам не путать технологию с мифом о технологии.
И всё же китайское преимущество находится именно здесь. ИИ не выставляют отдельным аттракционом между отделом инноваций и кофейным автоматом. Камера обнаруживает дефект; сигнал меняет режим линии, попадает в планирование, влияет на обслуживание оборудования и становится новым обучающим примером. Аналитика не заканчивается отчётом, который руководитель открывает на совещании, чтобы спросить, почему цифры опять красные. Она совершает действие до совещания.
Отсюда и другой масштаб эффекта. В офисной работе можно сократить подготовку письма на десять минут, после чего письмо всё равно три дня пролежит у согласующего. В производстве один предотвращённый простой или снижение брака на несколько процентов окупает инфраструктуру быстрее, чем тысяча сотрудников успеет сгенерировать резюме очередного совещания. Китай не придумал новую математику ИИ. Он подсоединил её к местам, где ошибка давно имеет цену и где никто не может назвать брак «ростом вовлечённости».
Риск у этой модели тоже находится внутри её силы. Системы становятся сложными, зависимыми от качества датчиков, данных, интеграций и общей архитектуры. Когда десятки цифровых решений работают вместе, бывает трудно понять, какой компонент действительно создаёт эффект, а какой просто хорошо выглядит на схеме трансформации. Кроме того, оптимизация под текущий сигнал способна превратить компанию в Красную королеву из «Алисы в Зазеркалье»: бежать приходится всё быстрее, хотя направление движения уже давно никто не обсуждал.
Форд узнал бы в этой системе конвейер, но удивился бы тому, что теперь конвейер наблюдает за собой, сравнивает отклонения и меняет собственный режим. Это уже не автоматизация отдельной операции, а замкнутый контур: сигнал, решение, действие, новый сигнал. Не заставляйте ИИ пересказывать процесс — дайте ему измеримый участок процесса и возможность повлиять на следующий шаг. Но границы влияния задайте заранее, иначе нервная система довольно быстро обнаружит, что тело организации состоит из несовместимых API, трёх версий справочника и одного человека, который знает пароль от старой ERP, но в пятницу уходит в отпуск.
Российский рынок начинал знакомство с искусственным интеллектом в особой манере: человек звонил в банк, произносил «оператор», робот просил сформулировать вопрос, человек ещё раз произносил «оператор», но уже так, что система контроля качества могла извлечь из записи несколько новых эмоциональных классов. С тех пор рынок вырос. Появились собственные модели, облачные платформы, RAG, агенты, распознавание речи и документов, code assistants, машинное зрение и промышленные решения. Однако наиболее убедительные деньги возникают не из универсальных цифровых сотрудников, а там, где компании годами собирали данные, описывали операцию и — главное — научились считать, сколько им стоит её несовершенство.
Самый сильный публичный пример — X5. По данным компании, решения в прогнозировании спроса и пополнении запасов, ценообразовании, ассортименте и рекомендациях принесли в 2025 году 5 млрд рублей дополнительной операционной прибыли. Обратите внимание: значительная часть этой экономики создана не генеративным ИИ, а традиционным машинным обучением. Оно не умеет написать поздравление генеральному директору, зато знает, сколько молока потребуется магазину завтра. Генеральный директор, вероятно, переживёт.
Этот пример возвращает разговор от декораций к содержанию. Retail получает эффект не потому, что написал AI-стратегию, создал комитет и назначил амбассадора генеративной культуры, а потому, что прогноз меняет заказ, цена меняет спрос, рекомендация влияет на корзину, а ошибка быстро и без дипломатии отражается в остатках и списаниях. Данные замыкаются на действие, действие создаёт новые данные — та же производственная петля, которую Китай развернул на заводах, только здесь вместо дефектной батареи на выходе появляется тележка, в которой почему-то снова нет нужного молока.
