В 2025 году бизнес потратит на интеграцию искусственного интеллекта $644 млрд. Предпринимателям кажется, что все вокруг что-то оптимизируют и генерируют, поэтому и им нужно срочно куда-нибудь «прикрутить» ИИ. Они вкладываются в разработку новомодных продуктов, но не решают задачи и не видят желаемого роста прибыли. ИИ-хайп затмил инструменты на основе машинного обучения, которые реально работают в приложениях ретейлеров, банков и ресторанов. Генеральный директор Surf Владимир Макеев в колонке для Forbes на примерах из личной практики показывает, в каких случаях ИИ навредит продукту, а в каких — поможет
ИИ и машинное обучение — совсем разные вещи
«Искусственный интеллект» звучит солидно и футуристично. Но почему часто бывает, что компания прикручивает ИИ, а прибыль не растет? Обычно это значит, что для решения задач компании хватило бы обычного машинного обучения (machine learning, ML), о котором в бизнес-среде говорят реже.
Машинное обучение — алгоритмы, которые можно натренировать на данных, включить и смотреть, как они решают ваши задачи. Это умный поиск, системы рекомендаций, фичи для распознавания изображений и речи, автоматический перевод, фильтры, алгоритмы обнаружения случаев мошенничества.
ML не использует логику, не анализирует, не делает выводов — вообще не совершает никаких мыслительных процессов. Это алгоритм, который действует строго в рамках того, чему его научили. Он опирается на загруженный набор данных. Разработать и внедрить алгоритм ML дешевле, чем ИИ, за счет готовых инструментов TensorFlow, PyTorch и Scikit-Learn. Проект под ключ, включающий сбор, подготовку и очистку данных, настройку, внедрение и мониторинг алгоритма, стоит 50 000-250 000 рублей.
ИИ же позволяет машинам имитировать человеческий интеллект. Это большие языковые модели (LLM), генеративные модели для автоматизации процессов и аналитические модели для автопрома, медицины и других сфер. ИИ генерирует новые данные и ищет закономерности. Но обучение простой нейросети в России стоит от 1,5 млн рублей до 10 млн рублей, а за границей — $25 000-40 000. На сложные модели от Microsoft, Alphabet и OpenAI уходят сотни миллиардов долларов. Затраты на разработку растут на 30-50% в год из-за цен на оборудование и дефицита кадров.
При этом ИИ нужен только крупнейшим компаниям с большими объемами данных в специфических бизнес-сценариях. Например, P&G использует ИИ для обслуживания оборудования на производстве. Компании, которые внедряют ИИ несоразмерно целям, в 80% случаев терпят неудачу. Поэтому замена ML на «настоящий ИИ» в ретейле, фудтехе и банкинге — пустая трата денег. Пользовательский опыт не изменится, продажи не вырастут, а затраты улетят в космос.
Пять сценариев, когда ИИ на проекте не нужен
Бизнес прекрасно выживает без ИИ и успешно конкурирует с теми, кто решил его интегрировать. Это связано с тем, что продакт-менеджеры не всегда понимают, что конкретно с этим ИИ делать. Скорее всего, «что-нибудь автоматизировать». По факту ИИ не нужен в большинстве задач. Вместо него 72% компаний берут ML, который дешевле в разработке и требует меньше ресурсов на поддержку. Приведу пять сценариев, где ИИ не подходит.
- Замена техподдержки
Если задача — разгрузить операторов от рутины без ухудшения качества сервиса, ИИ не нужен. Чтобы заменить техподдержку, лучше настроить алгоритм при помощи машинного обучения и сделать простой чат-бот с фиксированными сценариями. Для этого в него загружается сет стандартных вопросов и ответов. ML умеет автоматически подставлять шаблонные ответы, анализировать ключевые слова, направлять сложные вопросы оператору. А вести философские беседы с клиентами, как могла бы делать языковая модель, конечно, круто, но для бизнеса нерентабельно.
- Настройка фильтров
Фильтры по категориям, ценам, типам — это обычная сортировка. Если пользователь выбирает кроссовки 43-го размера, система просто достает из базы нужные товары — это не «интеллектуальная» операция. Так работает ML в онлайн-магазинах любых брендов — от Nike и Amazon до Wildberries и «Пятерочки». Кажется, что можно внедрить умную технологию, например сложный чат-бот, который будет уточнять у пользователя его параметры и предлагать варианты. Но в нем принцип останется тем же — под капотом будет стандартный ML.
- Внедрение персонализированных рекомендаций
Для создания индивидуальных рекомендаций в e-commerce и продвижения финансовых продуктов в банке советую использовать ML-алгоритм. Он запоминает, какие товары и услуги люди смотрят и покупают, какие вещи часто берут вместе и что популярно среди похожих пользователей. На основе этих данных он предлагает релевантные вещи. Если рекомендации работают хорошо, продажи растут. Это подтверждает опыт внедрения ML-апсейлов в Burger King. Если нет — алгоритм можно быстро настроить. Обучать нейросеть для этого не нужно. Ее главные фишки — общение с людьми, предиктивная аналитика, генерация контента — не будут задействованы, а бизнес за них переплатит.
