Нейросети для бизнеса: хайп или рабочий инструмент?

В рамках нашего проекта «iTrend Встречи» обсудили с экспертами, как использовать ИИ‑помощников на базе больших языковых моделей (LLM) в бизнесе с максимальной пользой.

Они повсюду

Но насколько нейросети применимы в бизнесе? Мы в iTrend провели эксперимент. Задали самым популярным сервисам — российским и зарубежным, простой вопрос: «Какое пиар‑агентство вы порекомендуете на российском рынке для технологических компаний в сегменте B2B». В эксперименте участвовали:

• ChatGPT;
• Perplexity;
• Qwen;
• DeepSeek;
• GigaChat;
• YandexGPT.

Мы получили от каждого чат‑бота порядка 5−6 предложений — список агентств, которые они считают лучшими для IT‑бизнеса. Практически все нейросети попали «пальцем в небо». С точки зрения специалиста, который работает на рынке, знает его игроков и их примерное распределение, это был абсолютно непрофессиональный подбор. Более‑менее релевантные варианты, на которые можно опираться при дальнейшем исследовании вопроса, предложили ChatGPT и GigaChat.

Чтобы разобраться, как нейросети работают на практике, мы пригласили экспертов из разных технологических компаний. Они поделились собственными кейсами.

Анна Федорова, руководитель направления AI консалтинга Navicon

Важно понимать, что нейросеть и чат‑бот — это не совсем одно и то же, хотя эти термины, как и многие другие, связанные с ИИ, часто используются как синонимы. Чат‑бот — это пользовательский интерфейс, «под капотом» которого находится нейросеть (LLM).

Для решения бизнес‑задач большие преднастроенные модели, такие как Grok, ChatGPT, DeepSeek, часто не подходят — их универсальность избыточна и даже вредна для решения маленькой, конкретной, рутинной задачи. Например, нам понадобилось понять неструктурированный текст и сопоставить его со структурированным классификатором. Сначала мы попробовали уже преднастроенные базовые модели, и даже самые крупные из них не справлялись с этой задачей. Однако ее смогла решить маленькая LLM, которая не требует больших ресурсов — достаточно ее правильно, методично обучить.

Чтобы использовать модель в бизнесе, не нужно брать самую большую модель и тратить на нее много вычислительных мощностей. Можно взять маленькую, дать ей возможность обучиться на той области знаний, которая нужна для решения задачи, и эффективно ее применять.

Современные ИИ‑инструменты позволяют пользователям без технической подготовки выполнять задачи, ранее требовавшие участия команды: от дизайна и программирования до перевода и аналитики. Это расширяет возможности каждого быть собственным продуктовым менеджером.

Влад Лаптев, директор по инновациям финтех‑разработчика и интегратора Fork‑Tech

Мы живем в экономике данных. Раньше, без нейросетей, компании существовали в условиях, когда эти данные были неструктурированны, для их сбора и распределения требовалось огромное количество усилий. Нейросети значительно упрощают этот процесс, позволяют извлекать пользу из больших данных.

Чаще всего ИИ применяют для автоматизации рутинных задач. Наиболее показательный пример — работа службы поддержки.

В контакт‑центрах крупных компаний могут работать 100‑150 человек и больше. При этом текучесть кадров очень высока. Новым сотрудникам нужно быстро включиться в процесс, а опытным — работать в условиях повышенной нагрузки, пока новички осваиваются.

Большую часть запросов, которые поступают в контакт‑центр, можно отнести к типовым. Поэтому использование языковых моделей (LM) позволяет значительно ускорить доступ к нужной информации.

Это открывает два сценария внедрения ИИ‑помощников в бизнес‑процессы контакт‑центра:

1. Автоматическая генерация ответов на типовые запросы клиентов через чат‑боты.
2. Использование ИИ‑ассистентов, которые помогают сотрудникам, подсказывая ответы на основе текущего диалога, предоставляя ссылки на релевантную документацию и повышая общую эффективность обработки обращений.

В этих сценариях польза нейросетей доказана практикой, и процесс автоматизации контакт‑центров с помощью ИИ будет только ускоряться.

Светлана Тарашнина, менеджер практики Applied Intelligence компании Axenix

Рассмотрим несколько практических кейсов. Начнем с примеров, связанных с разработкой стратегии внедрения ИИ в бизнес‑процессы. Особенно актуальна такая работа для крупных компаний с большим количеством сотрудников, направлений и бизнес‑функций.