В документообороте эффект скромнее по масштабу, но часто проще для повторения. Directum в кейсе бывшего Росбанка описывает обработку примерно 120 тысяч документов в месяц, точность классификации около 89% и достигнутый эффект, сопоставимый примерно с десятью штатными единицами. Это кейс поставщика и заказчика, а не независимое исследование, поэтому цифры стоит воспринимать соответственно. Но у него есть редкое достоинство: названы объём, операция и результат. На рынке корпоративного ИИ это уже почти научная строгость.
В контакт-центрах Naumen приводит примеры сокращения времени отдельных операций и среднего времени обработки обращений; Just AI — снижения нагрузки на операторов и автоматизации массовых коммуникаций. Такие кейсы тоже публикуют сами поставщики. Тем не менее общая закономерность совпадает с независимым американским исследованием: поддержка хорошо поддаётся AI-оптимизации, потому что здесь много повторений, есть база знаний, результат быстро проверяется клиентом и давно существуют метрики AHT, FCR, конверсии и повторного обращения.
Российская специфика заключается ещё и в технологическом контуре. Разработчик может сколько угодно любить архитектурную чистоту, но заказчик спросит, где хранятся данные, что произойдёт при изменении доступности зарубежного API, можно ли развернуть решение внутри инфраструктуры и кто приедет объяснять всё это службе безопасности. Поэтому одновременно развиваются Yandex AI Studio, GigaChat API и GigaChat Business, MWS AI Agents Platform и модели Cotype, Cloud.ru Evolution AI Factory, решения Naumen, Just AI, Directum и целый слой интеграторов. Это не патриотическая декорация и не технический недостаток. Это граница рынка, внутри которой продукт либо работает, либо остаётся прекрасной демонстрацией на ноутбуке разработчика.
Слабое место российского рынка — доказательная база. Публичных кейсов становится больше, но независимых контролируемых исследований значительно меньше, чем презентаций поставщиков. Иногда из описания невозможно понять, что именно дало экономию: модель, автоматизация, новый интерфейс или тот факт, что компания впервые за семь лет описала процесс. Последнее, кстати, тоже полезно, но продавать это принято под менее инновационным названием.
Что из этого следует? Не то, что Россия нашла особый путь к искусственному интеллекту — особых путей у нас и без того достаточно. Следует более полезная вещь: если нельзя назвать изменившийся процесс, исходный показатель и финансовую или операционную метрику, компания купила не ИИ. Она купила право использовать эти две буквы в годовом отчёте.
Если убрать бренды, флаги и обязательную фотографию сервера в синем свете, зрелые внедрения группируются вокруг нескольких одинаковых свойств: операция повторяется, результат проверяется, ошибка имеет цену, а обратная связь приходит достаточно быстро, чтобы модель могла чему-то научиться раньше, чем сменится руководство проекта.
Где все четыре свойства встречаются почти идеально? В поддержке. Клиент задаёт вопрос, оператор ищет ответ, система подсказывает, разговор заканчивается покупкой, повторным обращением или жалобой — и уже через несколько минут становится понятно, помогла модель или просто добавила ещё один текст, который сотрудник вынужден прочитать. Поэтому здесь сходятся американские эксперименты и российские кейсы: поиск ответа, резюме, классификация, контроль качества, маршрутизация. Особенно велик эффект у новичков, потому что AI не столько заменяет сильного оператора, сколько размазывает его накопленный опыт по всей смене — выражение не самое торжественное, зато механизм именно такой.
Документы устроены похожим образом. Счёт, договор, акт или заявление нужно распознать, извлечь из него поля, сравнить, классифицировать и отправить дальше. Нужен ли здесь обаятельный чат с аватаркой? Нет. Иногда лучший AI-продукт заканчивает работу JSON-объектом, который никто не лайкает и не приглашает выступить на форуме, зато ERP принимает его без жалоб. В этом месте проходит одно из главных различий рынка: продукт может быть незаметен пользователю и при этом очень заметен финансовому директору.
Следующая зрелая зона — прогнозирование спроса, пополнение, цена и рекомендации, где давно работают классические ML-модели, есть исторические данные, понятная функция потерь и быстрый финансовый результат. Почему тогда публичный разговор почти целиком захватили генеративные модели? Потому что сокращение списаний плохо разговаривает со сцены. Агент, обещающий заменить отдел маркетинга до пятницы, продаёт будущее; модель пополнения всего лишь приносит деньги, причём без музыки.
