Генеративный ИИ в компаниях

Ловушка 1: личный опыт руководителя

Один из самых опасных моментов в использовании генеративного ИИ − ловушка личного успешного опыта. Руководитель несколько раз пробует новую модель, получает сильный ответ, чувствует интеллектуальное ускорение и почти автоматически переживает надежду: если инструмент настолько хорош в одном, значит, он наверняка хорош почти во всем. Так рождается ложное ощущение универсальности. Ни одна из информационных технологий последнего времени не позволяла этого: ни облачные платформы, ни большие данные и фабрика данных, ни гиперавтоматизация, ни распределенные ИТ-архитектуры (подробнее о трендах читайте в статье «Стратегические тенденции развития ИТ»).

В этот момент и появляется фраза, от которой начинается значительная часть дорогих ошибок: «Нам нужен ИИ». Однако, вдохновляющий опыт личного использования опасен в корпоративной среде, где совсем другие условия использования технологии. Генеративный ИИ производит сильное впечатление компетентности, он отвечает быстро, уверенно и гладко, редко сомневается и почти всегда звучит так, будто понимает больше, чем говорит. Для личного пользования такая особенность может казаться безобидной, но для бизнеса она опасна. Там, где цена ошибки высока, гладкость речи не заменяет точность и глубину. Там, где важны контекст, полнота его анализа и ответственность за результат, убедительный ответ может оказаться лишь хорошо упакованными общими словами.

Сначала формулируется проблема: где именно компания теряет время, деньги, качество, скорость реакции или клиентское доверие. Затем определяется метрика: как будет измеряться улучшение. Потом считается экономика: сколько стоит текущая неэффективность, какого эффекта можно ожидать, какова стоимость внедрения, поддержки, контроля качества, доработок и ошибок. И только после этого выбирается инструмент.

Ловушка 2: все уже там, мы опоздали

Хайп вокруг ИИ невероятен. Очень много информации, которая почти вся посвящена тому, что отечественный бизнес с огромной скоростью внедряет генеративный ИИ в свою работу. В прошлой части статьи мы писали, что по данным исследования «Яков и Партнёры», доля компаний, применяющих генеративный ИИ хотя бы в одной функции бизнеса, в 2025 году достигла целых 71% и это взрывной рост по сравнению с 2024 годом, когда показатель составлял 54%. Данные Future Hub дают меньшую цифру, но все-таки тоже большую, проникновения генеративного ИИ – около 55%: почти 38% компаний заявляют о том, что активно используют ИИ и 17% находятся на этапе внедрения. ИИ-консультанты обещают новый уровень производительности, а конкуренты бодро рапортуют о пилотных проектах. В результате, почти все руководители компаний испытывают тревогу: кажется, что кто-то уже убежал вперед и мы навсегда отстали и обречены плестись в хвосте. Кажется, что рынок уже распределяет места в новом мире, и промедление равносильно проигрышу.

И здесь полезно посмотреть на факты без эмоций. Да, компании массово экспериментируют с ИИ, да, доля организаций, которые используют генеративные модели хотя бы в одной функции, заметно выросла. Но масштабный интерес еще не равен эффективному применению. В рабочих задачах ИИ по-прежнему используют далеко не все сотрудники, а основной сценарий применения остается довольно скромным: генерация текста, помощь в черновой подготовке, поиск вариантов, поддержка анализа.

Увы, на этом фоне хайпа непонятно, где заканчивается территория рекламных обещаний и начинается территория реального эффекта. Генеративный ИИ уже доказал, что умеет повышать скорость и качество интеллектуального труда, связанного с созданием текстов. Однако намного хуже с доказательством того, что он способен прогнозируемо превращать эту скорость в прибыль, устойчивое качество продукта или эффективные управленческие решения. По нашумевшему исследованию «The GenAI Divide: State of AI in Business 2025» от MIT (проект NANDA), опубликованном летом 2025 года, несмотря на колоссальные инвестиции бизнеса (только в США около 30–40 млрд. долл.), 95% корпоративных ИИ-проектов и пилотов не принесли измеримой финансовой отдачи и лишь около 5% AI-решений давали заметный эффект на уровне доходов и прибыли компании. Цифра отрезвляющая и она, означает, что рынок пока в основном учится пользоваться технологией генеративного ИИ.

Те, кто осознал этот кардинальный разрыв между хайпом и эффектом, обычно приходят к двум простым идеям. Первая − оптимистическая.

Вторая идея − скептическая: если пилотов много, а денежного результата мало, значит, перед нами обычный технологический пузырь, мы уже много раз были свидетелями, когда маркетинг технологических компаний раздувал из технологии «прекрасное будущее». Недавний пример: большие данные, о которых несколько лет твердили из каждого утюга, где они сейчас.

Оба вывода слишком просты, а значит, мы уверены, неверны. С генеративным ИИ бизнес оказался в более сложной ситуации − большинство вдумчивых экспертов полагает, что это технология с огромным потенциалом, а не очередная маркетинговая игрушка, и она не исчезнет вместе с модой на громкие презентации. Однако, и быстрым лекарством от организационной неэффективности генеративный ИИ тоже не станет. Скорее речь идет о новой среде и инфраструктуре умственного труда, чтобы построить такую инфраструктуру нужно время, зрелая управленческая логика и аккуратное встраивание в процессы.

