Кажется, бизнес уже прошел тот этап, когда нейросети показывали коллегам как забавный эксперимент: «Смотри, ИИ победил Excel». Теперь нейронке поручают настоящую работу — анализировать разговоры с клиентами, разбирать документы, готовить презентации и искать ошибки в процессах. Но чем больше бизнес отдает машине, тем чаще возникает другой вопрос: надо ли ее в какой-то момент остановить? В партнерском проекте с hoster.by мы обсудили тренды, а также побывали в офисах белорусских компаний и посмотрели, где ИИ экономит время и деньги, а где пока еще только пробует силы.
Читать на Onlíner— Появление ИИ вызвало заслуженный вау-эффект. Был понятный соблазн считать, что раз доступная каждому технология может решать разовые задачи почти волшебным образом, она так же легко справится с бизнес-процессами. Все оказалось немного иначе. И сейчас на смену AI-оптимизму приходит AI-реализм, — рассказывает руководитель направления облачных решений hoster.by Михаил Приходько.
По словам эксперта, в период ИИ-оптимизма лишь небольшая часть компаний восприняла технологию не как цель, а как средство. Определили задачи, постепенно и точечно стали вписывать в процессы, контролировать, замерять эффективность.
— Намного больше компаний восприняли тему как «хайп», фоном все равно уходя в «поиграть с ChatGPT», либо включились в fake-it-till-you-make-it: скоро нам не будут нужны дизайнеры, программисты, маркетологи — все будет делать ИИ. Обе эти категории оказались разочарованными.
Сейчас наступает период ИИ-реализма, где на смену крайностям приходят взвешенные решения о внедрении инструментов — что, зачем и как хотим достигнуть. И главное — какие выгоды это даст компании.
В «Альфа Банке» искусственный интеллект начали развивать задолго до нынешнего бума генеративных моделей. Сначала это были технологии машинного обучения: модели помогали решать финансовые задачи и оценивать риски, их расчеты использовались в рабочих процессах. Но с распространением ChatGPT в банке начали искать другое применение ИИ — не только считать и анализировать, а стать помощником для человека.
Первым направлением стала помощь клиентам в чатах. Просто подключить ChatGPT или другой внешний сервис было нельзя: в банковской сфере критичны безопасность и контроль над данными.
— Если у банка забрать безопасность, то его продукты и сервисы уже не важны, потому что они опираются на безопасность денег и данных клиентов, которую гарантирует банк, — говорит Дмитрий Нагорный, руководитель направления данных и искусственного интеллекта «Альфа Банка».
Поэтому в банке пошли по пути создания собственных решений на базе открытых моделей внутри защищенного контура. Сначала попробовали дообучать модели на внутренних данных, но качество выросло незначительно: объемов корпоративной информации оказалось недостаточно по сравнению с данными всего интернета, на которых обучались модели изначально. Одним из решений стала технология RAG — она позволяет модели работать с заранее подготовленной информацией, поэтому ответы становятся точнее.
Так в 2024 году появился чат-бот для клиентов. Он позиционируется как интеллектуальный помощник: консультирует по разным темам, но если человек захочет поговорить с оператором, его в любой момент могут переключить на специалиста. Работу бота оценивают по тем же показателям, что и работу специалиста поддержки, в том числе по удовлетворенности клиентов.
— Для нас клиентский опыт первичен. Технология должна быть готова к этому, — говорит Дмитрий.
Параллельно в банке начали развивать инструмент для сотрудников — «Альфа Ассистента». Это платформа для работы с генеративным искусственным интеллектом: можно не только пообщаться с моделью в режиме чата, но и загружать файлы, изображения, создавать собственных персональных ассистентов на своих данных. Сейчас «Альфа Ассистентом» пользуется больше половины сотрудников банка.
Следующим шагом стало создание специализированных ассистентов по отдельным направлениям. Например, HR-ассистент отвечает на вопросы о внутренних процедурах, а в будущем должен не только объяснять, как оформить больничный, но и делать это самостоятельно (то есть стать полноценным AI-агентом).
— Например, сотрудник говорит: «Я хочу в отпуск с такого-то по такое число». Он проверяет все необходимые данные в соответствии с законодательством и внутренними регламентами, и все — заявление на отпуск готово. Это наша цель — простота. Чтобы ее добиться, нужно пройти большой путь исследований, подготовки данных и разработки.