В промышленности цену получает другой тип ошибки. Машинное зрение ищет дефект, предиктивная модель замечает приближение поломки, оптимизатор меняет режим оборудования — и один предотвращённый простой способен оплатить проект. Порог входа здесь выше, потому что нужны реальные данные, оборудование и человек, отличающий нормальную вибрацию агрегата от предсмертной. Зато экономика не строится на опросе сотрудников о том, насколько современным показался новый интерфейс.
Разработка ПО и офисный труд находятся посередине. Дополнение кода, тесты, документация, поиск по репозиторию и черновики ускоряются; сложное изменение зрелой системы способно замедлиться из-за проверки. Письмо можно написать вдвое быстрее, аналитическую записку — собрать за вечер, публикаций — произвести столько, что отдел контента сам перестанет успевать их читать. Но скорость выпуска ещё не доказывает ценность выпуска. Если компания при помощи ИИ производит вдвое больше материалов, которые никому не нужны, она автоматизировала не контент, а собственное одиночество.
А что с универсальным автономным агентом, заменяющим должность или подразделение целиком? Может ли он прочитать запрос, собрать данные, заполнить карточку и вызвать API? Да. Может ли остановиться перед необратимым действием? Если система спроектирована правильно — тоже да. Значит ли это, что ему следует немедленно выдать доступ к CRM, почте, платежам и персональным данным? Только если в вашей компании принято давать всё это очень инициативному стажёру в первый рабочий день. Агент полезен внутри границ. Цифровой сотрудник без границ пока полезнее продавцу цифровых сотрудников.
Рынок удобно разделить не по логотипам — ими уже можно оклеить средний павильон на ВДНХ, — а по тому, какую часть будущего продукта разработчик хочет получить готовой и за какую часть потом отвечать самостоятельно.
На первом уровне находятся API моделей. Глобально это Azure OpenAI, Google Vertex AI, AWS Bedrock, Anthropic и другие сервисы; в российском контуре — Yandex AI Studio, GigaChat API, MWS AI и Cloud.ru Evolution Foundation Models. Они дают генерацию, embeddings — векторные представления данных для поиска по смыслу, мультимодальность, function calling — возможность вызвать внешнюю функцию, и другие базовые возможности. Покупатель получает двигатель. Автомобиль, дорогу, тормоза и понимание пункта назначения он собирает сам, причём тормоза традиционно добавляются после первого особенно самостоятельного действия агента.
Второй уровень — платформы для RAG и агентов. Они берут на себя поиск по данным, хранение контекста, вызов инструментов, оркестрацию и часть мониторинга. Здесь появляются Yandex AI Studio с File Search и агентами, GigaChain, Cloud.ru Managed RAG и AI Agents, MWS AI Agents Platform, а в open source — LlamaIndex и LangGraph. Такие платформы ускоряют сборку, но не отвечают на вопрос, стоило ли вообще собирать именно этот процесс.
Третий уровень — готовые вертикальные продукты: помощники операторов, речевая аналитика, обработка документов, code assistants, контроль качества. Они менее романтичны, зато ближе к экономике. Компания покупает не способность модели «понимать естественный язык», а сокращение времени разговора, автоматическую классификацию счёта или подсказку в IDE.
Отсюда практическое различие, которое поставщики платформ не очень любят печатать крупным шрифтом. Если у компании нет AI-команды, данных и владельца процесса, ей разумнее выбирать вертикальное решение или интегратора. Покупка платформы оставит её наедине с очень мощным набором деталей; примерно так ребёнок остаётся наедине с конструктором без инструкции, только отдельные детали стоят несколько миллионов, а результат к концу квартала обещан совету директоров.