- Настройка базовой аналитики
Для сбора и анализа больших объемов данных тоже подойдет машинное обучение. Например, KFC было нужно классифицировать обращения пользователей, чтобы узнавать, к какому продукту они относятся и что делать, чтобы улучшить показатели. Она использовала форму с интегрированным ML, который определяет тему текста и сортирует обращения по продуктам. Он может направлять менеджерам жалобы и автоматически сортировать запросы, сокращая число ошибок первичной классификации в два раза.
- Улучшение системы модерации
Если в соцсети или сервисе для знакомств нужно настроить автоматическую фильтрацию контента, достаточно внедрить ML-алгоритм. Он способен распознавать сцены насилия, порнографию и нецензурную лексику, автоматически скрывать их и сообщать модераторам о нарушениях. К нам обратился клиент с запросом на православный дейтинг-сервис (NDA). Ему было важно, чтобы в приложении не появлялись фото обнаженных тел и глубоких декольте. Мы разработали ML-алгоритм для модерации контента за рамками этических норм. Так мы снизили количество ручной работы, увеличили скорость обработки обращений и сократили расходы. В случае, если «уверенность» модели низкая, решили отправлять контент на ручную проверку, чтобы повысить объективность фильтрации.
В каких ситуациях от ИИ стоит отказаться
- Когда ИИ-система использует корпоративные и персональные данные и данные под NDA, а компания не учитывает риски безопасности. Это может привести к утечкам.
- Когда компания не готова предоставить данные для разработки ИИ или настройки модели через Retrieval-Augmented Generation (генерация на основе найденной информации). Без развития культуры работы с данными и создания хранилища данных внедрять нейросети бесполезно.
- Когда не хватает масштаба бизнеса. В России даже «Яндекс» и «Сбер» плохо справляются с обучением нейросетей, если сравнить их YandexGPT и Gigachat с разработками OpenAI и DeepSeek. И не все крупные предприятия могут обучать ИИ без полумер вроде Low-Rank Adaptation. У малого и среднего бизнеса, по экспертным оценкам, не хватает денег и данных для создания стоящих альтернатив. Сейчас они только дообучают иностранные модели под свои нужды и русский язык.
Как можно применить машинное обучение
Готовые ML-алгоритмы есть в открытом доступе. Они лежат в Сети платно и бесплатно, и их можно дообучить на своем датасете. Единственная сложность для бизнеса — собрать данные. Подчеркну: данные — это самое дорогое, и их нужно копить, хранить и сортировать, потому что готовые тематические наборы сложно найти, они не всем подходят.
Пример: умный поиск в e-commerce-приложении. Мы интегрировали машинное обучение в поиск в приложении магазина модной одежды, так как старый алгоритм не соответствовал требованиям по качеству. Умный поиск помогает найти товар, когда пользователи не могут описать его словами. Он понимает запросы вроде «образ для коктейльной вечеринки». Это работает так:
- стандартный поиск ищет соответствия запросу по тексту — названию и описанию товара в карточке. Если тексты скудные или неправильные, система плохо работает.
- умный поиск ищет соответствие по фото. Его учат на картинках и созданных людьми подробных описаниях. Он запоминает, что те или иные материалы, стили и фасоны, например, подходят для похода на пляж летом. Поэтому выдает платье с открытой спиной по запросу «летнее платье», даже если этой фразы нет в описании товара.
На проекте мы не строили модель с нуля, а взяли готовое решение, адаптировали под задачу и обучили на нужных данных. Это в разы дешевле, чем полноценная ИИ-система, которая учится в реальном времени и требует мощных серверов. В итоге клиент доволен, потому что поиск стал работать так, как должен, и бизнес не потратил на это миллионы.
Когда все же нужно инвестировать в ИИ
Поддержка в разных формах. Чаще всего LLM внедряют в чат-боты для клиентов или сотрудников. Но модель оправдана только там, где простые способы уже не работают. Например, на портале «Госуслуги»: цифровой ассистент снижает когнитивную нагрузку на пользователя, когда услуг очень много. На портале он отвечает за навигацию: помогает найти ссылку на нужную страницу.
Разработка. ИИ ускоряет кодинг. Copilot-сервисы автоматически дополняют код и повышают скорость разработчиков на 30–40%.
Продвинутая аналитика. Некоторые виды ИИ пригодятся, если на огромной территории сельскохозяйственного предприятия нужно регулировать полив полей в зависимости от погоды или на заводе нужно прогнозировать износ оборудования.
Поиск скрытых проблем. ИИ полезен, когда нужно разбираться с данными и искать узкие места. Например, если на сайте вдруг падает конверсия, нейросеть может проанализировать тепловую карту, посмотреть, как ведут себя пользователи, и подсветить проблемы.
Итого
Нейросети в 2025 году остаются дополнительными инструментами, которые лучше всего раскрываются в задачах поддержки клиентов и аналитики после дообучения. На большее они пока не способны, а полноценные и достойные ИИ-агенты еще не появились. Российский рынок ИИ критически отстает: компании могут только адаптировать зарубежные модели. Но если верить нашумевшему визионерскому эссе Situational Awareness, LLM умнеют в 10 раз за год. Притом что глобальный тренд смещается в сторону миниатюризации и мультимодальности, а Китай выпускает мощные легковесные модели, все еще может перевернуться.
Мнение редакции может не совпадать с точкой зрения автора
Источник: www.forbes.ru
