ГК Softline предупреждает: корпоративный интеллект нельзя купить по подписке

Проблема корпоративного AI сегодня не в нехватке интереса к технологии, а в завышенных ожиданиях от её внедрения.

Компании получают доступ к большой языковой модели, запускают пилот, демонстрируют эффектные ответы — и рассчитывают, что этого достаточно для появления нового бизнес-инструмента. Однако без учета внутренних данных, регламентов и процессов модель остается лишь удобным помощником: она может искать информацию и генерировать тексты, но не обеспечивает управляемый результат, не снижает ошибки и не меняет работу бизнеса системно.

Корпоративный интеллект нельзя приобрести как готовый сервис: его нужно проектировать, настраивать под контекст конкретной компании и интегрировать в реальные процессы. О том, из каких элементов складывается рабочий корпоративный AI, почему внедрение следует начинать не с модели, а с бизнес-задачи, и как превратить технологию в измеримую экономическую ценность, рассказывает Егор Ворогушин, директор департамента цифровых решений ГК Softline.

Из чего состоит рабочий корпоративный AI

Правильный подход к корпоративному AI начинается с архитектуры. Модель в этой архитектуре — важный элемент, но сама по себе она не решает бизнес-задачу. Нужна система инструментов, которая связывает модель с данными, процессами и действиями внутри компании. В ГК Softline мы исходим из того, что корпоративный AI — это не отдельный сервис, а часть рабочего контура организации.

Первый элемент такой системы — промптинг. В корпоративной среде это уже не искусство красивых запросов, а новый тип инструкции: какие задачи можно ставить модели, какие данные ей доступны, в каком формате должен быть представлен ответ, где обязательна ссылка на источник, где нужна проверка человеком, а где результат может двигаться дальше по процессу. По сути, речь идет о регламентах, адресованных алгоритму. На проектах Softline мы видим, что без такой дисциплины даже сильная модель выдает результат, которым сложно управлять в масштабе бизнеса.

Второй элемент — RAG, или Retrieval-Augmented Generation. Если упростить, это способ дать модели доступ к внутренним знаниям компании: документам, договорам, регламентам, базам знаний, инструкциям, продуктовым материалам. Тогда ответ строится не только на общем массиве знаний модели, а на конкретном корпоративном контексте. По опыту ГК Softline, именно этот слой чаще всего отделяет эффектную демонстрацию AI от решения, которому сотрудники действительно могут доверять в ежедневной работе: он снижает риск галлюцинаций и делает ответы релевантными бизнес-задаче.

Третий элемент — доступ к действиям в системах. Пока модель только отвечает на вопрос, она остается помощником в отдельном окне. Когда она может проверить статус заявки, заполнить поле, инициировать операцию или передать задачу следующему участнику процесса, ее роль меняется: AI становится частью рабочего контура. Поэтому в Softline мы рассматриваем интеграции не как дополнительную опцию, а как обязательное условие для перехода от консультационного AI к операционному.

Четвертый элемент — дообучение. Его часто путают с RAG, хотя это разные инструменты. RAG добавляет модели контекст на входе: какие документы использовать, на какие данные опереться, где искать ответ. Дообучение меняет саму модель, подстраивая ее под конкретные примеры и специализированные сценарии. Это сильный, но ресурсоемкий инструмент, который требует качественных данных, экспертизы и понятного экономического смысла. В практике Softline в большинстве корпоративных задач разумнее сначала выстроить промптинг и RAG, оценить результат и только после этого решать, действительно ли необходимо дообучение.

Пятый элемент — агентность. Агентная модель не ограничивается ответом на вопрос: она проходит цепочку шагов, оценивает контекст, выбирает инструмент, обращается к данным, принимает промежуточное решение, выполняет действие или передает задачу человеку. Именно на этом уровне технология начинает влиять не на отдельную операцию, а на скорость и качество всего бизнес-цикла. Для команды Softline агентные сценарии — это логичное развитие корпоративного AI, но переходить к ним следует тогда, когда уже выстроены данные, правила и контроль результата.