Юридический ассистент работает с почти 13 тысячами внутренних документов банка, включая накопленную практику, а также учитывает внешнее законодательство. Его задача — помочь юристу быстрее находить информацию и готовить ответы.
— Слепо верить ответу не получается. Ошибка возможна всегда, такова особенность технологии — вопрос в вероятности этой ошибки. Чтобы ее снизить, мы работаем с качеством и обновлением данных, вводим точки контроля, используем арбитраж моделей и другие подходы. В юридической консультации ошибка может быть очень болезненной, поэтому, несмотря на технологии, участие человека необходимо, — говорит Дмитрий.
Если ИИ-ассистент отвечает на вопросы и помогает работать с информацией, то агент должен уметь действовать сам. Первые агенты уже есть, но сейчас их объединяют в цепочки, которые могут выполнять целые процессы. Например, в кредитовании ИИ может помогать распознавать документы, готовить материалы для кредитных комитетов и формировать договоры. Тем не менее финальный контроль и принятие решения остаются за человеком.
ИИ постепенно меняет не только отдельные процессы внутри банка, но и сам способ взаимодействия человека с финансовыми сервисами.
— Важная особенность генеративного ИИ в его человекоподобности: он меняет сам интерфейс взаимодействия с сервисами банка, когда человек может написать или сказать, чего хочет, и быть понятым, получить грамотный ответ.
Такой подход меняет и представление о том, где вообще начинается взаимодействие с банком. Представим, что человеку нужно быстро перевести деньги. Он говорит Siri: «Переведи деньги этому человеку». Голосовой помощник понимает, о ком идет речь, и может найти номер телефона, обратиться к финансовому агенту банка, тот выполняет перевод по номеру телефона и возвращает результат финансовой операции. В итоге человек обратился к Siri и получил ответ в моменте, даже не подозревая о всей цепочке процесса.
— Технологии для такого сценария уже во многом готовы. Мы активно исследуем возможность обеспечения безопасности данных в таком межагентском взаимодействии, что является ключевым для принятия решения, идти ли в такую историю.
Наша цель — стать AI-агентом человека и обеспечивать банковское обслуживание в том числе в такой форме. Для этого мы трансформируемся таким образом, чтобы дизайн процессов, продуктов и сервисов исходил из возможностей ИИ. Мы стремимся построить экосистему агентов вокруг ключевых процессов и постепенно взаимодействовать не только с клиентом и сотрудником, но и с внешними агентами.
Но во всех этих глобальных изменениях главное помнить, что все должно делаться в интересах человека. Ключевое для любой компании — это интеллектуальный потенциал и довольные клиенты и сотрудники. Какая бы новая технология ни появилась, все равно все решается тем, насколько грамотно человек ее применил.
— Парадокс в том, что лишь небольшая часть компаний внедряет в свои процессы решения на базе искусственного интеллекта. Но по факту в том или ином виде ИИ есть везде, — рассказывает системный архитектор hoster.by Владимир Писанный.
В условные ChatGPT или Claude уходят огромные объемы рабочей информации, а порой и персональные данные, коммерческая тайна, другая информация ограниченного распространения.
Мало кто думает о последствиях, когда столько удобства можно получить «здесь и сейчас». Но отправленная в сторонние сервисы информация хранится на серверах, которые принадлежат этим сервисам, а не вам. Эти данные используются в том числе для обучения модели. Просите чат создать фрагмент программы? Откуда он берет этот код, учитывая, что сам он ничего не способен создать?
Все больше руководителей осознанно приходит за доступом к LLM, с которыми можно работать в собственной изолированной среде. То есть это модель, куда можно загрузить свои данные, которые будут обрабатываться в аттестованном контуре дата-центра, более того — в полном соответствии с требованиями законодательства в области защиты персданных. И да, до сих пор можно услышать: «А что, так можно было?».
Более половины сотрудников уже так или иначе работают с искусственным интеллектом и в инвестиционной компании «Айгенис». Клиентская база компании растет, а вместе с ней нагрузка. Поэтому полтора года назад в компании начали искать решение с помощью ИИ, говорит замдиректора «Айгенис» Елена Ерш.
Сначала решили попробовать нейросети в работе с клиентами, продажах и маркетинге, но нужно было решить вопрос безопасности.
— Для нас, как и для банков, было важным соблюдение законодательства и внутренних регламентов при работе с коммерческой информацией и персональными данными, и чтобы чувствительная информация не выходила за пределы защищенного контура компании. Компании, которые предлагали нам свои решения, не смогли предоставить вариант, который бы нас полностью устроил по безопасности. Поэтому проект поставили на паузу.
