Как компаниям внедрять ИИ с измеримым бизнес-эффектом
Привет! Меня зовут Дарья Суппес, я руковожу AI&ML-направлением в Далее. Мы помогаем компаниям внедрять решения на базе искусственного интеллекта и получать от этого реальный результат.
Интерес к ИИ растет, как и число доступных решений. Однако многие компании по-прежнему откладывают запуск проектов: сложно заранее оценить экономический эффект, сроки внедрения и совокупную стоимость владения. Поэтому потенциальная ценность выглядит неопределенной, а затраты и риски — вполне реальными.
В этой статье разберем, как выбирать и внедрять ИИ так, чтобы он влиял на выручку, затраты, скорость процессов или качество клиентского опыта. Поговорим о выборе сценариев, запуске пилота, интеграции и метриках успеха.
ИИ должен решать измеримую бизнес-задачу
Пилоты редко дают ожидаемый эффект, если начинаются ради поддержания тренда, а не с бизнес-проблемы. Проект, запущенный ради эксперимента или ответа конкурентам, может быть технически успешным, но экономически бесполезным. До старта важно определить целевой процесс, базовый уровень показателей, ожидаемый эффект и критерии дальнейшего масштабирования.
«Применение ИИ можно найти практически в любой отрасли — от финтеха до ритейла и FMCG. Начинать следует с анализа бизнес-процессов, проблемных зон и доступных данных. Сформированные гипотезы нужно оценить и выбрать ту, где есть узкий сценарий с понятной метрикой и потенциалом к дальнейшему масштабированию»
В FMCG технологии ИИ могут применяться сразу в нескольких направлениях: для персонализации предложений, прогнозирования спроса, оптимизации запасов и логистики, анализа ассортимента и эффективности промоакций. При этом запускать все сценарии одновременно нецелесообразно. Важно выбрать приоритетную задачу и заранее связать качество модели с бизнес-показателями.
Таких сценариев много. ИИ применяют в HR, производстве, образовании, юридических подразделениях и клиентской поддержке. Технология особенно полезна там, где нужно анализировать большие объемы неструктурированных данных, прогнозировать события, находить закономерности или помогать сотрудникам принимать решения.
Ассистент, агент или мультиагентная система
После выбора задачи необходимо определить достаточный уровень автономности решения. Условно можно выделить три основных варианта: ИИ-ассистент, ИИ-агент и мультиагентная система.
- ИИ-ассистент — «сотрудник-помощник». Он работает по запросу пользователя: ищет и обобщает информацию, готовит письма, отчеты или описания товаров. Инициатором действия остается человек, который проверяет и подтверждает результат.
- ИИ-агент — «сотрудник-исполнитель». Он получает цель, формирует план и использует подключенные инструменты в заданных границах. Например, агент может определить тему обращения, найти данные о клиенте и заказе, подготовить ответ и направить запрос ответственному менеджеру. Его полномочия, доступы и критические действия должны контролироваться человеком.
- Мультиагентная система — «команда цифровых сотрудников». Один агент может собирать данные, второй — анализировать их, третий — формировать результат, четвертый — выполнять проверку. Такая архитектура оправдана для сложных процессов, в которых задачи действительно требуют разных ролей, источников данных и уровней доступа.
Для бизнеса важна не максимальная автономность, а соответствие архитектуры задаче. Во многих случаях ассистент или один агент обеспечит результат быстрее и дешевле. Мультиагентная система не гарантирует большего экономического эффекта: она повышает стоимость разработки, усложняет контроль и создает дополнительные точки отказа.
Составляющие ИИ агента
Большая языковая модель — LLM. Интерпретирует задачу и контекст, формирует план и определяет следующее действие.
Оркестратор. Управляет последовательностью шагов, передает модели контекст и контролирует выполнение задачи.
Инструменты и интеграции. API, базы данных и корпоративные системы, через которые агент получает информацию и выполняет разрешенные действия.
Память и состояние. Сохраняют текущий контекст и, при необходимости, историю взаимодействий с учетом правил доступа и хранения данных.
Инструкции и защитные механизмы. Определяют роль агента, доступные действия, ограничения и формат результата.
