Формула полезного ИИ: от экспериментов к прибыли

К 2025 году корпоративный ИИ прошел проверку реальностью. Волна первоначального ажиотажа уступила место фокусу на результативность: теперь от технологии ждут не демонстрации возможностей, а прямого влияния на финансовые показатели. Однако на фоне рекордных инвестиций и массового внедрения ИИ разрыв между лидерами, извлекающими реальную прибыль, и большинством, увязшим в пилотных проектах, только увеличился. Явление получило название "разрыв GenAI" (GenAI Divide).

Эту картину подтверждает статистика. По данным отчета MIT Media Lab за 2025 год, 95% компаний, несмотря на миллиардные вложения, не получили измеримой отдачи от инвестиций в генеративный ИИ. Лишь 5% интегрированных пилотов приносят реальную ценность. Это приводит к возникновению "пилотного зоопарка" – множества немасштабируемых проектов, не влияющих на финансовые показатели.

Проблема заключается не в самой технологии, а в стратегии ее применения. Успешные компании в 2025 году переходят от погони за инновациями к дисциплинированному подходу, основанному на трех ключевых принципах. Что это за принципы и как их внедрить на практике, расскажет Михаил Неверов, директор по развитию искусственного интеллекта в Х5.

Принцип №1: ищите ROI в рутине

Наиболее надежный источник ценности от ИИ скрыт не в прорывных проектах, а в систематической автоматизации высокочастотных, рутинных и, на первый взгляд, "скучных" операционных процессов. Вместо проведения абстрактных мозговых штурмов на тему "где бы применить ИИ", лидеры рынка идут "в поля" и ищут монотонные задачи в промышленных масштабах.

В отчете PwC "AI Predictions" за 2025 год говорится, что революционная ценность ИИ достигается за счет "кумулятивного эффекта от постепенного повышения ценности в больших масштабах". Глобальный опрос McKinsey "State of AI" за 2025 год также выявил, что "перепроектирование рабочих процессов оказывает наибольшее влияние на способность организации видеть эффект от использования генеративного ИИ на уровне EBIT".

В нашей практике, например, сложные задачи, такие как ценообразование, дают наиболее емкий и измеримый эффект при их автоматизации. Мы применяем подход на базе нашей модели прогнозирования спроса, в том числе с использованием нейросетей. Благодаря этой системе и прогнозам мы пополняем наши магазины и распределительные центры, а также определяем оптимальные цены на товары. Система учитывает сезон, праздничные дни, погоду, особенности того или иного магазина и много других критериев. С помощью неё мы также можем подобрать наиболее эффективные параметры цены для промо.

Аналогичные принципы мы применяем и в маркетинговых активностях: например, с помощью ИИ мы создаём рекламные баннеры и изображения для персональных предложений нашим клиентам.

Успешная агентизация почти всегда опирается на предварительно стандартизированные процессы и технологии обеспечения надежности. Чтобы такие инструменты работали стабильно, компании внедряют практики наблюдаемости и трассируемости (Observability & Traceability), позволяющие пошагово восстановить всю цепочку "рассуждений" агента для аудита и отладки. Для борьбы с "галлюцинациями" и дезинформацией используется подход Retrieval-Augmented Generation (RAG), при котором модель перед ответом обращается к проверенной корпоративной базе знаний и основывает свои выводы на фактических данных, а не на внутренней информации.

Принцип №2: демократизируйте инструменты

Централизованные ИТ-отделы часто становятся "бутылочным горлышком", замедляющим инновации. Чтобы ИИ заработал в масштабе, необходимо предоставить инструменты самим бизнес-пользователям, дав им возможность решать локальные задачи с помощью платформ с низким уровнем кодирования или без него (low-code/no-code, LCNC).

Этот тренд подтверждают аналитики. По прогнозам Gartner, к концу 2025 года более 70% новых корпоративных приложений будут созданы с использованием LCNC-платформ. Эти платформы позволяют "гражданским разработчикам" – бизнес-пользователям с глубокой экспертизой в своей области – самостоятельно создавать необходимые им ИИ-решения.

Осознав, что наш ИТ-департамент никогда не сможет в одиночку обеспечить всех юристов, HR-специалистов и стратегов необходимыми ИИ-помощниками, мы создали внутреннюю no-code платформу ACE. С ее помощью сотрудники бизнес-подразделений могут самостоятельно собирать простые инструменты для решения своих локальных задач. Это снимает нагрузку с ИТ и многократно ускоряет проверку гипотез.

Логичным развитием этого подхода стало внедрение CoPilot X5 – внутреннего ИИ-ассистента, единой точки доступа к технологии для всей команды. Спрос со стороны бизнес-подразделений огромен: решением пользуются около 40% офисных сотрудников, в сентябре число запросов достигло 230 000. Эффективность инструмента мы обеспечиваем за счет гибкости: интеграция нескольких передовых LLM (включая модели от Anthropic, Google и OpenAI) позволяет специалистам выбирать оптимальную модель для конкретной задачи и оптимизировать расходы на токены.

Ценность ассистента возрастает при его адаптации под конкретные бизнес-функции. Например, мы внедрили функционал "Цифровых персон", который дает возможность маркетологам тестировать гипотезы о товарах или услугах на обобщенных категориях покупателей, получая быструю обратную связь без привлечения аналитиков. Для более узких задач, как у разработчиков, мы создали специализированные версии, помогающие редактировать кодовую базу.