После обзора рынка разработчик обычно открывает каталог моделей, выбирает самую новую и начинает придумывать, какую человеческую деятельность ей поручить. «Что делает продукт?» — «Практически всё». «Для кого?» — «Для бизнеса». «Какой именно процесс меняет?» — здесь создатель универсального ассистента впервые обнаруживает, что разговор с потенциальным заказчиком устроен сложнее диалога с собственной моделью. Так рождается ещё один инструмент, который умеет отвечать на вопросы, составлять письма, анализировать документы, вести переговоры и пока не умеет объяснить, кто за всё это заплатит.
Начинать нужно с операции, у которой есть четыре признака: она повторяется хотя бы сотни раз в месяц, на неё уже уходит измеримое время или бюджет, правильный результат можно отличить от неправильного, а у самой операции есть владелец, которому больно от нынешней цены, скорости или количества ошибок. Не «рынок документооборота растёт», не «компаниям нужен AI», не «люди тратят много времени на рутину», а конкретный сотрудник каждый день разбирает двести актов, исправляет двадцать полей и к концу месяца требует ещё одного человека в штат.
К кому идти? К генеральному директору? Он поддержит инновации в принципе. К директору по инновациям? Он одобрит пилот и включит его в портфель. К начальнику поддержки, бэк-офиса, закупок, склада, ремонта или контроля качества? Вот он покажет последние десять ошибок, назовёт стоимость смены и объяснит, почему сотрудница Марина ведёт отдельную таблицу, без которой официальная система почему-то не работает. Директор по инновациям способен открыть дверь. Владелец процесса знает, что находится за дверью.
Вот шесть направлений, в которых небольшая команда может искать первый инструмент:
Направление | Первый прототип | Необходимые данные | Кому показывать | Основная метрика |
|---|---|---|---|---|
Документы | Извлечение полей и маршрутизация одного типа документов | 100–500 реальных примеров и правильные результаты | Бэк-офису, бухгалтерии, юристам | Доля документов без ручной правки, стоимость обработки |
Поддержка | Поиск ответа, подсказка и резюме обращения | База знаний, диалоги и оценки качества | Руководителю поддержки | AHT, FCR, повторные обращения, адаптация новичка |
Разговоры | Расшифровка и поиск нарушений или причин отказа | Записи звонков и карта оценки | Контролю качества, продажам, комплаенсу | Точность нарушений, покрытие, конверсия, претензии |
Закупки | Разбор требований и сравнение предложений | Спецификации, заявки и коммерческие предложения | Закупкам | Время решения, пропущенные условия, экономия |
Разработка | Генерация тестов, поиск по коду или разбор инцидента | Репозиторий, задачи, тесты и история сбоев | CTO и тимлидам | Время до merge, дефекты, MTTR, доля принятых подсказок |
Контроль качества | Поиск одного визуально различимого дефекта | Размеченные изображения с конкретной линии | Производству | Precision/recall, пропущенный брак, ложная выбраковка |
Для первой попытки проще документы, поддержка и разговоры. Данные можно получить без подключения к промышленному оборудованию, систему запускать рядом с человеком, а ошибка обычно не останавливает производство. Прогнозирование запасов и компьютерное зрение способны принести больше, но потребуют отраслевого партнёра. Доступ к реальной линии не выдают за хороший README.
Под словом AI скрываются разные продукты, и путать их опасно не только технически: каждый требует другой выборки, другой проверки и другого договора с заказчиком.
Классификатор или экстрактор получает документ, звонок или изображение и возвращает структурированный результат; это хороший первый продукт, потому что его можно проверить на размеченной выборке и не обсуждать часами, «достаточно ли осмысленно он ответил». RAG-помощник — retrieval-augmented generation, то есть генерация с поиском по заданным источникам, — находит фрагменты в ограниченной базе и показывает, откуда взял ответ. Он полезен, когда проблема заключается в поиске информации. Если в документах нет ответа или три инструкции противоречат друг другу, RAG не создаст корпоративную мудрость — он лишь оперативно процитирует корпоративный беспорядок и, возможно, впервые сделает его видимым руководству.
