Эволюция корпоративного ИИ: от борьбы за «железо» до войны за метрики, Карина Садова
Карина Садова, независимый эксперт. Форум Cnews "Технологии искусственного интеллекта 2026".
Ретроспектива десятилетия: как менялись барьеры внедрения ИИ
Развитие искусственного интеллекта в корпоративном секторе за последние десять лет можно представить как последовательное преодоление «узких мест». Если смотреть на этот процесс через призму практического опыта в ритейле, медицине и промышленном техе, становится очевидно, что индустрия двигалась не линейно, а волнами. Каждая такая волна сопровождалась всплеском неоправданных ожиданий, за которыми следовало жесткое столкновение с реальностью.
Первая волна хайпа была сосредоточена на самом факте возможности использования нейронных сетей. В то время главной проблемой были вычисления. Алгоритмы уже существовали, но инфраструктура для их реализации отсутствовала. Инференс и обучение требовали мощностей, которые были недоступны большинству. Ситуация изменилась с массовым приходом доступных видеокарт, что сняло первый серьезный блокер.
Сразу за этим возникла проблема данных. В период до 2020 года каждая модель была узкоспециализированной: одна для зрения, другая для анализа конкретного типа текста. Компании, обладавшие массивами данных, получили колоссальное преимущество. Те же, кто пытался внедрить ИИ «с нуля» без подготовки данных, сталкивались с тем, что технология просто не имела на чем учиться.
Когда железо и данные стали доступнее, возник кадровый голод. Порог входа в ML был экстремально высок. Специалисты, способные не просто запустить нейросеть в ноутбуке, а полноценно интегрировать её в бизнес-процесс, были редкостью. Это создало очередной разрыв: между амбициозными идеями руководства и технической возможностью их реализации.
Технологический сдвиг и архитектурная революция
Важной вехой стал 2017 год, когда появилась архитектура «Трансформер». Изначально созданная для узкой задачи перевода текстов, эта архитектура в итоге стала фундаментом для всех современных языковых моделей. Поразительно, что базовые технологии, которые мы используем сегодня, существовали уже пять-семь лет, но индустрии потребовалось время, чтобы осознать их истинный потенциал: возможность параллелизации и масштабируемость при насыщении огромными объемами данных.
Параллельно развивались другие направления. Компьютерное зрение прошло путь от простой детекции и классификации до сложных систем сегментации. В области работы с речью были решены задачи синтеза и клонирования. Интересен пример дипфейков: технология, вызвавшая кратковременный всплеск интереса в 2018–2019 годах, в итоге уступила место более совершенным визуальным трансформерам. Это доказывает, что многие «громкие» технологии оказываются лишь временными ступенями к более стабильным решениям.
Корпоративная реальность: между бюджетом и ценностью
Внутри крупных организаций, внедрение ИИ часто принимало специфическую форму. Поскольку нейросети стали модным трендом, бюджеты на такие проекты защищались гораздо легче, чем на стандартную автоматизацию. Это породило культуру «демо-проектов».
Типичный сценарий выглядел так: инициатива спускалась сверху, выделялся бюджет привлекался B2B-подрядчик, в сжатые сроки создавался прототип на «костылях». Часто такие системы даже не содержали в себе полноценных нейросетей, если не было данных, но в отчетах они значились как «инновационное внедрение ИИ». Такие проекты отлично смотрелись на презентациях для руководства, но никогда не доходили до реального продакшена, так как не решали конкретных проблем бизнеса.
Однако параллельно с этим «шумом» создавались и фундаментальные системы. Они внедрялись не потому, что это было модно, а потому, что существовала острая потребность в автоматизации. Эти проекты требовали времени на сбор датасетов, разметку, тщательное тестирование и правильную постановку задачи. Именно такие системы — невидимые для конечного пользователя, не кричащие о своем «интеллекте» — работают в корпорациях до сих пор.
Что осталось неизменным в эпоху генеративного ИИ
Появление генеративного ИИ последние несколько лет создало ощущение полной смены парадигмы. Однако при детальном анализе выясняется, что база осталась прежней.
Во-первых, работа с данными. Если компания использует специфические внутренние данные, классические методы нейронных сетей всё еще незаменимы. Генеративные модели могут помочь создать синтетический датасет или наложить шум для обучения, но они не заменяют фундамент из качественных, размеченных данных.
Во-вторых, вопросы стоимости и локальности. Для обеспечения дешевого инференса и безопасности данных корпорации всё равно вынуждены разворачивать собственные локальные модели на своих серверах, а не полагаться исключительно на внешние API.
В-третьих, табличные данные. Огромная часть бизнес-информации хранится в таблицах. У них нет того семантического контекста, который так любят большие языковые модели. Поэтому методы анализа финансовой и операционной информации остались практически теми же, что и десять лет назад.
Новые вызовы второй волны: ловушка доступности
Сегодня мы находимся во второй волне хайпа. Главное отличие текущего момента — катастрофическое снижение порога входа. Теперь любой человек, имеющий ключ к API, может создать продукт с элементами ИИ. Знание программирования и глубокая ML-экспертиза перестали быть обязательными на старте.
Но именно эта доступность создала новую, самую опасную проблему. Если раньше блокером было «как это сделать», то теперь блокером стало «зачем мы это делаем и как понять, что оно работает».
Мы наблюдаем парадокс: разработать пилот стало легко, но измерить его качество — почти невозможно. Многие команды в погоне за внедрением GenAI забыли о базовых принципах продуктового управления. Возникает ситуация, когда запускается множество «умных» агентов, но никто не может четко ответить на вопросы: — Какую конкретно зону ответственности занимает этот агент в процессе? — По каким метрикам мы поймем, что пилот успешен? — Где проходит граница между автоматическим решением и необходимостью вмешательства человека?
Путь к реальной ценности
Основная проблема современности — это «кладбище пилотов». Огромное количество проектов по внедрению генеративного ИИ не доходит до масштабирования, потому что они не приносят измеримой ценности. Они остаются на уровне забавных чат-ботов, которые умеют поддерживать беседу, но не умеют оптимизировать бизнес-процесс.
Решение этой проблемы лежит не в области технологий, а в области методологии. Экспертиза по правильному определению границ процесса и его метризации существует давно — она сосредоточена в командах классической автоматизации и продуктовой аналитики. Именно к этим специалистам нужно обращаться при планировании внедрения GenAI.
Вместо того чтобы искать «волшебную модель», которая сама всё поймет и решит, компаниям следует вернуться к основам:
- Четкое определение конкретной бизнес-задачи.
- Установление жестких ограничений ответственности для ИИ.
- Внедрение прозрачных метрик качества результата.
Только при таком подходе искусственный интеллект перестанет быть инструментом для освоения бюджета и станет реальным рычагом роста эффективности.
