ИИ без культа: бизнесу нужна польза, а не гонка моделей

ИИ не ради ИИ: зачем бизнесу сдержанность

Пока государства, технологические компании и руководители бизнеса соревнуются в гонке за искусственный интеллект и спорят об угрозах сверхразума, компаниям важно не устраивать собственную гонку вооружений. Покупать всё более мощные модели и внедрять их повсюду только потому, что это модно, — дорогостоящая подмена цели.

В корпоративном ИИ нет награды за то, что компания первой запустила самую мощную модель, создала больше всех ИИ-агентов или встроила искусственный интеллект в каждый процесс. Успех измеряется тем, решает ли технология реальную бизнес-задачу и оправдывают ли результат её стоимость и сложность.

Идея одной универсальной большой языковой модели (LLM) — системы, способной работать с текстом и генерировать ответы, — выглядит заманчиво. Но на практике для каждой задачи есть подходящий инструмент, и нередко он гораздо проще.

Ещё до бума генеративного ИИ компании применяли машинное обучение: рекомендовали товары, прогнозировали спрос, выявляли мошенничество и оценивали, сколько дохода принесёт клиент за всё время взаимодействия с бизнесом. Эти технологии давно научились развёртывать, контролировать и использовать для быстрых недорогих прогнозов в больших масштабах. LLM тоже может решать некоторые такие задачи, но это не делает её лучшим выбором. Сложные модели обходятся дороже, а их ответы могут быть менее предсказуемыми — без всякой пользы для обычного прогноза.

Иногда не нужен даже искусственный интеллект. Если процесс подчиняется известным правилам и каждый раз должен давать одинаковый результат — например, переносить данные между системами по расписанию или запускать действие при заданном условии, — достаточно обычной автоматизации. Для этого компании давно используют последовательности операций, планировщики и правила. Если всё работает надёжно, быстро и дёшево, ИИ-агент не делает процесс умнее, а лишь добавляет сложность.

Генеративный ИИ полезен там, где нужны создание нового или интерпретация: например, понимание языка и изображений либо выбор следующего шага с учётом контекста. Агенты способны применять такое понимание, взаимодействовать с программами и выполнять действия. Благодаря этому можно автоматизировать процессы, которые раньше было крайне трудно передать машинам. Вероятное будущее — сочетание обычной автоматизации, традиционного машинного обучения, генеративного ИИ и агентов, а не полная замена старых технологий одной новой.

Разница особенно важна, когда проекты выходят за рамки экспериментов. Демонстрационная версия может показать возможности модели или агента, но промышленное внедрение добавляет расходы на эксплуатацию, требования безопасности и мониторинг, а также необходимость держать всё более самостоятельные системы под контролем.

Один инженер сравнил разработку агента с выращиванием дерева, которое нужно поддерживать в заданной форме. Ветку, растущую не туда, обрезают, но затем новая появляется в другом месте. С агентом похожая история: очевидное поведение исправить относительно просто, а реальное использование обнаруживает неожиданные ситуации, которые не проявились при разработке.

Чем больше системе разрешено толковать информацию и принимать решения, тем важнее проверка её работы, наблюдение за ней и защитные ограничения. Контролировать нужно не только ответы модели, но и доступные ей данные, разрешённые действия, сохраняемую информацию и момент, когда вмешивается человек.

Нужно учитывать и цену. Самые мощные модели могут быть дороги при массовом использовании, поэтому дополнительные возможности должны приносить соразмерную выгоду. Когда эксперименты сменяются строгой оценкой окупаемости, бизнесу будет важнее не то, умеет ли решение использовать ИИ, а то, улучшает ли оно коммерческий или операционный результат настолько, чтобы оправдать расходы.

Чтобы не усложнять систему без нужды, следует начинать с бизнес-задачи и данных, а не с выбора модной технологии. Инженеры данных и аналитики знают, откуда берётся информация, насколько она надёжна и какие выводы из неё вообще допустимы. Математические модели не спасут задачу, если данные для неё не подходят.

Тип данных и нужный результат подсказывают решение. Для быстрых надёжных прогнозов по структурированным числам часто подходит традиционное машинное обучение. Текст, изображения и другие неструктурированные данные могут оправдать генеративный ИИ. Агенты уместны, когда системе нужно понимать ситуацию и выполнять действия в нескольких программах. В иных случаях лучшим ответом останется обычное программное обеспечение. Начинать с мысли «нам нужен агент», а потом подыскивать ему задачу — значит ставить телегу впереди лошади.

Развитие ИИ породило и другое предположение: компаниям неизбежно понадобится меньше инженеров. Инструменты действительно повышают производительность: опытные специалисты быстрее выполняют работу, а начинающие, научившись ими пользоваться, могут быстрее выйти на хороший уровень. Но по-прежнему нужны люди, понимающие, что происходит внутри системы.

Большинство людей умеют пользоваться смартфоном, не объясняя устройство его компонентов, операционной системы и сетей. Это не означает, что инженерные знания исчезли: кому-то всё равно нужно разрабатывать и поддерживать эти технологии. Так же будет и с ИИ: пользователей, умеющих эффективно применять инструменты, станет больше, но компаниям понадобятся специалисты, способные строить, контролировать и ремонтировать системы.

Поэтому важно вкладываться и в начинающих инженеров. Старшие специалисты меняют работу, должность или уходят на пенсию; без наставничества и передачи знаний нынешние младшие не станут будущими старшими. Возможность заключается не в выборе между людьми и ИИ, а в их совместной работе: подготовленные инженеры с такими инструментами способны сделать больше, чем каждый из них по отдельности.

Споры о сверхразуме и самых мощных моделях продолжатся, но они не должны определять технологические решения компаний. Руководителям инженерных подразделений предстоит справляться со страхом руководства и советов директоров «упустить ИИ» и превращать давление ради заметной стратегии в дисциплинированную работу, ориентированную на ценность.

Одним задачам подойдут сложные ИИ-инструменты: агенты сделают возможной автоматизацию, прежде неосуществимую, а генеративный ИИ изменит работу с текстом, изображениями и другими неструктурированными данными. Другие задачи отлично решат традиционное машинное обучение, обычная автоматизация или простое программное обеспечение.

Конкурентное преимущество даст умение различать эти случаи: понимать, где ИИ заметно улучшает результат, где эффективнее простая технология и как безопасно и экономично довести подходящую систему до промышленного использования. Для этого нужны хорошие данные, сильные инженеры и техническое чутьё, позволяющее не усложнять только потому, что такая возможность появилась. На следующем этапе корпоративного ИИ сдержанность будет не отсутствием амбиций, а признаком технической зрелости.

Примечание: исходная публикация подготовлена для рубрики TechRadar Pro Perspectives; высказанные в ней мнения принадлежат автору и не обязательно отражают позицию TechRadar Pro или Future plc.