Тема искусственного интеллекта, несмотря на свою перенасыщенность в медиаполе, продолжает оставаться в центре внимания руководителей в сфере ИТ. Однако сам интерес существенно трансформировался и сместился в сторону сугубо прикладных вопросов.
«Эта тенденция наиболее очевидна в AI-ready компаниях — лидеры рынка уже оставили позади этап экспериментов и перешли к планомерной и системной интеграции ИИ-технологий в бизнес-процессы», — отмечает Игорь Дойников, Chief Data Scientist Альфа-Банка, представитель программного комитета SnowBase, закрытого кэмпа от создателей South HUB для технических лидеров (C-level) и управленцев в сфере машинного обучения, data science и искусственного интеллекта.
От экспериментов к системным решениям: как бизнес внедряет генеративный ИИ
В 2025 году, как и ранее, фокус делового обсуждения по-прежнему смещен в сторону генеративного искусственного интеллекта, больших языковых моделей (LLM) и их практического применения в бизнес-процессах. Ключевой вопрос сегодня формулируется предельно конкретно: «Как этот хайповый инструмент прикрутить и максимально использовать на пользу компании?».
Существенное отличие от предыдущих лет в том, что дискуссия окончательно перешла в практическую плоскость. Руководители уже, с одной стороны, прочувствовали первые эффекты от технологий, а с другой — осознали их объективные ограничения.
Наглядные примеры этого перехода уже очевидны. AI-ready организации активно используют RAG (Retrieval-Augmented Generation) в большинстве процессов взаимодействия с клиентами. Простыми словами, RAG помогает «приручить» общую генеративную LLM-модель, например DeepSeek, под нужды конкретной компании.
Самый очевидный пример — интеллектуальные чат-боты. Обучая RAG на внутренней базе знаний организации, например, по продуктам банка, можно добиться, чтобы чат-бот не «выдумывал» ответы, а находил релевантную информацию в корпоративных данных.
Другим ярким примером является массовая генерация маркетингового контента. Значительный процент материалов в компаниях сегодня создается с помощью LLM — от баннеров в мобильном приложении до массовых рекламных кампаний. Третье направление — это повышение внутренней эффективности через различных ИИ-помощников (copilot) для разработчиков, тестировщиков, менеджеров и специалистов front-office.
Наиболее же горячо обсуждаемой технологией сегодня становятся автономные ИИ-агенты. Текущий период можно охарактеризовать как «агентоманию». Ожидается, что ближайшие годы пройдут под эгидой поиска ответа на вопрос: «Какой процесс организации можно автоматизировать с помощью ИИ-агентов?».
Параллельно существует другая важнейшая тема, которая занимает умы руководителей: «Какими компетенциями в области ИИ должны обладать сотрудники, чтобы приносить большую пользу организации?». ИИ уверенно становится универсальным инструментом (commodity), и специалисты с AI-навыками будут иметь преимущество на рынке труда, будучи более востребованными на всех уровнях — от линейных сотрудников до высшего руководства.
Наконец, не стоит забывать и о так называемом «классическом» AI/ML — системах рекомендаций, моделях Next Best Action / Next Best Offer и множестве других проверенных решений. Для лидеров рынка это уже превратилось в рутинную (run) деятельность, и теперь ключевая задача — отладить весь процесс, превратив его в конвейер с максимальной скоростью внедрения в бизнес-процессы организации.
Платформа или отставание: как оценивать инвестиции в ИИ
Оценка финансовых эффектов, безусловно, является одним из ключевых вопросов для любого проекта, и проекты в области искусственного интеллекта здесь не исключение, тем более что требуемые инвестиции в AI зачастую значительны. Важность корректной оценки экономического воздействия подчеркивается, в частности, «Альянсом в сфере ИИ» — организацией, объединяющей лидеров рынка в России. В текущем году «Альянсом» была разработана и представлена методология, призванная помочь компаниям в системной оценке финансовых результатов от внедрения AI-решений.
Принципиально важно разделять два типа эффектов и связанных с ними сложностей:
- эффекты от конкретных точечных проектов;
- эффекты от создания внутренней AI-платформы как технологической инфраструктуры для промышленного применения как классического машинного обучения, так и генеративного ИИ.
