Рынок AI-разработки для корпораций

«Рынок такой большой, что даже не толкаешься»: кому и что продавать в российской AI-разработке, чтобы приносить пользу бизнесу, а не придумывать новый ChatGPT

Привет! Меня зовут Ярослав Шмулев, я датасаентист, закончивший МФТИ и фаундер r77.ai — интегратора AI в корпорации. Расскажу, обстоят дела на рынке хардкорной разработки AI.

Недавно я ехал в машине и слушал по радио про нейросети, а ещё раньше постил на канале фотографию дезодоранта AXE, аромат которого якобы создали искусственным интеллектом.

С одной стороны, это отражается в мощном FOMO-эффекте. Про ИИ говорят по радио и по телевизору — все интересно, как его внедряют. Возникает страх упущенной возможности, который проявляется в глазах фаундеров, топов корпораций, предпринимателей и продакт-менеджеров.

С другой стороны, появляется иллюзия лёгких денег. Предприниматели начинают думать, что им дадут волшебную таблетку, которую можно приложить к бизнесу, чтобы нарисовались миллионы долларов. Фактически это не так — нейросети не решают проблему со слабым продуктом, маркетингом и продажами.

ИИ можно рассматривать как бустер для бизнеса, но не наоборот. Тут я не имею в виду стартапы, где AI — это фундамент продукта.

Искусственный интеллект сейчас — это самый общий термин. Под ним все подразумевают что-то разное. Я предлагаю использовать эти понятия взаимозаменяемо, чтобы не париться, что они несут разный смысл

Крупные предприятия активно внедряют AI, малый и средний бизнес ищет возможности для внедрения. Ещё одна из причин, почему происходит рост рынка ИИ: люди — а в бэкграунде компании всегда стоят люди — стали использовать искусственный интеллект ежедневно.

Сейчас многие каждый день используют ChatGPT или Телеграм-боты на баде ИИ. Из-за этого они охотнее верят, что ИИ может решать задачи. Например, автоматизировать и спрогнозировать количество продаж или классифицировать какую-нибудь картинку.

В далеком 2017 году в компании SAP мы пытались внедрять ИИ с директорами по цифровизации заводов. Тогда это тяжело внедрялось: было много споров о том, что это вообще такое и в чём разница между нейросетями и обычной статистикой.

Энтерпрайз

Крупные предприятия: «Норникель», «Вайлдберриз», «Лента», «Мегафон», «Альфа-Банк» — в общем, все крупняки. Эти компании внедряли искусственный интеллект с 2000-х. Например, банки ещё тогда внедрили систему скоринга — меняются только технологии, их качество и объём обработки данных.

Важная характеристика сегмента: внутри практически всех корпораций сидят мощные инхаус-команды. Это ребята с сильными компетенциями и чёткой специализацией: например, в банках - на кредитном скоринге или в рекомендательных системах в классическом ритейле.

Если вы интегратор или компания заказной разработки, вам будет сложно сделать качественнее извне. Инхауз-команды работают 7–8 лет и вышли на другой уровень эффективности, их погружение в задачу сильно выше.

Им интересны платформенные решения для развёртывания ML: например, для прототипирования. Инхаус датасаенс-команде нужно реализовывать свои кейсы, а не пилить инфраструктуру, которая требует других навыков.

В 90% нужна команда разработки: бэкендеры, девопсы и куберы. Это сложно, долго и требует капитальных инвестиций, поэтому есть спрос на infrastructure as a service.

До начала СВО существовали решения вроде Databricks, Cloudera, и мы тоже в своё время пытались их интегрировать. Большая часть ушла, и есть пару российских платформ, дающих инструменты для реализации модели и работы внутри Data Science-команды.

Возможности. Можно заходить в энтерпрайз вне ключевых сегментов. Это может быть HR, Adtech и финансы. Особенно финансы — в последнее время они как-то мобилизировались.

