Современный бизнес функционирует в условиях экспоненциального роста объёмов данных: по оценкам IDC, к 2025 году мировой объём данных достигнет 175 зеттабайт. Традиционные методы обработки информации становятся неэффективными, что обуславливает необходимость внедрения интеллектуальных технологий.
Искусственный интеллект (ИИ) в корпоративном контексте — это не просто «модная технология», а стратегический актив, позволяющий:
- обрабатывать неструктурированные данные (тексты, изображения, голос);
- выявлять скрытые закономерности в бизнес-процессах;
- автоматизировать когнитивные задачи, ранее доступные только человеку;
- принимать решения на основе предиктивной аналитики в реальном времени.
Объект исследования настоящей работы - корпоративные информационные системы крупных и средних предприятий
Предмет исследования - технологии, методы и практики применения искусственного интеллекта в бизнес-процессах
КЛАССИФИКАЦИЯ ТЕХНОЛОГИЙ ИИ ДЛЯ БИЗНЕСА
Технологии искусственного интеллекта (ИИ) для бизнеса включают разные направления, которые решают конкретные задачи: от автоматизации рутинных бизнес-процессов до анализа поведения клиентов. Некоторые из них: узкий ИИ (Narrow AI), общий ИИ (General AI), глубокое обучение (Deep Learning) и обработка естественного языка (NLP). В таблице 1 продемонстрированы категории, суть и примеры ИИ.
УРОВНИ ЗРЕЛОСТИ ВНЕДРЕНИЯ ИИ В КИС
Выделяют разные уровни зрелости внедрения искусственного интеллекта (ИИ) в корпоративные информационные системы (КИС). Модели зрелости обычно описывают последовательность уровней развития, где каждый следующий уровень строится на результатах предыдущего и добавляет новые способности и требования.
Некоторые уровни зрелости, которые могут быть указаны в моделях, например, в шкале Gartner:
- начальный (initial);
- экспериментальный (experimental);
- определённый (defined);
- изменчивый (adaptive);
- оптимизированный (optimized);
- стратегический (transformational).
На рисунке 1 показаны уровни зрелости.
АРХИТЕКТУРНЫЕ КОМПОНЕНТЫ ИИ-РЕШЕНИЙ
В архитектуре ИИ-решений (ИИ-систем) выделяют компоненты, связанные с уровнем данных, вычислениями, моделями и мониторингом. Эти элементы работают вместе, чтобы обеспечить сбор данных, обучение модели, развёртывание и контроль качества в продуктовой среде. На рисунке 2 показаны архитектурные компоненты ИИ-решений.
Компоненты уровня данных в архитектуре ИИ-систем:
- системы хранения и управления данными. Модели ИИ полагаются на огромные объёмы данных, поэтому эффективные решения для хранения имеют критическое значение. Используют комбинацию локального хранилища, сети, подключённой к хранилищу (NAS), и облачного объектного хранилища;
- системы сбора данных. Данные могут быть получены из разных источников: баз данных, API, сенсоров, публичных датасетов;
- подготовка и валидация данных. Очистка, разметка, проверка схем, генерация фичей, контроль дрейфа признаков до обучения;
- интеграция с существующими системами. Инфраструктура ИИ должна интегрироваться с корпоративными ИТ-системами, включая базы данных, ERP-платформы и облачные среды, для обеспечения плавного потока данных и совместимости.
Компоненты уровня вычислений в архитектуре ИИ-систем:
1) единицы вычислений и обработки;
2) промежуточное программное обеспечение и инструменты оркестрации;
3) архитектура дата-центров и вычислительных кластеров.
Компоненты уровня моделей в архитектуре ИИ-систем:
- архитектура модели. Показывает, как устроены искусственные нейроны и как они соединены друг с другом, образуя слои (входной, один или несколько скрытых, выходной). По этим связям данные перемещаются от входного слоя к выходному, на каждом шаге данные преображаются — так модель обрабатывает информацию и выдаёт результат (например, распознаёт изображение или составляет текст);
- параметры модели. Это внутренние «настройки» (числа), которые модель автоматически подстраивает в процессе обучения: они определяют, насколько сильно один искусственный нейрон влияет на другой. Чем точнее подобраны эти параметры — тем лучше модель решает задачу;
- алгоритмы обучения. Объясняют, как модели анализировать свои ошибки и постепенно улучшать ответы. Модель сравнивает свой текущий результат с правильным, вычисляет, в чём именно она ошиблась, а затем корректирует внутренние параметры, чтобы в следующий раз дать более точный ответ;
- дополнительные компоненты (в сложных моделях). Например, механизм внимания (attention) — способ, позволяющий нейронной сети «выделять» и сильнее учитывать наиболее важные части входных данных (например, ключевые слова в тексте или значимые фрагменты изображения).
