Юрий Шевченко (Рексофт): «Выигрывать будут те, кто выстроит вокруг ИИ зрелую инженерную и операционную дисциплину»

 — Юрий, по вашей оценке, насколько бизнесу интересно прибегать к помощи цифровых сотрудников? Какие плюсы это дает? В чем подводные камни? Как развивается это направление?

 — Интерес к цифровым помощникам, иначе говоря, ИИ-агентам сегодня достиг исторически высокого уровня. Практически каждая крупная российская компания либо уже использует цифровых сотрудников в продакшене, либо активно их пилотирует. Главные плюсы очевидны: линейная масштабируемость без линейного роста ФОТ, режим 24/7, стабильное качество работы и сокращение времени отклика на запрос с часов до секунд.

А вот подводные камни обычно недооценивают. Например, «последняя миля» интеграции стоит на порядок дороже демо. Плюс к этому – галлюцинации LLM. Без инструментов контроля – guardrails, фильтрующих ненадежный вывод, и RAG, подтягивающего факты из внешних источников, – они могут нанести репутационный ущерб больше, чем сэкономить. По-прежнему остро стоят вопросы безопасности данных, особенно для регулируемых отраслей, поэтому очень важно иметь отдельный комплаенс-трек в любом проекте по ИИ-агентам.

Директор по управлению проектами направления генеративного ИИ компании Рексофт Юрий Шевченко
Фото: Рексофт

Что касается развития – направление растет очень быстро и делится на три волны. Первая – классическая RPA-автоматизация, вторая – LLM-ассистенты с RAG. И третья – агентные системы agentic AI, которые уже не просто отвечают на вопрос, а самостоятельно выполняют сквозную задачу. Именно третья волна сейчас определяет повестку.

 — Какие типы цифровых сотрудников сейчас востребованы? Как бизнесу понять, какой именно вариант ему нужен?

 — Условно я бы выделил пять классов. Первый – сценарные RPA-роботы, они хороши для четких, повторяющихся операций. Еще один – LLM-ассистенты с RAG, которые работают с корпоративной базой знаний. Третий тип – голосовые агенты для контакт-центров. Затем – code— и dev-ассистенты для инженерных команд. И пятый тип – агентные системы, которые сами ведут сквозные многошаговые процессы.

Чтобы понять, что требуется бизнесу – нужно посмотреть на процесс. При выборе агента многие совершают одну и ту же ошибку – начинают с технологии, то есть с утверждения «хотим внедрить LLM», тогда как правильный путь – ровно наоборот. Сначала нужно найти процесс, который одновременно попадает под три определения: высокочастотный, хорошо описанный и приносящий реальную боль. Затем оценить, насколько входные данные структурированы и есть ли по ним источник истины. Следом подобрать минимально достаточный класс решения – например, если задачу закрывает RPA, не нужна никакая LLM – и обязательно зафиксировать метрики успеха еще до старта пилота.

Приведу простое правило: если процесс нельзя понятно описать словами, его не сможет выполнять и цифровой сотрудник.

 — Расскажите об успешных и неудачных кейсах на российском рынке.

 — Из публичных успешных кейсов – конечно, банки. Голосовые и текстовые ассистенты в поддержке Сбера, Т-Банка, ВТБ, Альфа-Банка обрабатывают десятки миллионов обращений в месяц. Плюс телеком: МТС, МегаФон, Билайн активно автоматизируют контакт-центры. Из ритейла – ассистенты по товарной номенклатуре и поиску у Х5, Магнита, Wildberries, Ozon. И нельзя не упомянуть массовое внедрение ИИ-ассистентов разработчика, которое дает реальный прирост продуктивности на 25-30 %, в том числе в командах Рексофт.

Что касается неудачных историй – они редко становятся публичными, но паттерны все равно прослеживаются. Заведомо провальный кейс – AI-washing – маркетинговый прием, когда старый сценарный бот просто переименовывают в LLM-решение, а метрики не меняются. Сюда же относится преждевременный запуск без инструментов guardrails, в результате чего бот начинает давать клиентам ложные обещания. Неудачей оборачиваются попытки построить «одного большого ассистента для всего» вместо того, чтобы сделать несколько специализированных решений. А из-за игнорирования практик MLOps и LLMOps, качество, как правило, деградирует уже через несколько месяцев после успешного пилота.

Главный вывод здесь такой: успех определяется не моделью и не вендором, а операционной зрелостью команды, которая этим решением владеет.

 — Есть ли у вашей компании опыт разработки и использования таких решений?

 — Да, и довольно разнообразный. Один из наших инструментов – платформа контекст-инжиниринга AI Code Insight, которая, как понятно из названия, извлекает инсайты прямо из кодовой базы. Это дает отличный буст для анализа старых недокументированных систем, перевода монолита на микросервисную архитектуру и для похожих задач. Также платформа может получать информацию из связанных с решением артефактов, если они есть – документации, требований или операционных данных. Другой инструмент – Compliance-ассистент, который помогает анализировать юридические документы, и Pre-sale-ассистент – он готовит коммерческие предложения, выявляет риски и декомпозирует задачи для их последующей оценки экспертами. И это далеко не все.

Важный момент: все эти инструменты построены на нашей собственной платформе с внутренними LLM. Это обеспечивает безопасную работу с чувствительными данными – как заказчиков, так и нашими собственными. В дальнейших планах у нас – движение в сторону агентных систем, которые сами выполняют сквозные задачи, а также развитие единой LLMOps-платформы для наблюдаемости, оценки качества и версионирования промптов и моделей. Поскольку без такого слоя масштабировать десятки агентов в большой компании просто невозможно.

 — Сыграют ли цифровые помощники важную роль в развитии автоматизации российских компаний? Какие из них окажут наибольшее влияние?

 — Однозначно да. И эта роль будет одной из определяющих в ближайшие три-пять лет. Этому способствуют сразу несколько факторов: структурный дефицит квалифицированных кадров, зрелость отечественного ИИ-стека и доступных open-source моделей для on-prem развертывания, накопленный data-фундамент в крупных компаниях и качественный сдвиг: мы переходим от простых ассистентов к полноценным агентам.

Теперь что касается влияния. По нашей оценке, наибольший эффект дадут четыре направления. Первое – агенты в операционных back-office процессах: финансы, закупки, документооборот, поскольку там самая прозрачная экономика. Второе – ИИ-ассистенты разработчиков и инженеров. Они мультиплицируют производительность тех, кто строит все остальное. Третье – цифровые сотрудники клиентского сервиса – самый массовый пользовательский опыт. И четвертое – внутренние knowledge-ассистенты, которые «расшивают» зависимость компании от конкретных носителей экспертизы.

Резюмируя все вышесказанное: выигрывать будут не те, кто быстрее всех «внедрит ИИ», а те, кто выстроит вокруг него зрелую инженерную и операционную дисциплину – данные, безопасность, измеримость и постоянное улучшение.

 — Большое спасибо за беседу!