Эволюция корпоративного ИИ: от борьбы за «железо» до войны за метрики, Карина Садова

Карина Садова, независимый эксперт. Форум Cnews "Технологии искусственного интеллекта 2026". Эволюция корпоративного ИИ: от технических барьеров к управленческим За десять лет развития искусственного интеллекта в таких отраслях, как ритейл, медицина и промтех, индустрия прошла через два масштабных цикла хайпа. Каждый цикл начинался с веры в «волшебное решение», а заканчивался обнаружением нового критического препятствия — блокера. История преодоления технических барьеров В первую волну внедрения основным препятствием были вычислительные мощности. Алгоритмы уже существовали, но для их обучения и работы не хватало «железа». Проблема была решена с появлением доступных GPU. Следом возник дефицит качественных данных: модели были узкоспециализированными, и успех проекта зависел от того, насколько богат был датасет компании. Затем наступил этап кадрового голода. ML-инженеры были редкими специалистами с высоким порогом входа. Даже когда модель удавалось обучить в лабораторных условиях, возникала проблема её вывода в продакшн. Многие прототипы так и остались «демонстрационными образцами» для руководства, не принеся реальной пользы бизнесу. Фундамент против хайпа Корпоративный опыт показывает, что проекты, созданные на волне моды, часто оказывались нежизнеспособными. Они внедрялись по принципу «ИИ сам всё поймет», что приводило к созданию нестабильных систем на «костылях». В то же время существовали долгоиграющие, незаметные проекты, которые решали конкретные боли бизнеса: антифрод-системы, скоринги, прогнозирование спроса и ранжирование поиска. Эти системы строились на базе тщательной разметки данных и правильной постановки задач. Именно они составляют реальный фундамент интеллектуальных систем, которые работают в корпорациях и госсекторе десятилетиями, даже если конечный пользователь не знает об их существовании. Трансформация технологий: от LSTM до Трансформеров Технический ландшафт сильно изменился. Появление архитектуры «Трансформер» в 2017 году перевернуло представление о работе с текстом и речью, сделав модели масштабируемыми. Отмерли громоздкие рекуррентные сети (LSTM) и нестабильные GAN (на которых создавались первые дипфейки), уступив место более эффективным решениям. Тем не менее, база осталась неизменной. Для работы со специфическими корпоративными данными всё еще требуются классические методы ML. В задачах с табличными данными, финансовой отчетностью и локальным инференсом генеративный ИИ играет второстепенную роль, уступая место проверенным временем алгоритмам. Современный кризис метрик и «ловушка пилотов» Сегодня мы находимся во второй волне хайпа, вызванной доступностью генеративного ИИ. Порог входа рухнул: теперь для создания продукта не нужны глубокие знания программирования или ML — достаточно API ключа. Но эта доступность создала новый, самый серьезный блокер — отсутствие метрик качества. Главная проблема современности заключается в том, что компании легко запускают пилотные проекты, но не умеют определять: — Где заканчивается зона ответственности ИИ и начинается ответственность человека? — Как именно измерить успех внедрения агента в конкретный бизнес-процесс? Из-за этого возникает «кладбище пилотов»: множество проектов выглядят эффектно на презентациях, но не масштабируются и не приносят ценности. Для компаний и других игроков рынка ключ к успеху сейчас лежит не в области выбора самой мощной нейросети, а в возврате к базовым принципам управления. Необходимо объединить возможности GenAI с экспертизой продуктовых команд, которые умеют правильно описывать процессы и внедрять жесткие метрики эффективности. Только так ИИ превратится из дорогой игрушки в реальный инструмент оптимизации бизнеса.