Основные риски внедрения ИИ и как мы в Corex Systems их закрываем

Сейчас в IT много хайпа, и все бегут внедрять инновации. Но если отбросить погоню за трендами, на практике все сводится к нескольким базовым проблемам. Мы тут разобрали их и хотим на пальцах объяснить, где обычно теряются деньги и нервы и как мы предлагаем этого избежать.

Сейчас модно совать ИИ везде. Но если у вас задача просто сложить цифры в отчете или перевести статус заявки, подключение ИИ-агента только усложнит жизнь. Агент начнет думать, галлюцинировать, а вы будете платить за токены и разгребать его ошибки.

У нас архитектура первичнее всего. Сначала мы садимся с клиентом и разбираем сам бизнес-процесс. Если задачу решает простой скрипт на 10 строк кода — мы пишем скрипт. Он надежный, работает за миллисекунду, и ничего не стоит в поддержке. ИИ мы подключаем только там, где он реально нужен (например, для разбора неструктурированных писем). Мы любим показать именно простоту интеллектуального решения. А это в первую очередь про то, чтобы убрать лишние навороты и сделать систему прозрачной, а не усложнить ее ради галочки. И да, так клиент еще и не переплачивает.

Работали с «ТЕХНОНИКОЛЬ» над задачей автоматизации контроля качества звонков. Записи разговоров операторов с клиентами шли через Mango Office, но сохранялись в одноканальном режиме: голоса менеджера и клиента были смешаны в один общий аудиопоток.

Тут, казалось бы, напрашивается ML-модель для диаризации (разделения спикеров). А вместе с ней и месяцы подбора модели, тестов и борьбы с помехами. Это дорого, сложно в поддержке и с непредсказуемым результатом.

Что сделали мы? Мы просто позвонили в техподдержку Mango Office и спросили, а можно ли настроить выгрузку записей с уже разделенными каналами оператора и клиента. И нам ответили, что можно. Оказалось, что это часть функционала их платформы. В результате мы просто выкинули из архитектуры целый лишний, дорогой и ненадежный этап обработки аудио. Сразу перешли к анализу смысла диалогов и улучшению сервиса, а заодно и здорово сэкономили ребятам время и деньги. Все-таки клиент платит за решение своей задачи, а не за сложность технологий, которые мы решили применить.

Компании закупают крутые инструменты, дают их команде, а через месяц понимают: толку ноль, процессы встали, а что пошло не так — непонятно. Потому что никто не замерял «было/стало».

У нас во главе угла научный подход. Мы не гадаем и не работаем на интуиции. Нельзя улучшить то, что нельзя измерить. Перед тем как что-то внедрять, мы смотрим на метрики. Мы буквально смотрим на цифры: сколько времени тратилось раньше, сколько тратится сейчас, где возникают затыки. Все наши решения обоснованы фактами. Если инструмент не дает измеримого результата — мы его отключаем. Благодаря этому у нас просто и прозрачно устроено ценообразование: вы платите за конкретный, доказанный результат, а не за бесконечные эксперименты.

Бизнес хочет «машинное обучение и предиктивную аналитику» уже завтра. А сервера трещат по швам, данные лежат в хаосе, а контур безопасности — дырявый. В итоге пилотные проекты разбиваются о реальность: либо система падает под нагрузкой, либо (что хуже) чувствительные данные утекают в публичные сети.

Снова возвращаемся к тому, что архитектура первичнее всего. Мы не продаем «фичи», пока не убедимся, что под ними есть фундамент. Мы глубоко погружаемся в текущие реалии: где лежат данные, как они защищены, выдержит ли инфраструктура. В конце концов конечная цель — оптимизировать, а не напичкать наворотами. Мы сначала делаем базу железобетонной, безопасной и дешевой в поддержке. А уже потом аккуратно навешиваем сложные фичи. Честный разговор о готовности инфраструктуры сейчас спасет вас от слива миллионов потом.

ИИ-агенты и автогенерация кода могут написать рабочий кусок программы. Но если дать им слишком много свободы, они могут выполнить действие за пределами своей зоны ответственности (например, случайно удалить таблицу в базе) или написать код, который технически работает, но ломает общую логику вашей системы.

Мы никогда не даем автоматизации бесконтрольной власти. Любое решение мы пропускаем через наш любимый научный подход к валидации: каждый шаг агента ограничен жесткими рамками и проверяется. Если система сомневается, она останавливается и спрашивает человека. Мы объясняем клиентам, что умная система — это не «черный ящик», который делает что хочет. Это предсказуемый механизм с понятными границами. Вы всегда знаете, как это работает, почему оно так работает и сколько это стоит.

В: Как понять, где ИИ в бизнес-процессах реально нужен?

О: Используйте простой тест: «Может ли сотрудник выполнить эту задачу по четкой инструкции?». Если да (например, перенести данные из Excel в CRM или посчитать итог), вам нужен обычный скрипт, а не ИИ. Он сработает мгновенно без ошибок и за копейки. ИИ реально нужен там, где есть неопределенность и «человеческий» хаос: понять суть жалобы в голосовом сообщении, вытащить данные из кривого скана договора или предложить варианты ответов клиенту. Cначала разбираем процесс и всегда выбираем самое простое и дешевое решение, которое закрывает задачу, а не гонимся за трендами.

В: Что делать, если инфраструктура не готова к внедрению сложных решений?

О: Честно — сначала починить базу. Мы начинаем с Data Engineering (строим надежные ETL-пайплайны) и Data Governance (вводим единые стандарты качества данных), чтобы цифры не врали. Параллельно проводим аудит информационной безопасности и закрываем уязвимости через базовые практики DevSecOps: настраиваем ролевой доступ (RBAC), шифрование и изоляцию контуров. Только на этом фундаменте имеет смысл запускать сложные ML-модели. Это в разы дешевле, чем потом «тушить пожары» из-за падения продакшена или утечек данных.