Искусственный интеллект: есть разные точки зрения, что это такое. Этапы эволюции ИИ

Автор: Александр Михайлов, эксперт по ИТ-стратегиям и управлению ИТ, MBA, генеральный директор компании «Консалтинг по управлению ИТ», editor@info-strategy.ru

Материал статьи построен на базе лучшего международного опыта разработки ИТ-стратегий и практического опыта автора:

Резюме статьи: ИИ нужно рассматривать не как модную технологию, а как комплексное направление развития компании, когда одновременно нужно учитывать выгоды, риски, затраты и готовность компании, а именно:

• Искусственный интеллект разные участники понимают по-разному: руководители чаще ждут бизнес-эффекта, ИТ-директора думают о данных, информационных системах и эксплуатации, а поставщики видят новый рынок решений.
• Эволюция ИИ прошла несколько этапов: экспертные системы, машинное обучение, глубокое обучение и генеративный ИИ.
• Применение ИИ стоит выбирать по реальным задачам: поддержка клиентов и сотрудников, аналитика, работа с документами, автоматизация процессов, цифровые продукты и др.
• ИИ может дать выгоды, но требует затрат на данные, интеграции, инфраструктуру ИТ, сопровождение, обучение и контроль качества.

Что такое ИИ?

Как и в случае с цифровой трансформацией, общепринятого и единственного определения искусственного интеллекта пока нет. Под ИИ могут понимать очень разные вещи: от генеративных моделей и интеллектуальных помощников до аналитики, прогнозирования, автоматизации решений, работы с документами и более широких цифровых изменений. Поэтому в практической работе полезно не искать “идеально правильное” определение, а сразу признать, что ИИ — это тема, которую разные группы людей видят по-разному.

Для одних ИИ — это способ резко повысить эффективность бизнеса и получить новые конкурентные преимущества. Для других — набор технологий, которые требуют качественных данных, интеграции и серьёзной перестройки информационных систем и инфраструктуры ИТ. Для третьих — новый класс решений, который можно быстро продать. Поэтому начинать разговор о стратегии ИИ полезно начинать не с технических деталей, а с разных точек зрения на саму тему.

Если не зафиксировать это в самом начале, дальше очень вероятно попасть в ситуацию, когда одни участники обсуждают рост выручки, другие — архитектуру и данные, а третьи — рынок для новых продуктов. В результате создаётся ощущение, что все говорят об ИИ, но на самом деле имеют в виду совершенно разные подходы. Поэтому стоит сразу учитывать, что: искусственный интеллект — это не только еще одна технология и универсальное решение, а широкая тема, которая по-разному воспринимается гендиректорами, ИТ-директорами и продавцами ИТ-компаний.

Искусственный интеллект (ИИ) — это технология, которая позволяет компьютерам и машинам имитировать человеческое обучение, понимание, решение проблем, принятие решений, творчество и автономность.

IBM

Искусственный интеллект — это способность компьютерных систем выполнять задачи, требующие человеческого интеллекта: распознавание образов, принятие решений, анализ данных

Сбербанк РФ

ИИ: как его видят гендиректора российских компаний

Для гендиректора ИИ обычно не является темой “про модели” или “про алгоритмы”. Он смотрит на ИИ прежде всего как на инструмент, который должен дать компании новый результат: рост эффективности, ускорение процессов, снижение затрат, улучшение поддержкки клиентов или появление новых источников выручки. Поэтому в глазах гендиректора ИИ почти всегда связан не с технической стороной, а с управленческим и экономическим эффектом.

Обычно гендиректора российских компаний видят ИИ так:

1. как способ снизить издержки;
2. как способ повысить производительность сотрудников и сократить объём ручной работы;
3. как инструмент для улучшения работы с клиентами и ее ускорения;
4. как возможность принимать более точные управленческие решения на основе данных;
5. как источник новых цифровых продуктов, сервисов и каналов продаж;
6. как средство увеличения объема работ без пропорционального роста численности персонала;
7. как новую волну технологической конкурентоспособности, которую нельзя пропустить;
8. как тему, которую рынок, собственники и партнёры уже считают “обязательной” для современной компании.

Итого, гендиректора чаще всего видят ИИ как источник бизнес-эффекта. Для них ИИ — это прежде всего не технология, а возможность получить новые выгоды, ускорить развитие компании и укрепить её конкурентные позиции. Но именно поэтому их ожидания от ИИ нередко оказываются более амбициозными, чем реальная готовность процессов, данных и ИТ.

ИИ: как его видят ИТ-директора российских компаний

ИТ-директора обычно смотрят на ИИ значительно более приземлённо и системно. Для них ИИ — это не только потенциальные выгоды, но и вопросы данных, интеграции, архитектуры, безопасности, сопровождения, масштабируемости и качества результатов. Если гендиректор чаще думает о конечном эффекте, то ИТ-директор почти сразу думает о том, что нужно подготовить, перестроить и обеспечить, чтобы этот эффект вообще стал возможен.