Copilot готовит следующее действие, но оставляет решение человеку: предлагает ответ, заполняет карточку, пишет тест или формирует резюме. Здесь сегодня находится значительная часть доказанного эффекта, потому что модель ускоряет операцию, а специалист удерживает ответственность. Предиктивная модель работает иначе — прогнозирует спрос, поломку, отток или вероятность события, и генеративная модель ей может вообще не понадобиться. Это не делает решение менее современным, только лишает разработчика возможности написать на первом слайде слово agentic.
Наконец, агент с инструментами не только отвечает, но и вызывает API, читает системы и меняет их состояние. Когда его строить? После того как отдельные действия измерены. После настройки прав. После появления журнала и возможности остановки. Не раньше! Агент, который умеет всё, обычно отличается от продукта тем, что продукт умеет хотя бы одну вещь надёжно.
А если задачу решает SQL, регулярное выражение или обычный классификатор? Используйте их. LLM не получает премию за участие в архитектуре, зато исправно добавляет стоимость, задержку и новый класс ошибок, которые особенно обидно отлаживать после выяснения, что LIKE '%договор%' справлялся лучше.
Для быстрого прототипа разумен API-first: сначала взять готовую модель через программный интерфейс и проверить сам сценарий, не превращая исследование спроса в строительство небольшого дата-центра. Yandex AI Studio предоставляет модели, векторные хранилища, File Search, RAG и агентные инструменты; GigaChat — API, GigaChain и примеры агентов с инструментами; Cloud.ru Evolution объединяет каталог моделей, Managed RAG, инференс и AI Agents; MWS AI развивает собственные модели и агентную платформу. На этом этапе важнее доказать, что операция вообще меняется, чем экономить доли копейки на токене в продукте, у которого пока нет ни одного пользователя.
Если данные нельзя передавать во внешний сервис или нагрузка уже оправдывает собственную инфраструктуру, открытые модели можно развернуть через vLLM, который предоставляет OpenAI-совместимый сервер. Для документных сценариев пригодится LlamaIndex, для ветвящихся процессов с состоянием, повторными попытками и human-in-the-loop — LangGraph. Но фреймворк появляется после процесса. Мультиагентная система из четырёх агентов, которые обсуждают одно письмо, — это не архитектура, а слишком дорогой корпоративный чат.
Отдельно нужна наблюдаемость — возможность восстановить, что модель получила, что нашла, что ответила и к чему это привело. Логировать нужно вход, контекст, ответ, стоимость, задержку, решение человека и итог операции; Langfuse или собственный контур трассировки позволяют собирать evals — повторяемые тесты качества — и замечать регрессии. Без фиксированного набора проверочных примеров разработчик не улучшает продукт. Он периодически беседует с ним, получает приятный ответ и надеется, что настроение модели сохранится после обновления.
Минимальная цепочка выглядит так:
входные данные → детерминированная подготовка → модель → проверка схемы и бизнес-правил → подтверждение человека → действие → журнал результата.
Языковая модель должна занимать тот участок, где действительно требуется работа с неоднозначным языком или контекстом. Всё остальное лучше оставить скучному коду. Скучный код редко становится героем конференции, зато по ночам обычно не придумывает новые поля в JSON.
Прежде — поговорить с пятью исполнителями и владельцем процесса. Не спрашивать, «где вам пригодился бы AI»: на такой вопрос человек отвечает «везде», после чего вспоминает последнюю конференцию и предлагает сделать помощника для проведения совещаний. Просите показать последние десять операций. Где копируют данные? Где ждут согласования? Где исправляют? Какую ошибку скрывают до конца месяца? Какой отчёт существует только потому, что его однажды попросил руководитель, давно работающий в другой компании?
Во-вторых, собрать обезличенную выборку реальных случаев и правильных ответов, а до подключения модели зафиксировать нынешние время, стоимость и качество. Это baseline — исходное состояние процесса, с которым сравнивается результат. Обычно его начинают искать после красивого демо, когда все уже видели, как система замечательно обработала три отобранных документа, но никто не помнит, сколько времени те же документы занимали раньше.
