Нейросети для бизнеса: хайп или рабочий инструмент?

Многочисленные исследования показывают, что с нейросетями в том или ином виде взаимодействует большая часть населения Земли. Так, например, в Индии нейросети используют 9 из 10 человек.
В России статистика не менее впечатляющая. 86% специалистов, чья сфера деятельности связана с интеллектуальной работой, применяют ИИ. Это те, кто взаимодействует с чат-ботами напрямую. Сервисами, которые работают с помощью ИИ, пользуются практически все.

Но насколько нейросети применимы в бизнесе? 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.

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.

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

Современные языковые модели — это мощный инструмент, который сегодня воспринимается лишь как «верхушка айсберга» в виде чат-ботов. Однако за этим стоит чрезвычайно сложная технологическая архитектура, созданная в результате многолетних научных и инженерных усилий.

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.

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.

Если говорить о популярных чат-ботах, то они тоже могут быть полезны для решения рутинных задач:

• Perplexity. Веб-интерфейс с поддержкой множества моделей и собственным оркестратором, внутри — дообученные модели. Благодаря точной настройке взаимодействия особенно удобна для программирования.
• DeepSeek. Высокая производительность на широком спектре задач, удобный пользовательский интерфейс (UI). Можно использовать для генерации веб-дизайна по текстовому описанию или сразу получить готовый HTML и стили.
• GigaChat. Официальный чат-бот в Telegram, стабильный доступ. Удобен для генерации summary по YouTube-ссылкам и другим большим видео или лекциям.
• Яндекс GPT. Хорошо справляется с переводом, в том числе PowerPoint-презентаций. Важно, что он сохраняет их структуру.

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.

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. На вход подавались штатное расписание и описание бизнес-процессов. Модель анализировала профессии и действия сотрудников, выявляла временные затраты и формировала задачи. Далее результаты визуализировались в виде приоритетной таблицы.

Кейс 2: автоматизация работы с HR-документацией. ИИ применялся для унификации формулировок задач и результатов по должностям. Система переформулировала разнородные описания в единый формат. Это стало основой для генерации профилей, интеллектуального поиска и настройки ассистентов.

Кейс 3: анализ клиентских отзывов. С помощью LLM проводился анализ отзывов из открытых источников. Модель формировала рейтинг магазинов и обнаруживала зоны риска. Это позволило оперативно выявлять точки оттока клиентов.

Кейс 4: сопоставление цен подрядчиков с внутренними справочниками. Модель распознавала товарные позиции с разными названиями и сравнивала предложения с внутренними базами, выявляя отклонения и помогая принимать обоснованные закупочные решения.

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

Существует множество моделей и сервисов, использующих разные архитектуры. Чтобы достичь бизнес-цели, важно определить, с какой моделью работать. Бенчмарки помогают сравнивать модели по качеству и подбирать оптимальные решения.

Наиболее распространённые типы тестов:

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

Главная проблема бенчмарков — их быстрое устаревание. Как только тест попадает в открытый доступ, разработчики начинают его использовать в обучении, что снижает объективность.

Сегодня наиболее заслуживающим доверия считается сервис Chatbot Arena. Он предлагает формат слепого сравнения: пользователю показываются два ответа без указания модели, и он выбирает лучший. Рейтинг строится по системе Эло, как в шахматах.

Chatbot Arena учитывает категории: языковая компетенция, математика, логика и другие. Существуют и специализированные бенчмарки, например, на оценку галлюцинаций. Многие эксперты ориентируются на Chatbot Arena, дополняя его результатами собственных тестов.

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:

• Автоматическая генерация ответов на типовые запросы клиентов через чат-боты.
• 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.