Антон Спирин (Рексофт): «Между успешным пилотом ИИ и стабильной работой на реальных данных — огромная дистанция»

 — Антон, как российские компании подходят к выбору ИИ-инструментов и решений? Каковы основные критерии выбора? Какие продукты предпочитают – российские или зарубежные?

 — В корпоративном сегменте заметен явный сдвиг в сторону российских и open-source-решений. Конкретный выбор делается исходя из сочетания качества, безопасности и экономического эффекта. При этом наличие внятно сформулированных ожидаемых результатов на уровне конкретных процессов и функций служит отправной точкой для дальнейшего рассмотрения. В текущих рыночных условиях любые инвестиции в технологии проходят серьезную фильтрацию. Компании ищут решения с короткой дистанцией до бизнес-результата, а хайп вокруг ИИ постепенно стихает.

Важнейшим критерием выбора конкретных ИИ-инструментов является качество результата: насколько хорошо модель распознает, генерирует, классифицирует, прогнозирует или осуществляет поиск именно на данных конкретной компании. Для корпоративного заказчика бенчмарка модели самого по себе уже недостаточно.

Коммерческий директор Рексофт Антон Спирин
Фото: Рексофт

В части безопасности критичен контроль над чувствительными данными. В корпоративном сегменте это чаще всего сводится к возможности размещения модели в закрытом контуре и отсутствию передачи данных внешним сервисам. Рост спроса на on-premise это хорошо иллюстрирует. Так, в 2025 году у Yandex Cloud решения on-premises стали доступны в рамках ИИ-офферинга компании. При этом продвинутые компании обычно сочетают использование облачных и локальных моделей, управляя передачей данных в облако с помощью специальных инструментов, таких как, например, «Reksoft AI Hub».

Что касается экономической эффективности, нельзя не отметить такой критерий, как совокупная стоимость владения (TCO) ИИ-инструментом. В TCO входит не только софт, но и аппаратная инфраструктура, внедрение и интеграция.

 — Для каких задач, процессов и подразделений ИИ-решения уже уверенно используются, а для каких только набирают популярность?

 — Сегодня можно выделить два основных вектора зрелости внедрения искусственного интеллекта в корпоративной среде. Первый — это уже устоявшиеся практики, где эффективность подтверждена годами использования. Второй — активно набирающие популярность направления, связанные с трансформацией бизнес-процессов.

К уверенно используемым относятся классические задачи, где ИИ стал технологическим стандартом: компьютерное зрение, различные системы прогнозирования и речевая аналитика. В сегменте генеративного ИИ также сформировалось несколько зон постоянной эксплуатации. К ним относятся корпоративные поисковые системы и консультационные сервисы на базе технологии RAG (Retrieval-Augmented Generation), позволяющие сотрудникам в режиме диалога работать с внутренней базой знаний и документацией компании, а также ИИ-агенты для первой линии поддержки (как клиентской, так и внутренней), автоматизирующие значительную часть стандартных запросов.

Третья крупная область — использование ИИ в процессах разработки программного обеспечения (SDLC), а именно генерация кода и сопутствующих инженерных артефактов. Кроме того, сюда входят типовые операционные задачи, требующие быстрого анализа неструктурированных данных, такие как скрининг резюме, проверка юридических договоров, обработка заявок или генерация маркетинговых и рекламных материалов.

В свою очередь, сегодня набирают популярность не просто отдельные технологические домены, а более глубокие решения, интегрированные в бизнес-модели. Здесь прослеживаются два основных вектора.

Первый — повышение степени автономности ИИ-агентов. Компании переводят на них более сложные сценарии, требующие тесной интеграции с существующими информационными системами и полного цикла выполнения задачи — от получения запроса до финального результата. Яркий пример — проект, реализуемый «Рексофт» для крупной государственной структуры, где автоматизируются проверка документов и подготовка заявок на всех этапах жизненного цикла государственных услуг. Похожий проект идет при участии «Рексофт» в «Норникеле»: здесь внедряются ИИ-агенты для бюджетного контроля закупок, автоматически проверяющие соответствие пакета документов заявочной кампании. Сотрудники компании вручную проводят проверки более чем по 100 параметрам, и внедрение ИИ-агентов направлено на кардинальное снижение трудоемкости этих процедур.

Еще один вектор роста — повышение «экспертности» ИИ-решений, когда технология привлекается к принятию управленческих решений. Сюда относятся задачи управленческой аналитики, расследования инцидентов и внутренний аудит. ИИ здесь используется не просто как исполнитель, а как интеллектуальный инструмент выявления скрытых рисков и аномалий, способный перевести контрольную функцию из реактивной в проактивную. Ключевым фактором успеха в таких проектах становится вовлеченность менеджмента: при этом 30 % усилий уходит на технологии, а 70 % — на работу с людьми и управление изменениями.

 — Как заказчики оценивают эффективность таких решений и как выбирают между эффективностью и безопасностью?

 — Текущий этап зрелости рынка генеративного ИИ наглядно иллюстрирует подход заказчиков к оценке эффективности. В большинстве случаев эффект рассчитывается не через прирост выручки, а через снижение затрат и повышение операционной эффективности. Это связано с тем, что мы научились использовать ИИ для ускорения существующих процессов, но принципиально новые бизнес-модели рынок пока только ищет.