При оценке конкретного проекта, будь то внедрение чат-бота поддержки или система персонализации контента, возникают вполне прикладные и решаемые задачи: организация корректного A/B-тестирования, определение ключевых драйверов бизнес-метрик, оценка затрат и поиск альтернативных методов оценки, если классический эксперимент невозможен. Эти методологические аспекты как раз подробно рассматриваются в упомянутой методологии «Альянса ИИ».
Гораздо более комплексным является вопрос оценки эффекта от создания собственной ИИ-платформы — технологической среды, которая позволяет внедрять решения промышленно, конвейерным способом. Инвестиции в такую платформу требуются существенные, а горизонт ее окупаемости, как правило, значительно длиннее, чем у отдельных точечных проектов.
С точки зрения стратегии, если речь идет о промышленном, а не разовом внедрении ИИ в процессы организации, создание такой платформы является необходимым условием. Без нее масштабирование попросту невозможно.
Более того, для крупной компании отсутствие промышленной платформы для развертывания классических ML-моделей с высокой вероятностью указывает на серьезное технологическое отставание. Базовый фундамент такой платформы можно представить в виде обязательных компонентов:
- единое хранилище данных, консолидирующее информацию из всех мастер-систем;
- организованный на его основе цифровой профиль клиента 360 (так называемый Feature Store), служащий «топливом» для моделей;
- среда разработки моделей для Data Science-специалистов;
- среда исполнения моделей, где они работают и интегрируются с фронт- и бэк-офисными системами.
Внедрение этих четырех компонентов представляет собой серьезные инвестиции, но именно они составляют основу для серьезной работы с ИИ.
Стратегия интеграции: четыре сценария работы с большими языковыми моделями
Что касается платформ для генеративного ИИ и агентов, то здесь утверждение менее категорично — отсутствие такой платформы сегодня еще не означает катастрофы, однако задуматься о стратегии ее использования необходимо уже сейчас. Компании стоят перед выбором из нескольких путей:
- Разработка собственной LLM с нуля для продажи на рынке или внутреннего использования. Этот путь доступен лишь единицам как в России, так и в мире.
- Дообучение известных открытых моделей (fine-tuning). Порог входа здесь ниже, но все еще крайне высок — требуются инвестиции в сотни миллионов долларов.
- Развертывание и адаптация готовых open-source LLM в собственном контуре для решения внутренних задач. Необходимые инвестиции оцениваются в десятки миллионов долларов.
- Использование услуг внешних провайдеров (SaaS), которые уже развернули большие языковые модели. Это наиболее доступный вариант с инвестициями от сотен тысяч долларов.
Для большинства игроков на рынке реальными и экономически оправданными будут два последних варианта.
Управление рисками: от «модельного риска» до зрелости технологии
В контексте проектной деятельности инициативы в области искусственного интеллекта принципиально не отличаются от любых других проектов в крупной организации. Каждый из них, как правило, проходит через последовательные стадии: создание минимально жизнеспособного продукта (MVP), пилотное внедрение и масштабирование. Каждый этап сопровождается набором ключевых метрик, на основе которых принимается решение о переходе к следующей фазе.
Основное отличие ИИ-проектов заключается в том, что на пилотной стадии значительно выше вероятность возврата на доработку самого алгоритмического решения. Подобное может быть связано, например, с недостаточным объемом или качеством данных для обучения, что не позволяет достичь статистически значимых результатов, это касается не только сложных моделей, но и, на первый взгляд, простых задач, таких как доработка интерфейса.
Ключ к успеху в любом случае лежит в корректной организации контролируемого A/B-теста, четком дизайне пилота и согласовании метрик эффективности на старте. Вопрос рисков от применения ИИ можно разделить на тактические и стратегические.
С тактической точки зрения, в банковской практике существует понятие «модельного риска» — это риск финансовых и репутационных потерь из-за некорректной работы алгоритмической модели в процессах принятия решений. В AI-ready организациях уже существуют процессы, полностью автоматизированные с помощью ИИ, где могут одновременно работать десятки моделей, как, например, в скоринге при выдаче кредитов. Сбой в таких системах потенциально способен привести к многомиллиардным убыткам. Поэтому в зрелых компаниях создаются специальные политики и независимые команды для управления и митигации модельных рисков, перед которыми теперь стоит новая сложная задача — контролировать риски, возникающие от использования генеративного ИИ.
