Уже полтора десятилетия форум «Данные + ИИ» задает повестку в обсуждении работы с данными в России. На юбилейном, XV мероприятии собрались представители ведущих отечественных компаний, государственных организаций и поставщиков решений, чтобы обсудить применение технологий ИИ в производстве, финансах, медицине, агробизнесе и госуправлении.

В условиях охлаждения экономики, сокращения бюджетов и ИИ-хайпа акцент сделан на особенностях управления данными. Ключевые темы: переход от «дата-проектов» к «дата-процессам»; от хаоса интеграций к управляемому ИИ; интеллектуальный анализ данных; продуктивная и безопасная эксплуатация ИИ-агентов.

Форум открыла дискуссия «ИИ-трансформация без иллюзий. Где проходят границы эффективности?». Участники обсудили измерение ROI для ИИ-проектов и пути к реальной доходности с учетом инфраструктурных и финансовых ограничений.

Кирилл Солнцев («Сбер AI») отметил завершение инвестиционного цикла в ИИ-проекты: многие отечественные компании уже зарабатывают на ИИ, аппаратная инфраструктура на удовлетворительном уровне, в условиях жесткой конкуренции, в том числе, и за ресурсы, наблюдается консолидация моделей и фокус на специализированных решениях. Георгий Шатиров («К2Тех») согласился с Солнцевым: технологии доступны, главное — правильный выбор с акцентом на прикладные эффекты, где максимальный эффект могут дать специализированные модели. Оксана Хлыстова (MWS AI) отметила, что отечественным предприятиям удалось получить эффект от ИИ, подчеркнув успехи в промышленности. Отвечая на вопрос о конкурентном преимуществе от ИИ в условиях, когда LLM доступны всем, Андрей Комиссаров («Синергия») отметил: «Все зависит от стратегии компании в отношении ИИ, культуры, кадров и позиции руководства компании по отношению к сервисам ИИ».

Опасно жить в мире, где результаты работы неизмеримы: метрики определяют поведение. Сегодня важно уметь оценивать результаты работы ИИ. Ответы на вопросы типа «сколько сотрудников используют ChatGPT», «сколько было написано промптов» или «сколько активных лицензий на LLM» слабо отражают реальное положение дел. Более уместен вопрос: для выполнения каких задач организации действительно требуется ИИ?

Илья Васильченко («Инфосистемы Джет») отметил, что даже сам факт наблюдения ИИ-агента за сотрудниками уже повышает производительность. Вместе с тем Шатиров подчеркнул: в 90% случаев ИИ вообще не нужен — проще и дешевле решать задачи традиционными методами. Тем не менее метрики необходимы: «Метрики ценности ИИ — это оптимизация затрат и изменение SLA, снижение рисков, а главное — новая прибыль», — уверен Шатиров. Все участники дискуссии сошлись во мнении: ИИ — это не просто инструмент, а стимул к смене стиля работы, трансформации корпоративной культуры и повышению производительности сотрудников.

Кирилл Солнцев: «Компании, которые уже сегодня внедряют ИИ-решения, через 3–5 лет получат конкурентные преимущества, а остальных с рынка смоет»

 Сегодня бытует мнение, что ИИ стал допингом для разработчиков, но не всегда ясно, насколько он реально повышает их производительность. «Благодаря ИИ появились компании одного человека — носителя главной бизнес-идеи. Раньше это было невозможно. В этой ситуации инженер без ИИ уже неконкурентоспособен. Изменилась работа программиста: процессы ускоряются на порядок, сокращается слой юниоров. Однако повышается порог входа в программирование — когда кодирование не проблема, ключевыми становятся умение формулировать задачу на языке, понятном модели, и критически оценивать результаты работы ИИ», — считает Солнцев.

