Перейти к основному содержимому

8.06. Искусственный интеллект в бизнесе

ДЛЯ НОВИЧКОВНЕ ДЛЯ НОВИЧКОВНЕ ОБЯЗАТЕЛЬНОВ РАЗРАБОТКЕ
Всем

Искусственный интеллект в бизнесе​

1. Объект технологического и экономического интереса​

Искусственный интеллект — это совокупность методов, алгоритмов и систем, позволяющих автоматизировать задачи, требующие при участии человека анализа, принятия решений, распознавания образов, генерации текста или других когнитивных функций. Технологическая реализация ИИ предполагает использование статистических моделей, нейронных сетей, методов машинного обучения и обработки естественного языка. Эти компоненты работают на основе данных, архитектур и вычислительных ресурсов.

В последние годы ИИ превратился в центральный элемент стратегического позиционирования технологических компаний. Инвесторы рассматривают ИИ как фактор роста стоимости бизнеса, потребители ожидают от продуктов с меткой «на базе ИИ» кардинально новых возможностей, а разработчики стремятся интегрировать ИИ в существующие продукты даже при отсутствии явной задачи, где его применение даёт ощутимое преимущество.

Этот рост интереса сопровождается формированием нескольких устойчивых представлений. Одно из них — представление об ИИ как о субъекте, обладающем пониманием, намерениями и творческими способностями. Другое — представление о технологической самодостаточности стартапов, заявляющих о собственной разработке моделей. Третье — ожидание, что любое упоминание ИИ в описании продукта автоматически приводит к повышению его функциональной глубины и полезности.

Эти представления часто не соответствуют реальному положению дел. Технические возможности современных моделей строго ограничены их архитектурой, объёмом и качеством обучающих данных, условиями использования и экономическими ограничениями. Ни одна из доступных сегодня моделей не обладает сознанием, не способна к рефлексии, не формирует намерений и не создаёт произведения в том смысле, в каком это делает человек. Генерация текста, изображений или музыки происходит на основе статистических закономерностей, выявленных в обучающих корпусах. Это мощный механизм интерполяции, а не творческий акт.

Для иллюстрации: художник, анализирующий изображение, созданное генеративной моделью, отмечает предсказуемость стилистики, ошибки в анатомии, несогласованность перспективы и отсутствие художественного замысла. Музыкант, слушающий композицию, сгенерированную ИИ, слышит отсутствие драматургического развития, механическую симметрию фраз, непродуманный темп и отсутствие интонационной выразительности, присущей живому исполнению. Писатель, юрист или историк, проверяющий сгенерированный текст, сталкивается с поверхностным пониманием контекста, упрощённой аргументацией и отсутствием оригинального взгляда.

Это следствие архитектурной природы. Генеративные модели обучаются на прошлом опыте человечества, закодированном в цифровом виде. Они не способны выйти за пределы этого опыта без внешнего вмешательства. Любой выход за рамки обучающего корпуса требует явной инструкции, уточнения, последовательной адаптации. Поэтому автоматическая генерация стихотворений, юридических актов или аналитических отчётов требует не одного запроса, а итеративного диалога с корректировкой, селекцией и рефлексией со стороны человека.

Бизнес, ориентированный на быстрый выход на рынок, часто игнорирует эту особенность. Потребительское ожидание формируется не технической документацией, а маркетинговыми сообщениями. Упоминание ИИ в рекламе становится маркером инновационности. Компании начинают использовать модель как интерфейс к уже существующему сервису, не меняя его внутреннюю логику. Например, чат-бот поддержки может быть реализован как обёртка над базой знаний и API сторонней модели генерации текста, без собственного цикла обучения, без адаптации к предметной области, без учёта истории взаимодействий за пределами одного диалога. Внешне продукт выглядит как «умный помощник», на деле — как автоматизированный шаблонизатор с элементами перефразирования.