В-третьих, построить самый простой контур: одна модель, один источник данных, одно действие. Fine-tuning — дополнительное обучение модели под свои примеры, граф из семнадцати агентов и анимированную аватарку пока оставить будущим инвесторам; инвесторы должны получить возможность увидеть, на что именно ушли деньги, но первые четыре дня продукт может прожить без этого.
На девятый и десятый день прототип прогоняется по фиксированной выборке. Отдельно измеряются качество, задержка, стоимость и опасные ошибки. Обязательно проверяется более дешёвая модель: крупнейшая доступная модель не всегда создаёт лучший продукт, но почти всегда создаёт наиболее убедительный счёт.
Затем — shadow mode («теневой режим»): система работает рядом с человеком, делает выводы, но ничего не меняет самостоятельно. Решения сравниваются, расхождения размечаются. Это менее эффектно, чем автономный агент, который уже на демо умеет сам отправлять письма, зато потом не приходится объяснять заказчику, почему эксперимент разослал клиентам внутренний комментарий менеджера, включая ту его часть, где клиент характеризовался особенно точно.
В последние два дня считается экономика операции и формулируются условия пилота: ожидаемый результат, допустимая ошибка, бюджет, срок и критерий остановки. Если экономия существует только при бесплатной модели, бесплатной интеграции и разработчиках, работающих после полуночи из любви к технологии, продукта пока нет.
Как итог, посчитать экономику. Сама формула пилота искусственного интеллекта не требует:
экономический эффект = дополнительные операции или предотвращённые потери + высвобождённая оплачиваемая мощность − инференс − инфраструктура − интеграция − контроль человеком − стоимость ошибок.
Сэкономленные часы становятся деньгами после изменения выпуска, затрат, скорости или численности. До этого они остаются резервом мощности, хорошим самочувствием команды и строкой в презентации, с которой статья начиналась.
Куда разработчик обычно хочет пойти с прототипом? К инвестору — там деньги. Куда ему нужно пойти? К владельцу похожего процесса — там находится причина, по которой деньги вообще могут появиться. Этому человеку не нужен питч про «интеллектуальную платформу нового поколения». Ему нужно увидеть, какой вход получает система, какое действие выполняет, какую точность показала на реальных данных, сколько стоит одна операция, где находятся ограничения и по какому показателю закрывается пилот. Пять таких разговоров дадут продукту больше, чем пятидесятистраничное исследование рынка, написанное той же моделью, которую вы пытаетесь продать.
Второй маршрут — отраслевой интегратор или разработчик корпоративного ПО, у которого уже есть доступ к заказчику, данным и той части инфраструктуры, при упоминании которой независимый разработчик начинает внимательнее изучать условия эмиграции. У команды может быть сильный AI-модуль; у интегратора — доступ к 1С, CRM или промышленному контуру и человек, который знает, кому согласовать изменение. Доля в реальном проекте иногда ценнее ста процентов идеального продукта, работающего только на тестовой базе его создателя.
Третий маршрут — корпоративные пилоты и акселераторы. MTS StartUp Hub принимает решения для коммерческих пилотов и предлагает выход на бизнес-заказчика и финансирование проверки. У «Сколково» работают открытый преакселератор для AI- и IT-проектов и Fast Track для подготовки продукта. Эти площадки полезны, когда уже существует прототип, сформулирован KPI и понятен покупатель. С идеей «сделаем отечественный ChatGPT для бизнеса» туда тоже можно прийти, но очередь будет состоять из людей с удивительно похожей презентацией.
Четвёртый маршрут особенно подходит аудитории Habr: открытый модуль и честная техническая публикация. Не «мы создали уникальную платформу», а вот репозиторий, вот синтетический демо-набор, вот архитектура, вот стоимость тысячи операций, вот случаи, на которых всё ломается, и вот что мы сделали после того, как перестали делать вид, что оно не ломается. Скриншот удачного ответа доказывает, что модель один раз ответила удачно. Набор evals доказывает, что разработчик понимает разницу между демо и продуктом. Для технического заказчика второе звучит убедительнее, хотя первое значительно красивее помещается на лендинг.