Обычно ИТ-директора российских компаний видят ИИ так:

1. как развитие аналитики, автоматизации и работы с корпоративными данными;
2. как новый класс прикладных сервисов, которые нужно встроить в существующий ИТ-ландшафт;
3. как дополнительную нагрузку на архитектуру, интеграции и ИТ-инфраструктуру;
4. как источник новых требований к качеству, доступности и управлению данными;
5. как тему, тесно связанную с информационной безопасностью, доступами и регуляторными ограничениями;
6. как инструмент для интеллектуальной обработки документов, знаний и внутренних запросов;
7. как направление, где без зрелых процессов и качественных данных успешных результатов не достичь.

Итого, ИТ-директора всего видят ИИ как развитие логики данных, автоматизации и ИТ-инструментов. Для них ИИ — это не магия и не быстрый готовый результат, а набор решений, которые нужно аккуратно встроить в существующие информационные системы, инфраструктуру ИТ, процессы. Поэтому их взгляд на ИИ обычно более осторожный, инженерный и связанный с реальной эксплуатацией.

ИИ: как его видят продавцы ИТ-компаний

Продавцы ИТ-компаний обычно воспринимают ИИ как быстро растущий рынок и новый класс решений, которые можно предлагать заказчикам, причем дорого. Для них ИИ — это прежде всего набор продуктов, платформ, сервисов и проектов внедрения, которые можно встроить в коммерческую повестку клиента. Поэтому в их подаче тема ИИ часто выглядит максимально широкой, прикладной и привлекательной.

Обычно продавцы ИТ-компаний видят ИИ так:

1. как новый крупный рынок ИТ-решений и услуг;
2. как новый аргумент в продаже инфраструктуры, облаков, платформ данных и интеграционных работ;
3. как готовые платформы, сервисы и модули, которые можно встроить в уже существующие системы;
4. как набор решений для автоматизации клиентских сервисов, документов, поддержки и аналитики;
5. как возможность быстро запустить пилот и продемонстрировать эффект.

Итого, продавцы ИТ-компаний чаще всего видят ИИ как новый класс решений, который можно уже сейчас принести заказчику и встроить в его повестку.

Итого, искусственный интеллект разные участники компании понимают по-разному. Для гендиректора это чаще источник выгод, роста эффективности и конкурентных преимуществ. Для ИТ-директора — развитие данных, информационных систем и новых требований к инфраструктуре ИТ. Для продавца ИТ-решений — новый класс продуктов, платформ и внедренческих проектов.

Поэтому разговор о стратегии ИИ полезно начинать именно с фиксации разных точек зрения. Это помогает сразу увидеть, почему вокруг ИИ так много ожиданий, разночтений и несогласованных представлений. И уже после этого можно переходить к следующему вопросу: как из этой разницы взглядов собрать для компании осмысленную стратегию искусственного интеллекта.

---

Этапы эволюции ИИ

Искусственный интеллект не появился сразу в том виде, в котором его обсуждают сегодня. Его развитие шло волнами. На каждом этапе менялись не только технологии, но и само понимание того, что именно считать ИИ, где он полезен и каких результатов от него можно ждать. Поэтому, когда компания задумывается о стратегии искусственного интеллекта, ей полезно видеть ИИ не как одну технологию, а как результат длинной эволюции подходов.

Важно и то, что новые этапы не отменяли предыдущие. Экспертные системы не исчезли полностью с появлением машинного обучения, а машинное обучение не исчезло с приходом глубоких нейросетей. Скорее, каждый следующий этап расширял инструментарий, повышал требования к данным и вычислениям и открывал новые области применения.

Кратко, эволюцию ИИ для его использования в бизнесе можно описать так:

• 1970-е — конец 1980-х: экспертные системы;
• 1990-е — первая половина 2010-х: машинное обучение;
• примерно с 2012 года — конец 2010-х: глубокое обучение;
• 2020-е годы, особенно с 2022 года: генеративный ИИ.

1. Экспертные системы

Период: примерно 1970-е — конец 1980-х, частично 1990-е

Один из наиболее ранних практически значимых этапов развития ИИ связан с экспертными системами. Их логика строилась на правилах, заранее заданных человеком. По сути, в систему закладывались знания эксперта в виде условий, логических связок и сценариев принятия решений.

Такой подход хорошо работал там, где предметная область была достаточно стабильной и где можно было явно описать логику принятия решений. Например, в диагностике, техническом анализе, поддержке специалистов, контроле типовых ситуаций. Сильной стороной экспертных систем была понятность: можно было объяснить, почему система выдала тот или иной результат.

Ключевые особенности этого этапа были такими:

• решения строились на заранее заданных правилах;
• знания эксперта вручную переносились в систему;
• хорошо работали стабильные и формализуемые предметные области;
• система была сравнительно понятной и объяснимой;
• однако масштабирование и обновление правил быстро становились сложной задачей.

Этого этапа были и серьёзные ограничения. Чем сложнее становилась область применения, тем труднее было поддерживать и расширять набор правил. Системы плохо справлялись с неоднозначностью, нестандартными ситуациями и быстро меняющейся средой. Они требовали постоянного ручного обновления знаний и почти не учились на новых данных.

Тем не менее именно экспертные системы заложили важную основу. Они показали, что часть интеллектуальной деятельности можно формализовать и автоматизировать. Для бизнеса это был первый серьёзный сигнал: некоторые функции принятия решений действительно можно передавать машинам.

