Как внедрить генеративный ИИ в компании

Внедрение технологии затрагивает не только технические, но и организационные аспекты: компаниям необходимо учитывать собственную готовность к изменениям, организационную структуру и уровень зрелости процессов.

Не стоит относиться к генеративному ИИ как универсальному решению: если оно оказалось эффективным для одной задачи, это не значит, что по умолчанию подойдет другой. Важно понимать, для каких целей технология нужна компании, и как она вписывается в общую бизнес- и технологическую стратегию.

Можно выделить несколько этапов внедрения ГенИИ в практику компании.

На этапе разработки ИИ-стратегии начинается общение с бизнес-заказчиком, в результате которого очерчивается широкий круг пожеланий и гипотез о том, что можно сделать. Необходимо изучить конкретные бизнес-задачи, которые может решить ИИ, а также провести исследования в отдельных департаментах для формирования более детальной картины.

Задача этого этапа — создать карты текущего состояния процессов (as is) и определить, какими они должны стать (to be) после внедрения ИИ, включая матрицу value-cost (зависимость ценности от стоимости) для выбора приоритетных задач. Например, можно выбрать один департамент и провести с его основными стейкхолдерами ряд интервью, чтобы получить больше деталей и разложить на составляющие текущий процесс.

Необходимо проработать организационно-управленческий подход к сбору, фреймингу и приоритезации инициатив. Важно создать модель взаимодействия между различными подразделениями в рамках этого процесса и методологию постановки метрик эффективности.

Кроме того, крайне важно внедрение AI driven культуры. В компании могут быть самые передовые технологические решения, выделенные команды разработки, но сотрудники могут продолжать работать по-старому. В стратегию важно включить подход к переосмыслению старых и созданию новых привычек к регулярному использованию ГенИИ.

Формирование дорожной карты. По итогам первого этапа формируется большая группа инициатив, которые планируется реализовать в ходе работ. На этом этапе необходимо понять: какие ресурсы потребуются, какие сотрудники и инфраструктура будут задействованы, что нужно доработать в текущих процессах.

Затем происходит фильтрация и приоритезация инициатив. Выделяются несколько (топ) наиболее эффективных с точки зрения затрат вариантов (принцип value-cost). Они будут реализовываться в первой волне.

В ходе дальнейшей фильтрации отбрасываются наиболее дорогие и не способные принести большого эффекта инициативы. Остальные, исходя из приоритетов заказчика, наличия источников данных, средств реализации и бюджетов, накладываются на дорожную карту — перспективный план работ.

Разработка ИИ-решений. На этом этапе компания начинает разработку решений на базе топ-сценариев. Важно, чтобы этот процесс не ограничивался одним департаментом: параллельно с внедрением в одной области идет проработка других направлений. Это ускоряет интеграцию ГенИИ в масштабах всей компании.

Здесь речь идет о реализации продукта, а также полноценном его внедрении в бизнес-процессы компании. Это требует не только разработки, но и усовершенствования операционной модели. Часто развитие ГенИИ может потребовать изменения организационной структуры и поиска дополнительных компетенций на рынке.

Контроль и поддержка ИИ-продуктов. Завершающий этап связан с адаптацией компании к управлению новыми ГенИИ-продуктами. Он включает создание команд, отвечающих за обслуживание и доработку решений, формирование бэклога для постоянного их улучшения.

Стратегия внедрения ГенИИ может быть реализована в рамках четырех основных технических сценариев.

Foundation Model (Создание модели с нуля). Подразумевает полную разработку ИИ-решения с нуля для удовлетворения уникальных потребностей бизнеса. Дорогостоящий и трудоемкий путь, который оправдан только в случае, если стандартные модели не способны решить задачи компании. Используется только непосредственно вендорами LLM, где сама модель является продуктом компании.

Fine-tuned Model (Дообучение готовой модели). Метод позволяет адаптировать готовую модель к новому домену данных, например, в сфере медицины или юриспруденции. Это менее ресурсоемкий процесс по сравнению с предыдущим и подходит для узкоспециализированных областей. Но он все еще требует значительных ресурсов, инфраструктуры и данных для обучения, а также компетенций команды. На практике используется крайне редко и некоторыми командами даже ошибочно.

Retrieval-Augmented Generation (RAG). RAG позволяет подключать к модели внутренние данные компании, что делает ИИ полезным для автоматизированного анализа документации и создания контента на основе имеющейся информации. По факту является некой адаптацией модели к специфике компании. Это наиболее популярный вариант с точки зрения баланса стоимости и эффективности.

Prompt Engineering. Самый простой сценарий, при котором ИИ настраивается через промпты. Он ограничивает диапазон возможностей, но минимизирует затраты. Используется для стандартных задач, где высокая точность и адаптация не являются приоритетами.

Сейчас во многих отраслях и сегментах невозможно сохранять лидерство без качественного ИИ-отдела. В некоторых компаниях появляются и специалисты по LLM.

Максимальный уровень ИИ и ГенИИ-зрелости — в крупных компаниях. У них, как правило, уже есть большой ИИ-отдел, или ИИ-направление выделено внутри ИТ-отдела — профильных специалистов достаточно.

Из-за риска утечки информации — крайне редко корпорации используют российские облачные платформы. Именно в этой плоскости — основной риск для компаний, развивающих ИИ. Бизнес должен быть готов к необходимости постоянно закупать новое оборудование с графическими видеокартами и процессорами, а это может стать заметной проблемой.