Книга "AI Value Creators": практический гид для бизнеса, который хочет не отстать

Представьте, что все компании получили доступ к одной и той же силе — электричеству (или интернету, или облачным вычислениям). Вопрос в том, что вы с этой силой делаете.

Вы используете готовые решения:

Плюсы: быстро внедряется, легко использовать, не нужны специалисты
Минусы: то же самое может сделать ваш конкурент за 5 минут

Вы строите свою систему, которая работает со своими данными:

Пример: L'Oréal использует AI для разработки новых косметических формул. Но их AI обучен на 120 лет корпоративных данных — на миллионах экспериментов L'Oréal, которых нет в интернете. Результат: конкуренты не могут повторить.

Поэтому: если вы используете то же ПО, что и соседи, вы просто бежите наравне. Если строите свою систему на своих данных — вы вырываетесь вперёд.

Прежде чем потратить деньги на AI, задайте себе три вопроса:

Вариант A: Экономия (Spend to SAVE)

Вариант B: Заработок (Spend to MAKE)

Вариант A: Автоматизация (Automation)

Вариант B: Улучшение (Optimization)

Вариант C: Предсказание (Prediction)

Совет авторов: начните с внутренних процессов, которые никто не видит.

Почему? Потому что если AI ошибётся в работнике, который заказал отпуск — это просто переделаешь. Но если AI ошибётся при общении с клиентом в соцсетях — это конфуз на всю аудиторию (как с одним глобальным логистическим сервисом, который AI неловко признался в плохом сервисе).

Стратегия: сначала "первая база" (как в бейсболе) — маленький, безопасный успех. Потом развивать.

Когда вы спрашиваете ChatGPT что-то, он ищет ответ в интернете. А вот вашу историю урожаев, структуру затрат, поведение рынков — в интернете нет. Это ваша секретная информация.

Цифра: только ~1% ваших корпоративных данных есть в публичных AI-системах.

Опасность: если вы просто вливаете свои данные в ChatGPT или другие сервисы "в облаках" — вы их отдаёте. Компания, которая предоставляет сервис, будет учить на них своих моделей. Через год ваше конкурентное преимущество исчезнет.

Правило: если строите AI Value Creator систему — защищайте свои данные как финансовый актив.

Есть такая концепция: "shift left" (сдвиг влево на временной шкале).

Пример: если у растения болезнь, и AI её выявит в день первых симптомов — можно потратить 100 рублей на фунгицид и спасти урожай. Если выявить через месяц, когда болезнь прошла по полю — потратить 1000 рублей и все равно потерять часть урожая. Если вообще не выявить — потеря всего поля.

Для АПК в цифрах: если AI предскажет разрыв денежного потока раньше, чем он случится, можно взять кредит в спокойном режиме. Если предсказать поздно — придётся брать в панике, и не факт, что получиться (или не факт, что получится взять по льготке).

Авторы приводят потрясающую цифру: только 20% компаний могут хотя бы примерно предсказать cash flow дальше одного месяца.

Почему? Потому что управленческий учёт в 1С показывает историю (вчера, позавчера), а не текущее состояние.

Что может AI? Собрать воедино все текущие данные:

И показать: вот сегодня у вас в кассе реально будет X денег, вот как это может измениться неделю.

Для АПК: это значит, что финдир может с утра сказать "хватит ли денег на ГСМ в пятницу для весенних работ".

Авторы предлагают трёхмерное видение платформы, на которой работает AI Value Creator.

Представьте слоёный пирог:

На каких серверах это крутится? В "облаке" (AWS, Azure, Yandex Cloud) или на своём сервере? Наверное, на своём сервере — потому что данные локальны, и они должны оставаться в России.

Главное: можете ли вы данные переносить между поставщиками, или вы "заперты"?

Тут самое важное.

Представьте компанию без AI, просто с хорошей организацией: у вас есть разные системы — 1С для учёта, метеостанция на полях, данные по удою скота, маршруты техники в GPS. Каждая система живёт сама по себе.