2. Машинное обучение

Период: примерно 1990-е — первая половина 2010-х

Следующий крупный этап связан с переходом от ручного задания правил к обучению на данных. Именно здесь ИИ начал всё сильнее опираться не на заранее прописанную человеком логику, а на поиск закономерностей в массивах информации. Машинное обучение стало развиваться как способ строить модели, которые сами выявляют связи, зависимости и паттерны.

Этот этап оказался особенно важным для бизнеса. Благодаря машинному обучению стало возможным решать задачи прогнозирования спроса, оценки рисков, выявления аномалий, сегментации клиентов, рекомендаций, скоринга и множества других прикладных задач. ИИ стал ближе к аналитике, к данным и к реальным бизнес-решениям.

Для этого этапа были характерны следующие признаки:

• модели начали обучаться на исторических данных;
• ИИ стал сильнее опираться на статистику и выявление закономерностей;
• расширились прикладные задачи в бизнесе, аналитике и риск-менеджменте;
• качество результата стало сильнее зависеть от объёма и качества данных;
• выросла роль специалистов по аналитике, моделированию и данным.

По сравнению с экспертными системами это был качественный сдвиг. Вместо того чтобы пытаться заранее описать весь мир в виде правил, компании получили возможность обучать модели на фактической информации. Но именно здесь на первый план вышли новые ограничения: качество данных, объём доступной информации, необходимость проверки моделей, риск смещений и проблема объяснимости результатов.

С этого момента тема ИИ стала гораздо теснее связана с темой данных. Если на этапе экспертных систем главным активом были знания экспертов, то на этапе машинного обучения главным активом всё больше становились данные и способность компании с ними работать.

3. Глубокое обучение

Период: примерно с 2012 года — конец 2010-х, начало 2020-х

Следующий этап развития ИИ связан с бурным ростом глубокого обучения. В его основе лежат многослойные нейронные сети, которые позволили значительно повысить качество решений в сложных задачах: распознавании изображений, речи, текста, видео, сложных зависимостей и больших неструктурированных данных.

Именно глубокое обучение стало основой для многих прорывов, которые сделали ИИ темой не только для исследователей и аналитиков, но и для широкого бизнеса. Распознавание объектов, интеллектуальная обработка речи, машинный перевод, анализ текстов, продвинутые рекомендательные механизмы, компьютерное зрение — всё это стало заметно сильнее именно благодаря этому этапу.

Вот основные черты этого этапа:

• резкий рост роли нейросетей и многослойных моделей;
• переход к работе с более сложными и неструктурированными данными;
• заметное усиление распознавания изображений, речи и текста;
• рост вычислительных требований и зависимости от мощной инфраструктуры;
• увеличение потребности в больших массивах данных для обучения моделей.

Для компаний это означало расширение круга задач, где ИИ начал приносить практическую пользу. Если машинное обучение хорошо работало прежде всего в табличных и структурированных данных, то глубокое обучение резко усилило возможности работы с более сложной информацией. ИИ стал ближе к реальному человеческому восприятию: видеть, слышать, распознавать, классифицировать, интерпретировать.

Но потребовались большие массивы данных, серьёзные вычислительные ресурсы, новые компетенции, более сложные решения, более зрелые бизнес-процессы и ИТ-процессы. В этом смысле глубокое обучение сделало ИИ значительно сильнее, но одновременно заметно повысило требования к компании.

4. Генеративный ИИ

Период: 2020-е годы, особенно массово с 2022 года

Самый заметный для широкой аудитории этап последних лет — генеративный ИИ. Здесь ИИ уже не только анализирует, классифицирует или прогнозирует, но и создаёт новый контент: тексты, изображения, код, презентации, ответы, черновики документов, аналитические сводки и многое другое.

Именно этот этап сделал ИИ особенно заметным для руководителей, сотрудников и рынка в целом. Если предыдущие волны часто оставались внутри аналитики, data science или специализированных систем, то генеративный ИИ оказался близок почти каждому пользователю. Он вошёл в повседневную работу: в подготовку текстов, поиск идей, обработку знаний, поддержку сотрудников, работу с клиентами и внутренние сервисы.

Для генеративного ИИ особенно характерны следующие особенности:

• ИИ начал создавать новый контент, а не только анализировать существующий;
• резко выросла массовая доступность ИИ-инструментов;
• тема ИИ стала заметной не только для ИТ и аналитиков, но и для всех сотрудников;
• появились новые сценарии в знаниях, документах, коммуникациях и клиентском сервисе;
• одновременно выросли риски недостоверности, утечек данных и завышенных ожиданий.

Для бизнеса это стало новым уровнем ожиданий. Появилось ощущение, что ИИ может быть полезен практически везде. Генеративный ИИ действительно открыл огромные возможности, однако он же усилил риски: неверные ответы, “галлюцинации”, проблемы достоверности, сложность контроля качества, юридические ограничения и риск переоценки эффекта.

На этом этапе ИИ стал ближе не только к аналитике и автоматизации, но и к интеллектуальному труду как таковому. Это сильно расширило область обсуждения: если раньше ИИ чаще ассоциировался с аналитическими моделями, то теперь он стал темой управления знаниями, документооборота, клиентского взаимодействия, цифровых помощников и производительности сотрудников.