Появляются собственные внутренние департаменты, цифровизаторы. В том числе в промышленности, в производственных отделах и финансах. И у них свои отделы, KPI и цели по бизнес-эффектам.

Например, если мы говорим про «не Core» технологии в производственной компании, то у неё есть блок корпоративных финансов. Какая-нибудь команда занимается автоматизацией технологических процессов — например, налаживает флотацию. Скорее всего, у них на год вперёд расписаны задачи и проекты, и этот кейс просто не попадает в приоритет.

Им можно принести SaaS-коробочное решение, чтобы быстро внедрить его в стандартизованный бизнес-процесс. Причем важно, что покупать могут как SaaS-продукты, так и кастомную разработку.

Средний бизнес

Я определяю средний бизнес как компанию с оборотом выше миллиарда рублей. Они прибыльные, у них устойчивое позиционирование, но нет экспертизы в AI и глубоких технологиях.

Они только-только отладили IT инфраструктуру и свой продукт. При этом у них есть прибыльность, серьёзный оборот и система хранения данных — внедрять AI имеет смысл.

Что интересно. Вспоминаем про FOMO-эффект: основатели компаний ходят на мастер-майнды или приходят в очередную баню, где говорят про нейросети. А потом такие: «Блин, а вот у нас данных много, а мы не внедрили ничего». И они приходят с запросом.

Как правило, фаундеры среднего бизнеса ещё занимаются управлением, либо участвуют в жизни компании как-то иначе. У них много данных, есть деньги и желание превратить эти данные в бизнес-результаты и создать ценность для пользователей или сотрудников.

Среднему бизнесу неинтересно внедрять AI инхаус-командами. И вот почему:

Мы занимались внедрением прогноза продаж еще в 2017 — 2018 году для энтерпрайсов. А потом года 3-4 было затишье — к нам приходили раз в квартал.

В 2024 произошел второй пик спроса на продажи и к нам стали обращаться крупные дистрибьюторы. Например, к нам пришла компания, которая 30 лет на рынке корпоративных подарков. У них впечатляющий бизнес: на складе в Москве лежит 25 тысяч единиц товара. Это очень большие объемы корпоративных заказов.

Все 30 лет, что они существуют на рынке, они собирают данные и прогнозируют продажи. На этих прогнозах завязаны закупки и поставки. Все эти бизнесс-процессы идут от организации продаж в Excel на 25 тысяч строк. Менеджеры каждый месяц пытаются рассчитать, сколько товара им нужно заказывать. По их оценке - ущерб от неэффективного прогноза продаж, который влият на закупки, более 500 млн. ₽ в год.

Сейчас мы с командой планируем сделать систему, которая будет прогнозировать спрос на несколько месяцев вперёд. Так они смогут оптимизироваться закупки из Китая, которые идут где-то 3–4 месяца. Это супер-стандартный кейс для нас, который подходит только компаниям дистрибьютерам.

Возможности. Есть два способа работы со средним бизнесом.

1. Продавать готовый SaaS-продукт. Допустим, к нам пришёл кейс со строительными материалами. Мы послушали заказчика и поняли, что в России и СНГ сотни таких строительных компаний.Можно вложить деньги, чтобы размазать стоимость по сотне заказчиков и продавать проект не за 10 миллионов одному клиенту, а сразу сделать продукт, чтобы продавать сотням компаний интеграцию, лицензии и кастомизацию.

2. Заниматься кастомной разработкой. Компании готовы выделять определенный бюджет и экспериментировать. Но по нашим наблюдениям размер инвестиций на искусственный интеллект варьируется от одного до десяти миллионов рублей в год, что очень мало.

Малый бизнес

Это компании с оборотом где-то 100 миллионов и меньше. В основном, они живут на инвестиции фаундера и фондов.

Небольшие компании могут быть прибыльными и расти. Но у них в отличие от среднего бизнеса, скорее всего, не найден или нестабильный Product-Market Fit (Продукт, обладающий ценностью для потребителей. — Прим. ред.).

