Блог о AI

Большинство компаний «внедряют ИИ» одним и тем же способом: открывают ChatGPT и задают абстрактные вопросы вроде «как увеличить продажи?». Результат — поверхностные ответы, оторванные от реальности бизнеса. По оценкам экспертов, 98–99% пользователей никогда не поднимаются выше этого уровня.

Модель цифровой зрелости: что говорит наука

Ключевая модель, на которую мы опираемся в работе с клиентами — Deloitte Digital Maturity Model. Deloitte выделяет 7 «цифровых опор», вокруг которых строится трансформация. Исследование, охватившее более 1 200 топ-менеджеров, показало: компании с высокой цифровой зрелостью в 3 раза чаще демонстрируют прибыль выше средней по отрасли.

7 уровней работы с ИИ

Уровень 1: Работа в чате. Абстрактные вопросы без контекста бизнеса. ИИ не знает ни специфики компании, ни цифр. Это не внедрение ИИ — это игра с технологией.

Уровень 2: Осознанная работа с промтами. Появляется структура: конкретная роль, чёткие критерии и реальные данные. «Вот 200 отзывов клиентов — найди боли и дай 3 решения с оценкой в рублях».

Уровень 3: Проекты и базы знаний. ИИ получает изолированный контекст компании: брендбук, номенклатуру, финансовую отчётность. Анализирует именно ваш бизнес, а не фантазирует.

Уровень 4: Навыки и регламенты. Рутина оцифровывается в интеллектуальную собственность. Методом «интервью» ИИ фиксирует логику эксперта и создаёт воспроизводимый навык.

Уровень 5: Агент с набором навыков. Виртуальный сотрудник: одна команда «подними маржу» запускает цепочку из парсинга, анализа, расчёта и генерации.

Уровень 6: Рой агентов. Специализированные агенты под управлением агента-руководителя. Команда из 5 человек конкурирует со 100+ сотрудниками.

Уровень 7: Автономная система. «Запустил и забыл»: работа по триггерам, самомониторинг, финальный отчёт в Telegram раз в неделю.

Вывод

Не пытайтесь прыгнуть с уровня 1 сразу на уровень 5 — эволюция должна быть последовательной. Настоящая ценность — в поэтапном выстраивании контекста, оцифровке процессов в навыки и создании автономных систем.

«Когда всё это закончится?» — этот вопрос мне задают на каждой стратегической сессии. Директора устали от бесконечных трансформаций, которые длятся годами и не дают результата. Разберёмся, почему трансформация никогда не заканчивается — и это нормально.

Что говорит Deloitte

Три четверти компаний уже начали цифровую трансформацию, но большинство застревает на полпути — бюджеты растут на 25% в год, а эффект неясен. Главный вывод: компании с высокой цифровой зрелостью в 3 раза чаще показывают прибыль выше средней по отрасли.

7 уровней внедрения ИИ

1. Персональный хаос — сотрудники используют ChatGPT по своей инициативе, без контроля. Это Shadow AI.

2. Организованные эксперименты — пилоты и PoC. Главный риск — «кладбище пилотов».

3. Функциональная автоматизация — ИИ закрывает отдельные функции, но изолированно.

4. Интегрированные AI-процессы — ИИ встроен в кросс-функциональные процессы, эффективность измерима.

5. Организационная трансформация — AI становится частью стратегии, меняются роли и KPI.

6. Автономные агенты — агенты самостоятельно выполняют сложные задачи.

7. Связанные агентские системы — мультиагентная архитектура уровня предприятия.

Большинство застревают между 2 и 3 уровнем. Причина одна: к ИИ относятся как к технологии, а не как к новому способу организации работы. Цифровая трансформация не заканчивается — но это повод выстроить процесс непрерывного улучшения.

Рынок AI-агентов в 2026 году вышел за пределы экспериментов. Российские компании всё чаще внедряют LLM-агентов как рабочий инструмент для конкретных бизнес-задач.

Автоматизация документооборота — агенты на базе RAG обрабатывают входящие документы, извлекают данные и заполняют CRM без участия человека. Экономия до 70% времени на рутине.

Клиентская поддержка — мультиагентные системы обрабатывают до 80% первичных обращений без переключения на оператора, качество сопоставимо с человеком.

Тренд — переход на on-premise развёртывание: соответствие законодательству РФ и полный контроль над данными.

Средний срок окупаемости внедрения AI-агента в российских компаниях — 4–8 месяцев при снижении операционных затрат на 30–50%.

RAG работает как «открытая книга»: модель ищет актуальную информацию в базе знаний перед ответом. Плюсы: не требует переобучения, легко обновляется. Минусы: выше latency, зависит от качества векторного поиска.

Fine-tuning — дообучение модели на корпоративных данных «на уровне весов». Плюсы: быстрее отвечает. Минусы: дорогое переобучение при изменении данных.

Когда RAG: часто меняющиеся данные, большой объём документов, нужна прозрачность источников.

Когда fine-tuning: стабильные данные, критична скорость, характерный стиль бренда.

На практике мы часто используем гибридный подход: fine-tuning задаёт стиль и базовые знания, а RAG подтягивает актуальный контекст.

Локальное развёртывание — самый надёжный способ. Модель работает на ваших серверах, данные не покидают периметр. Open-source модели (Llama 3, Qwen) достигают качества облачных аналогов.

Data masking — обязательный слой при работе через API: конфиденциальная информация заменяется на маскированные значения, после ответа маски восстанавливаются.

Шифрование должно быть сквозным: AES-256 для данных в покое, TLS 1.3 для передачи. Логи анонимизируются.

Compliance в РФ требует размещения данных в стране. Российские провайдеры (Selectel, Yandex Cloud) с аттестацией по ФЗ-152 — обязательное условие для персональных данных.

Начинайте с аудита данных — это определит архитектуру решения.