Барьеры и драйверы для развития ИИ
Что мешает ИИ выйти за пределы пилотных проектов
Запуск ИИ-проекта перестал восприниматься как самоцель и показатель технологической продвинутости компании. Участники рынка отмечают, что бизнес все чаще отказывается от экспериментов ради экспериментов и требует от решений понятной экономической отдачи. Происходит постепенный переход от хайпа и пиара к поиску решений, которые можно встроить в действующие процессы и масштабировать, чтобы увеличить выручку или снизить затраты. При этом дальнейшее распространение технологии будет зависеть от совокупности факторов: от готовности самой компании менять процессы, наличия инфраструктуры и высококвалифицированных кадров.
Фото: Евгений Павленко / Коммерсантъ
Фото: Евгений Павленко / Коммерсантъ
Барьеры на пути ИИ
По словам директора по искусственному интеллекту «Билайна» Максима Иванова, внедрение ИИ сейчас идет в двух направлениях: в продуктах и в инструментах для сотрудников. В последние десять лет ИИ в первую очередь развивался именно в продуктовом направлении, но с появлением и проникновением больших языковых моделей второе направление приобретает все больший вес и показывает существенную ценность, отмечает он.
Барьеры для дальнейшего распространения технологии в этих направлениях различаются, говорит господин Иванов. Этап активного хайпа определенных продуктов и их пилотирования, когда все были готовы делать прототипы бесплатно и «на коленке», уже пройден, и бизнес хочет видеть отдачу от инвестиций и реальные бизнес-кейсы. Но чтобы получить реальный эффект, нужно, чтобы заказчики были готовы на старте проекта согласиться на этот эффект: например, на рост бизнес-результатов или сокращение расходов. И пока, по его словам, эта проблема не решена, потому что кейсов сравнительно мало и многие заказчики все еще не понимают, насколько можно положиться на результаты таких внедрений.
«И возникает разрыв: с одной стороны, есть вроде бы довольно зрелая технология, с другой стороны, количество реальных кейсов, когда она была внедрена с существенным финансовым эффектом, невелико. Все запускают ассистентов в контакт-центрах, а дальше начинаются пробелы. И в этом, пожалуй, заключается основной барьер в том, что касается внедрения ИИ-продуктов», — подчеркнул Максим Иванов.
Среди барьеров, которые на сегодняшний день мешают компаниям внедрять ИИ, инженер Центра НТИ «Цифровое материаловедение: новые материалы и вещества» МГТУ им. Н.Э. Баумана Иван Шоничев называет необходимость перестройки всех процессов работы компании, а также большого количества ресурсов, что требует времени. Этот процесс будет происходить плавно — все большая доля задач и процессов будет делегироваться специализированным агентам на основе больших языковых моделей, считает эксперт.
Вместе с тем важно, чтобы и сами сотрудники стремились использовать ИИ-инструменты в работе. Для этого у самих сотрудников должно быть это желание, а работодатель, в свою очередь, должен предоставить этот функционал и обучить сотрудников, перечислил господин Иванов. Все три эти компонента должны быть реализованы, недостаточно закрыть один или два, отметил он.
«Вопрос с обучением довольно легко закрыть какими-то базовыми инструментами. Функциональность тоже развивается, есть много платформ на рынке и возможности разработки собственных решений. А дальше все упирается в то, что многие сотрудники не понимают, зачем им ИИ-инструменты, не видят в них ценности для себя», — сетует Максим Иванов. Во многих случаях краеугольным камнем становится именно вовлеченность сотрудников, их желание использовать инструменты ИИ, добавил он.
В 2026 г. главным ограничителем внедрения ИИ в компаниях является осторожность самого бизнеса, считает директор лаборатории когнитивных систем ИИ Института AIRI, директор ЦКМ МФТИ Александр Панов. После нескольких волн завышенных ожиданий компании убедились, что даже наиболее обсуждаемые решения — от языковых моделей до агентных систем — не дают универсального эффекта без донастройки, отмечает он. Поэтому рынок стал заметно сдержаннее в оценке новых ИИ-инструментов и гораздо внимательнее относится к их практической применимости, добавил собеседник.
Еще одним барьером остается инфраструктура, продолжает господин Панов — прежде всего стоимость вычислительных мощностей, так как крупный бизнес стремится разворачивать ИИ-модели во внутреннем контуре, не передавая чувствительные данные во внешние облака. Впрочем, по словам господина Иванова, в России немного компаний, которые занимаются разработкой собственных ИИ-моделей, а для остальных компаний доступность GPU — это не ключевой вопрос. Чаще всего вопрос доступа к вычислительным ИИ-мощностям упирается в экономику проекта и длинный цикл поставки чипов, продолжает он.
Также на рынке сохраняется дефицит профильных кадров. По словам Александра Панова, бизнесу в большей степени не хватает специалистов нового класса — сильных дата-сайентистов и архитекторов, которые понимают ограничения технологий, видят их сильные стороны и способны спроектировать решение под реальные бизнес-задачи. Уже в меньшей степени не хватает специалистов базового уровня, поскольку часть типовых задач ML-инженеров, MLOps-специалистов и аналитиков данных в определенной мере закрывается код-ассистентами и агентными системами, отмечает он.
Как считать успех
Окупаемость ИИ-проектов оценивается двумя факторами, говорит Максим Иванов: влиянием на доходы и влиянием на расходную часть бизнеса. Помимо этого, продолжает он, есть набор метрик, которые крайне тяжело пересчитать в финансовые показатели — например, индекс потребительской лояльности NPS (Net Promoter Score) или CSI (Customer Satisfaction Index), то есть удовлетворенность клиентов. Но базовые показатели остаются с привязкой к деньгам, подчеркивает он: реальные затраты, конверсия в продажи и так далее.
Господин Шоничев соглашается, что оценка окупаемости ИИ-проектов принципиально не отличается от оценки других продуктов, но возникает сложность в скрытых новых рисках, которые впоследствии могут превратиться в убытки. Например, при разработке программного обеспечения особенно внимательно необходимо относиться к тестированию продуктов, разработанных с помощью ИИ, особенно к решениям, связанным с безопасностью и доступом к ресурсам, подчеркнул он.
Есть ли те, у кого получилось
По словам господина Иванова, сегодня самые популярные направления для ИИ-стартапов и новых продуктов — это медицина, юридическая отрасль и HR. В этих трех областях активно используются большие языковые модели, а за рубежом есть даже несколько компаний-единорогов, которые с такими продуктами связаны, добавил он. В России схожие тенденции, но наиболее цифровизированы и активны в использовании ИИ те отрасли, где исторически собраны большие массивы цифровых данных: финансы, телеком, ритейл, добавил он.
На данный момент самая сильная трансформация в части внедрения ИИ происходит в разработке программного обеспечения, говорит Иван Шоничев: ИИ теперь не просто помогает писать код, а может это делать полностью самостоятельно. Скорость разработки кратно повышается, а стоимость кода падает почти до нуля. Но качество таких продуктов далеко не высокое — все так же требуется контроль и экспертиза опытного специалиста, способного дать комплексное решение, отмечает он.
При этом господин Панов отметил, что пока преждевременно делать четкое разделение по отраслям о переходе от пилотов к промышленному использованию. По его словам, ситуация в большей степени определяется не сектором, а частными условиями конкретных компаний. «На практике ИИ-проект выходит из статуса эксперимента, когда бизнес начинает видеть прикладной эффект, сопоставимый с понесенными затратами», — резюмировал он.