Анна-Мария Лонь, менеджер по аналитике Applied Intelligence компании Axenix

Мир переживает новую технологическую волну. Как когда-то паровая машина и электричество изменили производство, а интернет трансформировал коммуникации, генеративный ИИ становится «технологией технологий» — фундаментом для переосмысления бизнес-процессов. В то же время Gartner прогнозирует, что в 2025 году ожидается рост разочарования в генеративном ИИ из-за высокого процента провалов пилотных проектов. По данным корпорации RAND, в мире крах терпят более 80% проектов с ИИ. Как показывает практика, одна из главных причин этому — отсутствие системного подхода.

От технологического скепсиса к стратегическому преимуществу

Технологический ландшафт меняется стремительно — то, что вчера казалось фантастикой, сегодня становится реальным инструментом обеспечения конкурентного преимущества. Генеративный ИИ перестал быть инструментом гиков, превратившись в стратегический актив для бизнеса.

Между тем, история знает немало примеров, когда компании проигрывали технологические гонки не из-за отсутствия инноваций, а из-за неумения их правильно адаптировать. Подобно тому как появление ткацких станков или паровых машин потребовало переосмысления соответствующих производственных процессов, современные ИИ-решения тоже требуют продуманной интеграции в бизнес-среду. И тогда перед бизнесом открываются огромные возможности.

Поделюсь таким примером: в одной производственной компании сотрудники тратили часы на сопоставление технических спецификаций в закупочном процессе, где одинаковые детали могли называться десятком разных терминов. Одна и та же позиция в разных спецификациях именовалась как «стальная труба DIN 238-1», «труба Ø50мм ST37» или «металлопрокат водогазопроводный». Чтобы разобраться в этом разнообразии, человеку требовалось достаточно много времени и моральных сил. ГенИИ-инструмент, обученный распознавать семантические соответствия, в несколько раз сократил время обработки такой информации. При этом он дополнительно подтягивал информацию о ценах, чтобы можно было выбрать самую выгодную закупочную позицию.

Итоговая экономия на подобных задачах в зависимости от объемов операций может достигать десятков и даже сотен рабочих часов в месяц.

Искусство стратегического выбора

Велик соблазн броситься реализовывать первые попавшиеся идеи, вооружившись ИИ — технология кажется универсальным решением всех проблем. Однако опыт успешных компаний показывает: настоящая ценность рождается не от количества запущенных пилотов, а от строгого отбора инициатив через призму стратегической целесообразности. Важно оценить не только внешний блеск идеи, но и ее глубинные характеристики.
И чтобы ГенИИ смог заработать во всю свою силу, а не оказался печальным примером неудачного внедрения, важно пройти ряд последовательных этапов.

На первом этапе нужно оценить в какое именно направление деятельности компании идти: маркетинг, продажи, логистику, HR и т.д. Не стоит выбирать много направлений, лучше сфокусироваться на 1-3. Также во внимание нужно принимать соответствие стратегическим приоритетам бизнеса, наличие качественных данных и технологическую готовность.

Второй этап после отбора – сужение воронки. Здесь генерируется список инициатив по выбранным направлениям. Он уже может быть достаточно длинный: собираются все потребности, идеи, составляется лонглист. Ключевой принцип отбора — баланс между потенциальной экономической ценностью (доход, экономия) и сложностью реализации (ресурсы). Инициативы изучаются и просеиваются, проходят ранжирование и формируются в кластеры. Важно составить список топ-инициатив с предполагаемыми эффектами.
Наконец, необходим фрейминг инициатив, более детальная их проработка. С верхнего уровня идем на средний, составляется непосредственный план работы: ответственные, сроки, команды, спринты, механизмы. Стоит указать предварительно отобранные ИИ-модели, которые, предположительно, могут сработать в первую очередь. По итогу мы получаем дорожную карту с прописанными механизмами достижения нужных результатов.

Zero-Based Budgeting — ИИ переосмысливает финансовые процессы

Приведу пример из нашей практики. Внедрение генеративного ИИ в финансовую аналитику вылилось не просто в автоматизацию отчетности, а в возможность пересмотреть саму логику распределения ресурсов.

Метод Zero-Based Budgeting, примененный в одном из наших клиентских проектов, показал, как технология может трансформировать даже самые консервативные процессы. Главная проблема традиционного бюджетирования — его инерционность. Компании часто распределяют ресурсы по историческим шаблонам, не задаваясь вопросом: «А если бы мы начинали с чистого листа?». ИИ здесь выступает не просто калькулятором, а интеллектуальным партнером, способным анализировать расходы на принципиально новом уровне детализации.