Как связаны эти этапы между собой

Корректно смотреть на эволюцию ИИ не как на линейную лестницу, где один этап полностью заменяет другой, а как на расширение набора инструментов. Экспертные системы, машинное обучение, глубокое обучение и генеративный ИИ — это не просто исторические эпохи, а разные уровни зрелости и разные типы задач.

Если коротко описать связь между этапами, то она выглядит так:

• экспертные системы формализовали знания и правила;
• машинное обучение сместило акцент на данные и статистические закономерности;
• глубокое обучение усилило работу со сложными и неструктурированными данными;
• генеративный ИИ приблизил ИИ к массовому интеллектуальному труду и повседневным сценариям использования.

В одних случаях компаниям по-прежнему достаточно логики, близкой к экспертным системам: формализованных правил и понятных сценариев. В других нужны модели машинного обучения для прогнозов и аналитики. В третьих требуется глубокое обучение для сложных данных. В четвёртых — генеративный ИИ для работы с текстами, знаниями и интеллектуальной поддержкой сотрудников.

Именно поэтому разговор об ИИ в компании почти всегда получается непростым. Разные руководители и специалисты могут иметь в виду разные этапы эволюции ИИ, даже если используют одно и то же слово. Для кого-то ИИ — это прогнозная аналитика. Для кого-то — интеллектуальные помощники. Для кого-то — нейросети, которые генерируют контент. Для кого-то — автоматизация решений на основе правил и данных. К сожалению для ИТ-шников, тема ИИ воспринимается очень многими руководителями компаний и подразделений как «волшебная кнопка» с нулевыми затратами и рисками, но огромными выгодами.

Что это значит для стратегии ИИ

Для стратегии искусственного интеллекта понимание этапов эволюции ИИ означает следующее:

• компания перестаёт смотреть на ИИ как на одну технологию;
• становится легче выбирать уместные направления применения;
• появляется возможность лучше соотносить амбиции и зрелость компании;
• стратегия ИИ начинает строиться на реальных сценариях использования ИИ, а не на хайпе из телевизора;
• становится проще связать ИИ с бизнесом, данными и развитием ИТ.

Во-первых, это помогает избежать слишком узкого взгляда. Компания начинает понимать, что ИИ — не одна технология и не один класс решений, а целое семейство подходов, развивавшихся в разное время и для разных задач.

Во-вторых, это помогает точнее выбирать приоритеты. Не всякой компании нужен сразу генеративный ИИ. Иногда более полезным оказывается прогнозирование на основе классического машинного обучения. Иногда первым шагом становится интеллектуальная обработка документов. Иногда — автоматизация типовых решений на базе правил и данных.

В-третьих, это помогает лучше соотнести амбиции и зрелость. Чем дальше компания хочет продвинуться по шкале современных возможностей ИИ, тем выше требования к данным, архитектуре, вычислениям, безопасности, качеству процессов и организационной модели.

В-четвёртых, это позволяет по-другому смотреть на саму стратегию. Стратегия ИИ — это не просто план внедрения одной модной технологии. Это выбор того, какие именно этапы эволюции ИИ и какие классы решений реально уместны для компании сейчас, что может стать следующим шагом, а что пока преждевременно.

Итого, эволюция ИИ проходила через несколько крупных этапов: экспертные системы, машинное обучение, глубокое обучение и генеративный ИИ. Каждый из них расширял возможности предыдущих подходов и одновременно повышал требования к данным, ИТ и бизнес-процессам.

Если совсем кратко подвести итог, то получается следующее:

• ранние этапы ИИ были ближе к формализованным правилам;
• затем ИИ всё больше стал зависеть от данных и обучения моделей;
• потом резко выросла роль сложных нейросетей и больших вычислений;
• сегодня ИИ стал массовым инструментом работы с контентом, знаниями и интеллектуальными задачами.

Для компании это означает важную вещь: когда она говорит об ИИ, ей полезно понимать, о каком именно ИИ идёт речь. О правилах и формализованных знаниях. О прогнозных моделях. О глубоких нейросетях. Или о генеративных инструментах. Без этой ясности стратегия ИИ легко превращается в набор модных слов, прикольных, но малореализуемых для конкретной компании.

---

Типовые направления применения ИИ

Искусственный интеллект уже перестал быть только темой для экспериментов и демонстраций. Для многих компаний он постепенно становится прикладным инструментом, который может помогать в работе с клиентами, сотрудниками, данными, документами, цифровыми продуктами и внутренними процессами. При этом одна из самых частых ошибок в обсуждении ИИ состоит в том, что его воспринимают слишком абстрактно: как «что-то современное и полезное», но без понимания, где именно он может применяться в компании и какую реальную ценность создавать.

На практике полезно смотреть на ИИ не как на одну технологию, а как на набор типовых направлений применения. Такой подход помогает перейти от общего интереса к более содержательному обсуждению: где ИИ действительно нужен, какие задачи он способен решать, какие данные и процессы для этого требуются, и какие направления стоит рассматривать в первую очередь.

Ниже приведены основные типовые направления применения ИИ, которые чаще всего обсуждаются в компаниях.