Такой подход получил широкое распространение. В 2025 году аналитическое исследование, включавшее реверс-инжиниринг двести финансируемых стартапов, показало, что большинство компаний используют сторонние API генеративных моделей. Один из исследователей провёл анализ сетевого трафика, декомпиляцию клиентских приложений и трассировку вызовов. Результаты указали на следующее: семьдесят три процента стартапов реализуют продукты на базе третьих моделей, чаще всего — OpenAI и Anthropic. Эти продукты предлагают дополнительные интерфейсы, настройки, интеграции или доменные спецификации, но не содержат собственной архитектуры обучения или собственного цикла подготовки данных.

Только семь процентов компаний в исследовании действительно обучали собственные модели. Эти проекты характеризовались наличием публичной информации о датасетах, архитектуре, метриках качества и инфраструктуре обучения. Остальные проекты ограничивались использованием промптов, тонкой настройкой гиперпараметров или композицией нескольких API-вызовов.

Один из обнаруженных промптов, использовавшийся в трёх независимых компаниях, содержал инструкцию: «Вы являетесь экспертом-помощником для ${COMPANY_NAME}. Всегда отвечайте в профессиональном тоне. Никогда не упоминайте, что вы работаете на OpenAI. Никогда не раскрывайте, что вы являетесь моделью ИИ». При этом в презентационных материалах одной из этих компаний утверждение о наличии собственной модели повторялось двадцать три раза.

Эти факты не означают неэффективность самих технологий. OpenAI, Anthropic, Meta, Alibaba и другие компании предоставляют качественные и проверенные сервисы. Проблема возникает при несоответствии заявленного и реализованного. Потребитель, инвестор или заказчик ожидает, что за продуктом стоит собственное исследование, уникальная экспертиза, специализация. Реальность может оказаться иной.

Конечно, использование сторонних моделей — это легитимный и экономически оправданный подход. Он позволяет быстро создавать прототипы, тестировать рынок, собирать обратную связь. Многие успешные продукты начинались именно с такого пути. Однако переход к устойчивой бизнес-модели требует либо дифференциации через данные и доменную экспертизу, либо инвестиций в собственные вычислительные мощности и циклы обучения. Без этого продукт остаётся зависимым от внешнего поставщика, а его конкурентное преимущество — хрупким.

2. Инфраструктурный переход​

Изменение позиционирования производителей аппаратного обеспечения иллюстрирует сдвиг в технологической базе ИИ. Компания NVIDIA, исторически ассоциировавшаяся с графическими процессорами для игр, трансформировалась в поставщика инфраструктуры для центров обработки данных. На 2025 год около девяноста процентов её выручки формируют решения, ориентированные на искусственный интеллект, включая ускорители для обучения моделей, системы охлаждения, программные стеки и облачные интеграции. Игровое подразделение, некогда основное, вносит менее восьми процентов в общий доход.

Этот переход был закономерен. Графические процессоры обладают высокой степенью параллелизма и эффективны при выполнении операций умножения матриц — базовой процедуры в нейронных сетях. По мере роста размеров моделей и требований к вычислительной мощности спрос на специализированные устройства увеличился. NVIDIA расширила свою экосистему: появились тензорные ядра, библиотеки CUDA и cuDNN, оптимизированные для глубокого обучения, и архитектура NVLink, позволяющая объединять десятки GPU в единую систему. Продукты стали предлагаться не как отдельные компоненты, а как комплексные решения — от чипа до программного стека, совместимого с Kubernetes и основными фреймворками машинного обучения.

Такой подход позволил компании занять доминирующее положение на рынке ускорителей ИИ. Конкуренты — AMD, Intel, а также разработчики процессоров на базе архитектуры ARM и специализированных ASIC — не смогли быстро предложить сопоставимый уровень интеграции и поддержки. В результате центры обработки данных, обучающие крупные языковые модели, в подавляющем большинстве используют оборудование NVIDIA. Это создаёт эффект сетевой зависимости: разработчики оптимизируют свои модели под CUDA, исследователи публикуют код с предположением о наличии NVLink, а облака формируют тарифы, привязанные к количеству GPU A100 или H100.