Михаил Граденко («РУСАЛ») уточнил: «Важная сторона медали, о которой пока мало говорят: технологии ИИ могут нанести когнитивную травму пользователям. Поэтому прежде всего нужно научить сотрудников работать с ИИ, чтобы повысить производительность. Общую производительность определит самое слабое звено в цепочке процессов. Недостаточно быстро сгенерировать код, в котором спустя время никто не разберется, — это создает отложенный провал в производительности».

Хлыстова отметила: «У нас в компании 10 тыс. разработчиков, и есть соблазн через ИИ повысить их производительность, сократить издержки и прочее. Но на деле возникают проблемы: саботаж со стороны разработчиков, сложность проверки работы ИИ и тестирования результатов вайбкодинга. Надо оценивать не производительность труда одного сотрудника, а всей компании. Да, бизнес может самостоятельно получить быстрый прототип, но технологии нужно внедрять правильно, точнее расставляя акценты».

Под одобрительные аплодисменты слушателей итог дискуссии подвел Комиссаров: «Вайбкодинг у нас не зашел, а разным категориям сотрудников мы просто предлагаем готовые промпты. Для повышения эффективности надо развивать компетенции в ИИ не столько у линейного персонала, сколько у управленцев. И если кого-то заменять ИИ-агентами, то именно управленцев. Их нужно обучать четко ставить задачи, а не кидать подчиненным абстрактные указания».

Согласно наблюдениям аналитиков, 95% пилотных ИИ-проектов не обеспечивают возврата инвестиций, 80% времени команд уходит на подготовку данных, а 60% проектов закрываются из-за неготовности ИТ-ландшафта. Участники форума сошлись во мнении, что проблемы с внедрением ИИ кроются не в моделях, а в данных и интеграциях.

Вместе с тем прозвучали и отчеты об успешных кейсах. Например, Граденко представил сервис «Транскрибатор» — решение на базе языковых моделей, которое автоматически преобразует аудио- и видеозаписи совещаний в текст с идентификацией спикеров и генерацией итоговых отчетов. «Перед тем как выбирать модель и архитектуру LLM, нужно понять, что действительно важно и полезно для вашей организации. Выберите реалистичный старт — то, что работает именно сейчас, а не мечту об AGI за месяц. Лучше маленькая работающая функция, чем гигантский нереализуемый проект», — отметил Граденко. По его мнению, успех внедрения зависит от зрелости компании в области Data Governance, доступности инфраструктуры с GPU, а также от команды с дата-сайентистами и специалистами по LLM/LLMOps.

«В условиях роста градуса абсурда вокруг ИИ важно правильно переосмыслить ценности», — подчеркнул Владимир Озеров (CedrusData). Он отметил, что среди инфраструктурных решений отечественных поставщиков реально работает, например, Tarantool, СУБД с обработкой в памяти, подходящая для поддержки ИИ-агентов.

Евгений Аверьянов («Юзтех») в докладе о причинах провалов ИИ-проектов уточнил: «В 95% случаев провал связан не с ИИ-моделью, а с проблемами интеграции на уровне предприятия и 'грязными' данными, потери от которых в России составляют 1 трлн руб. в год». Он выделил пять свойств надежной платформы для ИИ: реестр интеграций; гарантию доставки и обработки данных; контроль качества данных; каталог с указанием их происхождения; мониторинг, логирование и уведомления.

С ним согласна Елена Чистова («К2Тех»): лишь 20% проектов доходят до пилотов. «Если ИИ работает с некачественными данными, LLM будет только масштабировать проблемы», — отметила она. Среди других барьеров Чистова выделила сопротивление персонала, неопределенность с оценкой эффективности ИИ-проектов, высокую стоимость внедрения и недостаточное внимание к безопасности работы с ИИ-агентами.

