Егор Ворогушин, Softline: корпоративный интеллект нельзя купить целиком

— Тема корпоративного AI сейчас у всех на слуху. Но результаты — очень разные. В чем, на ваш взгляд, главная ошибка?

Главная ошибка — думать, что модель сама по себе и есть решение. Компания покупает доступ к LLM, сотрудники начинают пользоваться ею как «умным поиском», и на этом все заканчивается. Никакого измеримого эффекта нет, потому что модель не знает ни ваших данных, ни ваших регламентов, ни ваших целей. Интеллект не встраивается автоматически — его нужно целенаправленно привязывать к конкретным процессам.

— Тогда что такое правильная архитектура корпоративного AI?

Это не модель как таковая, а система вокруг нее. Мы в «Softline Решения» выделяем пять ключевых инструментов, которые работают в связке. Первый — промптинг: как компания формулирует задачи для модели, какие форматы результата считаются приемлемыми. Это новый вид корпоративных инструкций — только адресованных алгоритму, а не сотруднику. Второй — RAG, то есть дополнение модели поиском по внутренним данным компании. Третий — доступ к действиям в системах. Четвертый — дообучение. Пятый — агентность.

Егор Ворогушин — директор департамента цифровых решений  ГК Softline.

— Расскажите подробнее про RAG. Почему это так важно?

RAG — это Retrieval-Augmented Generation, то есть генерация с дополнением через поиск. Если сильно упростить: вместо того чтобы модель отвечала из общего «интернетного опыта», она обращается к вашим документам, договорам, регламентам, продуктовым описаниям. Это радикально снижает уровень фантазий — галлюцинаций, как их называют технари — и переносит в модель локальное знание бизнеса. Разница между ответом из общей базы и ответом из ваших внутренних данных — принципиальная.

— А дообучение? Это не то же самое?

Нет, это принципиально разные вещи. RAG меняет контекст, который модель получает на вход. Дообучение меняет внутреннюю логику самой модели — она буквально «переписывается» на ваших примерах. Это мощный инструмент, но он требует значительных ресурсов, данных и экспертизы. Для большинства корпоративных сценариев достаточно грамотного сочетания промптинга и RAG. Дообучение оправдывает себя в специализированных случаях, когда обычными методами нужного качества не добиться.

— Вы упомянули агентность. Что это означает на практике?

Агент — это модель, которая не просто отвечает на вопрос, а проходит цепочку шагов: оценивает контекст, выбирает инструмент, обращается к данным, принимает промежуточное решение и доводит задачу до конечного состояния или передает человеку. Это уже не «умный помощник в соседнем окне» — это участник процесса. Когда модель может выполнять операции, менять статусы, инициировать действия и передавать результат дальше по цепочке без разрывов — процесс начинает работать не просто быстрее, а иначе.

— Как выглядит правильное внедрение — с чего начинать?

С конкретного вертикального процесса. Берете, например, разбор страховых случаев, корпоративные закупки или закрытие финансового периода — и разбиваете его на отдельные шаги. У каждого шага появляется понятный вход и выход. Для каждого шага выбираете инструмент: где-то достаточно промпта, где-то нужен RAG, где-то связка RAG плюс доступ к системам, а какой-то шаг вообще нельзя отдать модели — там остается человек. И для каждого шага задаете метрики: точность, время обработки, доля ошибок. Это позволяет сравнивать «как было» и «как стало» в цифрах, а не на уровне ощущений.

— А дальше?

Дальше — итерационная работа. Настраиваете инструмент, проверяете на реальных кейсах, замеряете качество, корректируете архитектуру. По сути, классический продуктовый цикл: гипотеза — эксперимент — измерение — доработка. Когда отдельные шаги начинают работать с приемлемым качеством, вы собираете процесс обратно. И вот тогда ускорение отдельных шагов превращается в ускорение всего цикла, а снижение ошибок на этапах — в снижение реальных рисков для бизнеса.

— ГК Softline работает с клиентами разного масштаба. Есть ли разница в подходе?

Разница есть в стартовой точке. У крупных корпораций обычно больше данных и сложнее системный ландшафт — больше источников, больше интеграций, выше требования к безопасности. У компаний поменьше чаще не хватает структурированных данных для RAG, и там важнее начать с правильного промптинга и простых инструментов. Но принцип один и тот же: не «давайте попробуем AI», а «давайте возьмем конкретный процесс и сделаем его измеримо лучше».

— Как понять, что внедрение прошло успешно?

Когда у вас есть цифры до и после. Не «кажется, стало удобнее», а конкретные метрики: время цикла сократилось на столько-то процентов, доля ошибок снизилась, количество задач, требующих участия эксперта, уменьшилось. Сильный AI для корпораций вырастает не из модных демонстраций, а из инженерии. Он требует архитектуры, данных, доступа, регламентов и продуктового подхода. Но если эта работа сделана — интеллект перестает быть экспериментом и превращается в источник экономической ценности.