1. Интеллектуальная поддержка клиентов и сотрудников

Одно из самых заметных и быстрорастущих направлений применения ИИ — поддержка пользователей. Речь может идти как о внешних клиентах, так и о внутренних сотрудниках компании. ИИ в этом случае используется для ответов на типовые вопросы, поиска нужной информации, навигации по услугам, продуктам, документам и внутренним базам знаний.

Для клиентов это чаще всего интеллектуальные ассистенты, чат-боты нового поколения, рекомендательные механизмы и сервисы самообслуживания. Для сотрудников — поиск по внутренним знаниям, помощь в работе с регламентами, инструкциями, проектной документацией, корпоративными стандартами и накопленным опытом компании.

Сильная сторона этого направления в том, что эффект обычно достаточно понятен: ускорение получения ответов, снижение нагрузки на первую линию поддержки, повышение доступности знаний и улучшение пользовательского опыта. Но при этом реальный результат сильно зависит от качества источников информации, полноты базы знаний, корректности ответов и способности компании контролировать качество работы таких решений.

Типовые задачи здесь могут быть такими:

• ответы на типовые запросы клиентов;
• интеллектуальный поиск по информации внутри компании;
• поддержка сотрудников в работе с регламентами и инструкциями;
• навигация по продуктам, услугам и внутренним сервисам;
• самообслуживание пользователей без постоянного участия операторов.

Для многих компаний именно это направление становится первым практическим шагом в использовании ИИ, потому что оно наиболее наглядно и относительно легко объясняется бизнесу.

2. Аналитика и прогнозирование

Второе крупное направление применения ИИ связано с аналитикой, прогнозами и поддержкой управленческих решений. Здесь ИИ помогает не столько отвечать на вопросы, сколько находить закономерности в данных, выявлять отклонения, строить прогнозы и помогать руководителям и специалистам быстрее принимать решения.

Это направление особенно востребовано там, где компания уже накопила значимые массивы данных, но обычной отчётности и классической аналитики становится недостаточно. В таких случаях ИИ может применяться для прогнозирования спроса, оценки рисков, анализа поведения клиентов, поиска факторов, влияющих на результат, и для более интеллектуальной работы с большими объёмами информации.

Такой подход особенно полезен в продажах, логистике, производстве, финансах, закупках, управлении запасами и других управлении запасами и других областях, где важна не только фиксация текущей ситуации, но и попытка предсказать её развитие. При этом нужно помнить, что аналитика и прогнозирование предъявляют высокие требования к данным: если данные недостоверные, качество выводов ИИ будет так себе.

Типовые задачи здесь могут быть следующими:

• прогнозирование спроса и загрузки;
• оценка рисков и вероятности отклонений;
• выявление аномалий в данных;
• сегментация клиентов и анализ их поведения;
• поддержка принятия решений на основе сложных наборов данных.

Для зрелых компаний это одно из самых сильных направлений применения ИИ, потому что именно здесь ИИ начинает влиять не только на скорость работы, но и на качество управленческих решений.

3. Работа с документами и знаниями

Ещё одно очень практичное направление — интеллектуальная работа с документами и корпоративными знаниями. Почти в любой компании накапливается большое количество текстовой информации: договоры, регламенты, инструкции, служебные записки, проектные документы, письма, техническая документация, тендерные материалы, внутренние стандарты и многое другое.

Обычная проблема состоит в том, что эти материалы либо плохо структурированы, либо трудны для быстрого поиска и использования. ИИ может здесь помочь в извлечении информации, суммаризации текстов, классификации документов, поиске по внутренним материалам, генерации черновиков и ускорении работы с большими массивами текстов.

Это направление особенно полезно там, где сотрудники регулярно тратят много времени на поиск информации, чтение длинных документов, подготовку черновиков и согласование текстов. При правильной настройке ИИ может существенно сократить трудозатраты и повысить доступность знаний.

Типовые задачи в этой области:

• извлечение информации из документов;
• суммаризация длинных текстов;
• классификация и маршрутизация документов;
• поиск по внутренним знаниям и архивам;
• генерация черновиков писем, записок, ответов и материалов.

Для многих компаний именно это направление оказывается одним из самых прикладных, потому что оно быстро даёт ощутимую экономию времени и хорошо встраивается в существующую повседневную работу.

4. Интеллектуальные функции в цифровых продуктах и сервисах

ИИ всё чаще становится частью самих цифровых продуктов и сервисов компании. В этом случае он используется не как внутренний инструмент, а как встроенная функция, которая упрощает работу клиентов, делает продукт более “умным”, повышает персонализацию и помогает пользователю получать лучший результат.

Это может быть персонализация контента, рекомендации товаров и услуг, интеллектуальный поиск, адаптация интерфейса под пользователя, подсказки в процессе работы, автоматическое формирование вариантов действий и другие функции, которые делают продукт более ценным и удобным.

Для компаний, у которых есть цифровые каналы взаимодействия с клиентами, это направление особенно важно. ИИ может повышать конверсию, удержание пользователей, качество взаимодействия и воспринимаемую ценность самого продукта. Но здесь особенно важно понимать, что такие функции требуют не только технической реализации, но и продуманной продуктовой логики.