Кейс 1: оценка потенциала автоматизации. В одном из проектов для металлургической компании оценка потенциала автоматизации проводилась с использованием LLM — генеративная модель анализировала, в каких направлениях ее внедрение будет наиболее эффективным. На вход подавались штатное расписание и описание бизнес‑процессов; должностные инструкции при этом были необязательны. Модель анализировала профессии и действия сотрудников, выявляла временные затраты и формировала задачи. Далее оценивался потенциал автоматизации, результаты представлялись в виде таблицы с визуальной приоритезацией направлений и бизнес‑функций. Такой подход позволяет формировать обоснованный план внедрения ИИ в компании.

Кейс 2: автоматизация работы с HR‑документацией. В этом же проекте ИИ применялся для унификации формулировок задач и результатов деятельности по должностям. Исходные формулировки отличались по стилю и содержанию, что затрудняло их дальнейшее использование. Модели был выдан перечень допустимых глаголов и стиль, в котором необходимо было переформулировать тексты. В результате создали единую базу знаний, которую можно использовать в дальнейшем — как для генерации новых профилей и документов, так и для настройки ассистентов. Это обеспечивает корректную работу ИИ‑инструментов, включая селф‑сервис аналитику, интеллектуальный поиск и онбординг‑системы.

Кейс 3: анализ клиентских отзывов. С применением LLM уровень анализа значительно повысился. Отзывы из открытых источников анализируются по магазинам, формируется рейтинг, выявляются проблемные зоны и риски оттока клиентов. Это позволяет компании принимать решения на основе актуальной информации.

Кейс 4: сопоставление цен подрядчиков с внутренними справочниками. Необходимо сравнивать ценовые предложения с корпоративными базами. Модель распознает товарные позиции, даже если их названия отличаются в разных источниках, и сопоставляет цены. Это позволяет оперативно выявлять расхождения и принимать обоснованные решения при выборе подрядчиков.

Роман Штейнберг, консультант по ML, эксперт ТГ‑канала «Кучевые АйТи»

Существует множество моделей, сервисов и ботов, использующих разные архитектуры. Когда пользователь или заказчик стремится достичь определённой бизнес‑цели, важно определить, с какой моделью следует работать. Бенчмарки — это инструмент для оценки качества работы моделей, они помогают в этом выборе.

Существуют различные типы тестов:

• оценка уровня школьных знаний;
• решение математических задач;
• проверка логического мышления и здравого смысла;
• мультидисциплинарные задания.

Главная проблема бенчмарков сегодня — их быстрое устаревание. Как только появляется новый тест, он попадает в открытый доступ, и разработчики начинают его использовать — либо напрямую включая в обучающие данные (что крайне нежелательно), либо тестируя модели на этих задачах и отбирая лучшие по результатам.

На данный момент наиболее актуальным и заслуживающим доверия считается сервис Chatbot Arena. Он предлагает формат слепого тестирования: пользователю показываются два ответа без указания модели, и он выбирает тот, что считает более качественным. На основе этих выборов формируется рейтинг.

Рейтинг рассчитывается по системе Эло, аналогично шахматной. Кроме того, оценки ведутся по различным категориям: например, поисковые задачи, языковая компетенция, математика и др.

Существуют и специализированные бенчмарки, например, для оценки склонности моделей к галлюцинированию. Многие эксперты сегодня ориентируются на Chatbot Arena при сравнении моделей, дополняя рейтинг собственными приоритетами.

Евгений Ярофеев, руководитель ИИ‑лаборатории в ГК «Системные Технологии»

На практике мы часто сознательно предлагаем клиентам пройти путь самостоятельно. Как правило, бизнес задает прямой вопрос: «Зачем вы нам, если я могу сам открыть Perplexity и протестировать гипотезу?» Действительно, доступность сервисов велика — но именно это и приводит к иллюзии простоты.

На деле многие задачи, которые звучат просто, оказываются значительно сложнее в реализации. Например те же RAG‑оценки (Retrieval Augmented Generation — технология, сочетающая поиск релевантной информации в существующих хранилищах данных и генерацию текста с помощью языковых моделей). Поэтому наш подход — дать бизнесу собрать свой POC, самостоятельно протестировать гипотезу, возможно, даже разочароваться. А потом — вернуться за профессиональной поддержкой, уже с пониманием, зачем она нужна.

Нейросети — это не замена человека и не «волшебная кнопка»

Это в первую очередь инструмент, эффективность которого во многом зависит от того, кто им управляет. Он позволяет радикально изменить подход к работе с неструктурированной информацией, но требует четкого контроля — от промпт‑инжиниринга до подключения внешних баз знаний и интеграции с бизнес‑инфраструктурой.

Для бизнеса это означает возможность автоматизировать рутинные процессы и перераспределить ресурсы. Начать процесс интеграции нейросетей можно в тестовом режиме через некритичные задачи, не требующие доступа к чувствительной информации или серьезной подготовки.