От цифровизации к ИИ-революции: как искусственный интеллект изменит рынок труда и бизнес-процессы

У нас отличный уровень цифровизации, если понимать это слово узко: мы умеем оцифровывать процессы — выделить в чем-то аналоговом измеримую составляющую и сохранить. Для этого у нас есть научно-техническая база, специалисты, лучшие мировые практики.

Основные трудности связаны со второй составляющей цифровой трансформации: с автоматизацией. Долгое время отечественных автоматизаторов душили демпингом транснациональные корпорации. Сейчас возможности есть, но в сравнении с западными вендорами нашим автоматизаторам не хватает наработанного опыта, лояльности клиентов, емкости рынка. Ради его захвата есть смысл вкладывать огромные инвестиции, чтобы выдавать продукт, сопоставимый по качеству с продуктами западных вендоров, которые монетизируются на рынке в 50–100 раз больше. Важно изменить подход потребителей продукта, устоявшийся в годы присутствия вендоров из недружественных стран: они были готовы отдавать решение задаром, лишь бы не дать закрепиться конкуренту, и заказчики привыкли сбивать цену — зачастую ниже себестоимости.

Термин «цифровая трансформация» ушел с первых полос, так как процессы, скрывавшиеся за этим громким лозунгом, оказались довольно обыденны, хоть и важны. Рынок свыкся с мыслью, что ИТ не должно торговать данными, и поэтому фактически умер концепт Data Mash. Настоялась и мысль о том, что любое RnD должно соответствовать долгосрочным целям бизнесов компании, и потому маяки цифровой трансформации из ИТ-прожектов стали обычными бизнес-целями.

Стратегии 2025–2030 сейчас пишутся с фокусом на генеративный ИИ, но в основном абстрактно, так как ИТ-директора пока не понимают, смогут ли они выстраивать полноценные агентские среды с помощью больших языковых моделей или генеративный ИИ сойдет на нет, как Data Mash. Те, кто писал стратегии в 2023 и начале 2024 года, еще, бывало, фокусировались на LakeHouse как на серебряной пуле, которая решит все вопросы эффективного распределения ресурсов в платформах данных, но и здесь чуда не случилось.

Сейчас у российского рынка, как и у мирового, появилось понимание, что LakeHouse хорош для активностей с переменной нагрузкой, но для high-load-работы с фиксированными SLA он не годится, поэтому 80% данных по-прежнему будут лежать в классических инструментах.

Трансформация стратегий будет заметна в части базовых прикладных решений в нишах, которые ранее занимали решения SAP, IBM, SAS. Прошедшие 2,5 года были посвящены сокращению отставания в части системного ПО, и сейчас эта потребность в основном закрыта. Лидеры ИТ-рынка в ближайшее время смогут предлагать стабильные вертикальные отраслевые решения, включающие в себя весь необходимый системный и базовый софт, оборудование и уже реализованные прикладные решения, которые нужно будет только интегрировать без значительной адаптации и кастомной разработки. Это даст заказчику возможность прогнозировать ROI внедрений, так как у их стоимости будет минимизирована переменная часть, а эффект от прикладных наработок будет референсным и также прогнозируемым.

В прикладные и базовые решения, разумеется, включается и ИИ: как классический, который позволит оптимизировать различные параметры процессов, так и генеративный, нацеленный на сокращение времени исполнения рутинных задач человеком: co-pilot, поиск информации и подготовка по ней ответов, а также агенты выполнения несложных детерминированных функций, действующие сообща в рамках хорошо описанных процессов.

В последний год набрали силу большие языковые модели, и они поменяли буквально все. Раз в месяц в open source выходит какая-то новая модель, которая может выполнять определенные задачи лучше, чем предыдущие генерации. Год назад миграция хранилища данных крупного заказчика с Oracle на наши продукты требовала десятков тысяч человеко-дней. Сейчас мы скромной командой из трех экспертов смогли за две недели из открытого кода собрать на основе ИИ инструмент для автоматической миграции, который успешно преобразовывает до 80% кода мигрируемых запросов.