Типовые задачи здесь включают:

• персонализацию контента и предложений;
• рекомендации товаров, услуг и действий;
• интеллектуальный поиск и навигацию внутри цифрового продукта;
• улучшение пользовательского опыта через адаптивные сценарии;
• встроенные интеллектуальные помощники внутри сервисов.

Это направление особенно актуально для компаний с сильной цифровой составляющей бизнеса, где качество пользовательского опыта напрямую влияет на продажи, удержание и конкурентоспособность.

5. Автоматизация решений и процессов

Ещё одно важное направление — автоматизация решений и процессов. Здесь ИИ применяется не только для анализа или поддержки пользователя, а для того, чтобы помогать компании быстрее и качественнее выполнять повторяющиеся действия, маршрутизировать задачи, приоритизировать операции.

Это может быть автоматическая приоритизация заявок, распределение обращений, выявление проблемных случаев, контроль выполнения операций, помощь в согласованиях, маршрутизация документов, интеллектуальная поддержка бэк-офиса и другие сценарии. Особенно полезен такой подход там, где у компании много повторяющихся действий, большой поток операций и высокая цена задержек или ошибок.

При этом важно понимать, что автоматизация с ИИ требует хорошего понимания процессов. Если сами процессы плохо описаны, хаотичны или нестабильны, ИИ не решит проблему автоматически. Он может усилить результат только там, где есть хотя бы базовая управляемость процесса.

Типовые задачи в этом направлении:

• приоритизация задач и заявок;
• маршрутизация обращений и документов;
• контроль выполнения операций;
• интеллектуальная поддержка процессных решений;
• снижение ручной нагрузки на типовых шагах процесса.

Для многих компаний это очень привлекательное направление, потому что здесь ИИ может влиять напрямую на скорость и стоимость операций, а значит — на эффективность бизнеса в целом.

6. Поддержка разработки, проектной и экспертной работы

Отдельно стоит выделить направление, связанное с интеллектуальной поддержкой более сложной интеллектуальной деятельности. Речь идёт о помощи в разработке, проектировании, подготовке материалов, анализе вариантов, подготовке презентаций, кодировании, тестировании, исследовательской работе и других видах деятельности, где ИИ выступает не как полноценная замена специалиста, а как интеллектуальный помощник.

Это направление быстро растёт, потому что ИИ начинает всё активнее использоваться как инструмент ускорения “беловоротничковой” работы. Он может помогать готовить черновики, проверять варианты, находить пропуски, ускорять рутинные части интеллектуальной деятельности и снижать нагрузку на специалистов.

Однако в большинстве случаев ИИ полезен как помощник, а не как самостоятельный носитель экспертного результата. Поэтому нужно правильно выстраивать взаимодействие человека и ИИ.

Типовые задачи здесь могут быть такими:

• подготовка черновиков аналитических и проектных материалов;
• помощь в разработке и кодировании;
• интеллектуальная поддержка тестирования и проверки;
• поиск вариантов решений и структурирование идей;
• ускорение экспертной и проектной работы.

Для компаний с высокой долей интеллектуального труда это направление может стать одним из самых перспективных, особенно если сотрудники готовы использовать ИИ как рабочий инструмент, а не как игрушку или случайный эксперимент.

7. Что важно при выборе направлений применения ИИ

Одна из распространённых ошибок — пытаться охватить сразу все возможные варианты применения ИИ. На практике это почти всегда приводит к распылению ресурсов и слабому результату. Намного полезнее сначала выделить ограниченное число направлений, которые действительно важны для компании и где уже есть хотя бы минимальные условия для движения.

При выборе направлений имеет смысл смотреть сразу на несколько факторов:

• насколько тема важна для бизнеса;
• есть ли достаточные данные;
• насколько зрелы процессы;
• можно ли получить измеримый эффект;
• готова ли организация к внедрению;
• есть ли владельцы и ответственные;
• насколько хорошо тема увязывается с ИТ и общей стратегией компании.

То есть типовые направления применения ИИ полезно рассматривать не как список модных возможностей, а как основу для стратегического выбора. Не все направления одинаково нужны всем компаниям. И не все из них одинаково реалистичны на текущем этапе.

Вывод, типовые направления применения ИИ помогают перейти от абстрактного разговора про искусственный интеллект к более предметному обсуждению того, где именно он может приносить пользу конкретной компании.

Для одних компаний в центре окажутся интеллектуальная поддержка клиентов и сотрудников. Для других — аналитика и прогнозирование. Для третьих — документы, знания, продукты или автоматизация процессов. Важно не пытаться сразу охватить всё, а определить те направления, которые действительно соответствуют задачам бизнеса, зрелости данных, состоянию ИТ и готовности компании к изменениям.

Лучше начинать разрабатывать стратегию искусственного интеллекта не с технологий, а с понимания, где ИИ действительно нужен конкретной компании.

---

Выгоды, затраты, риски ИИ

Искусственный интеллект почти всегда обсуждают через потенциальные выгоды от его использования. Компании ожидают от ИИ ускорения работы, роста производительности, снижения затрат, улучшения работы с клиентами и новых цифровых возможностей. Во многом эти ожидания оправданы: ИИ действительно способен дать заметный эффект. Однако ИИ, как, впрочем, и другие технологии, приносит не только выгоды, но также риски и затраты.