Технологическая зависимость усиливается экономической. Оборудование для обучения моделей класса GPT-4 или выше требует инвестиций в десятки миллионов долларов только в железо, не считая затрат на электроэнергию, охлаждение и персонал. Это ограничивает круг участников, способных разрабатывать модели «с нуля», десятком корпораций и государственных проектов. Остальные игроки вынуждены использовать готовые API или дообучать существующие модели на узкоспециализированных данных.

Таким образом, инфраструктурный уровень ИИ сосредоточен в руках немногих поставщиков. Это не препятствует созданию ценности на более высоких уровнях — в интерфейсах, данных, предметной экспертизе, процессах интеграции. Но оно задаёт рамки: любая компания, строящая продукт на основе ИИ, работает в условиях, определяемых возможностями и политикой этих поставщиков.

3. Экономика роста​

Потребительский сегмент генеративного ИИ демонстрирует устойчивый рост. По данным OpenAI, число еженедельных пользователей ChatGPT превышает семьсот миллионов человек. Пять процентов из них — около тридцати пяти миллионов — используют платные подписки: Plus за двадцать долларов в месяц или Pro за двести долларов. В первом полугодии 2025 года эти подписки принесли компании 4,3 миллиарда долларов, что на шестнадцать процентов превышает совокупный доход за 2024 год.

Прогнозы на 2030 год предполагают увеличение числа платных пользователей до двухсот двадцати миллионов. При этом средняя выручка на пользователя может вырасти за счёт расширения функционала, корпоративных тарифов и интеграции в рабочие процессы. Общий объём рынка услуг генеративного ИИ оценивается в десятки миллиардов долларов в год.

Эти цифры объясняют поведение инвесторов. Для венчурных фондов каждая компания, способная привлечь и удержать подписчиков, становится объектом внимания. Коэффициент капитализации определяется не прибылью, а темпами роста аудитории, уровнем вовлечённости и потенциалом монетизации. Поэтому стартапы делают ставку на скорость: минимальный жизнеспособный продукт создаётся за несколько недель, маркетинговая кампания запускается одновременно с первым релизом, а раунд финансирования объявляется до появления первых платных клиентов.

Такая модель работает до тех пор, пока рынок растёт быстрее, чем появляются признаки насыщения. Однако экономика подписок имеет особенность: удержание пользователя зависит от постоянного повышения ценности. Если продукт не развивается, не интегрируется в рабочие процессы, не решает новых задач, отток начинает превышать приток. Это особенно чувствительно в B2B-сегменте, где оценка ROI происходит регулярно.

Рано или поздно возникает необходимость в технологической дифференциации. Промпт-инжиниринг и UI-обёртки имеют предел масштабируемости. Увеличение задержек при генерации, рост стоимости запросов к внешним API, требования к конфиденциальности данных и локализации вычислений — всё это стимулирует переход к более глубоким уровням интеграции.

4. Технологическая зрелость​

Существует три основных уровня взаимодействия с генеративными моделями:

  1. Промпт-инжиниринг — формирование текстовых инструкций, управляющих поведением модели. Это самый доступный и быстрый способ. Он не требует изменения параметров модели, не предполагает затрат на вычислительные ресурсы. Эффективность промпт-инжиниринга ограничена возможностями базовой модели: если в обучающем корпусе отсутствуют примеры решения конкретной задачи, качественный результат получить невозможно. Промпт работает как фильтр, направляющий уже существующие способности модели, но не расширяющий их.

  2. Дообучение (fine-tuning) — адаптация предобученной модели под конкретную предметную область или стиль. Процедура включает дополнительное обучение на небольшом наборе данных, релевантных задаче. Например, модель языка может быть дообучена на внутренних регламентах компании, технической документации или переписке с клиентами. Дообучение повышает точность формулировок, снижает количество несоответствий и позволяет сохранять консистентность в ответах. Оно требует вычислительных ресурсов, но значительно менее затратно, чем обучение с нуля.