На практике экономика проекта разбивается на три ключевых шага. Первый шаг — это фиксация базовой линии: сколько времени, трудозатрат и денег тратится на операцию до внедрения ИИ. Например, согласно открытой статистике, при проверке договоров юристы тратят до половины рабочего дня на консультации и анализ документов. Второй шаг — расчет совокупной стоимости владения (TCO). Здесь многих поджидает неприятный сюрприз, так как стоимость лицензии на модель — лишь верхушка айсберга, и в расчет необходимо включать затраты на GPU-инфраструктуру или API, интеграции, подготовку корпоративных данных, мониторинг, информационную безопасность и контроль качества. Наконец, третий и часто ключевой фактор — оценка уверенности в гипотезе. Генеративный ИИ недетерминирован, а рынок молод, поэтому между успешным пилотом и стабильной работой на реальных потоках данных существует большая дистанция, которую необходимо учитывать в экономике.

Например, в контуре автоматизации контроля закупок одна ошибка модели на демонстрации пилота неприятна, но ошибка в одном проценте из сотен тысяч реальных операций с закупками на миллиарды рублей — это уже проблема совершенно иного масштаба. Поэтому измеряется не то, насколько впечатляюще модель отвечает, а качество конкретной операции на потоке. В «Норникеле» уже сейчас ИИ-агент способен автоматически проверять до 80 % аналитики по договору, обеспечивая точность на уровне 95-98 % и фактически переводя контроль в непрерывный режим. В «Рексофт» собственное решение Reksoft AI Compliance применяется для проверки договоров: проект позволил сократить общие сроки согласования на 20 %, а скорость проверки документов выросла на 50 %.

В вопросе выбора между эффективностью и безопасностью также происходит заметная эволюция. Еще несколько лет назад типичной реакцией крупных корпораций на вызовы ИИ было разворачивание собственных моделей исключительно внутри периметра. Это гарантировало безопасность, но вело к высоким затратам на инфраструктуру и ограничению возможностей. Однако бизнес быстро привыкает к функциям лучших публичных моделей, и объяснить сотруднику, почему корпоративный ИИ работает значительно хуже домашнего, довольно сложно.

Сейчас мы видим переход от бинарного выбора к risk-based-архитектуре, которая предполагает классификацию задач по уровню риска. Например, один класс задач полностью выполняется внутри контура компании, другой отправляется во внешнюю модель с предварительным обезличиванием персональных данных и заменой чувствительных атрибутов токенами. Внедряются DLP-системы, прокси-слои и маршрутизация запросов между разными LLM. Таким образом, вопрос выбора между безопасностью и эффективностью снимается — зрелая архитектура позволяет управлять этим балансом в зависимости от конкретной задачи.

 — Что является стоп-фактором для внедрения ИИ?

 — Если говорить о масштабной ИИ-трансформации бизнеса, то в первую очередь стоит выделить недостаточную готовность компаний к изменениям бизнес-процессов. Подобные решения могут приниматься на уровне первых лиц, но без их постоянного внимания инициатива останавливается, сталкиваясь с сопротивлением среднего и даже старшего менеджмента. Причин много: от нежелания оптимизировать персонал до стремления остаться в зоне комфорта с привычными методами работы.

Другой стоп-фактор — неопределенность в части бизнес-эффектов. Далеко не всегда удается ответить на вопросы: сколько сэкономим, как это измерим и кто готов взять на себя ответственность. Без ответов на них получить бюджет и стартовать работы в большинстве корпораций невозможно.

Среди серьезных барьеров нельзя не выделить доступность и качество данных. Зачастую «нулевым этапом» перед масштабным внедрением ИИ становится реализация большой программы проектов в сфере Data Governance, чтобы данные организации стали качественными, обновляемыми и доступными с соблюдением требований ИБ.

В части ИИ-инфраструктуры наблюдаются снижение доступности и повышение стоимости оборудования. Современные серверы с чипами Nvidia в основном поставляются из Китая, их логистика усложняется из-за санкционного давления и контроля вендора. Это приводит к регулярным срывам поставок и ежемесячному росту стоимости, что создает проблемы с масштабированием и прогнозированием TCO. Альтернативой Nvidia в будущем видятся китайские графические ускорители, которые постепенно догоняют лидеров по соотношению цены и производительности, демонстрируя совместимость с большинством open-source-моделей. Они уже активно тестируются крупнейшими заказчиками, есть первые поставки для промышленного использования.

 — Поделитесь, пожалуйста, вашим видением развития тренда на использование бизнесом ИИ.

 — Безусловно, одним из ключевых трендов станет осознание необходимости менять бизнес-процессы целиком для достижения значимого экономического эффекта. В этом контексте шире будут применяться ИИ-агенты, а ценность будет измеряться не количеством отработанных запросов к нейросети, а количеством бизнес-процессов, которые она способна выполнить.

При этом сами модели в каком-то смысле коммодитизируются, став стандартным операционным слоем любой компании. Уникальная ценность будет заключаться в собственных качественных данных, а также в бизнес-процессах, оптимально сочетающих людей, стандартные способы автоматизации и ИИ.

Другой тренд касается скорости и эффективности цифровизации. На практике ИИ позволяет создавать, внедрять и менять ПО в десятки раз быстрее и меньшими ресурсами. Компании, которые широко адаптируют ИИ-инструменты в свой цикл разработки прикладного ПО и перестроят сам процесс, смогут быстрее избавиться от зависимости от внешних вендоров и в разы повысят эффективность использования внутренних ИТ-бюджетов. Бизнес получит совершенно новый уровень Time2Market.

 — Большое спасибо за беседу!