Автоматизация с помощью ИИ открывает значительные возможности, но внедрение агента не сводится к подключению языковой модели. Компании необходимо оценить готовность процессов и данных, настроить интеграции и права доступа, определить точки контроля со стороны человека, а также внедрить мониторинг качества. Масштаб изменений зависит от автономности системы и рисков конкретного бизнес-процесса.
К чему нужно быть готовым бизнесу
В крупных компаниях данные часто распределены между CRM, ERP, корпоративными хранилищами, таблицами, почтой и внутренними документами. Источники могут содержать дубли, пропуски, устаревшие записи и разные правила заполнения. Поэтому до запуска ИИ-решения необходимо понять, какие данные действительно нужны и можно ли на них получить надежный результат.
Подготовка данных для ИИ
От качества данных на 70% зависит успех проекта. До запуска проекта рекомендуется провести аудит релевантных источников, оценить полноту, актуальность и непротиворечивость информации, а также проверить ограничения по доступу и хранению.
Базовый план подготовки может выглядеть так:
- Определить бизнес-сценарий и необходимые для него данные.
- Составить перечень источников, форматов и владельцев информации.
- Проверить качество, доступность, историю и правовые ограничения.
- Подготовить целевой датасет или витрину данных для пилота.
- Настроить интеграции и разграничить права доступа.
- Зафиксировать правила обновления, контроля качества и ответственности.
Для такой работы нужны компетенции бизнес-аналитиков, data-инженеров, ML-специалистов, архитекторов и экспертов по информационной безопасности. Если внутри компании их недостаточно, аудит можно передать внешнему партнеру, а также непосредственное проектирование архитектуры. При этом владельцы процессов и данных, критериев результата, требований безопасности должны оставаться на стороне бизнеса. Обычно наиболее устойчива гибридная модель: внешний подрядчик приносит специализированную экспертизу, а внутренняя команда обеспечивает знания о процессах и дальнейшее развитие решения.
Правовые и регуляторные требования
До внедрения ИИ-решения компании необходимо определить, какие данные будет обрабатывать система, на каком правовом основании и кому они будут передаваться. Особого внимания требуют персональные, биометрические, коммерческие и чувствительные данные.
Если информация передается зарубежному провайдеру, может возникнуть трансграничная передача. В таком случае оператору необходимо проверить страну и инфраструктуру обработки, условия договора с провайдером, меры защиты и выполнить установленную процедуру уведомления Роскомнадзора. Поэтому возможность применения ChatGPT, Gemini или Claude оценивается для каждого проекта отдельно. Если передавать персональные и конфиденциальные данные нельзя, используют обезличивание, фильтрацию запросов, российские облачные сервисы или локальное размещение моделей.
Отдельный вопрос — интеллектуальная собственность. ИИ рассматривается как инструмент, а не самостоятельный автор. Возможность правовой охраны результата зависит от творческого вклада человека. До коммерческого использования контента нужно проверить условия провайдера, права на исходные материалы, допустимые способы использования результата и риск нарушения прав третьих лиц.
Выбор модели и инфраструктуры
Универсально лучшей языковой модели не существует. Для корпоративных решений можно рассматривать российские сервисы, например GigaChat 2 Max и YandexGPT Pro 5.1. Они обеспечивают поддержку русского языка, локальный договор и варианты обработки данных в российской инфраструктуре..
Альтернативный вариант — модели с открытыми весами, например Qwen3, T-Pro 2.1 или DeepSeek-V3.2. Их можно развернуть в собственном контуре, частном облаке или у специализированного провайдера. Они быстро работают и их можно свободно использовать в коммерческих целях. Перед коммерческим использованием необходимо определить требования к вычислительным ресурсам и проверить качество модели на данных конкретной компании.
«Не стоит выбирать модель только по популярности или количеству параметров. Гораздо важнее понять, насколько она подходит под конкретную задачу. Для классификации, извлечения данных и типовых ответов небольшая специализированная модель нередко оказывается быстрее и дешевле. Более крупные модели целесообразно подключать для сложного анализа и многошаговых задач»
Вариант инфраструктуры зависит от чувствительности данных, нагрузки и требований бизнеса. Для пилота без конфиденциальной информации может подойти облачный API. При повышенных требованиях используют частное облако или выделенный контур, а для полного контроля — локальное развертывание (on-premise). При выборе необходимо учитывать не только стоимость модели, но и затраты на вычисления, масштабирование, отказоустойчивость, мониторинг и техническое сопровождение.
