Максим Тадевосян: «Экономический эффект от внедрения ИИ варьируется в зависимости от отрасли»

Промышленность догоняет финтех по внедрению искусственного интеллекта, используя его как прикладной инструмент для повышения операционной эффективности. Генеральный директор FabricaONE.AI Максим Тадевосян в интервью «Ведомости&» объяснил, в каких случаях ИИ может обеспечить экономический прорыв и чем важны малые языковые модели, обученные на конкретных бизнес-процессах. 

– Вклад ИИ в ВВП на горизонте 5–10 лет может составить порядка 5–7%. Этот прогноз основан на актуальных аналитических данных, в частности на недавних исследованиях McKinsey по глобальным рынкам, и отчетах BlackRock, это один из ключевых инвесторов в ИИ в США. Их оценки варьируются в зависимости от динамики развития экономики и кадрового дефицита в различных отраслях.

В условиях текущей низкой безработицы в России эффект от внедрения ИИ будет тем значительнее, чем выше занятость населения. Основная задача – увеличить коэффициент полезного действия экономически активного населения. Речь идет о повышении операционной эффективности сотрудников, занятых в ритейле, промышленности или финансах.

Подавляющее большинство проектов в России как в нашей компании, так и, скажем, в «Яндексе» или «Сбере» носят прикладной характер. Мы говорим не о фундаментальных моделях, а о программном обеспечении (ПО), решающем конкретные бизнес-задачи. Эти решения направлены на поиск операционной эффективности – от автоматизации документооборота до управления сложными промышленными системами, как это делают, например, «Полюс» или «Сибур».

Моя оценка строится на наблюдаемых эффектах от внедрения таких продуктов. Например, наш проект по оптимизации состава смеси в доменной печи длится уже третий год и позволяет ежегодно снижать себестоимость на 1,8%. Машина самостоятельно подбирает состав, исходя из цен на сырье и требований ГОСТов. 

За счет того что алгоритм развивается, мы ежегодно прибавляем около 0,3% эффективности. Если масштабировать этот подход на всю страну, то крупные отрасли могут показывать ежегодный прирост эффективности на уровне 1%. Я в данном случае говорю преимущественно о крупном бизнесе. Малый и средний бизнес находится под иным давлением, и у него меньший инвестиционный потенциал для таких технологий.

Таким образом, если госсектор и крупнейшие корпорации будут двигаться по пути развития ИИ-инструментов, на горизонте 5–10 лет мы выйдем на заявленные 5–7% вклада в ВВП за счет повышения эффективности. Для сравнения: оценки для США составляют 7,5% у McKinsey и 7,8% у BlackRock. С учетом геополитических и инфраструктурных ограничений прогноз по России выглядит реалистичным. Разумеется, при условии системного внедрения ИИ в корпоративном, промышленном, розничном, сельскохозяйственном секторах.

– Финансовый сектор – безусловный лидер, но российская промышленность в целом демонстрирует очень высокие темпы развития. Несмотря на сложную экономическую ситуацию и давление на металлургию (падение мировых цен, экспортные ограничения), топ-20 промышленных компаний находят внутренние ресурсы для инвестиций в ИИ на уровне совета директоров. Я уверен, что российская промышленность быстро сократит разрыв с финансовым сектором. Сейчас цены на продукцию тяжелой промышленности внизу. Но когда они пойдут вверх (а они пойдут, поскольку экономика циклична), любая операционная эффективность, достигнутая с помощью ИИ, позволит компаниям масштабировать эффекты и зарабатывать значительно больше на экспорте в Азию или Африку, чем они зарабатывали ранее. Поэтому промышленники подходят к этому вопросу очень прагматично и рационально.

– Если соотнести этот вопрос с темой демографии, то технологии ИИ могут оказать значительно более быстрый и существенный экономический эффект, чем повышение рождаемости (которую, впрочем, тоже никто не отменяет). Даже при росте рождаемости, прежде чем человек станет экономически активным, пройдет 18 и более лет. Таким образом, технологический рост приобретает первостепенное значение.

С точки зрения кадрового обеспечения, если рассматривать американский рынок как бенчмарк кадрового дефицита, можно отметить смену парадигмы найма. Крупные корпорации, такие как Google, Netflix и Amazon, перешли от найма отдельных специалистов к покупке целых команд стартапов (acqui-hiring). Это делается ради компетенций 1–2 ключевых сотрудников: компания-покупатель выплачивает стоимость стартапа, а его команда переходит в штат корпорации.

На российском рынке у ситуации своя специфика. Здесь необходимо разделять два типа кадрового голода. Существует количественный голод, но главная проблема – качественная. Дефицит наблюдается не в рядовых разработчиках, а в узкопрофильных специалистах, таких как инженеры, архитекторы и дата-сайентисты, обладающих навыками в обработке данных, структурировании, разметке и построении сложной инфраструктуры.