Перед началом работы полезно заполнить короткую карточку:
Поле | Вопрос |
|---|---|
Процесс | Какую одну повторяющуюся операцию мы меняем? |
Владелец | Кто отвечает за её стоимость и результат? |
Единица | Что считается одной операцией? |
Baseline | Сколько она стоит, длится и как часто заканчивается ошибкой сейчас? |
Данные | Есть ли реальные примеры и правильные ответы? |
Тип решения | Экстрактор, RAG, copilot, прогноз или агент? |
Действие | Что изменится в рабочей системе, кроме появления текста на экране? |
Контроль | Где решение подтверждает человек? |
Экономика | Что произойдёт с выпуском, затратами, потерями или выручкой? |
Трудовой эффект | Инструмент усиливает сотрудника, убирает отдельную задачу или ликвидирует рабочее место — и что компания делает с высвобождённой мощностью? |
Stop-критерий | При каком результате эксперимент закрывается? |
Если нельзя заполнить хотя бы восемь строк, писать код пока рано. Обидно? Возможно. Но это хорошая новость: удалить пустой репозиторий значительно дешевле, чем два года поддерживать продукт, которому рынок так и не смог объяснить, зачем он существует, а команда всё это время мужественно отвечает рынку, что он просто ещё не созрел.
Америка научила ИИ помогать отдельному специалисту и обнаружила зубчатую границу: на одной задаче человек становится быстрее, на соседней — быстрее ошибается. Китай встроил модель в производственный поток и получил более крупный эффект, потому что соединил анализ с действием, но вместе с эффектом получил сложность системы, в которой уже трудно отделить вклад алгоритма от всей перестройки. Россия быстрее всего находит деньги рядом с кассой, документом, звонком и оборудованием — там, где уже накоплены данные, известна стоимость операции и ограничения не позволяют слишком долго изображать технологическую Калифорнию.
Что взять разработчику из этих трёх историй? Из американской — контролируемый эксперимент и встраивание в привычный интерфейс. Из китайской — замкнутый контур, где вывод модели меняет следующее действие. Из российской — необходимость считать экономику и заранее понимать, где решение будет работать физически, юридически и инфраструктурно. Это не три национальных характера. Это три слоя одного продукта: человек, процесс и граница развёртывания.
Есть и четвёртый слой, который не помещается в интерфейс продукта: спрос. Каждый оптимизированный завод, контакт-центр и бэк-офис всё ещё предполагает существование человека, способного купить произведённый товар или услугу. Если выигрыш от производительности превращается только в доход капитала и сокращение занятости, отдельная компания может показать прекрасный квартал, а совокупность таких компаний — приблизить тот самый парадокс производительности, при котором выпускать стало дешевле, а продавать труднее. Это не аргумент против AI. Это граница между эффективностью фирмы и рациональностью всей системы — две вещи, которые капитализм любит считать одной, пока касса не начинает возражать.
Теперь можно вернуться в ту переговорную, с которой всё началось. Генеральный директор всё ещё хочет агента, директор по инновациям всё ещё обещает пилот, HR уже провёл вебинар, а финансовый директор всё ещё ищет слайд с деньгами. Но вопрос теперь звучит иначе. Не «какую модель мы внедряем?». Не «сколько сотрудников используют AI?». Не «когда агент заменит отдел?». Какую дорогую операцию мы меняем, каким наблюдаемым действием и что произойдёт с её стоимостью после внедрения?
Модель сама по себе не создаёт эффективность: она лишь делает быстрее или дешевле процесс, к которому её подключили. Разумный процесс она масштабирует. Бессмысленный — превращает в автоматизированную бессмыслицу с API, дашбордом и ежемесячной оплатой.
Поэтому бизнесу не нужно начинать с покупки искусственного интеллекта. Ему нужно найти дорогую глупость в собственном процессе — и только потом решить, способен ли ИИ хотя бы перестать её повторять.