Как организовать внедрение ИИ в бизнес
Работа над ИИ-проектом начинается с предпроектного обследования, который включает в себя анализ бизнес-сценариев и процессов, оценку доступности и качества данных, проверку технических и правовых ограничений, определение целевых метрик и предварительную оценку архитектуры. Результатом должны стать обоснованный объем пилота, критерии его успешности, план работ и диапазон затрат.
Затем гипотезы необходимо приоритизировать. Для оценки гипотез в Далее применяется расширенная модель ICE. Помимо impact, confidence и ease, добавляются еще 4 параметра: user demand, data quality, scalability и sponsor. Каждая гипотеза получает итоговую оценку. В работу переходят инициативы, преодолевшие установленный порог — у нас это 70 баллов при 100-балльной шкале.
Внедрение решения обычно проходит несколько этапов: проверка технической реализуемости (PoC) → пилот или MVP → промышленная эксплуатация и масштабирование. Эта последовательность не универсальна: для простого сценария отдельный PoC может не потребоваться. При этом PoC проверяет, способна ли технология решить задачу, а пилот и MVP — дает ли решение ожидаемый эффект в реальном бизнес-процессе.
С первых этапов необходимо использовать репрезентативные данные, которые отражают будущие условия эксплуатации. Это не всегда должны быть исходные данные из продуктивных систем: чувствительную информацию можно обезличить или замаскировать. Отдельно формируются выборки для обучения (Golden и Silver Datasets), настройки и независимой проверки.
Начинать следует с наиболее простого варианта, способного подтвердить гипотезу. Готовые сервисы или модели API часто позволяют быстрее выполнить проверку. А уже после подтверждения бизнес-эффекта можно углублять интеграцию, подключать RAG, дообучать модель или использовать специализированные компоненты.
Как измерить бизнес-эффект от внедрения ИИ
Распространенная ошибка — оценивать ИИ-проект только по качеству модели. Высокая точность не гарантирует, что решение будет востребовано, стабильно в эксплуатации и выгодно бизнесу. Поэтому эффективность необходимо измерять на четырех уровнях: качество ML-модели, продуктовые метрики, инфраструктурная устойчивость, бизнес-эффект.
Технический уровень включает качество ответов, долю ошибок, скорость работы, доступность системы и стоимость запроса. На уровне процессных метрик оценивают долю автоматизированных операций, сокращение времени выполнения задачи, использование решения сотрудниками и количество ручных исправлений. Бизнес-уровень показывает влияние на выручку, операционные затраты, конверсию, потери и качество обслуживания.
В конечном счете руководителей интересует именно последний пункт. Важно понимать, что оценивать эффект нужно не в вакууме, а через сравнение: что было до запуска → что стало после.
Дополнительно учитывайте совокупную стоимость владения решением — TCO (Total Cost of Ownership) — совокупная стоимость владения решением: включает разработку, лицензии и API, инфраструктуру, интеграции, подготовку данных, информационную безопасность, мониторинг, поддержку и обновление решения.
Что в итоге: ИИ для компании — это бизнес-проект
«ИИ не решит проблемы бизнеса сам по себе. Для успешного внедрения необходимы конкретная бизнес-задача, владелец результата, доступные данные, понятные ограничения и заранее определенные метрики. Проект также требует интеграции с корпоративными системами, настройки контроля и подготовки сотрудников к изменению процесса. На каждом этапе должны действовать критерии продолжения или остановки проекта. Если результаты не подтверждают гипотезу, остановитесь и пересмотрите проект до начала масштабирования — это позволит избежать неоправданных затрат»
При этом ИИ не всегда является оптимальным инструментом. Некоторые задачи быстрее, дешевле и надежнее решаются с помощью классической автоматизации. Задача бизнеса — выбрать наиболее простой подход, обеспечивающий требуемый результат, а не внедрять максимально сложную технологию.
В «Далее» с 2024 года мы помогаем компаниям проводить предпроектное обследование, оценивать сценарии, рассчитывать потенциальный эффект и запускать пилотные решения. Если вы хотите проверить гипотезу, напишите нам, мы поможем определить, где применение ИИ действительно оправданно и что потребуется для его дальнейшего масштабирования.