Разработка ИИ для бизнеса: где деньги и где ловушки

Большинство компаний, которые сегодня «внедряют ИИ», занимаются чем-то другим. Они покупают красивую обёртку, навешивают на старый процесс слово «нейросеть» и ждут чуда. Чуда не происходит. Деньги уходят, скептицизм растёт, и через год директор говорит: «мы попробовали, не взлетело».

Я видел это не один раз. И каждый раз причина одна и та же: люди начинают с технологии, а не с проблемы.

Правильный вопрос звучит не «какой ИИ нам внедрить», а «где у нас конкретная боль, которую можно решить через автоматизацию или лучшее решение». Это принципиальная разница. Первый вопрос ведёт вас к вендору, который продаст что угодно. Второй ведёт к результату.

Возьмём конкретику. ИИ реально работает там, где есть повторяющийся процесс с большим объёмом данных и чётким критерием правильного ответа. Обнаружение мошенничества в финансах: миллионы транзакций, паттерны известны, цена ошибки измеримая. Прогнозирование спроса в производстве: история продаж, сезонность, склад. Классификация обращений в поддержке: тысячи тикетов в день, категории конечные. Вот здесь машина делает человека. Не потому что умнее, а потому что не устаёт и не отвлекается.

А вот там, где нет данных или они грязные, всё разваливается ещё до старта. Это главная ловушка, о которой вам не расскажет ни один продавец платформы. Сбор и подготовка данных в реальных проектах съедают от половины до двух третей всего бюджета и времени. Не обучение модели, не красивый интерфейс. Именно возня с данными: дедупликация, разметка, нормализация, заполнение пропусков. Скучная, дорогая, незаметная работа. Без неё модель учится на мусоре и выдаёт мусор.

Поэтому первый честный вопрос перед любым ИИ-проектом: «у нас вообще есть данные, и в каком они состоянии?» Если ответ «ну, что-то есть, в Excel-файлах у разных менеджеров», это не данные. Это хаос, который сначала нужно привести в порядок.

Дальше про людей. Квалифицированных специалистов по машинному обучению мало, и они дорогие. Это факт рынка, с которым ничего не сделаешь. Но есть другая проблема, которую обычно не называют: сопротивление внутри компании. Не злобное, а бытовое. Менеджер по продажам, которому говорят «теперь приоритеты лидов расставляет алгоритм», не радуется. Он двадцать лет расставлял их сам, по чутью, и считает это своей ценностью. Убедить его, что алгоритм точнее, на словах невозможно. Нужен пилот с цифрами. Три месяца, контрольная группа, сравнение конверсии. Только так.

Пилот вообще единственный разумный способ начинать. Не глобальное внедрение на всю компанию сразу, а узкий эксперимент на одном процессе, с измеримым результатом и заранее оговорённым критерием успеха. Если за три месяца не показали ничего, режете и идёте дальше. Без сожалений.

Теперь про инструменты, коротко. TensorFlow, PyTorch, облачные платформы от Google, Amazon, Microsoft: всё это рабочие вещи, и выбор между ними не принципиален на старте. Принципиально другое: вы строите что-то своё или берёте готовое решение под задачу. Для большинства бизнесов ответ «берёте готовое». Строить собственную модель с нуля имеет смысл, только если у вас уникальные данные и уникальная задача, которую рынок не закрывает. В остальных случаях это переплата за ощущение контроля.

Отдельно про этику, потому что это не абстрактная болтовня, а вполне практический риск. Алгоритм, обученный на исторических данных, воспроизводит исторические предубеждения. Если ваша система скоринга кандидатов обучена на данных о прошлых наймах, а в прошлом вы нанимали преимущественно мужчин на технические роли, алгоритм будет воспроизводить этот паттерн. Это не злой умысел, это математика. И это ваша юридическая и репутационная проблема, если кто-то решит покопаться.

Прозрачность алгоритмов и контроль над данными: не модная тема, а базовая гигиена. Особенно сейчас, когда регуляторы по всему миру начинают смотреть на это внимательнее.

Я думаю о похожей проблеме в другом контексте, в работе с корпоративными знаниями. Компания накапливает огромный массив информации: переписки, документы, решения, экспертизу людей. И почти никогда не умеет этим пользоваться. Спрашиваешь коллегу: «мы уже разбирали этот вопрос?» Он пожимает плечами. Знание есть где-то в системе, но найти его невозможно. Это та же проблема данных, только внутри команды.

Именно поэтому мы строим ENGRAM как персональную нейросеть на ваших собственных данных. Не абстрактный чат-бот, который галлюцинирует из общего интернета, а система, которая работает с вашей историей и при каждом ответе показывает источник. Откуда взялась эта информация, из какого документа, из какой встречи. Данные хранятся в России, никуда не уходят. Это принципиально для тех, кто понимает, что корпоративные знания: актив, а не расходный материал.

Будущее ИИ в бизнесе не в том, что роботы заменят людей. Оно в том, что компании, которые научатся работать со своими данными как с реальным активом, будут принимать решения быстрее и точнее тех, кто этого не сделает. Разрыв будет накапливаться тихо, а потом окажется непреодолимым.

Данные решают. Всё остальное: надстройка.