Компоненты уровня мониторинга в архитектуре ИИ-систем:
1) мониторинг ошибок;
2) автоматическая маршрутизация и резервы;
3) умное управление трафиком;
4) механизмы отказоустойчивости;
5) управление промптами.
КЛЮЧЕВЫЕ ПЛАТФОРМЫ И ИНСТРУМЕНТЫ
Ключевые платформы и инструменты охватывают разные сферы: бизнес, маркетинг, аналитику и коммуникацию. Ниже представлены некоторые из них. В таблице 2 продемонстрированы инструменты и платформы для разных категорий.
ПРЕИМУЩЕСТВА И РИСКИ ВНЕДРЕНИЯ ИИ В РАБОТУ ПРЕДПРИЯТИЯ
Повышение производительности. Автоматизация рутины высвобождает до 30–40% рабочего времени сотрудников для творческих и стратегических задач.
Исключение человеческого фактора при вводе данных и расчетах. Ускорение принятия решений. Менеджеры получают готовую аналитику и прогнозы вместо сырых данных.
Персонализация, возможность массового индивидуального подхода к клиентам и сотрудникам. Круглосуточная доступность, сервисы на базе ИИ работают 24/7 без перерывов и выходных.
Несмотря на преимущества, использование ИИ на работе сопряжено с рядом вызовов:
- ИИ работает только на качественных данных («мусор на входе — мусор на выходе»). Многие компании сталкиваются с проблемой разрозненных и неструктурированных данных;
- риск утечки чувствительной корпоративной информации при использовании публичных нейросетей;
- страх сотрудников перед заменой их рабочих мест алгоритмами;
- проблема предвзятости алгоритмов (bias) при найме или оценке персонала;
- внедрение требует значительных инвестиций в инфраструктуру и компетенции.
ПРИМЕРЫ РЕАЛИЗАЦИИ В ПОПУЛЯРНЫХ КИС
Microsoft 365 Copilot - ИИ-ассистент, встроенный в Word, Excel, Outlook, Teams. Помогает писать письма, анализировать таблицы, делать саммари встреч.
1С:Предприятие (с элементами ИИ). Распознавание первичных документов, прогнозирование продаж, интеллектуальный подбор персонала.
Salesforce Einstein - встроенная аналитика в CRM, предсказание успешности сделок, автоматизация ввода данных.
SAP Joule - генеративный ИИ-ассистент для ERP-систем SAP, позволяющий querying данных естественным языком.
Таким образом, искусственный интеллект перестал быть технологией будущего и стал стандартом работы современных корпоративных информационных систем. Он трансформирует роль сотрудника: от исполнителя рутинных операций к оператору интеллектуальных систем и контролеру решений, принимаемых ИИ.
Успешное использование ИИ на работе зависит не только от технологии, но и от готовности компании менять бизнес-процессы, обучать сотрудников и обеспечивать качество данных. В ближайшем будущем нас ждет переход от отдельных ИИ-инструментов к гиперавтоматизации, где ИИ будет самостоятельно управлять сквозными бизнес-процессами под наблюдением человека.
ИИ в КИС — это не единая технология, а экосистема взаимосвязанных методов (ML, NLP, CV, GenAI), выбираемых под конкретные бизнес-задачи. Наибольшую ценность приносят решения, интегрированные в существующие бизнес-процессы, а не изолированные "игрушки". Качество данных и культура работы с ними — критический фактор успеха, часто более важный, чем выбор алгоритма. ИИ усиливает, а не заменяет экспертизу; доверие достигается через прозрачность и совместное проектирование.
Внедрение ИИ — это итеративный путь: от пилотов к масштабированию, от автоматизации задач к трансформации бизнес-моделей.
СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ
1) ГОСТ Р 7.0.97-2016 (в части автоматизации документооборота)
2) Материалы вендоров КИС (1С, SAP, Microsoft) о внедрении AI-функций
3) Исследования рынка Gartner и Forrester о трендах в Enterprise AI
4) Федеральный закон № 152-ФЗ «О персональных данных» (в контексте безопасности ИИ)
@ Кортенко Л.В., Матвеева О.О.