Почему начинать нужно не с модели, а с процесса

Самый надежный способ внедрять корпоративный AI — идти от конкретного вертикального процесса. Не от общего желания «попробовать искусственный интеллект», а от понятной бизнес-задачи: например, разбора страховых случаев, корпоративных закупок, обработки обращений, подготовки договоров или закрытия финансового периода. Мы в ГК Softline обычно начинаем именно с такого вопроса: какой процесс компания хочет изменить и какой результат будет считать улучшением.

Далее процесс нужно разложить на шаги. У каждого из них должны быть понятный вход, ожидаемый выход и критерии качества. Где-то достаточно хорошо настроенного промпта. Где-то потребуется RAG, потому что без внутренней базы знаний модель будет отвечать слишком обобщенно. Где-то нужна интеграция с корпоративными системами. А часть этапов разумнее оставить за человеком, особенно если цена ошибки высока или требуется управленческое решение.

Только после этого появляются содержательные метрики: время обработки, точность результата, количество ошибок, доля задач, требующих участия эксперта, уровень возвратов на доработку. Без них AI-проект остается на уровне субъективного впечатления: кому-то стало удобнее работать, кто-то быстрее готовит письма, но бизнес не понимает, что изменилось в цифрах. Именно поэтому в проектах Softline оценка эффекта закладывается в сценарий внедрения с самого начала, а не добавляется после запуска пилота.

Корпоративный AI должен проходить тот же путь, что и любой серьезный продукт: гипотеза, эксперимент на реальных кейсах, измерение качества, корректировка архитектуры и новая проверка. Когда отдельные шаги начинают стабильно работать, их можно собирать обратно в целостный процесс. Тогда ускорение на отдельных этапах превращается в сокращение всего цикла, а снижение ошибок в отдельных операциях — в снижение реальных бизнес-рисков.

Почему одинаковых внедрений не бывает

Подход к AI зависит от масштаба и зрелости компании. У крупных корпораций обычно больше данных, сложнее системный ландшафт, выше требования к безопасности и больше интеграций. Там AI почти всегда приходится встраивать в плотную архитектуру: с учетом ролей доступа, источников данных, регламентов, требований комплаенса и информационной безопасности. Опыт ГК Softline показывает, что в таких проектах успех часто определяется не мощностью выбранной модели, а качеством архитектуры, данных и интеграций.

У компаний меньшего масштаба стартовая точка часто другая. У них может быть меньше структурированных данных, слабее развиты базы знаний, а процессы не всегда описаны достаточно подробно. В таких случаях разумнее начинать с промптинга, простых сценариев автоматизации и постепенного накопления данных для более сложных инструментов.

Но базовый принцип остается общим: начинать нужно с процесса, который можно улучшить и измерить. Не с демонстрации возможностей модели, не с модной витрины, не с абстрактной идеи «внедрить AI», а с ответа на несколько практических вопросов: какой процесс берем, что в нем болит, где теряется время, где возникают ошибки, какие данные нужны модели, кто проверяет результат и как мы поймем, что стало лучше.

Когда AI становится экономической ценностью

Успешное внедрение корпоративного AI видно по цифрам. Сократилось время цикла. Уменьшилась доля ошибок. Снизилось количество задач, которые приходится передавать экспертам. Сотрудники быстрее проходят рутинные этапы. Бизнес получает более предсказуемый процесс и меньше операционных рисков.

Сильный корпоративный AI рождается не из модных демонстраций, а из инженерной работы. Ему нужны архитектура, данные, доступ к системам, понятные регламенты, метрики и продуктовый подход. Модель может быть очень мощной, но без этой обвязки она останется инструментом для отдельных пользователей, а не частью бизнеса.

Корпоративный интеллект начинает работать тогда, когда компания перестает ждать от модели магии и начинает обращаться с ней как с технологическим компонентом: проектировать, проверять, ограничивать, обучать корпоративному контексту и связывать с реальными действиями. В ГК Softline мы считаем именно этот переход главным условием того, чтобы AI перестал быть экспериментом из презентации и превратился в источник измеримой экономической ценности.