От теории к прибыли: как компании внедряют искусственный интеллект

Как вы определяете понятие «прикладной ИИ»? Чем он отличается от фундаментальных исследований в этой области?

Прикладной ИИ — это использование технологий искусственного интеллекта для решения конкретных бизнес или социальных задач: автоматизации процессов, прогнозирования, анализа данных и т. д. В отличие от фундаментальных исследований, он ориентирован не на открытие новых принципов работы ИИ, а на внедрение уже существующих решений с измеримым результат.

Какие направления прикладного ИИ сейчас наиболее востребованы бизнесом?

На самом деле их очень много, давайте я назову пару:

ИИ-агенты и мультиагентные системы. Автономные агенты способны выполнять задачи от начала до конца: собирать информацию, анализировать данные, принимать решения и выполнять действия без постоянного вмешательства человека. Они применяются в клиентском сервисе, HR, финансах, логистике и других сферах. Например, ИИ-агенты могут обрабатывать запросы, создавать тикеты, менять статусы заказов, инициировать возвраты, автоматизировать отчетность и подготовку аналитических сводок. Мы подобные системы внедряли в решение для программ лояльности и общения с потребителями.

Самое важное, по моему мнению это Оптимизация производственных процессов. ИИ применяется для контроля качества продукции (например, с помощью систем компьютерного зрения), мониторинга оборудования, оптимизации рабочих циклов и управления запасами. Тут безграничное поле для действий и вариантов решений.
Ну и наверное еще важный пример это: Кибербезопасность. ИИ используется для обнаружения аномалий, предотвращения угроз, автоматизации защиты информации и выявления мошенничества. Это особенно актуально в финансах, e-commerce и других сферах, где высок риск кибератак.

Какие тренды в развитии прикладного ИИ вы считаете наиболее значимыми для российской экономики в ближайшие 2–3 года?

Локализация и технологический суверенитет. В условиях требований к импортозамещению и цифровому суверенитету растет спрос на решения, способные работать вне облака, внутри корпоративных контуров или на пользовательских устройствах.

ИИ в госуправлении и регулировании. Интеллектуальные агенты уже используются на платформе «Госуслуги» для повышения эффективности услуг. Развитие регулирования в сфере ИИ (например, законопроект о государственном регулировании технологий ИИ) направлено на защиту прав граждан и стимулирование отечественных разработчиков.

ИИ в промышленности и производстве. Прогнозирование отказов оборудования, контроль качества, оптимизация рабочих циклов и управление запасами — направления, где ИИ демонстрирует значительный экономический эффект.

Гиперперсонализация и ИИ-поиск. Семантические модели ориентируются не на ключевые слова, а на намерения пользователя и контекст запроса. ИИ-поиск учитывает роль пользователя, временной контекст и сценарий использования, формируя разные ответы для разных категорий пользователей. Это влияет на e-commerce, маркетинг и корпоративные системы работы с данными. 

Все рассказывают об удачах искусственного интеллекта, а можете привести пример проекта, который не оправдал ожиданий? Что стало причиной неудачи?

А что о них говорить? Помните рекламу Coca-Cola (2024 год). Компания полностью сгенерировала новогоднюю рекламную кампанию с помощью ИИ. Видео с анимированными животными получило негативные отзывы: пользователи отмечали неестественную пластику, скачки стилистики и отсутствие «волшебства» и новогодней атмосферы. 

В каких бизнес‑процессах ИИ дает самый быстрый и измеримый эффект? А где его внедрение пока экономически нецелесообразно?

Ну это совсем легкий вопрос: 

Клиентский сервис: чат‑боты, речевая аналитика, обработка обращений(сокращение времени ответа, снижение нагрузки на сотрудников).

Маркетинг: персонализация рекомендаций, генерация контента, предиктивный анализ (рост конверсии на 20–30 %).

HR: автоматизация скрининга резюме (обработка сотен заявок за минуты).

Финансы: прогнозирование рисков и выручки, выявление мошенничества,автоматизация бухгалтерии (повышение точности прогнозов на 30–40 %).