Примерно через полгода «Айгенис» нашел подрядчика и начал с пяти ИИ-агентов, которые взяли на себя рутинные задачи. Три из них работают с отделом продаж: оценивают звонки менеджеров, помогают отрабатывать возражения и автоматически заполняют карточку в CRM после разговора. Еще два используются по всей компании — «Мастер презентаций» и «Секретарь встреч».
После первого положительного опыта устроили собственный хакатон: за восемь недель хотели сделать 20 ИИ-агентов. В итоге до готовых решений дошли 11, от 3 агентов пришлось отказаться — честно себе сказали, что ИИ здесь не нужен.
— Постоянным «узким местом» в компании оставался вопрос затрат времени на написание протоколов, фиксирование договоренностей и описание задач для последующего контроля. Каждый руководитель направления заранее проработал под себя форму протокола, определив, что именно он хочет получить на выходе.
С презентациями похожая история: в ИИ-агента «Мастер презентаций» загрузили брендбук, прошлые материалы и требования к оформлению.
— Раньше мы или делали презентации самостоятельно, или обращались к внешнему дизайнеру. Сейчас агент делает презентацию полностью самостоятельно, наш критерий эффективности — 30 минут до итогового варианта. Раньше на это уходили часы.
Из внутренних задач ИИ постепенно перешел и к работе с клиентами. Если вы будете писать вопросы в телеграм-канал компании, то на часть вопросов вам ответит ИИ-агент. Для этого ему заранее собрали базу знаний и протестировали возможные варианты ответов. Если вопрос сложный или ответа в базе знаний нет, обращение переадресуется менеджеру.
— На первых этапах разработки мы видели, как ИИ галлюцинирует, если не знает ответа. Поэтому при отсутствии точного ответа вопрос должен поступать к менеджеру. То, чего нет в базе, ИИ не должен придумывать.
Еще один агент помогает работать с клиентской базой. Данные по клиентам перед отправкой на платформу обезличиваются. Клиенты разделены на группы: например, по тому, как давно они покупали ценные бумаги, сколько покупали, какая структура инвестиционного портфеля. Компания анализирует поведение клиента под влиянием внешних событий: изменения ставок, курсов, маркетинговых активностей и других факторов.
— Таким образом мы надеемся отслеживать поведенческие тренды и формировать персонализированные предложения для каждого клиента с учетом того, как он реагировал на разные события в прошлом. Пока мы учимся анализировать большие массивы разрозненных данных, тестируем разные гипотезы, чтобы выявлять повторяющиеся тенденции.
После нескольких удачных экспериментов решили автоматизировать утренний новостной дайджест. И вот здесь не получилось.
— Часть информации мы не могли парсить бесплатно. Где-то информация дублировалась на нескольких новостных каналах, а некоторые источники вообще оставались недоступны. Полной картины не получалось, поэтому разработку агента остановили и новости продолжаем мониторить вручную.
Похожая история случилась с агентом, который должен был собирать информацию о ставках по депозитам разных банков. Данные у банков обновлялись не всегда в удобном для автоматического сбора виде.
— Иногда быстрее и качественнее сделать это вручную, чем создавать агента, потратить на него ресурс и потом получить результат, который нас не устраивает, — говорит Елена Ерш. — Для каждого агента есть критерии эффективности — например, скорость и правильность ответа или скорость подготовки отчета. Если результат не дотягивает до нужного уровня, проект остается на паузе или от него отказываются.
До финансовой аналитики тоже добрались — здесь ИИ пока не впечатлил.
— У нас своя специфика деятельности, правила и методология, как анализировать данные. Шаблонные модели нам не подходят. А вот выводить информацию в дашборды у нас получилось. То есть готовый анализ ИИ быстро структурирует и выводит в формате графиков и диаграмм.
Но есть работа, которую в компании принципиально не отдают ИИ: решать, куда будут вкладывать деньги.
— Искусственный интеллект может предложить какое-то решение, но за человеком всегда остается выбор — принять его или не принять. Что касается денег, то любое финансовое решение — это принятие риска и ответственности. Перекладывать это на ИИ, когда мы оперируем большими суммами, я считаю недопустимым.
Нейросеть учится на прошлых данных, а рынок может резко изменить правила игры, говорит собеседница.