  3. Обучение с нуля — создание модели на основе собственной архитектуры и собственных данных. Этот путь предполагает сбор и очистку датасета объёмом в миллиарды токенов, проектирование архитектуры нейронной сети, настройку гиперпараметров, запуск цикла обучения на кластере GPU в течение недель или месяцев. Результат — модель, потенциально обладающая уникальными свойствами, такими как поддержка редких языков, спецификация в узкой области (медицина, право, инженерия) или соответствие требованиям регуляторов. Стоимость такого проекта измеряется в миллионах долларов, а сроки — в годах.

Большинство стартапов останавливаются на первом уровне. Это рациональный выбор на этапе проверки гипотезы. Но для построения устойчивого бизнеса требуется переход ко второму или третьему уровню. Компании, оставшиеся на уровне промптов, остаются уязвимыми к изменениям в политике сторонних API: рост цен, ограничение доступа, изменение формата ответов.

5. Открытые модели​

Рынок генеративного ИИ переживает этап качественного сдвига — от закрытых, проприетарных систем к моделям с открытыми весами и публичными лицензиями. Этот переход изменяет экономику доступа, снижает порог входа для разработчиков и создаёт условия для технологической независимости.

Ключевыми представителями этого тренда являются Qwen (Alibaba), DeepSeek (DeepSeek AI), Llama (Meta), Mistral (Mistral AI) и Phi (Microsoft). Эти модели публикуются под лицензиями, допускающими коммерческое использование, модификацию и локальное развёртывание. Некоторые компании предоставляют не только веса, но и полные инструкции по воспроизведению обучения, включая состав датасетов, параметры оптимизаторов и метрики качества на этапах.

Открытость не означает полной прозрачности. Например, Meta публикует веса Llama, но не раскрывает список URL, использованных при сборе обучающего корпуса. DeepSeek предоставляет веса DeepSeek-VL (мультимодальная версия) и DeepSeek-Coder (ориентированная на программирование), но не публикует логи обучения. Тем не менее, даже частичная открытость позволяет проводить независимую верификацию: исследователи проверяют качество генерации, выявляют смещения, тестируют поведение на специализированных задачах — без необходимости полагаться на маркетинговые заявления.

Важнейшее следствие — возможность локального развёртывания. Модели класса Qwen2.5-7B или DeepSeek-V2-Lite умещаются на одном GPU с 16–24 ГБ памяти. Это открывает доступ к инференсу без зависимости от облачных API. Компании могут размещать модели в изолированных сегментах сети, контролировать входные и выходные данные, обеспечивать соответствие требованиям регуляторов (включая российское законодательство о персональных данных и суверенитете). Для образовательных проектов, государственных систем и критически важных процессов это становится не преимуществом, а необходимостью.

Локальный инференс меняет и экономическую модель. Стоимость одного запроса к проприетарному API — от десятков центов до нескольких долларов при использовании токсичных (long-context) режимов. При локальном запуске затраты сводятся к амортизации оборудования и электроэнергии. Для высоконагруженных сценариев (например, автоматическая обработка технической документации или генерация черновиков отчётов) экономия достигает порядков.

Это не отменяет роли облачных решений. Для задач, требующих максимального качества (например, обработка запросов на естественном языке в клиентской поддержке), проприетарные модели по-прежнему лидируют. Но теперь у разработчика появляется выбор: использовать внешний API там, где критична точность и скорость внедрения, и развёртывать открытую модель там, где важны контроль, конфиденциальность и предсказуемость затрат.

Также меняется позиция стартапов. Компания, использующая Qwen или DeepSeek, может честно заявить: «Мы применяем проверенную открытую модель, адаптированную под нашу предметную область». Это не снижает ценности продукта — наоборот, повышает доверие. Потребитель получает объяснимую архитектуру, возможность аудита и гарантию непрерывности работы. В условиях растущей скептической настроенности рынка такая позиция становится конкурентным преимуществом.

6. Критерии оценки технологической реализации ИИ​

Для заказчика, инвестора или интегратора важно уметь отличать продукт с реальной технологической основой от обёртки. Следующие признаки позволяют провести объективную оценку без доступа к исходному коду:

  • Наличие публичной документации по обучению — описание объёма и состава датасета, архитектуры модели, метрик качества (например, perplexity, точность на benchmark-наборах), используемого оборудования. Отсутствие таких данных — сигнал к дополнительной проверке.