Алексей Лукацкий: «ИИ-агент — не просто пассивный чат-бот, а агент, который имеет право принимать решения»

Алексей Лукацкий (Positive Technologies) посвятил выступление контролю за ИИ-агентами, постаравшись предостеречь от эйфории относительно этих инструментов, многократно увеличивающих риски утечек конфиденциальных данных. ИИ-агент — не просто чат-бот, а «умный» агент, способный принимать решения, интегрированный с корпоративной базой данных, обладающий множеством привилегий и умеющий искать обходные пути доступа к конфиденциальной информации. «Теневой ИИ стал нормой — большинство сотрудников часто используют внешние ИИ-инструменты в обход корпоративных правил. При этом более половины компаний не контролируют входящий и исходящий трафик, доступный агенту, — отметил Лукацкий. — Задача руководителей — не внедрять как можно больше агентов, а выстраивать масштабируемую, контролируемую и безопасную архитектуру, где синхронно растут возможности ИИ и контроль за ними». Лукацкий сформулировал семь принципов защиты ИИ-агента: минимум привилегий; разделение «думать» и «делать»; защита контента; допустимый список доступных агенту инструментов; наблюдаемость; тестирование; назначение владельца риска.

Олег Гиацинтов: «При работе с ИИ главное — не потерять бизнес-знания. ИИ новых знаний не генерирует, а работает только с уже накопленными»

Олег Гиацинтов (DIS Group) обратил внимание слушателей на важность четкого понимания задач и пожеланий бизнеса при работе с ИИ. «При работе с данными важно четко понимать целесообразность применения ИИ-агентов. Бизнесу не важно, где лежат данные — 'дайте мне то, что я хочу, своевременно и в понятном виде'», — уверен Гиацинтов. Задачу поддержки итеративного процесса уточнения запросов конкретных категорий пользователей решает платформа AIDP в целом и, в частности, система «Селена» хранения и обработки данных класса Data Lakehouse, которая с помощью технологий ИИ уточняет запросы пользователей.

Как не потратить впустую бюджет на ИИ-проекты, рассказали Алексей Арустамов (Loginom Company) и Евгений Стучалкин (DM Lab). «Сама природа ИИ — вероятностная: агент не скажет, что конкретно нужно делать, например, какую скидку дать реальному клиенту, отделавшись абстрактными советами и общими словами», — отметили они. Принятие решений с помощью ИИ без актуальной, надежной и качественной информации сопряжено с большим риском, уверен Арустамов. Докладчики перечислили способы устранения рисков внедрения ИИ, уделив особое внимание протоколу MCP (Model Context Protocol). Он позволяет обогатить языковые модели данными из корпоративных информационных систем.

Алексей Арустамов: «ИИ-агент должен быть встроен в бизнес-процессы компании, иначе она рискует получить от него набор абстрактных рассказов о эфемерных эффектах. А кто ищет волшебника, тот в лице ИИ обретает сказочника»

Тему преодоления барьеров на пути внедрения ИИ продолжил Алексей Чистяков (Bercut): «Ошибочно считается, что для ИИ нужно много данных. Однако моделям требуются актуальные и правильные данные — грязные данные LLM не исправит, а лишь усилит». Действительно, 80% работ по внедрению ИИ-проектов занимает подключение источников данных, их очистка и трансформация, а лишь 20% — сама модель и оркестрация процесса. Задача не в накоплении данных, а в их подготовке для ИИ. Так, система Bercut HIP поддерживает пять паттернов для преодоления проблем внедрения ИИ-проектов: интеграция, предшествующая моделям; автоматизация «клея», соединяющего все необходимые данные; качество данных — не задача LLM; обязательный мониторинг: без дата-контрактов и постоянного усовершенствования модель незаметно деградирует; средства обеспечения информационной безопасности, встроенные в ИИ-решения на уровне архитектуры.

«Рынок ИИ в России переходит от этапа интереса к прагматичному внедрению, где успех компаний зависит от комплексного подхода. Главный вопрос, волнующий сегодня бизнес, общество и государство, — как организовать работу в радикально изменившихся условиях? Поиск ответов стал центральной темой форума», — резюмировала Ирина Шеян, программный директор мероприятия.