— Как только прилетает «черный лебедь» или происходит изменение курсов, ставок, цен, рынок перенастраивается, то, что работало раньше, становится неэффективным, менее доходным. ИИ может помочь просчитать разные сценарии, но принять решение, по какому сценарию идти, это все-таки прерогатива человека.
— Один из самых распространенных сценариев использования ИИ в Беларуси — корпоративный закрытый чат, в который сотрудники могут загружать любую информацию без риска утечек данных. Для этого даже не нужно создавать серверную инфраструктуру и заниматься сложным внедрением — достаточно доступа к готовым LLM в аттестованном контуре, — объясняет коммерческий директор hoster.by Виталий Цуник.
Набирает обороты RAG — ИИ, который работает с данными самой компании. То есть модели «скармливается» корпоративная документация и базы знаний, взамен система генерирует ответы на их основе, а не из абстрактных данных. Это отлично работает для сервисов поддержки клиентов и не только.
Еще с помощью ИИ все чаще анализируют звонки менеджеров. Это возможность увидеть, какие разговоры с клиентами не приводят к результату, какие возражения возникают и насколько сотрудники придерживаются сценария. Раньше пришлось бы прослушивать многие часы разговоров и столько же тратить на анализ и подготовку выводов.
Сценариев бесконечно много, но важно вернуться к главному — начинать с бизнес-задачи. Понять, что именно компания хочет улучшить, каким должен быть результат и как его измерить, сколько это сэкономит времени и средств.
Тысячи звонков с клиентами можно записать, сохранить в CRM — и почти не использовать, потому что руководители отделов продаж физически не могут прослушать их все. Поэтому SIPSIM, сервис бизнес-телефонии, добавил к системе искусственный интеллект. Он анализирует разговоры и помогает понять, что хотел клиент, почему он купил или отказался, как менеджер провел разговор и удалось ли решить проблему,
— Руководители отделов продаж физически не успевают слушать все звонки — прослушивают в среднем около 2%. Значит, решения по 98% звонков принимаются вслепую. Отсюда появилась идея добавить в телефонию слой, который разбирает каждый разговор, — поясняет Александр Огородников, директор и основатель SIPSIM.
Теперь после звонка система сама расшифровывает разговор, делает краткое содержание, ставит нужные теги, оценивает работу менеджера и заполняет данные в CRM.
— Человек просто поговорил по телефону. Как только звонок завершился, менеджер открывает CRM, а там уже все заполнено: бюджет, какие модели обсуждались и так далее.
Похожим образом система может оценить сам разговор. Руководитель задает свои критерии — например, выяснил ли менеджер запрос клиента, следовал ли скрипту, правильно ли отработал возражения.
А потом в SIPSIM увидели, что те же звонки можно использовать уже не только для работы отдела продаж, но и для маркетинга. В них клиенты сами рассказывают, с кем сравнивают компанию, чего опасаются, какой у них бюджет и почему сомневаются.
— Люди проговаривают все свои страхи, все свои сомнения. Теперь можно разобрать сразу весь массив разговоров.
Например, в SIPSIM так анализируют обращения в поддержку, чтобы найти самые частые вопросы клиентов.
— Мы можем сказать: «Найди все звонки, которые были в отделе поддержки, и распиши самые частые вопросы». Она анализирует, какие вопросы были самыми частыми, где специалист смог помочь, где не смог, и составляет ответы. Все занимает около часа, из этого можно собрать базу знаний для сайта.
Если клиент позвонил, но специалист не смог решить его вопрос, система может определить такой разговор и сразу сообщить об этом руководителю.
— Если клиент остался без решения, это может триггерить руководителя прямо после звонка. Получается, ИИ здесь не просто показывает, где возникла проблема, но и сокращает время между проблемой и ее решением.
Поскольку речь идет о разговорах клиентов, отдельный вопрос — где именно обрабатываются эти данные. По словам Александра, компания использует локальную модель в защищенном контуре: данные не уходят в сторонние сервисы.
— Сначала модель хуже понимает ваш бизнес. Потом вы описываете специфику, добавляете данные, исключения — и она уже лучше это делает.
По словам Александра, после настройки в отдельных сценариях точность доходит до 98—99%.
— Где-то что-то неточно сработает — это нормально. Но то, что весь поток обращений с клиентами покрыт практически на 100%, для бизнеса дает гораздо больший эффект, чем эти незначительные ошибки.
При этом использование нейросетей в телефонных звонках не выглядит как история про увольнения менеджеров.