Большие языковые модели (LLM) уже пишут код, переводят документацию, анализируют юридические риски, адаптируют программу обучающего курса под навыки студента по ходу самого обучения. В кратчайшей перспективе они будут способны полностью заменить весь административный персонал, снизив бюрократию до нуля, а чуть позже заменят и часть программистов — и уже начали. С каждой новой версией такие модели становятся умнее, быстрее, держат все больший объем контекста разговора, меньше ошибаются, и порог мощностей, необходимых для их использования, снижается все сильнее. Прогресс в этой сфере идет пока очень быстро. Поэтому спрогнозировать уровень цифровизации даже через 3 года — весьма сложная задача.

Новые архитектуры ИИ и раньше появлялись постоянно, однако в 2017 году вышел материал Attention is all you need, описавший механизм многоголового внимания, с которого начинается расцвет трансформерной архитектуры ИИ, лежащей в основе большинства прорывных генеративных моделей, меняющих сейчас наш мир. С этого момента ИИ перестал восприниматься как математическая функция, в которую можно подать данные и получить на выходе результат, а стал обретать субъектность.

ИИ, в частности генеративный ИИ, произвел революцию в подходах к решению сложно декомпозируемых задач. Элементы бизнес-процесса, где мы раньше привлекали людей из-за того, что нельзя было описать все варианты развития событий, теперь поддаются автоматизации с помощью агентов генеративного ИИ. Определить, является ли документ или фотография документа поддельной; уловить настроение и проанализировать содержание идущего разговора между оператором и посетителем отделения; вызвать менеджера для посетителя или, напротив, охрану для помощи оператору — все это задачи, за автоматизацию которых раньше даже не брались, а теперь это реализуется элементарно и почти бесплатно. ИИ в десятки и сотни раз снизил стоимость прототипирования решения, именно поэтому нам сейчас сложно в полной мере осознать его экономический эффект, но очевидно, что он огромен.

Большие языковые модели в середине 2024 года стали способны к строго структурированным ответам (tool usage, function calling, constraint decoding), что позволило сделать их частью бизнес-процессов, заставляя не просто понимать человека и его потребности, но и выполнять действия, подходящие к ситуации. Это открыло дорогу как автономным роботам-помощникам, которые, благодаря этим возможностям, уже начинают появляться в розничной продаже, так и к развитию парадигмы RPA, уже давно активно используемой в автоматизации множества бизнес-процессов во всех отраслях. Во всех сферах, в которых используется человеческий труд, будут появляться решения, позволяющие уходить от рутины и заниматься действительно важными делами.

Речь о прототипах сервисов в рамках произвольных бизнес-процессов. Обычно они декомпозированы на шаги, каждый из которых представляет собой некий сервис: у него есть входные артефакты, некая логика их обработки и выходные артефакты. Одни сервисы работают с данными, другие предполагают перемещение объектов в физическом мире, третьи — участие человека в процессах принятия решений или верификации подлинности. Генеративный ИИ адресует в первую очередь третий тип.

Возьмите любого сотрудника банка не из ИТ. Его рабочий день состоит из участия в различных бизнес-процессах, таких сотрудников тысячи и десятки тысяч. Раньше вы давали поручение подготовить отчет или сформировать нетипичную справку человеку, а сейчас это может сделать средних размеров LLM с подключенным каталогом данных и структурированными ответами. В середине 2024 года произошел качественный прорыв, и модели стали способны вызывать функции. С этого момента началось движение к замене людей в любых бизнес-процессах.

RPA — это ведь не только офисные задачи. К этому классу относится любая роботизация бизнес-процесса. Реализуете ли вы концепцию Data Fabric в платформе данных и не хотите писать под каждую СУБД платформы запрос со своим отдельным синтаксисом, пытаетесь ли вы по видео в реальном времени ответить на вопрос, надел ли инкассатор бронежилет или нет, или анализируете настроение диалога между клиентом и оператором — вы будете использовать в этих задачах либо человека, либо описательный (тоже генеративный) ИИ, так как решать их классическими инструментами автоматизации слишком сложно и слишком много возникает исключений на пути реализации.