Ловушка 3: давайте сделаем «рывок» с помощью ИИ

Давайте посмотрим на примеры, когда компании, поддавшись хайпу, решают использовать генеративный ИИ, однако, он работает не на компанию, а против нее. Например, компания решает создать цифрового помощника для коммуникации с клиентами. На старте все выглядит многообещающе − ответы быстрые, интерфейс удобный, нагрузка на сотрудников должна снизиться. Но после двух-трех уточняющих вопросов помощник теряет нить разговора, путается в контексте, и клиента снова приходится подхватывать человеку. Пользователь замечает это, он не вникает в причины проблем и не оценивает технологическую смелость проекта, а просто делает практический вывод: сервис неудобен и доверять ему нельзя. С этого момента цифровой помощник начинает работать не на компанию, а против нее. Это не какой-то выдуманный пример, а реальный случай.

Еще один пример: компания решает создать внутреннего помощника для сотрудников. На вход ему дают все, что удается собрать: регламенты, инструкции, справочники, презентации, номенклатуры, архивы документов компании. Логика проста: модель умная, сама разберется. Языковая модель может найти в этом ворохе документов закономерности и логику и это даже может выглядеть правдоподобно, однако, она не может на этой почве построить стройную архитектуру корпоративного знания. Если база знаний не очищена, не структурирована, противоречива и плохо связана, ИИ не превращает ее в строгий порядок, он фиксирует как порядок, так и беспорядок. И его ответы становятся приглаженным и относительно связным пересказом беспорядка. Сотрудники видят это, быстро теряют доверие к такому инструменту и возвращаются к старым способам поиска. Формально внутренний помощник продолжает существовать, фактически проект провалился. Заметьте, что во всех этих историях не технология генеративного ИИ не справляется с бизнес-задачей.

Исследования показывают, что компании нередко начинают с самых эффектных и самых рискованных сценариев внедрения генеративного ИИ. Им хочется не ускорить типовой процесс на 10-15%, а построить «умного автономного помощника», который будет думать почти как опытный специалист. Хочется не улучшить внутренний поиск и сократить время на поиск информации на 10%, а сразу получить квалифицированного корпоративного советника. Хочется не сократить рутинные разговоры первой линии, а объявить о полной автоматизации клиентского сервиса. Эти желания понятны.

Парадокс в том, что там, где генеративный ИИ действительно полезен, он нередко выглядит слишком прозаично для больших презентаций: он снимает часть рутинной нагрузки, помогает подготовить первый драфт документа, ускоряет работу с массивом информации, поддерживает сотрудника в типовых сценариях, сокращает время на предварительный анализ. Такие эффекты редко производят впечатление на рынок, зато они, нередко, видны в экономике предприятия.

Именно в этой практичной приземленности, часто и скрыто конкурентное преимущество. Бизнес редко выигрывает от самой громкой идеи. Чаще он выигрывает от идеи, которая аккуратно встроена в работающий процесс и приносит измеримый результат. В конце концов, руководителю не нужен лишь красивый технологический жест, ему нужен инструмент, который делает систему быстрее, точнее, дешевле и устойчивее.

Ловушка 4: пусть генеративный ИИ принимает решение за нас

Руководители часто работают в условиях перегрузки, фрагментарной информации и высокой неопределенности. На таком фоне генеративный ИИ, который всегда уверенно выдает гладко описанное решение, выглядит как заманчивый способ снять когнитивное напряжение. Руководители, если не заявляют прямо, то думают: он же умный, пусть он и принимает решение.

Но технология генеративного ИИ не может устранить слабость процесса принятия решений, по крайней мере пока. Если в компании нет ясной постановки задач, качественной базы знаний, понятных критериев результата и ответственности за итог, ИИ масштабирует не порядок, а организационные проблемы.

Генеративный ИИ сегодня – это не сотрудник, принимающий важные решения. Он скорее очень сильный ассистент: быстрый, энергичный, полезный, способный предложить варианты и собрать черновик, но нуждающийся в проверке, контексте и постановке задачи.

Вопросы зрелого руководителя

Все эти ловушки не повод отказаться от генеративного ИИ. Наоборот, именно сейчас нужно запускать пилоты и эксперименты. Но запускать их должны не технологические оптимисты и не профессиональные скептики. Компаниям нужны руководители, которые умеют задавать неприятные вопросы до того, как пилот или эксперимент стал слишком убыточным.

• Какая задача решается? Почему эта задача вообще должна решаться с помощью ИИ? Где именно генеративный ИИ создает ценность?
  
• Что будет критерием успеха через несколько месяцев? Какое качество результата нам необходимо и приемлемо?
  
• Что произойдет, если система ошибется? Какова цена ошибки?
  
• Каков предельный бюджет эксперимента или пилота? Когда нам нужно будет остановить его?
  
• Как мы будем масштабировать пилот? Что мы перестанем делать, если пилот не даст эффекта?

В следующих частях статьи мы постараемся найти ответы или наметить пути ответов на эти вопросы.

***

Вокруг генеративного ИИ будет еще много громких слов. Рынок продолжит разогревать ожидания, поставщики − обещать прорыв, а компании − сравнивать себя с соседями по отрасли. Но в какой-то момент все снова вернется к старому доброму вопросу менеджмента: где именно создается ценность. И вот тогда выяснится простая вещь: успешные компании не те, что быстрее всех заявили о ставке на ИИ, а те, которые способны использовать технологию без религиозного восторга и без защитного консерватизма. Они не станут искать для ИИ любую работу только потому, что технология модная, они не будут ждать магии, а будут требовать экономики. Победят те, кто раньше других научился отличать полезный инструмент от дорогой маркетинговой обертки.

Комментарии 0