Некоторое исследование и обсуждение с коллегами-финдирами сценариев использования ИИ в нашей области - в управлении финансами компании, в целом оптимизации операционных процессов и снижении рисков - привело к неоднозначным, не во всем интуитивно ожидаемым, но вполне логичным по сути, выводам.
Сегодняшние большие лингвистические модели (LLM) и ИИ-агенты на их основе на первый взгляд дают обоснованные надежды для перевода множества процессов на ИИ. С другой стороны, при попытке прикрутить ИИ-агент в форме простого чатика-помощника в крупной компании на функционал человека - скажем, на консультирование по HR-вопросам или предоставлению справок - наталкиваемся на сложности контроля выводимого ИИ результата в части простейшего соблюдения внутрикорпоративных разграничения по доступу к информации различных функций и уровней пользователей.
Даже на таком банальном распределении внутренних потоков информации применение ИИ-агента становится сложнее внедряемой и, как следствие, более ресурсоемкой задачей, чем кажется по-первой. Тем не менее, именно четкая реализация регламентов по доступам к данным внутри компании - основа любой организации и базис администрирования процессов.
Я уверен, что эти сложности достаточно скоро будут преодолены разработкой специализированных ИИ-агентов. Для их дистрибуции наверное даже появлятся маркетплейсы b2b и b2c агентов для различных функций, но интегрированных в единую среду, с внедрением контрольных механизмов и возможностью тонкой настройки, адаптации информационных потоков под конкретного пользователя и организацию.
Пока же перевод какой-либо функции, которую выполняет сотрудник в большой компании, по-хорошему требует создания локализованной на сервере LLM-модели с организацией доступа для группы пользователей с одинаковыми правами. И по хорошему - добавлением контрольных механизмов, в частности - проверкой результатов работы ИИ-агента.
Соответственно, если посмотреть на финансовую функцию, учет и прогнозирование, то придется развертывать локализованные модели для создания каждого ИИ-агента:
1) для обработки документов в рамках закрытия финансового периода;
2) в финансовом анализе, планировании и прогнозировании (это можно объединить с закрытием периода, но строго говоря не всегда - проблема неконтролируемости ИИ-агента);
3) в сопровождении кадрового учета и предоставлении справок (автоматизируется легко, но контролируется пока не очень, с высокой ценой ошибки);
4) в стратегическом планировании (отделяется от финансового планирования и анализа, поскольку у топов, если это не гендир или финдир, обычно нет доступа к информации о тех же компенсациях по всем сотрудникам);
5) в обработке документов от клиентов и работе с дебиторской и кредиторской задолженностью.
Пока достаточно легко применять ИИ в поддержке принятия решений, поиске информации, макроанализе и прогнозировании, анализе публичных документов (например, законодательных требований). Эти потребности уже полностью закрываются множеством больших моделей, типа ChatGPT, Perplexity, DeepSeek и прочими. Более фокусное применение наталкивается на ограничения по безопасности, конфиденциальности, разграничению прав доступа, локальным законодательным ограничениям, итп.
Если же по-взрослому внедрять ИИ-агенты в крупной компании, то это серьёзные проекты по автоматизации. Требования, сложности и риски при их реализации не меньше, чем при "обычном" внедрении ERP системы - человеческий фактор, рост бюджетов, срыв сроков, лоскутное внедрение, и многое-многое другое. К сожалению, не получится просто, быстро и дешево внедрить ИИ-агент в каждое подразделение силами одного специалиста, чтобы сэкономить ххх человекочасов в месяц.
Ну и главное, на мой взгляд. Основное препятствие к широкому корпоративному применению ИИ-агентов на базе LLM-моделей - с полным делегированием функционала сотрудника - лежит в том, что ИИ-агент не ответит за последствия ошибок, у него нет выраженной мотивации не допустить галлюцинирования. Может просто извиниться или пошутить.
***