— Мы не сокращаем людей, мы сокращаем скучную часть их работы.
— Нужен ли как самоцель — нет. Может ли при грамотном подходе внести вклад в развитие компании — однозначно да. Даже если в моменте руководителю кажется, что организация к этому не готова, — считает коммерческий директор hoster.by Виталий Цуник.
Сценарий «купить сервер, развернуть модель, назначить ответственного, ждать результатов, сказать: „Я же говорил“» точно не принесет ничего хорошего.
Разобраться в вопросе, определить процессы для автоматизации, проконсультироваться со специалистами, действовать постепенно и осознанно — такой вариант приведет к результату.
У косметической фабрики «Модум» больше 5000 рецептур и около 200 новых продуктов в год. ИИ в компании начали использовать около года назад, а с февраля — марта он стал частью обычной работы.
— Если раньше нам нужно было исследование рынка, ниши, продукта или сырья, мы заказывали его у специализированных компаний: писали подробные задания, ждали результат, и стоило это дорого. Сейчас предварительное исследование можно получить примерно за час, — говорит Виктор Лабкович, совладелец и руководитель «Модума».
Похожая история произошла с лендингом для пасты «32 жемчужины». Раньше на его разработку уходило около трех месяцев. Сейчас тот же этап можно пройти примерно за 15 минут.
— Если раньше за идеями приходилось обращаться в специализированное агентство, получать от него варианты и уже из них выбирать, то сейчас первый набор идей может дать искусственный интеллект. Но дальше все равно нужен человек: его опыт и профессиональный багаж определяют, куда двигаться, что выбирать и что в итоге делать.
В «Модуме» столкнулись с этим, когда искали поставщиков в Китае. Нейросеть выдала несколько подходящих вариантов: с адресами, телефонами и сайтами.
— Мы начали это проверять — и оказалось, что этих компаний вообще не существует. То есть ИИ нам просто их придумал.
Люди стали приносить на встречи ответы ИИ как готовые решения: «Я проверял это на искусственном интеллекте, вот он так сказал». Да, искусственный интеллект может тебе это сказать, но ты должен понимать, правильно это или нет и что с этим делать.
Еще одна задача — научить ИИ работать с накопленным опытом самой компании. Финансовые отчеты и рецептуры в открытые системы в «Модуме» не загружают. Вместо этого хотят собрать данные в собственных базах и подключать к ним ИИ.
Например, у «Модума» много сырья и отдушек, причем один и тот же запах — например, клубничный — может быть представлен у нескольких поставщиков.
— Допустим, нам нужна клубничная отдушка. Мы должны понимать, какие у нас вообще были варианты, от каких поставщиков, в каких продуктах мы их использовали, что с ними происходило. Раньше это все искали вручную, — объясняет Ольга Безводицкая, директор по маркетингу компании.
Теперь накопленный опыт хотят превратить в рабочую базу: связать поставщиков, сырье, отдушки, продукты и больше 5000 существующих рецептур.
В «Модуме» из-за внедрения ИИ сотрудников не сокращали.
— Мы умрем до того момента, когда искусственный интеллект заменит нас. А вот более молодое поколение могут заменить люди, которые умеют пользоваться ИИ. Если ты не умеешь, тебе придется уйти, потому что это инструмент, который позволяет в десятки раз больше сделать за меньшее количество времени. Это как взять лопатку и копать или взять ковш, — говорит Виктор Лабкович.
Время убыстряется. Мы не можем продавать видеокассеты, даже если там будут новые фильмы. Потому что у людей уже нет тех магнитофонов. Нельзя продолжать делать то же самое старым способом, если появились новые инструменты.
Готовые LLM — быстрый доступ к LLM без сложных настроек. Оптимально для чат-ботов, работы с базами знаний и кодом, создания контента, анализа данных. Работает в аттестованном контуре дата-центра. Подходит для корпоративных и персональных данных.
Внедрение AI-решений — весь путь от идеи до работающего решения вместе с AI-архитекторами и IT-инфраструктурой hoster.by.
GPU-инфраструктура — облачные и выделенные серверы для быстрой работы AI-решений любой сложности.
Нравится читать Onlíner? Добавьте наши новости в «Основные источники» Google
Есть о чем рассказать? Пишите в наш телеграм-бот. Это анонимно и быстро
Перепечатка текста и фотографий Onlíner без разрешения редакции запрещена. ga@onliner.by