Чтобы ИИ приносил компании реальную пользу, нужно рассматривать минимум три аспекта: возможные выгоды, сопутствующие риски и необходимые затраты. Если смотреть только на положительные эффекты, можно переоценить ИИ и столкнуться с разочарованием. Если видеть только риски, можно пропустить ряд возможностей. А если не учитывать затраты, даже хорошая идея может оказаться слишком дорогой при внедрении (и/или эксплуатации, о чем многие забывают). По оценкам автора этого текста (А. Михайлова), 2/3 руководителей российскихсредних и малых компаний «забывают», что нужны ресурсы на поддержку внедренных решений, ожидая, что эти решения сами по себе будут далее работать, не требуя никаких затрат, в т.ч. времени сотрудников ИТ.

Поэтому зрелый разговор об ИИ начинается не с вопроса “что нового умеют технологии”, а с более практичного вопроса: какой эффект компания может получить, какой ценой и с какими ограничениями.

1. Какие выгоды может дать ИИ

Одна из главных причин интереса к ИИ — его способность повышать эффективность. Это может проявляться по-разному: где-то ИИ ускоряет рутинную работу сотрудников, где-то помогает быстрее отвечать клиентам, где-то улучшает аналитику, а где-то помогает находить новые возможности.

Для бизнеса особенно важны не абстрактные преимущества ИИ, а конкретные результаты. Например, сокращение времени выполнения операций, повышение качества решений, уменьшение числа ошибок, улучшение клиентского опыта, снижение нагрузки на сотрудников или появление новых функций в цифровых продуктах.

Чаще всего компании рассчитывают на такие выгоды:

• рост производительности сотрудников;
• снижение затрат на повторяющиеся операции;
• улучшение поддержки заказчиков;
• ускорение аналитики и подготовки решений;
• повышение качества работы с документами и знаниями;
• появление новых цифровых сервисов;
• ускорение отдельных бизнес-процессов.

Однако важно понимать: выгоды от ИИ редко появляются “сами по себе”. Обычно эффект возникает только тогда, когда компания правильно выбрала сценарий применения ИИ, подготовила данные, встроила решение в процессы и организовала сопровождение. То есть ИИ не даёт ценность автоматически — он даёт её только в контексте хорошо спланированных комплексных решений.

2. Почему выгоды ИИ часто переоценивают

На раннем этапе тема ИИ почти всегда выглядит очень привлекательной. Поставщики решений показывают «крутые» примеры. Руководство видит потенциал роста эффективности. Сотрудники быстро замечают, как удобно использовать генеративные инструменты для текстов, поиска и черновиков (а то и просто возможности «не включать» на работе свою голову). Из-за этого может возникнуть ощущение, что ИИ — это почти универсальное средство ускорения и улучшения работы.

Но на практике эффект от ИИ очень неоднороден. В одних задачах он действительно быстро даёт заметный результат. В других — требует серьёзной подготовки, а иногда и вообще оказывается слабее ожиданий. Одна из типичных ошибок компаний — переносить успех нескольких успешных пилотов на вообще все решения по ИИ, ожидая «волшебную таблетку» без всяких последствий.

Именно поэтому важно говорить не просто о выгодах, а о реалистичных выгодах. Не о том, что ИИ “в принципе может”, а о том, что он способен дать именно в этой компании, в этих процессах, с этими данными и при таком уровне зрелости.

3. Какие риски несёт ИИ

Любое внедрение ИИ связано с рисками. Причём речь идёт не только об ошибочных рекомендациях ИИ. Риски также затрагивают безопасность, негативные реакции клиентов и сотрудников компании и т.д.

Также надо учитывать качество данных. Если данные неполны, противоречивы, плохо структурированы или плохо доступны, рекомендации ИИ вряд ли будут хорошими.

Ещё один риск — завышенные ожидания. Компания может ожидать от ИИ быстрых и масштабных результатов, не учитывая ограничений процессов, данных, архитектуры и человеческого фактора. Это приводит к разрыву между ожидаемыми эффектами и реальностью.

Кроме того, в теме ИИ существуют и другие риски:

• антироссийские санкции ряда стран;
• ошибки моделей и неточные ответы;
• непрозрачность логики принятия решений;
• утечки или несанкционированное использование данных;
• правовые и регуляторные ограничения;
• зависимость от внешних платформ и поставщиков;
• нестабильность результатов при изменении условий;
• репутационные риски при некачественной работе ИИ-сервисов;
• сопротивление пользователей и низкое доверие к новым решениям.

Часть этих рисков можно снизить, но почти ни один из них нельзя полностью игнорировать. Именно поэтому ИИ нельзя рассматривать как “полезную функцию без последствий”. Чем больше использование ИИ в компании, тем важнее заранее понимать, какие риски будут сопровождать внедрение и использование ИИ.