Что касается стратегических рисков, таких как гипотетическое «схлопывание пузыря ИИ», то здесь картина иная. Учитывая глубину проникновения искусственного интеллекта в ключевые бизнес-процессы, инфраструктуру и даже в формирование новых профессий и компетенций, разговор о полном откате технологий — «третьей зиме ИИ» — представляется маловероятным.
ИИ стал фундаментальной частью операционной деятельности, и его изъятие парализовало бы работу многих компаний. Однако «осень генеративного ИИ» — период коррекции завышенных ожиданий и перехода к более взвешенной оценке реальной практической ценности технологии — вполне может наступить в горизонте следующих трех лет.
Это будет не крах, а этап естественного созревания, когда первоначальный хайп сменится прагматичным пониманием границ и оптимальных сфер применения.
Классический и генеративный ИИ: перераспределение ролей в бизнес-процессах
Работа с данными часто сравнивается с ремонтом в квартире — это процесс, который невозможно окончательно завершить, он требует постоянного внимания и улучшений. Как уже отмечалось, промышленное внедрение ИИ невозможно без создания фундаментальной инфраструктуры: единого хранилища данных (ЕХД), цифрового профиля клиента (Feature Store), а также систем для разработки и исполнения моделей.
Для крупных организаций наличие этой технологической основы является критическим фактором конкурентоспособности и выживания на рынке. Предположим, что вся необходимая инфраструктура уже построена. Следующей ключевой задачей становится постоянный контроль качества данных, особенно тех, что используются в AI-моделях для принятия решений. Здесь необходимо выстраивание зрелых процессов управления данными (Data Governance).
Модельный риск, о котором шла речь ранее, в большинстве случаев возникает именно из-за сбоев или неправильной настройки этих процессов. Парадоксально, но хорошая новость заключается в том, что инструменты генеративного ИИ сами начинают играть значимую роль в автоматизации и улучшении Data Governance, хотя эта тема заслуживает отдельного глубокого обсуждения.
Роль классических методов машинного обучения по-прежнему остается чрезвычайно значимой. Подавляющее большинство ключевых финансовых результатов в организациях по-прежнему достигается благодаря именно этим проверенным подходам. Однако генеративный ИИ уже начинает перехватывать часть функционала у классических алгоритмов. Наиболее яркий пример — это чат-боты.
Сегодня наиболее продвинутые решения используют большие языковые модели (LLM), тогда как ранее их место занимали классические алгоритмы. Если говорить глобально, то в задачах, связанных с обработкой текстов, аудио и видео, у традиционного машинного обучения (хотя здесь есть терминологический нюанс) остается мало пространства для маневра. Большие языковые модели научились эффективно адаптироваться под нужды бизнес-процессов, например, с помощью технологии RAG (Retrieval-Augmented Generation).
Классические алгоритмы сохраняют свою актуальность в первую очередь при работе с табличными данными о клиентах, а также в тех процессах, где критически важна интерпретируемость и объяснимость принимаемых решений.
Тем не менее, даже в этой цитадели традиционных методов адаптация LLM уже не за горами. Активно развиваются RAG-подобные фреймворки и подходы, предназначенные для работы со структурированной информацией: таблицами, графиками и другими типами данных, что в скором будущем может существенно изменить ландшафт и в этой области.
Что ожидается после LLM: текущий вектор развития архитектур
Архитектура больших языковых моделей (LLM) базируется на механизме трансформеров, который обладает несколькими фундаментальными ограничениями. Одним из ключевых барьеров является отсутствие полноценного механизма долговременной памяти. Модели демонстрируют слабую способность к запоминанию контекста диалога за пределами текущей сессии, что приводит к обнулению информации после ее завершения.
При запросе к голосовому помощнику о месте жительства вымышленной «бабушки Иры» система может предоставить первоначальный, возможно, случайный или обобщенный ответ. После уточнения и прямой команды запомнить новую информацию помощник действительно корректирует свой ответ в рамках текущего диалога. Однако при смене темы разговора даже на несколько реплик или в новой сессии взаимодействия ранее предоставленная информация забывается, и модель возвращается к исходным данным или шаблонному ответу.
Еще одним существенным ограничением является «застывание» модели в прошлом, обусловленное высокой стоимостью и сложностью процесса ее дообучения на новых данных. Регулярное обновление знаний модели требует колоссальных вычислительных ресурсов и финансовых инвестиций. Также присущим архитектуре трансформеров свойством являются так называемые галлюцинации — ситуации, когда модель, опираясь на механизмы самовнимания (self-attention), генерирует правдоподобную, но фактически неверную информацию.