Есть случаи, когда команда за 2 недели окупает свой бюджет на 10 лет. Нередки и случаи, когда затраченные средства едва отбиваются. Однако в целом можно сказать, что убытка от профессиональных команд ИИ в компаниях с большим объемом качественных данных не возникает практически никогда. Вероятно, это связано с тем, что при принятии решения о работе в направлении ИИ компании в первую очередь ориентируются на референсное ROI.

Завышенные ожидания заказчика из-за пика хайпа и перфекционизм исполнителей, привыкших в основном работать в расслабленном RnD-режиме, слабо сочетаются друг с другом. Без профессионального менеджмента проекта сложности гарантированы. При использовании генеративного ИИ и других алгоритмов глубокого обучения недетерминированность ответа модели часто становится проблемой, если дизайном решения не предусмотрена постобработка. Помимо этого, есть еще множество технических сложностей, связанных с переобучением, плохим pretrain-датасетом, излишним прунингом и квантизацией и другими факторами.

Arenadata использует в первую очередь генеративный ИИ, преимущественно LLM- и VLM-модели. На них основаны ассистенты с RAG по базе знаний, классификация требований регуляторов, перевод технических документов с других языков. LLM помогают в продажах и маркетинге, в поиске ошибок в коде. Кроме того, на LLM/VLM сейчас строятся наши ассистенты и агенты, которые помогут пользователям наших продуктов значительно эффективнее работать в платформе данных Arenadata, а часть рутинных процессов автоматизируют полностью.

Для нас знаковым событием в мире ИИ стали появление в 2024 году эффективных структурированных выводов (structured outputs) для больших языковых моделей и стабилизация open source компонентов, за это отвечающих. Начиная с этого момента стало возможным без потери скорости работы получать в качестве ответа модели строго специфицированный JSON, и мы, как и многие в мире, стали реализовывать ассистентов и агентов ИИ, которые помогут нам ускорять собственные бизнес-процессы и бизнес-процессы наших клиентов.

После появления возможности получать строго структурированные ответы от больших языковых моделей в середине 2024 года мы попробовали использовать LLM в задачах миграции кода СУБД Oracle на наши продукты. Наши ожидания были довольно скромными, поэтому эффективностью мы были буквально ошеломлены. После этого LLM получили больше внимания, нашли применение в задачах классификации типов тикетов и работают для внутреннего чат-бота по системе знаний, но основной фокус все же направлен в сторону облегчения пользователям работы с данными на нашей платформе.

Большие языковые модели в общем случае не детерминированы, при построении ответа они выбирают наиболее вероятные части будущих слов в зависимости от уже поданных в их контекст, а для корпоративного использования требуется стабильность результатов. С этим могут быть сложности, если не использовать специальные инструменты, ограничивающие простор размышлений. Использование больших и качественных моделей требует значительных ресурсов, которые оправдывают себя только при интенсивном использовании. В качестве альтернативы можно выбирать подписочные схемы и потребление таких моделей через API, однако в этом случае придется идти на компромисс с точки зрения конфиденциальности данных. Поэтому, говоря об эффективности, можно отметить, что она не вполне линейна. Сначала вы получаете очень большой эффект относительно малыми ресурсами, затем, пока инструментом пользуются немногие, а спектр задач растет, экономическая целесообразность может показаться сомнительной, но по мере проникновения в рабочие процессы она возвращается на хороший уровень.

Мы начали экономить значительное время на поиск и классификацию информации, но, безусловно, в продуктах для наших клиентов мы достигнем с помощью LLM значительно большего эффекта, чем во внутренних.

Специфика нашего бизнеса — СУБД и управление большими данными. Наши клиенты хранят и обрабатывают большие массивы информации в различных форматах, а LLM и VLM (визуально-текстовые модели) как раз справляются со многими задачами обработки массивов информации значительно лучше людей. Их можно использовать в проектах миграции (90% SQL-запросов и 75% сложных процедур мигрируется автоматически, экономя десятки миллионов рублей в масштабных миграциях), для общения с базой данных на русском языке (модель переформулирует слова в SQL-запрос и сделает выжимку из результата), для автоматического определения эмоционального окраса записей диалогов с операторами колл-центров, для распознавания значимой информации в сканах документов, за счет чего можно автоматизировать и кратно ускорить процессы, ранее бывшие ручными.