4. Почему риски ИИ — это не повод ничего не делать

Наличие рисков не означает, что компании нужно отказаться от ИИ. Наоборот, почти любая новая технология сопровождается рисками. Вопрос не в том, чтобы избежать их полностью, а в том, чтобы сделать их управляемыми, также стоит учитывать, что могут быть также решения с неприемлемыми рисками (особенно уместно при учете антироссийских санкций и минимум холодной войны США и ЕС против РФ). например, использования чата GPT в российских государственных структурах.

Если компания заранее понимает, где находятся основные риски, она может выстроить меры контроля. Например, ограничить сценарии применения, установить правила работы с данными, определить границы ответственности, организовать проверку результатов, выбрать более безопасные режимы использования и не обещать эффект там, где его трудно гарантировать.

Именно поэтому зрелый подход к ИИ состоит не в отрицании рисков и не в панике по их поводу, а в трезвом учёте этих факторов. Такой подход делает внедрение ИИ не только более безопасным, но и более устойчивым в долгосрочной перспективе.

5. Какие затраты требует ИИ

Одна из самых частых ошибок — считать, что основные затраты ограничиваются покупкой лицензии, подписок или доступом к модели. На практике это почти никогда не так. Настоящая стоимость ИИ складывается из гораздо более широкого набора элементов.

Во-первых, затраты возникают на стадии подготовки данных, ПО, инфраструктуры ИТ. Нужно понять сценарии использования ИИ, собрать требования, проверить данные, выбрать инструменты, согласовать правила использования. Уже на этом этапе компания тратит время руководителей, ИТ, аналитиков и бизнес-подразделений.

Во-вторых, есть затраты на интеграцию. Любое серьёзное ИИ-решение нужно встроить в инфраструктуру ИТ, ПО, процессы, данные, интерфейсы, системы безопасности и эксплуатационную модель.

В-третьих, есть затраты на сопровождение. ИИ — это не разовая покупка, а тема, которая требует поддержки, контроля качества, обновлений, адаптации под изменения процессов и работы с пользователями.

Типовые затраты в теме ИИ включают:

• анализ и проектирование сценариев использования ИИ;
• подготовку и очистку данных;
• интеграцию с информационными системами и процессами;
• лицензии, платформы и инфраструктуру;
• настройку, доработку и обучение моделей;
• контроль качества и тестирование;
• сопровождение и поддержку;
• обучение сотрудников и пользователей;
• возможные организационные изменения.

Поэтому корректнее говорить не просто о “стоимости запуска ИИ”, а о полной стоимости жизненного цикла решения.

6. Почему затраты на ИИ нужно считать заранее

ИИ часто выглядит особенно привлекательно именно на стадии первых демонстраций. Кажется, что решение уже почти готово, а до полезного эффекта — всего один шаг. Но практика показывает, что именно недооценка полной стоимости внедрения становится одной из самых частых причин разочарования.

Компании (особенно, малые и средние) могут согласиться на внедрение ИИ, не оценив:

• сколько времени уйдёт на подготовку данных;
• насколько сложной будет интеграция;
• кто будет сопровождать решение;
• как контролировать качество;
• какие дополнительные компетенции нужны;
• сколько стоит масштабирование удачного пилота.

Если такие вопросы не обсуждаются заранее, то даже полезная инициатива начинает восприниматься как слишком дорогая или слишком сложная в эксплуатации. Поэтому затраты на ИИ должны рассматриваться не постфактум, а ещё на этапе выбора сценариев использования.

7. Как правильно смотреть на ИИ: надо учитывать и выгоды, и риски, и затраты

Если выгоды высоки, но риски и затраты тоже очень высоки, возможно, компании стоит отложить такой сценарий или сначала подготовить условия. Если выгоды средние, а затраты и риски невелики, это может быть хорошим вариантом. Если же все три компонента не обсуждаются одновременно, решения получаются слишком проблемными.

Именно поэтому ИИ лучше внедрять не по принципу “что выглядит самым впечатляющим”, а по принципу “где баланс эффекта, риска и стоимости наиболее разумен”.

Вывод

ИИ действительно может дать компании значимые выгоды: повысить производительность, снизить затраты, улучшить поддержку клиентов, ускорить аналитику и открыть новые цифровые возможности. Но вместе с этим ИИ несёт и риски: ошибки, непрозрачность, проблемы с данными, безопасность, завышенные ожидания и сложности сопровождения. Кроме того, внедрение ИИ почти всегда требует затрат — не только на технологию, но и на данные, интеграцию, управление, обучение и эксплуатацию.

Поэтому подход к ИИ должен начинаться не только с завышенных ожиданий, а с баланса. Компании полезно заранее понимать, какой эффект она хочет получить, какие риски готова принять и какие затраты действительно сможет понести. Именно такой подход и делает тему ИИ не просто интересной, но и реально управляемой и полезной.

Другие статьи по стратегии внедрения искусственного интеллекта

Помощь в разработке ИТ-стратегии (а также по стратегиям ЦТ и ИИ)

Конфигуратор (тесты)

• Поможет ли стратегия вашей компании?
• Нужны ли стратегии: ИТ / ЦТ / ИИ ?
• Какие нужны разделы?

Публикации и услуги

• Книги и статьи
• Обучение по ИТ-стратегии: корпоративное и в группе
• Консалтинг , Аудит

Консультация

• Консультация по ИТ-стратегии, помощь в выборе вариантов разработки