Искусственный интеллект за короткое время превратился из экспериментальной технологии в один из главных пунктов корпоративных стратегий. Компании внедряют большие языковые модели, создают внутренних помощников, автоматизируют обработку документов и пытаются интегрировать ИИ практически во все бизнес-процессы.
Однако вместе с ростом интереса к технологии появляется и обратная тенденция. Эксперты всё чаще говорят о необходимости более трезвой оценки возможностей искусственного интеллекта.
Проблема заключается не в том, что ИИ бесполезен. Напротив, отдельные задачи он действительно способен выполнять значительно быстрее человека. Вопрос в другом: всегда ли стоимость внедрения, контроля и сопровождения технологии оправдывает получаемый результат?
От технологического энтузиазма к проверке эффективности
Австралийский дата-инженер Ник Суреш, работавший с ИИ-проектами в корпоративной среде, обращает внимание именно на эту проблему.
По его наблюдениям, компании нередко начинают внедрение искусственного интеллекта не с определения конкретной бизнес-задачи, а с самого факта использования технологии. Логика оказывается перевёрнутой: сначала появляется желание «внедрить ИИ», а уже потом под него пытаются найти подходящий сценарий.
В результате проект может иметь красивую презентацию, собственный интерфейс и впечатляющие показатели активности, но не приносить компании ощутимой экономической пользы.
Для цифровой трансформации это принципиальная ошибка.
Автоматизация имеет смысл только тогда, когда она улучшает конкретный процесс: сокращает время операции, уменьшает количество ошибок, снижает расходы, ускоряет принятие решений или повышает качество результата.
Внутренний чат-бот не решает проблему плохих данных
Один из наиболее распространённых сценариев использования LLM — корпоративный чат-бот, который должен отвечать сотрудникам на вопросы по внутренним документам.
На презентации такая система выглядит достаточно убедительно. Сотрудник задаёт вопрос обычным языком и получает ответ вместо того, чтобы самостоятельно искать информацию в десятках документов.
На практике эффективность такого решения напрямую зависит от качества корпоративной базы знаний.
Если инструкции устарели, документы противоречат друг другу, информация разбросана по разным системам, а ответственность за её актуальность не определена, языковая модель не способна магическим образом устранить проблему.
Она может быстро обработать имеющиеся данные, но не может достоверно восполнить отсутствующую информацию.
Поэтому внедрение корпоративного ИИ часто начинается не с выбора модели, а с наведения порядка в данных.
Клиентский ИИ требует ещё большей осторожности
Внешние чат-боты сталкиваются с другой проблемой.
Для клиента недостаточно получить формально связный ответ. Он ожидает корректного решения своей конкретной проблемы. Если виртуальный помощник не понимает контекст, повторяет очевидные сведения или не способен передать диалог сотруднику, взаимодействие с компанией становится сложнее, а не проще.
Особенно высоки требования в сферах, где ошибка имеет финансовые, юридические или медицинские последствия.
Поэтому использование LLM в клиентском сервисе требует не только оценки качества генерации текста. Необходимо контролировать маршрутизацию запросов, уровень допустимого риска, передачу сложных случаев человеку и возможность аудита решений.
Главная проблема — неправильные метрики
Одним из наиболее важных вопросов при внедрении ИИ становится выбор KPI.
Количество обработанных запросов, число сгенерированных документов или количество пользователей системы ещё не говорят о том, что бизнес получил экономический эффект.
Гораздо важнее измерять:
- сколько времени действительно сэкономлено;
- насколько снизилась стоимость операции;
- изменилось ли количество ошибок;
- сколько пользователей регулярно применяют инструмент;
- сколько результатов приходится исправлять вручную;
- как изменилась производительность процесса;
- сколько стоит эксплуатация ИИ после запуска.
Именно сравнение этих показателей с затратами позволяет понять, является ли цифровой проект экономически оправданным.
ИИ способен масштабировать не только эффективность, но и ошибки
У искусственного интеллекта есть особенность, которая особенно важна для бизнеса: автоматизация способна многократно увеличить скорость выполнения операции.