Data Fabric — это как "супер-индекс" ко всем этим системам. Когда вам нужна информация, вы не лезете в каждую систему отдельно, а просите Data Fabric: "Дай-ка мне все данные по полю № 5 за последние 5 лет". Она соберёт из 1С, из метеостанции, из истории применения препаратов — одним запросом.

Мантра авторов: "You can't have AI without IA" (не может быть AI без правильной организации данных).

Тут вы берёте готовую LLM (например, IBM Granite или открытую Llama от Meta) и настраиваете её под вас.

Аналогия: как булочка из булочной (готовый продукт) может быть просто булочка, а может быть фигурка льва (если пекарь добавит творчества). Так и с AI: берете готовую модель и добавляете своих данных, своих правил, своего "творчества".

Когда ваша AI система работает месяц, полгода, год — она может "дрейфовать". То есть постепенно начинать делать ошибки.

Почему? Потому что мир меняется. Год назад цена пшеницы была 10 000 рублей, теперь 15 000. Год назад болезнь была редкой, теперь частой. AI обучали на старых данных, она не знает новый мир.

Решение: мониторинг. Система должна видеть "ждите, AI что-то странное выдаёт, нужно проверить".

Плюс объяснимость: AI не просто говорит "урожай будет 45 центнеров". AI говорит "урожай 45 центнеров, потому что осадков было вот столько (показывает цифры), температуры были вот такие (показывает график), сорт вот этот (показывает)". Так финдир или собственник может сказать "погоди, а погодные условия были не совсем такие, давай пересчитаем".

Это "агенты" — программы, которые делают задачи без участия человека.

Пример: агент, который каждый день:

Человек только одобряет или говорит "нет, погоди, давай в субботу".

"Давайте купим ChatGPT Pro и будем в курсе". Нет. AI — инструмент среди инструментов. Для разных задач нужны разные подходы.

Если вы вливаете историю своих полей в OpenAI или Yandex GPT "чтобы он нам помогал" — вы рискуете. Ваши данные могут использовать для обучения, и через год у конкурентов будет похожая система.

Если вы купите красивую систему, а агрономы не понимают, как её использовать — она будет лежать без дела. Нужно обучение, нужна культура "мы учимся новому".

"Давайте запустим AI, потому что это модно". Нет. AI должен решать конкретную задачу, которая приносит деньги или экономит деньги. Не абстрактный "проект", а результат с цифрой.

Сейчас: используете John Deere Operations Center или Trimble — красивый интерфейс, но то же самое есть у тысячи других хозяйств.

Можно сделать: построить собственную платформу, которая собирает:

Результат: AI, обученная на вашей истории, предсказывает: "В поле № 5 в среду нужна обработка от ржавчины, потому что температуры совпали с 2018 годом, когда была вспышка болезни".

Value: конкурент не сможет повторить, потому что у него нет этих 10 лет ваших данных.

Сейчас: бухгалтер в конце месяца делает отчёт в Excel, финдир видит вчерашние цифры.

Можно сделать: систему, которая связана с банком, с контрагентами, с договорами и показывает:

Результат: финдир с утра знает реальное положение, может планировать заранее.

Value: не срывает сроки платежей, берёт кредит в спокойном режиме под 5-8%, а не в панике под 25%.

Сейчас: агроном решает сам, по опыту — опрыскивать или не опрыскивать, какой препарат.

Можно сделать: небольшую AI-программу на планшете, которая:

Результат: агроном не забывает, не ошибается, все решения "по закону".

Value: меньше потерь урожая, нет штрафов от инспекции.

Главная метафора из книги: если бы огонь был запатентован и контролировался одной компанией, где было бы человечество? AI — это огонь XXI века. Его нужно научиться использовать, но это должно быть доступно.

Для АПК это означает: не ждите, пока "в Москве придумают". Начните с себя, с ваших данных, с ваших проблем. Ваше конкурентное преимущество не в том, чтобы быстрее купить чужую программу, а в том, чтобы первым построить свою.