Причем подобный дефицит является трансграничным. Такие специалисты могут работать на любую мировую компанию. Преодолеть его можно не столько за счет гонки заработных плат, сколько через системные инвестиции в образование и раскрытие амбиций в рамках компаний, в рамках страны. Крупные игроки, такие как «Яндекс» и «Сбер», вкладывают средства в образовательные программы. Однако здесь возникает ключевой вызов: как удержать этих специалистов лояльными к компании и стране в течение 3–5 лет после обучения? В условиях глобального рынка труда удержать их может только по-настоящему интересная и достойно оплачиваемая задача. Кроме того, существует дефицит не только инженеров, но и преподавателей. Это также ограничивает скорость подготовки новых кадров.

– ИИ, как и IT в целом, представляет собой очень широкое понятие. Вдобавок оно постоянно расширяется. Я бы условно разделил архитектуру ИИ-систем на три базовых слоя.

Первый – инфраструктура. Она включает в себя вычислительные мощности (то самое «железо») и электроэнергию. Именно здесь сегодня заключается основной риск и узкое горлышко для России. Текущая инфраструктура отечественных дата-центров построена на базе графических процессоров Nvidia (ведущий мировой производитель в области визуальных вычислений. – «Ведомости&»). Но оборудование имеет геополитические ограничения: в случае конфликта доступ к нему может быть дистанционно заблокирован. Для России доступны только карты предыдущего поколения (Nvidia H100), которые закупаются на вторичном рынке. Их жизнеспособность ограничена 4–5 годами, а ежегодный выход из строя составляет 8–10%. 

Переход на альтернативную архитектуру, например китайскую, – сложная экономическая задача. Это требует отказа от уже сделанных инвестиций в сотни миллиардов рублей. Кроме того, в стране пока нет массовой экспертизы по эксплуатации и поддержке китайского оборудования.

Второй слой – базовые модели. Сюда относятся большие языковые модели (LLM). В этом направлении у нашей страны есть перспективы, конкурентоспособность зависит от задач, поставленных перед моделями. Отечественные модели, такие как GigaChat от «Сбера» и решения от «Яндекса», являются одними из лучших в мире по работе с русским языком и созданию контента. 

Третий слой – прикладной. Это программные продукты для бизнеса. Здесь Россия находится в состоянии паритета с мировыми лидерами. ПО для решения конкретных задач, например, по оптимизации логистики, управления персоналом или производственными процессами абсолютно конкурентоспособно. В России сильная математическая и инженерная школы, которые готовят квалифицированных специалистов. 

– Есть много интересных примеров. В логистике для сети строительных магазинов «Петрович» была построена и постоянно совершенствуется модель оптимизации маршрутов. В ритейле наши продукты помогают управлять розничными точками, сегодня мы покрываем своими продуктами около 32 000 розничных точек: для сетей «Магнит», X5 Group мы оптимизируем графики смен и численность сотрудников в зависимости от трафика. 

Экономический эффект от внедрения ИИ варьируется в зависимости от отрасли. В тяжелой промышленности, например на доменном производстве, достигается снижение себестоимости на 1,7–1,8% за счет оптимизации состава смеси. В ритейле эффект еще заметнее: оптимизация логистики позволяет компаниям экономить 5–7% на расходах на топливо и горюче-смазочные материалы (ГСМ). В управлении производственными циклами эффекты от точного календарного планирования загрузки агрегатов могут достигать 2–3%.

В финансовом секторе ключевыми направлениями являются антифрод и скоринг рисков. Яркий пример – алгоритм анализа голоса, который по совокупности таких факторов, как интонация, голосовая биометрия и история телефонного номера, выявляет мошеннические намерения при звонках. 

Другие отрасли также демонстрируют потенциал. Так, один из агрохолдингов внедрил ИИ для прогнозирования урожайности и планирования закупок техники и ГСМ, что позволяет избежать образования неиспользованных складских остатков. Кроме того, ИИ открывает новые точки роста. Например, для одного из онлайн-кинотеатров мы реализовали систему автоматического дубляжа контента на языки стран СНГ. Это позволило выйти на новые рынки, где ручной дубляж был экономически неэффективен.

Говоря о более глобальных изменениях, стоит отметить стремление ритейла и других отраслей к созданию единой экосистемы. На мой взгляд, в перспективе трех лет мы увидим революцию сервисной онлайн-экономики. Если предыдущие 20 лет прошли под знаком транзакционных платформ (Uber, Booking.com), то теперь их функции возьмет на себя персонализированный ИИ-ассистент. Он, зная календарь и предпочтения пользователя, сможет самостоятельно организовать отпуск, покупая билеты и бронируя отель, лучше и дешевле человека.

Российские компании также движутся в этом направлении. «Альфа-групп» (включая Альфа-банк, «Билайн» и X5) и «Сбер» создают экосистемы с единой программой лояльности, которая учитывает транзакции и предпочтения клиента для формирования персонализированных предложений. Основная сложность таких проектов заключается в объединении разрозненных и неструктурированных данных о поведении человека в единый профиль. Пока большинство решений в России являются моноцелевыми, т. е. решают одну конкретную бизнес-задачу.

– Кардинально. Он выступает и как инструмент защиты, и как оружие в руках хакеров. По сути, это технологическая гонка вооружений. Например, недавно конгресс США приостанавливал доступ к новейшим ИИ-моделям из соображений безопасности, что подчеркивает остроту проблемы.