Также у них огромные проблемы с бизнес-процессами и цифровизацией. А за счёт того, что они недавно запустились, они часто не успели подкопить данных.

Предположим, к нам обратилась компания, которая уже 30 лет на рынке. Они собрали данные, нам известна их устойчивая сезонность. А ещё лояльные клиенты составляют 80% базы. Тогда нейросети действительно могут спрогнозировать продажи. Но если вы только выходите на рынок — нет, конечно, никакой ИИ не поможет.

Что интересно. Малому бизнесу интереснее продукты, которые хакают маркетинговые процессы и автоматизацируют продажи. Это не про сокращение убытков — когда ты маленький, тебе нужно качать выручку, а не сжимать расходы.

У малого бизнеса в целом не очень хорошо с IT и цифровизацией. Часть их процессов в принципе не сформированы как процессы. И понятно, что они могут не собирать данные, на которых работает обычный искусственный интеллект.

Возможности. Кастомные решения всегда дороже, чем готовый продукт. Так что это даже не коробочные решения, а готовые SaaS-продукты, направленные на маркетинг и продажи в 90% случаев. Короче, качаем их в сторону продаж и прибыли. ****

Что можно предложить

Четвертый сегмент — это просто люди на B2C-продукт на основе нейросетей.

Что интересно. Продукт для людей абсолютно точно должен быть рыночным. Сейчас дофига скамеров, которые продают курсы, как зарабатывать на нейросетях. А покупают их те, кто не заработал на курсах по маркетплейсам. И люди идут покупать курсы, как делать всякие виральные рилсы и генерировать 18+ контент на продажу.

Часто те же скамеры продают обёртки на ChatGPT: они за 2 часа делают простейшую обёртку API для Телеграм-бота, а потом продают её по подписке.

Возможности. На этом рынке сейчас сложно продвигать B2C-продукты, если нет реферального эффекта. Стоимость привлечения пользователя доходит до тысяч рублей при стоимости подписок в 10 раз меньше среднего LTV.

Платформы

Это инструмент для разработки, запуска и хостинга моделей. Он требует больших инвестиций на разработку вдолгую — 2–3 года. Для такой работы нужны большие команды разработки. При этом стоимость разработчика очень высокая.

Существующие конкуренты сильные и опытные, а платформы требуют больших инвестиций: эти продукты больше про классическую разработку, чем про искусственный интеллект.

Технологии

Например, технология распознавания речи. Или технология AnyQuery — она встаёт как супермощный поисковый движок в любые маркетплейсы и повышает релевантность поиска.

AnyQuery — пример того, как войти в Enterprise, в CoreTech, за счёт технологического прорыва: ты даешь технологию, а дальше её внедряют в бизнесе.

У таких технологий своя специфика: они требуют больших инвестиций. Часто больших, чем в классической разработке, где можно составить план, поскольку у разработки технологий нет никаких гарантий.

Навряд ли в какой-то момент удастся сделать распознание речи лучше, чем в Яндекс.Облаке, или распознавание лиц — чем Vision Labs. Это возможно, но требует больших инвестиций ждать результат пять, десять или даже двадцать лет. При этом нет гарантий, что технология найдёт место на рынке.

Пример. Мы работали с крупной животноводческой компанией, известной своим мраморным мясом — занимались задачей геномной селекцией мраморных бычков.

Это технологический продукт: есть какое-то количество животных, и нужно запустить алгоритм расчета их племенной ценности. Он скажет, кого с кем нужно скрещивать, чтобы показатели мраморности мяса и прочего возрастали.

Но по факту можно сделать такой продукт, а на деле он получится супер-дорогой, и обычный фермер не сможет его купить или внедрить.

Продукты

Они основаны либо на сильной технологии, либо на стандартном бизнес-процессе. Сейчас поясним.