Преодоление этих барьеров — памяти, актуальности знаний и достоверности генерации — определяет основной вектор современных исследований в области архитектур ИИ. Будущее развитие, вероятно, будет связано с созданием гибридных систем, сочетающих мощь трансформеров с внешней памятью, более эффективными и дешевыми методами обновления, а также улучшенными механизмами проверки фактов.
Эволюция команды: новые роли и компетенции для промышленного внедрения ИИ
Рассматривая кадровый вопрос, важно разделить потребности в компетенциях для классического машинного обучения и для генеративного искусственного интеллекта. С одной стороны, классическое машинное обучение уже глубоко интегрировано в большинство процессов AI-ready организаций, а с другой — сохраняет значительный потенциал для дальнейшего роста.
Эта двойственность порождает спрос на специалистов нового типа, которые сочетают глубокое понимание бизнес-процессов с экспертизой в ML/AI-инструментах. Подобная роль, которую условно можно назвать AI-продакт, становится критически важной.
В задачи такого специалиста входит, во-первых, расширение и генерация воронки идей по применению ИИ для оптимизации и создания ценности в конкретных бизнес-линиях. Во-вторых, повышение эффективности этой воронки, то есть увеличение доли идей, которые успешно доходят до стадии реального внедрения. В-третьих, такая роль предполагает функцию проводника и переводчика между сложными AI-технологиями и руководством компании уровня C-level.
Можно прогнозировать, что эта профессия станет одной из наиболее востребованных на горизонте ближайших лет, отражая эволюцию спроса на рынке труда.
Ключевой фактор успеха: почему в 2026 году трансформация зависит от людей
Эволюция ключевых ИИ-ролей — это лучшая лакмусовая бумажка зрелости отрасли. Ее этапы четко ложатся на временную ось:
- 2012-2016 — «Эра алхимиков». Бум на Data Scientist’ов — компании искали «волшебников», способных извлекать ценность из данных любой ценой.
- 2016-2018 — «Фундаменталисты». Пришло понимание, что модели — ничто без качественных данных. На авансцену вышли Data Engineers, создатели надежных «трубопроводов».
- 2018-2022 — «Индустриализация». Чтобы ИИ работал не в лабораториях, а в проде, потребовались MLOps-инженеры. Их задача — наладить непрерывный цикл: развертывание, мониторинг, поддержку.
- После 2022 — «Стратегическая интеграция». После сбора «низко висящих фруктов» целью стало тотальное внедрение ИИ в бизнес-процессы. Для этого появилась ключевая фигура AI-продакт — гибридного специалиста на стыке технологий, бизнеса и пользовательского опыта. В перспективе базовые ИИ-компетенции станут стандартом для любого продукт-менеджера.
Параллельно генеративный искусственный интеллект уже породил собственный набор совершенно новых профессий и ролей, таких как промпт-инженер, специалист по обучению и тонкой настройке ИИ-систем, нейрокопирайтер и нейроиллюстратор, что демонстрирует, как технология создает новые ниши на рынке труда.
Во что инвестировать в ближайшие несколько лет? Ключевые приоритеты
Ключевой основой для любой серьезной AI-трансформации остаются данные, данные и еще раз данные. Создание полноценного 360-градусного цифрового профиля клиента, так называемого Feature Store, является, по мнению многих экспертов, инвестицией номер один.
Наряду с этим критически важными направлениями инвестиций становятся разработка платформенных решений для использования ИИ-агентов и масштабная работа по развитию компетенций сотрудников в области искусственного интеллекта. Здесь уместно обратиться к целостной концепции ключевых факторов успеха (энейблеров) ИИ-трансформации, которая, в частности, применяется консультантами. Данная модель выделяет шесть взаимосвязанных элементов: инфраструктура, данные, процессы, люди и компетенции, организационная структура и культура.
Безусловно, все эти компоненты крайне важны для системных изменений, однако фокус в 2025 году заметно сместился в сторону четвертого элемента — людей и их компетенций Навыки работы с искусственным интеллектом все в большей степени перестают быть уделом узких специалистов и превращаются в необходимый инструмент для сотрудников практически любого уровня и профиля.