  • Поддержка offline-режима — возможность работы без подключения к интернету. Если продукт требует постоянного соединения с внешним сервером, вероятно, используется облачный API.

  • Локализация вычислений — заявленная возможность развёртывания в изолированном контуре (например, в госсекторе или на промышленном предприятии). Реализация такого режима возможна только при использовании собственной или открытой модели.

  • Специфичность поведения — способность корректно обрабатывать узкоспециализированные термины, форматы, регламенты, отсутствующие в общедоступных корпусах. Например, генерация актов по ГОСТ 34.602-2023 или анализ кода на устаревших диалектах 1С требует либо дообучения, либо встраивания внешних знаний.

  • Скорость и предсказуемость задержек — при использовании стороннего API время ответа колеблется в зависимости от нагрузки на серверы поставщика. При локальном инференсе задержки стабильны и пропорциональны сложности запроса.

  • Реакция на edge-case’ы — нестандартные, противоречивые или провокационные запросы. Проприетарные модели часто активируют модули безопасности, блокируя ответ. Открытые модели позволяют настраивать поведение, включая отключение фильтров для внутреннего использования.

Эти критерии применимы и при оценке внутренних проектов. Если команда заявляет о разработке ИИ-модуля, но не может предоставить данные по обучению, не тестирует offline-режим и не проводит A/B-сравнение с базовыми моделями — вероятно, реализация ограничена промпт-инжинирингом.

7. Интеграция ИИ в технические и образовательные процессы​

При включении ИИ в документационные, разработческие или педагогические процессы важно учитывать его текущие ограничения и возможности. Ниже — обобщённые рекомендации, основанные на практике создания технической документации, образовательных курсов и инженерных систем.

Для технической документации
Генеративные модели эффективны при создании черновиков: описаний API, заготовок разделов, форматирования структуры. Финальная редактура, проверка точности терминов, согласование с ГОСТ и внутренними стандартами остаются за человеком. Автоматическая генерация примеров кода требует валидации — модели часто создают синтаксически корректный, но логически неверный код. Лучший результат даёт гибридный подход: модель генерирует варианты, инженер выбирает и модифицирует.

Для образовательных проектов
ИИ может служить инструментом обратной связи: проверка синтаксиса кода у учеников, генерация дополнительных заданий, пояснение ошибок на понятном языке. Однако объяснение концепций, построение логики курса, разработка метафор и визуализаций требуют педагогической экспертизы. Модель не заменяет учителя — она расширяет его возможности. Особенно важно избегать ситуаций, когда ИИ выступает как единственный источник знаний: без критической рефлексии формируется иллюзия понимания.

Для инженерных процессов
Автоматизация рутинных задач — парсинг логов, классификация инцидентов, генерация unit-тестов — приносит измеримую пользу. Интеграция в CI/CD-конвейер возможна при условии чётких границ: модель предлагает правку, система проверяет её через статический анализ и тесты, человек утверждает. Полная автономная генерация кода в production-среде не рекомендуется без многоуровневой верификации.

Во всех случаях ключевой принцип — человек остаётся в контуре принятия решений. ИИ — инструмент повышения производительности, а не субъект ответственности. Эта позиция соответствует текущему уровню технологий и позволяет строить устойчивые, объяснимые и безопасные системы.

8. Зрелость рынка и стратегические ориентиры на 2026–2027 годы​

Рынок генеративного ИИ завершает фазу эйфории и вступает в этап консолидации. Первичный всплеск инвестиций, основанный на демонстрации возможностей крупных языковых моделей, уступил место требованиям к устойчивости, прозрачности и измеримой экономической эффективности. Инвесторы переходят от оценки по метрикам роста аудитории к анализу операционных затрат, стоимости удержания клиента и доли выручки, генерируемой без зависимости от внешних API.