Мы также возлагаем большие надежды на агентов — LLM-ассистентов, которым дали память, возможность планировать свои действия, пространство состояний и дискретное «время» (runtime), за счет чего можно будет выполнять составные задачи, предполагающие исследование внешней для LLM среды. Текущие агентные фреймворки от лидеров рынка, к сожалению, не учли опыт, который в области интеграции данных получен уже давно, поэтому мы создаем свое ответвление агентского фреймворка с задействованием pub-/sub-архитектуры для шины данных коммуникации агентов и с возможностью внешней оркестрации работы агентов. Такой подход позволит использовать уже зарекомендовавшие себя безопасные инструменты, одновременно снизив контекстную нагрузку на LLM, что значительно увеличит долю успешно выполненных агентами задач.

Верно. Все профессии, связанные с рутиной и ручным трудом, сейчас под большим риском, так как с ними отчасти справляются ИИ и роботы с ИИ. Потому и появляются новые модели, способные работать с разными модальностями (картинка, видео, аудио, текст — на вход; на выход для задач автоматизации вполне достаточно текста), — LLM начали применять в бизнес-процессах. Компании поняли, что это экономит деньги, и появился запрос на мультимодальность. Даже уже не самый свежий Qwen 2 VL, например, без дообучения умеет определять и расшифровывать русский рукописный текст. Отсутствие этого навыка раньше было преградой для того, чтобы полностью автоматизировать ряд профессий, в которых важна работа с документами. Теперь модель, которая умнее среднестатистического человека, с большим кругозором и опытом, может делать все, что делали 70–80% младших бухгалтеров. Много ли останется в скором времени помощников у главного бухгалтера и долго ли осталось ему самому? Кажется, что немного.

ИИ позволит минимизировать задержки во множестве бизнес-процессов, повысит производительность труда, сведя к минимуму рутину. Повышение производительности труда при сохранении кадров будет вести к усилению конкуренции за лучшие кадры на фоне роста доходов компаний. Это позволит специалистам высокой квалификации получать большие зарплаты, компании будут привлекать в том числе иностранных специалистов, престиж работы в России повысится. Страх же по поводу сокращения кадров правильно относить к роботизации, а не к ИИ. Однако роботизация тоже нужна, и даже ее кратный рост с текущих позиций не окажет значительного влияния на российский рынок труда.

Это очень долгосрочная перспектива, учитывая, что мы ожидаем появления AGI¹ в ближайшие 3–4 года. Можно с уверенностью утверждать, что специалисты в области инженерии и фундаментальных наук (математика, физика, химия, биология, информатика) будут востребованы, поскольку они позволят разобраться в работе программ и механизмов будущего, определить проблемы и найти пути их решения.

Тем, кто хочет быть на передовой науки и технологий и создавать что-то принципиально новое, вероятно, потребуется гораздо больше времени для формирования теоретической базы, включая понимание принципов работы искусственного интеллекта. Это необходимо для создания новых аксиоматических систем и архитектур ИИ, которые позволят делать открытия. Как говорят сейчас, наступает эпоха, когда идея становится самым ценным, а реализация чего угодно с помощью ИИ и роботов становится доступной и недорогой.

Вероятно, разумно будет измерять корреляцию использования ИИ со стагнацией и уменьшением спроса на отдельных специалистов. А в относительно недалеком будущем, когда некоторые специальности начнут исчезать, допускаю целесообразность введения временной системы базового безусловного дохода для этих работников. Это даст им время адаптироваться к новым условиям.

На самом деле вопрос непростой. ИИ должен повысить эффективность, а значит, увеличить ВВП и при прочих равных поднять благосостояние государства в целом. Однако распределение этого благосостояния может быть достаточно неравномерным. У государства есть все необходимые механизмы для распределения благосостояния, но важно делать это справедливо, стимулируя прогресс и не поощряя бездействие.