Сильная технология. Условный Vision Labs (Компания, которая разработывает технологии по распознаванию лиц. Технология распознавания лиц. — Прим. ред.) начал делать свою систему видеонаблюдения и контроля доступа. Или когда Яндекс разработал Speech Kit (Технология распознавания голоса. — Прим. ред.), он начал внедрять его в Алису, Yandex Cloud и другие продукты. Так получаются продукты, в которых «сидят» технологии. И держатели могут либо продавать технологию другим, либо, помимо этого, сделать свой продукт и продавать его отдельно.

Стандартный бизнес-процесс. Если говорить, например, про HR- или бухгалтерские процессы — они есть плюс-минус в любой компании. В каждой крупной компании занимаются бухгалтерской отчетностью, банковскими выписками и счетами фактуры.

Если подготовить продукт на стандартный процесс, его можно автоматизировать и внедрнить во многие компании. А какие-то дополнительные детали уже кастомизировать.

Решения

Моё самое любимое или не любимое — это кастомная разработка. Все эти кейсы:

В общем, вся нестандартная дичь. Это по определению индивидуальные заказные решения: у них меньше подходящих клиентов (меньше рынок), а потому их стоимость пропорционально больше.

Стоимость средняя или высокая: проверка концепции стоит 3,5 млн. ₽, MVP — от 5 до 10 млн. ₽. Полнофункциональные решения — от 10 млн до бесконечности.

Приведу пример. В компании «SAP» мы много работали с заводами. У нас были кейсы, где с помощью ИИ нужно было прогнозировать прогар фурм. Фурма — это такое сопло, которое вдувает в доменную печь смесь газа и воздуха.

Даже если сделать продукт на базе этого решения, российских заводов-заказчиков слишком мало — мы насчитали 100 промышленных печей. Возникает вопрос, как окупить стоимость разработки? И стоит ли делать продукт на такой небольшой рынок?

Готовая технология. Если в вашем бизнесе нужно внедрять искусственный интеллект, то очень круто, если готовая технология закрывает определенную потребность.

Множество компаний внедряют готовые технологии:

Когда есть готовая технология со стандартной документацией, её можно внедрять.

Интеграция готового решения. Если технология как технология не подходит, и нужно кастомно адаптировать какой-то готовый продукт, то компания-вендор тоже спокойно адаптирует решение под индивидуальный запрос.

Например, стандартное OCR не распознаёт строительную документацию — нужно дообучить распознавание на новый документ. Или клиенту нужно, например, распознавать номера вагонов с каким-нибудь особым шрифтом или светящейся краской.

Тут можно говорить про гарантированные метрики: в распознавании документов и номеров вагонов можно говорить про точность распознавания.

Кастомная разработка. Это почти всегда агентства заказной разработки, которые не могут ничего гарантировать. Самое частое возражение заказчиков: «Вы хотите проверить гипотезу за мои несколько миллионов без гарантий» — и да, это именно так.

Сложность этого бизнеса: у заказчика должна быть боль или уверенность, что решение сработает, но нельзя давать никаких гарантий по KPI на выходе.

У нас было несколько случаев, когда мы давали гарантии, а потом внедряли проект не девять месяцев, как договаривались, а 2,5 года. Проект не просто терял в маржинальности, а уходил в глубокий минус.

Новая технология. Это самый сложный тяжелый кейс. Если вдруг нужно сделать новую технологию, потому что существующие работают плохо — это печаль и боль. Хотя их тоже периодически делают.

Лучше делать индивидуальные проекты с кастомной разработкой для средних и больших предприятий. Это либо энтерпрайз, либо средний и крупный бизнес. И самое важное — фокус на B2B, а не на малый бизнес и нейросети для обывателей.

В то же время можно искать возможности для создания продуктов на основе ИИ. Они будут закрывать потребности в стандартных бизнесс-процессах, которые ещё почему-то не покрыты готовыми решениями.

___

Подписывайтесь на Телеграм-канал студии, там мы рассказываем о хардкорном внедрении AI в корпорации для ai-разработчиков и продукт-овнеров)