Что ИИ делает на самом деле
Первая ошибка в разговоре про ИИ - относиться к нему как к волшебству. Модели не «понимают» задачу в человеческом смысле и не принимают решения. Они считают вероятности на исторических данных.
Практически всё, что сегодня называют ИИ в корпоративных продуктах, сводится к трём классам задач.
Классификация
Отнести объект к одной из заранее заданных категорий. Письмо - спам или не спам. Заявка - гарантийная, техническая или жалоба. Снимок КТ - норма или подозрение на патологию. Модель учится на размеченных примерах и повторяет логику эксперта, только быстрее и без усталости.
Генерация
Создать текст, изображение или звук по шаблону и контексту. Черновик ответа клиенту, резюме совещания, формулировка договора по стандартной структуре. Генеративные модели не придумывают новое - они собирают результат из того, что видели в обучающей выборке.
Прогноз
Оценить число по истории данных. Остаток на складе через неделю, вероятность отказа оборудования, объём звонков на горячую линию завтра. Чем дольше и аккуратнее вы собираете данные, тем точнее модель.
Отсюда простое следствие. Если в организации процесс не собирает данные единообразно, или объём данных маленький, или задача редкая - обсуждать ИИ рано. Это не ограничение конкретной технологии, это её базовая механика.
Где он уже работает в Беларуси
Ниже - применения, которые уже дают измеримый эффект в белорусских организациях. Мы собирали примеры по открытым источникам и по собственной практике работы с заказчиками из госсектора и промышленности. Таблица нужна не для полноты, а для того, чтобы увидеть закономерность.
| Область | Задача | Механика | Результат |
|---|---|---|---|
| Государственная статистика | Консультация респондентов | Чат-бот с обработкой естественного языка | Типовые вопросы закрываются без оператора |
| Здравоохранение | Анализ снимков КТ и МРТ | Классификация по признакам патологии | Врач получает подсвеченные зоны раньше |
| Промышленность | Прогноз отказов оборудования | Прогноз по данным телеметрии | Плановый ремонт вместо аварийного |
| Сельское хозяйство | Мониторинг состояния посевов | Классификация по снимкам полей | Точечное внесение удобрений и средств защиты |
| Логистика | Построение маршрутов доставки | Прогноз спроса и оптимизация под ограничения | Сокращение пробега и времени в пути |
| Банки и финансы | Обнаружение мошенничества | Классификация транзакций в реальном времени | Блокировка до списания средств |
| Клиентский сервис | Маршрутизация обращений | Классификация текста обращения | Заявка сразу уходит профильному специалисту |
Большинство этих применений опирается на учётный и аналитический фундамент, который собирает данные единообразно: управление производством (MES), управление складом (WMS), бизнес-аналитику (BI), управление клиентами (CRM). ИИ надстраивается поверх них, а не заменяет их.
У каждого примера есть общая черта. Задача повторяется сотни или тысячи раз в день, результат измерим в деньгах или минутах, а граница ответственности ИИ явно очерчена: он предлагает, решение принимает человек. Этот шаблон почти всегда отличает работающий ИИ-проект от дорогой презентации.
Когда ИИ не окупается
Зеркальная сторона картины. Есть три сценария, в которых ИИ-проект предсказуемо заканчивается списанием бюджета. Каждый из них мы наблюдали в корпоративных задачах - своих и тех, что приходили к нам после неудачной попытки внедрения.
Процесс ещё не оцифрован
ИИ работает с данными. Если процесс живёт в Excel-файлах на разных компьютерах, в мессенджерах и в голове у сотрудников, данных у модели нет и браться за ИИ рано.
Правильный порядок действий - сначала учётная система, которая собирает данные единообразно , потом ИИ, который на этих данных учится. Попытка пройти этот путь в обратном направлении делает проект в разы дороже и почти всегда без результата.
Задача повторяется редко
Модель окупается, когда заменяет операцию, которая происходит часто. Если поток входящих заявок - десять штук в день и их разбирает один сотрудник за два часа, автоматизация через ИИ-классификатор не сэкономит ничего.
Стоимость внедрения, интеграции и поддержки будет выше, чем цена этих двух часов в год. Оценка объёма задачи - первый контрольный вопрос до старта проекта, а не после подписания договора.
Данных нет или они плохого качества
Модель классификации требует размеченных примеров: «это заявка техническая, это гарантийная, это жалоба». Если разметки нет, её придётся делать вручную, и это отдельный проект, часто сопоставимый по стоимости с самим внедрением ИИ.
Про такие скрытые статьи бюджета проектов по созданию информационных систем мы подробно разбирали в материале «Скрытые расходы в разработке ПО» .
Как понять, где он даст эффект у вас
Практический способ найти точки применения ИИ внутри своей организации - задать по каждому кандидату на автоматизацию пять вопросов. Ответы на них предскажут результат точнее любой презентации поставщика.
- Как часто задача повторяется? Сотни раз в день - хороший кандидат. Несколько раз в неделю - почти никогда не окупается.
- Сколько стоит одна ошибка? Чем выше цена ошибки и чем лучше её видно, тем быстрее ИИ возвращает вложенные деньги.
- Есть ли исторические данные и в каком они виде? Если данные собирались годами в одной системе, модели есть на чём учиться. Если всё в почте и мессенджерах, сначала нужен учёт.
- Кто принимает решение после подсказки ИИ? Если человек, у него должно быть время и компетенция на проверку. Если автомат, нужна процедура отката и мониторинг ошибок.
- С чем ИИ будет интегрирован? Модель без интеграции в реальный процесс остаётся демонстрационным стендом, который перестают использовать через два месяца после запуска.
Если на четыре из пяти вопросов ответов сейчас нет, это не сигнал, что ИИ вам не нужен. Это сигнал, что проект стоит начинать не с ИИ, а с процесса и данных. Про то, почему многие проекты по созданию информационных систем проваливаются именно на этой развилке, мы писали в материале «Почему информационные системы проваливаются» .