Мы уже обсудили, что ИИ – это не только большой потенциал, но и серьезные вызовы, связанные с безопасностью и этикой. Теперь давайте перейдем к практике. Какие специалисты нужны для внедрения ИИ? Какие конкретные задачи уже решаются в российском бизнесе? И как новые технологии при этом влияют на существующий IT-ландшафт – приходится ли его полностью перестраивать?
Для успешного внедрения ИИ в корпоративной среде требуется слаженная команда специалистов. В моей картине мира, помимо руководителя проекта, который координирует весь процесс, в состав такой команды должны входить:
- DevOps-специалист: Для настройки и поддержки инфраструктуры, на которой будет работать ИИ.
- Архитектор: Для проектирования общего решения и интеграции ИИ с существующими системами.
- Сеньор-разработчик: Специалист, способный работать с фреймворками для взаимодействия с языковыми моделями и реализовывать сложную логику.
- Промптинг-инженеры: Специалисты, которые разрабатывают и отлаживают "промты" (запросы к моделям), чтобы добиться наилучшего результата от ИИ-агентов для конкретных бизнес-задач.
Конечно, состав команды может варьироваться в зависимости от масштаба и специфики проекта, но наличие этих ключевых ролей обеспечивает необходимую экспертизу для работы с современными ИИ-решениями.
Применение ИИ в продуктовой разработке и корпоративных функциях.
Как мы уже упоминали в предыдущих статьях, ИИ находит свое применение не только для внешних клиентов, но и внутри компаний:
- Продуктовая разработка: В больших и сложных продуктах ИИ может значительно ускорить процесс. Например, отвечая на вопросы разработчиков по внутренней документации или коду, проверяя качество работы отдельных функций.
- Взаимодействие с клиентами: ИИ используется для автоматической транскрибации звонков, анализа их содержания на соответствие скриптам, определения тональности разговора и оценки качества обслуживания. Это позволяет получать ценные инсайты о работе функций продаж и поддержки.
- Саппорт: Для массового сегмента пользователей ИИ становится незаменимым помощником. Чат-боты на базе языковых моделей способны быстро и качественно обрабатывать типовые запросы, используя обширную базу знаний, что разгружает живых операторов и повышает удовлетворенность клиентов.
Примеры из разных отраслей:
- Транспортная отрасль: Путь может начинаться с простых сценарных голосовых помощников, которые уже показывают высокую удовлетворенность пользователей. Далее можно переходить к более сложным задачам, автоматизируя ответы на вопросы по сложным правилам перевозок, используя более продвинутые модели, способные обрабатывать неструктурированные данные.
- Строительство/Тендеры: ИИ и машинное зрение могут автоматизировать рутинные процессы работы с документами. Например, сканировать пачку PDF-документов и автоматически формировать конъюнктурный анализ или другие отчеты по государственным формам, значительно экономя время специалистов.
- Общие корпоративные задачи: ИИ может использоваться для классификации входящих запросов (например, в service desk или контактном центре), пробрасывая их в соответствующие информационные системы. Разрабатываются помощники для работы с HR-документами и поиска контрактов.
Многие компании на старте предпочитают подход прототипирования: сначала делается небольшой пилот или прототип для проверки гипотезы, и только если он показывает свою состоятельность и ценность, принимается решение о полноценном внедрении. Это позволяет минимизировать риски и убедиться в применимости технологии к конкретным задачам.
Проблемы интеграции и модернизации IT-ландшафта
Внедрение ИИ, особенно если речь идет об интеграции с внутренними системами, часто поднимает вопрос о готовности существующего IT-ландшафта. Некоторые видят в ИИ панацею и считают, что он сам решит проблемы устаревших систем. Другие опасаются, что внедрение ИИ потребует полной перестройки инфраструктуры.
На самом деле, ключевая проблема зачастую не в "возрасте" IT-ландшафта, а в типизированности данных и наличии качественных датасетов. Для того чтобы ИИ мог работать эффективно, ему нужны структурированные, понятные и доступные данные. Подготовка таких данных может потребовать перестройки части IT-ландшафта или, как минимум, выделения отдельных процессов по сбору и подготовке данных.
Важным аспектом является готовность бизнес-процессов и культуры компании. Если процессы хаотичны, а культура не предполагает использование новых инструментов, даже самый продвинутый ИИ не даст эффекта. Здесь на первый план выходит роль лидера, способного объединить культуру, процессы и технологии для создания плацдарма для использования ИИ.
Влияние исторических систем тоже нельзя отрицать. В компаниях с долгой историей могут существовать устаревшие, но критически важные системы без современных интерфейсов (API), что значительно усложняет интеграцию с ИИ. В таких случаях внедрение ИИ может стать дополнительным драйвером для модернизации IT-ландшафта, стимулом для пересмотра и постепенного отказа от устаревших систем в пользу более гибких и интегрируемых решений.
Таким образом, внедрение ИИ – это комплексный проект, требующий не только наличия правильной команды и выбора подходящих кейсов, но и готовности работать с данными, адаптировать бизнес-процессы и, при необходимости, модернизировать IT-ландшафт. Но как показывает практика, эти усилия оправданы, поскольку ИИ уже сейчас помогает решать реальные бизнес-задачи.
В заключительной статье нашей серии мы подведем итоги, поговорим о том, как ИИ меняет нашу повседневную жизнь и управление IT, коснемся вопросов "добра и зла" ИИ и роли IT-директоров в этом процессе.