Многие компании уже попробовали GenAI. Что теперь можно считать настоящей ценностью, а не демонстрацией технологии?
В enterprise ценность начинается с соответствия продукта существующим ограничениям заказчика. Часто нельзя использовать зарубежные коммерческие модели, решение должно работать внутри закрытого контура и соответствовать доступной инфраструктуре. Если при этом ИИ-продукт дает нужное качество, скорость работы и помогает решать реальную задачу, тогда это уже не эксперимент, а полезный инструмент. Поэтому важно оценивать не только сокращение времени или снижение ошибок, но и готовность к промышленному внедрению без компромиссов в данных и надежности.
Согласны ли вы, что конкурировать теперь нужно не на уровне фундаментальных моделей, а на уровне контекста?
Да. Конкуренция на уровне фундаментальных моделей - это удел очень крупных игроков с соответствующими ресурсами. Для большинства компаний реалистичный путь - использовать существующие open source или коммерческие модели и обогащать их собственным контекстом, данными, которых нет в открытом доступе: регламентами, документами, историей обращений, бизнес-правилами, накопленной экспертизой. Но сами данные ничего не решают. Нужно сформировать контекст так, чтобы модель дала корректный ответ или вызвала нужный инструмент внутри бизнес-процесса.
Как в enterprise выглядит этот «год контекста»?
Сначала компании нужно собрать знания, которые хранятся в разрозненных вики-системах, в заметках, внутренних документах и даже «в головах» экспертов. Все это нужно не только собрать в одном месте, но и научиться хранить, обновлять и эффективно искать по этим знаниям ответы, чтобы затем обогащать ими контекст языковых моделей. При создании ИИ-агентов на базе языковых моделей важно понимать, что системный промпт или системная инструкция - это тоже часть контекста. По сути, это краткое описание бизнес-функции, которую выполняет ассистент: что он должен делать, в каких границах, с какими данными и по каким правилам. Поэтому профессия промпт-инженера или контекст-инженера, которая еще недавно воспринималась почти как шутка, в 2026 году становится действительно важной. От качества такой настройки напрямую зависит, будет ли ассистент просто отвечать общими словами или сможет помогать в конкретном бизнес-процессе.
Нужно ли компаниям обучать собственные фундаментальные модели?
Не всегда. Обучение фундаментальной модели - очень дорогая история, компания должна понимать, окупятся ли такие инвестиции. Многие бизнес-кейсы сегодня можно закрыть контекст-инжинирингом: RAG, грамотными промптами, настройкой сценариев и интеграцией с данными. Дообучение или отдельные ML-модели оправданы там, где есть специализированная задача, стабильный поток данных и понятный экономический эффект.
Какие задачи выигрывают от GenAI, а где он только усложняет архитектуру?
Генеративный ИИ не подходит там, где требуется строгая объяснимость. Например, в скоринговых моделях или оценке вероятности дефолта. Если нужно классифицировать документ по небольшому фиксированному набору классов, большая языковая модель тоже может быть избыточна: справятся классический ML, правила или поиск. GenAI дает ценность там, где есть неструктурированный текст, неоднозначность, необходимость подготовить саммари, сопоставить данные из разных источников или помочь человеку в задаче, где простым «да/нет» не обойтись.
Если заказчик говорит: «Мы сами соберем это из open source», в чем ценность вендора?
Этот вопрос относится не только к искусственному интеллекту, а в целом к разработке программного обеспечения. Собрать решение из open source - это все равно внутренняя разработка. Ей нужно управлять, под нее нужны ИТ-ресурсы, архитектура, тестирование, поддержка. Эти ресурсы стоят дорого, и при этом команда часто проходит тот же путь проб и ошибок, который другие уже проходили десятки раз. Ценность вендора в готовом и проверенном ПО, опыте внедрения, отлаженных моделях, интеграциях и ответственности за результат. В enterprise важны не только алгоритмы, но и безопасность, управление доступами, аудит, SLA и отраслевая специфика. Например, в GreenData мы обучаем собственные модели классификации документов и распознавания фрагментов документов, чтобы решения лучше работали именно в контексте российского законодательства и российских типов документов. В этом и есть практическая ценность вендора: он сокращает путь от идеи до промышленного результата и берет на себя часть рисков, которые при внутренней разработке полностью остаются на стороне заказчика.
Какие GenAI-сценарии уже зрелые, а какие пока остаются в зоне экспериментов?
Зрелые сценарии - Meeting Intelligence: распознавание речи, транскрибация встреч, суммаризация, генерация протоколов. Второй блок - RAG и корпоративный поиск: работа с большими неструктурированными хранилищами документов или кода и генерация ответа на основе найденного контекста. ИИ-агенты как замена традиционному интерфейсу пока развиваются. Более зрелый пример - первая линия поддержки, где чат-боты с LLM под капотом уже работают достаточно стабильно. Но если процесс формализован, лучше использовать классический workflow, RPA, правила или ML-модель.
Какую практическую формулу вы бы дали бизнесу?
Начинать стоит не с абстрактного желания «внедрить GenAI», а с узкого прикладного кейса. Например, с распознавания документов. Затем изучить, какие решения уже есть на рынке, где они ошибаются, какие open source-альтернативы доступны и что можно доработать своими силами. Важно сразу считать экономику. В облаке - потребление токенов и контроль расходов, on-premise - инфраструктуру и поддержку. Если слабые места понятны, данные доступны, экономика сходится, а эффект можно измерить, тогда в проект стоит развивать. GenAI в 2026 году - это не магия большой модели, а точный выбор задачи, качественный контекст и только потом масштабирование.