Логистика: оптимизация маршрутов и запасов (снижение издержек на топливо и хранение).

Производство: контроль качества с помощью компьютерного зрения (выявление дефектов в реальном времени).
Хорошо, давайте тогда обсудим с Вами барьеры и вызовы, вот скажите какие основные препятствия мешают более широкому внедрению прикладного ИИ в российских компаниях? 

Основные препятствия для более широкого внедрения прикладного ИИ в российских компаниях носят комплексный характер. Прежде всего это высокие затраты на разработку, внедрение и поддержку ИИ‑решений — не все организации готовы к таким инвестициям, особенно при неопределенной окупаемости.

Серьезным барьером выступает дефицит квалифицированных кадров: нехватка специалистов по ИИ и data‑science, а также недостаточная цифровая грамотность управленческого звена.

Многие компании сталкиваются с проблемами качества данных: информация часто разрознена, неполна или неструктурированна — а без качественных данных эффективная работа ИИ невозможна.

Слабая ИТ‑инфраструктура тоже сдерживает прогресс: не хватает вычислительных мощностей, современных систем хранения и безопасной передачи данных.

Кроме того, бизнесу сложно оценить возврат инвестиций (ROI) в ИИ‑проекты:заранее спрогнозировать эффект от внедрения бывает затруднительно из‑за отсутствия четких метрик эффективности.

Обширно и это все трудности? 

Конечно нет! На самом деле, основная сложность в том что во многих компаниях отсутствует четкая стратегия внедрения ИИ: нет ясных целей, KPI и плана интеграции технологий в бизнес‑процессы. Дополнительно ситуацию осложняют ограничения на использование зарубежных облачныхс ервисов из‑за требований кибербезопасности и импортозамещения, а также недостаток проверенных отраслевых кейсов, которые могли бы служить ориентиром для других игроков рынка.

Взглянем в будущее? Каким вы видите рынок прикладного ИИ через 5–10 лет? Какие отрасли претерпят наибольшие изменения?
Однозначно, через 5–10 лет рынок прикладного ИИ станет значительно масштабнее: технологии глубже интегрируются в бизнес‑процессы, вырастет доля отечественных решений, усилится регулирование. В целом ИИ будет не заменять профессии, а перераспределять задачи:автоматизировать рутину и помогать специалистам принимать более точныерешения. При этом успех внедрения будет зависеть от решения текущих проблем — нехватки кадров, качества данных и развития инфраструктуры.

Что нужно сделать на уровне государства и бизнеса, чтобы ускорить внедрение ИИ и повысить его отдачу для экономики?
Я отвечу коротко: ключевой фактор успеха — партнерство государства и бизнеса: совместные инициативы, обмен опытом и создание единой экосистемы развития ИИ. Подойдет?

А можно подробнее?
Уговорили, по моему мнению чтобы ускорить внедрение ИИ и повысить его отдачу для экономики, государству нужно: Развивать инфраструктуру — строить ЦОДы, наращивать вычислительные мощности, в т. ч. отечественные; Поддерживать научные исследования и стартапы через гранты и льготное кредитование; Совершенствовать регулирование — создать четкие правила использования ИИ, стандарты безопасности и объяснимости моделей, предусмотреть экспериментальные правовые режимы; Инвестировать в образование — обновлять учебные программы, готовить и переобучать специалистов по ИИ; Формировать открытые дата‑сеты для обучения моделей (с соблюдением требований по защите данных); Стимулировать спрос на ИИ в госсекторе и через нацпроекты, запускать пилотные зоны в разных отраслях.
Подводя итог: прикладной ИИ уже сейчас способен дать серьезный импульс развитию экономики и качества госуслуг. Но чтобы раскрыть его потенциал в полной мере, критически важно объединить усилия — государства, бизнеса и научного сообщества. Только так мы сможем преодолеть существующие барьеры и выстроить устойчивую экосистему внедрения технологий, которая принесет измеримую пользу людям и стране в целом!