Этот сдвиг подтверждается данными о реальном техническом стеке стартапов. Исследование, включавшее реверс-инжиниринг двухсот финансируемых компаний, показало, что 146 из них используют сторонние API для генерации основного контента — преимущественно OpenAI и Anthropic (Claude). Это не маргинальная практика, а доминирующая модель на ранних стадиях. Продукты отличаются интерфейсом, доменной настройкой промптов, композицией нескольких запросов и визуальной подачей, но не архитектурной самостоятельностью.

Такая ситуация неизбежна на этапе формирования рынка. Технологический стек генеративного ИИ требует значительных вложений и экспертизы. Использование готовых API позволяет проверить гипотезу за недели, а не годы. Однако долгосрочная жизнеспособность продукта зависит от того, насколько быстро компания переходит от потребления ИИ к владению его компонентами: данными, обученными моделями, инфраструктурой инференса и процессами верификации.

Основные тенденции на 2026–2027 годы:​

  1. Рост роли открытых моделей в коммерческих продуктах
    Модели вроде Qwen, DeepSeek, Llama 3 и Mistral 3 — особенно в версиях с 7–13 миллиардами параметров — достигли уровня качества, достаточного для решения широкого круга задач: обработки технической документации, генерации черновиков кода, классификации запросов, автоматизации деловой переписки. Их преимущества — отсутствие зависимости от политики сторонних API, предсказуемая стоимость, возможность аудита и адаптации под требования регуляторов. К 2027 году доля коммерческих продуктов, построенных на открытых весах, превысит сорок процентов в сегментах B2B-инструментов для разработчиков, технических писателей и аналитиков.

  2. Формирование стандартов прозрачности
    Появятся добровольные и регуляторные требования к раскрытию технологической основы ИИ-продуктов. Например, указание в документации:

    • базовая модель (с версией и источником),
    • тип адаптации (промпт, дообучение, fine-tuning),
    • место выполнения инференса (локально / облако поставщика / облако клиента),
    • наличие механизма проверки фактов или референсной привязки.
      Такие стандарты уже тестируются в ЕС в рамках AI Act и в Китае — в регулировании генеративного контента. В России аналогичные инициативы могут быть связаны с требованиями к ГИС и системам госуправления.

  3. Разделение сегментов по уровню технологической автономии
    Сформируются три устойчивых сегмента:

    • Интерфейсные продукты — оптимизация UX вокруг проприетарных API (чаты, конструкторы, визуальные редакторы). Их конкурентное преимущество — скорость, удобство, интеграция в рабочие процессы.
    • Гибридные решения — комбинация открытых моделей, дообучения на приватных данных и узкоспециализированных модулей (например, парсеры регламентов, генераторы на основе шаблонов ГОСТ). Их преимущество — баланс между качеством, контролем и стоимостью.
    • Полноценные ИИ-платформы — компании, обучающие собственные модели и контролирующие полный цикл: сбор данных, обучение, развёртывание, мониторинг. Их преимущество — уникальность, масштабируемость и соответствие строгим требованиям безопасности.

  4. Изменение роли разработчика и технического писателя
    Профессии, связанные с созданием и сопровождением технического контента, трансформируются. Задачи, требующие шаблонного описания (например, документация API, описание параметров, заготовки разделов), частично автоматизируются. Остаются и усиливаются задачи, требующие экспертизы:

    • проектирование структуры знаний,
    • выявление противоречий в материалах,
    • адаптация сложных концепций под целевую аудиторию,
    • верификация автоматически сгенерированного контента.
      Технический писатель становится куратором знаний, а не только их фиксатором. Это повышает требования к предметной и методологической компетентности.

  5. Экономическая перезагрузка маркетинговых ожиданий
    Заявления вида «наша модель превосходит GPT-4» без публикации данных на общепринятых benchmark’ах (MMLU, GSM8K, HumanEval и др.) теряют доверие. Инвесторы начинают требовать proof-of-work: логи обучения, сравнительные таблицы, демонстрации offline-инференса. Стартапы, не прошедшие аудит технологической основы, сталкиваются с трудностями при привлечении Series B и выше.