Однако массовое создание ИИ-агентов бизнес-пользователями порождает системные риски. Во-первых, это "каскадные сбои", когда ошибка одного агента быстро распространяется на остальных. Во-вторых, возникает "усиление предвзятости" – ситуация, при которой ошибочные данные циклично используются всей системой. Для управления этими рисками применяются специальные архитектурные паттерны. В open-source фреймворке CrewAI используется иерархический процесс, где "агент-супервизор" делегирует задачи и контролирует их выполнение. Другой механизм – "общее рабочее пространство" (Shared Memory), где агенты сохраняют результаты в центральное хранилище для взаимной проверки, что снижает вероятность неконтролируемого распространения ошибок.

Принцип №3: интегрируйте незаметно

Ценность ИИ максимальна, когда он "невидим" – встроен непосредственно в существующие рабочие процессы и привычные приложения. Вместо того чтобы заставлять сотрудников изучать новые, отдельные ИИ-инструменты, передовые компании встраивают интеллектуальные функции в уже используемое ПО.

К примеру, вместо того чтобы заставлять маркетолога осваивать Midjourney, мы встроили необходимый ему функционал для генерации визуалов непосредственно в наш корпоративный CoPilot, которым он пользуется ежедневно. Ведущие поставщики, такие как Infor и Oracle, также активно интегрируют ИИ-ассистентов в свои ERP- и CRM-системы. Этот подход соответствует концепции "суперагентности" (Superagency), описанной в отчете McKinsey, где ИИ выступает в роли "цифрового напарника", расширяющего возможности человека в его текущем контексте.

Бесшовное встраивание ИИ требует применения многоуровневой архитектуры безопасности, известной как "Защита в глубине" (Defense-in-Depth). Она включает несколько эшелонов:

• Уровень 1: проактивная защита (AI Guardrails). Программные каркасы, такие как NVIDIA NeMo Guardrails, в реальном времени отслеживают и фильтруют рискованные запросы и ответы моделей, предотвращая генерацию токсичного или несоответствующего политике контента.
• Уровень 2: ограничение полномочий (принцип наименьших привилегий). ИИ-агенту предоставляется доступ только к тем ресурсам, которые абсолютно необходимы для выполнения его задачи, что минимизирует потенциальный ущерб в случае компрометации.
• Уровень 3: рефлексия и самокоррекция (LLM-as-a-Judge). Внутренний механизм, где одна LLM-модель выступает в роли "критика" или "судьи" для проверки результатов работы другой. Это позволяет автоматически обнаруживать и исправлять часть ошибок до того, как они повлияют на бизнес-процесс.
• Уровень 4: человек в контуре (Human-in-the-Loop). Финальная линия защиты, где для критически важных или высокорисковых операций (например, транзакций, превышающих определенный лимит) требуется обязательное подтверждение со стороны сотрудника.

Такая архитектура также подразумевает гибридную модель работы с данными: чувствительная информация (PII, финансовые данные) обрабатывается локальными, развернутыми on-premise моделями, в то время как для общих задач используются внешние API с обязательным маскированием и токенизацией данных.

Фундамент: корпоративное управление для масштабируемого ИИ

Три вышеописанных принципа работают в масштабе всей организации только при наличии формализованной системы корпоративного управления ИИ (AI Governance). Внедрение признанных на международном уровне фреймворков, таких как NIST AI RMF и ISO/IEC 42001, является основополагающим элементом.

• NIST AI RMF (Risk Management Framework) – это стандарт для управления рисками на всем жизненном цикле ИИ-систем. Он структурирован вокруг четырех ключевых функций: управление (Govern) – создание культуры управления рисками, картирование (Map) – определение контекста и угроз, измерение (Measure) – отслеживание и оценка рисков, и менеджмент (Manage) – распределение ресурсов для их минимизации.
• ISO/IEC 42001 – это первый международный сертифицируемый стандарт для Системы менеджмента искусственного интеллекта (SMAI), который подтверждает соответствие компании лучшим практикам управления на уровне всей организации.

Внедрение формального управления – это не замедление инноваций, а создание необходимого фундамента доверия и контроля. Практическая реализация такого подхода следует трехфазной модели:

• Фаза 1: пилотирование на ограниченном наборе систем;
• Фаза 2: адаптация корпоративных политик на основе полученных результатов;
• Фаза 3: масштабирование проверенных практик на всю компанию.

Ключевым инструментом становится матрица "Риск–Контроль", где для каждого уровня риска (от низкого до критического) прописаны обязательные меры: от базовых фильтров контента до развертывания моделей в полностью изолированной сети (air-gapped) для критически важных операций.

Заключение

Путь от инвестиций в искусственный интеллект к ощутимой бизнес-ценности – это стратегический марафон. Успех в нем определяет дисциплина в подходе к внедрению, а не сложность самих моделей. Компании, которые в 2025 году освоили формулу "рутина + демократизация + интеграция", основанную на прочном фундаменте корпоративного управления, составляют те самые 5%, которые успешно преодолевают "разрыв GenAI".