Если процесс организован правильно, это преимущество.
Если процесс изначально содержит ошибку, автоматизация может масштабировать уже её.
Например, система, которая автоматически формирует документы по неправильному шаблону, способна создать тысячи ошибочных документов значительно быстрее сотрудника. Поэтому человеческий контроль не исчезает автоматически после внедрения ИИ.
Меняется его функция.
Сотрудник постепенно переходит от выполнения каждой операции к контролю качества, обработке исключений и управлению рисками.
В строительстве эффект ИИ также зависит от задачи
Для строительной отрасли этот принцип особенно актуален.
ИИ уже можно применять в задачах анализа проектной документации, обработки текстов, классификации обращений, поиска информации, анализа фотографий и видео, прогнозирования отдельных параметров проекта и автоматизации подготовки документов.
Однако это не означает, что любую строительную задачу необходимо передавать нейросети.
Например, автоматизация проверки большого массива документации может иметь понятный экономический эффект, если она сокращает трудозатраты специалистов и при этом обеспечивает контролируемое качество результата.
Совсем иначе выглядит ситуация, когда ИИ добавляется в существующий процесс только ради демонстрации технологичности.
В этом случае компания получает ещё один программный слой, который необходимо оплачивать, интегрировать, обновлять и контролировать.
Стоимость ИИ — это не только подписка
При расчёте эффективности нельзя ограничиваться стоимостью доступа к языковой модели.
Реальный проект включает интеграцию с информационными системами, подготовку данных, настройку процессов, разработку интерфейсов, тестирование, информационную безопасность и дальнейшую эксплуатацию.
Кроме того, необходимы специалисты, которые будут контролировать результаты ИИ и разбирать исключительные ситуации.
Для крупных корпоративных систем добавляются расходы на вычислительную инфраструктуру, лицензии, хранение данных и сопровождение.
Поэтому корректный вопрос звучит не «сколько стоит внедрить ИИ?», а «какова совокупная стоимость владения системой и какой измеримый эффект она даёт?».
Почему корпоративный энтузиазм трудно остановить
Есть и организационная проблема.
Если использование искусственного интеллекта становится корпоративным трендом, руководителю отдельного подразделения может быть сложно публично заявить, что конкретный ИИ-проект не имеет смысла.
Технология воспринимается как стратегически важная, а отказ от её внедрения может выглядеть как нежелание развиваться.
В результате появляется риск «цифровизации ради цифровизации».
Зрелый подход предполагает обратное: компания должна иметь возможность отказаться от ИИ-проекта, если эксперимент показывает отсутствие экономического эффекта.
Это не отказ от цифровой трансформации, а нормальный принцип управления инвестициями.
От ИИ-пузыря к рациональной автоматизации
Нынешний интерес к искусственному интеллекту не означает, что технология не оправдает ожиданий. Скорее, отрасли предстоит пройти естественный цикл технологического развития.
После периода максимального энтузиазма компании начинают отделять реальные сценарии использования от маркетинговых обещаний. Часть проектов закрывается, другие переводятся в более узкие задачи, а наиболее успешные решения интегрируются непосредственно в бизнес-процессы.
Для строительства такой этап особенно важен.
ИИ не должен становиться самоцелью. Его задача — помогать проектировщику, техническому заказчику, инженеру, прорабу или руководителю принимать решения быстрее и работать с большими объёмами информации.
Поэтому главный вопрос цифровой трансформации сегодня звучит не как «где ещё можно применить ИИ?», а как «какую конкретную проблему он решает лучше существующего процесса и сколько это стоит?»
Если компания умеет ответить на этот вопрос цифрами, искусственный интеллект становится инструментом повышения эффективности. Если ответа нет, одна лишь нейросеть не способна превратить слабый бизнес-процесс в эффективный.
Именно такой прагматичный подход позволяет использовать возможности ИИ без технологического ажиотажа и одновременно не упустить действительно полезные сценарии автоматизации.