С одной стороны, ИИ позволяет защитным системам выявлять уязвимости и аномалии в режиме реального времени, а это значительно быстрее человека. С другой – злоумышленники используют ИИ для сложных атак. Яркий пример – кейс в Гонконге, где с помощью дипфейка был подделан голос финансового директора, который подтвердил вывод $26 млн.

Ответом на эти вызовы становится новый вектор развития в виде малых языковых моделей (Small Language Models). В отличие от универсальных нейросетей эти модели предобучаются на конкретной задаче (например, логистика или управление цехом) и не имеют лишних функций. Они развертываются на изолированном, сертифицированном оборудовании внутри закрытого контура предприятия без доступа к интернету. Это полностью исключает внешние угрозы, оставляя лишь риск человеческого фактора.

Этот подход решает задачу информационной безопасности и является одной из главных точек роста в b2b-сегменте. Мы инвестируем именно в это направление, так как оно позволяет бизнесу совершенствовать процессы, не подвергая себя риску утечки данных.

Что касается нормативной базы для генеративного ИИ, то она, к сожалению, не поспевает за развитием технологий. Эта проблема актуальна как для России, так и для мира. Законодательство в этой сфере находится на начальном этапе. На мой взгляд, необходимо предоставить технологическим альянсам (таким, как «Яндекс» или «Сбер») возможность безбарьерно работать над совершенствованием правовой базы, чтобы найти баланс между развитием экономики и управлением рисками.

– Работа с данными в корпоративной среде сопряжена с рядом системных барьеров, которые препятствуют их эффективному использованию для обучения ИИ. Во-первых, существует проблема неструктурированности. Данные в крупных российских компаниях находятся в крайне фрагментированном состоянии. Они представлены в разнообразных, часто устаревших форматах. Это следствие того, что при построении корпоративных IT-систем не закладывалась возможность их последующей передачи и анализа внешними алгоритмами.

Во-вторых, существует значительный человеческий фактор и корпоративный барьер. Средний уровень менеджмента сопротивляется инициативам по работе с данными по двум основным причинам. У них нет мотивации: сотрудник не видит прямой выгоды (бонуса, карьерного роста) от передачи данных, но при этом несет персональную ответственность в случае их утечки или неправильного использования. Также немаловажен страх замены: распространено опасение, что передача данных и внедрение ИИ приведут к автоматизации и сокращению рабочих мест.

В результате большинство технологических инициатив в области ИИ носят директивный характер и исходят «сверху вниз» – от инвесторов и акционеров, нацеленных на операционную эффективность, а не от линейных сотрудников. Инициативы «снизу вверх» практически отсутствуют. Этот культурный разрыв будет преодолеваться со сменой управленческих поколений. На текущем этапе компании вынуждены вкладывать значительные ресурсы в корпоративное обучение персонала, чтобы повысить культуру работы с данными и нивелировать риски информационной безопасности.

– Ключевым фактором, определяющим степень делегирования полномочий ИИ, является уровень принятия решений и цена ошибки. На текущем этапе развития мы находимся на уровне ИИ-ассистентов. Алгоритмы помогают человеку принять решение, но не делают этого самостоятельно.

Следующий эволюционный этап – появление автономных агентов, способных к самостоятельному принятию решений и взаимодействию друг с другом. Уже есть прецеденты, когда ИИ-агенты действуют от имени компаний. Например, ИИ может самостоятельно анализировать складские остатки, формировать заказ и проводить сделку с другим агентом-покупателем. Однако пока такие системы находятся в стадии эксперимента.

Переход к более высокой степени автономии напрямую связан с качеством данных. За последнее десятилетие культура работы с данными кардинально изменилась. Это позволило внедрять системы с элементами самостоятельности, например, в рекомендательных сервисах.

Движение в этом направлении будет поступательным и начнется с задач, где цена ошибки минимальна. Делегирование ИИ полномочий в управлении сложными системами, где ошибка может привести к человеческим жертвам или техногенным катастрофам, произойдет значительно позже. В течение ближайших 1–3 лет мы увидим полную автоматизацию операционных процессов с низким риском. К таким задачам относится управление товарной полкой: ИИ-агент будет самостоятельно пополнять запасы (например, заказывать сахар в супермаркете), делая это быстрее и дешевле человека. Аналогичная судьба ждет массовые транзакционные операции, такие как выдача стандартных кредитов, где есть большой массив ретроспективных данных.

Сложнее обстоит дело с задачами, требующими учета быстро меняющегося контекста, например в юридической практике. Постоянный поток новых законодательных инициатив и прецедентов создает динамичную среду, способность ИИ к адаптации в которой еще предстоит оценить.

Поэтому главный совет менеджменту сегодня – не ждите идеального момента или безупречного законодательства. Начинайте внедрение в рутинные процессы прямо сейчас. Через три года компании будут делиться не на тех, кто использует или не использует ИИ, а на тех, кто успел перестроить свой бизнес под новую реальность, и тех, кто остался в прошлом. Цена реализации плана по повышению операционной эффективности за счет внедрения ИИ несопоставима с возвратом на весь бизнес.