В проекте мы разложили финансовые потоки по нескольким осям:

— Кто тратит — от корпоративного центра до отдельных регионов и площадок
— На что — с прозрачностью до уровня конкретных категорий, поставщиков и контрактов
— Сколько — с бенчмаркингом против рыночных норм

Ценность ГенИИ, который используется в таких проектах, заключается в том, что он не просто указывает на проблемы, но и способен выявить их причины, скрытые закономерности и предложить альтернативные сценарии, позволяющие эффективнее выстроить процесс бюджетирования в компании. Как если бы опытный финансовый директор мог одновременно проанализировать тысячи контрактов и десятки возможных стратегий оптимизации.

После дорожной карты

Итак, мы последовательно прошли все предварительные этапы – это очень важно! – и получили дорожную карту. Пора переходить непосредственно к созданию нужного решения. Следует разбивать процесс выбора инициатив для пилотирования на четкие этапы.

Быстрое прототипирование (2-4 недели). Создается модель, которая тестируется, а также проверяется на галлюцинирование. Например, если она классифицирует, то насколько точно, или как часто она отвечает не то, что от нее ожидается, насколько полными являются ответы и т.д. Тестируйте гипотезы на узких задачах. Для этого берется конкретный класс номенклатур. Например, самый распространенный, или же такие категории, где люди проводят больше всего времени в поиске – так проще понять, насколько ИИ может ускорить работу. Важно: первые версии часто дают некорректные ответы — и это нормально. Бывает, что на этом этапе прототип проходит несколько кругов доработки. Это тоже нормальная часть данного этапа.

MVP (3-6 месяцев). После создания рабочего прототипа, можно переходить к созданию MVP. Например, это может быть ИИ-ассистент для анализа продаж, работающий только с 1 категорией товаров. Здесь происходит интеграция с корпоративными ИТ-системами, логирование ошибок, дообучение на реальных данных. После проверки гипотез — интеграция в основные процессы, масштабирование на отделы и филиалы с системой мониторинга качества.

Важно помнить о том, что ГенИИ-решения требуют итеративности. Нейросетям сегодня нужен постоянный мониторинг и донастройка.

ГенИИ-акселератор

Один из вариантов реализации ГенИИ для задач бизнеса – полноценный инструмент, своего рода «акселератор», специально предназначенный для того, чтобы помогать быстрее запускать различные инициативы. И это не ChatGPT (или другая известная LLM) в браузере. Этот класс решений требует особой архитектуры, которая переводит их в категорию платформ.

У нас в Axenix разработана такая платформа, в основе подобных решений лежит принципиально иная философия проектирования. Вместо единой «черной коробки» — модульная архитектура, где каждый компонент выполняет строго определенную функцию. Backend-инфраструктура обеспечивает бесперебойную работу, специализированные модули обрабатывают документы и базы данных, системы мониторинга в реальном времени отслеживают качество ответов, а интеграционные шлюзы соединяют ИИ с корпоративной экосистемой.

Отличия проявляются также и в работе с данными. Публичные LLM ограничены контекстом конкретного диалога, в то время как промышленные решения обладают «памятью организации» — прямым доступом к базам знаний, историческим архивам, системам документооборота. Они не просто генерируют тексты, а оперируют структурированными SQL-запросами, выстраивают кросс-ссылочные связи между документами, сохраняют историю всех взаимодействий.

Вопросы безопасности и контроля данных — еще один водораздел между решениями. Если публичные сервисы хранят информацию в облаках провайдеров, промышленные платформы развертываются on-premise, внутри защищенного контура компании.

Наконец, главное отличие — глубина интеграции с бизнес-процессами. Корпоративная ГенИИ-платформа не просто «понимает» запросы пользователей — она говорит на языке конкретной отрасли, учитывает внутренние регламенты, встраивается в существующие ERP и CRM-системы. Возможность тонкой настройки под специфические процессы компании превращает технологию из универсального инструмента в стратегический актив.

ИИ как зеркало организационной зрелости

Сегодня уже очевидно: генеративный ИИ — это не временное увлечение, а новая реальность бизнеса. Компании, которые смогут грамотно интегрировать эти технологии в свои процессы, получат не просто инструмент для оптимизации затрат, а мощный рычаг для трансформации всей бизнес-модели.

Те компании, которые рассматривают ИИ как возможность пересмотреть свои операционные модели, уже закладывают фундамент для будущего лидерства. В этом смысле генеративный ИИ становится своего рода зеркалом, отражающим зрелость и гибкость всей организации.