Объёмы данных, которые бизнес производит и складывает в разных местах, давно превысили любые разумные размеры. Клиентские базы, логи сайта, переписка в поддержке, таблицы отгрузок: всё это копится годами, а пользы от накопленного всё меньше. Возникает парадокс: чем больше у компании данных, тем труднее делать на их основе внятные выводы.
CRM и ERP, которые ещё недавно считались вершиной автоматизации, в этой картине работают как дорогие таблицы Excel. Они честно хранят информацию, но не подсказывают, что с ней делать дальше.
На этом фоне и появился термин «цифровая платформа с ИИ» — среда, которая не просто складирует данные, а учится на них и выдаёт готовые выводы.
Кому она реально нужна и где бизнес чаще всего спотыкается при внедрении?
Из чего состоит цифровая платформа
У такой платформы обычно три рабочих узла.
Хранилище данных: общее пространство, куда стекается информация из всех отделов: CRM продаж, логи сайта, обращения в поддержку, складские остатки. Без этого слоя моделям попросту нечему обучаться.
ML-ядро: модели, которые постоянно дообучаются на новых данных. Чем больше информации проходит через систему, тем точнее прогнозы. Здесь же обычно кроется главное разочарование. Если данные грязные, модель обучается на грязных данных, и результат предсказуем.
API-слой: связка с уже работающим у компании софтом, будь то 1С, корпоративный портал или мессенджеры поддержки. Платформа без нормальной интеграции превращается в ещё одну изолированную систему, за которой надо отдельно следить.
Поверх этой основы работают разные типы ИИ, и здесь стоит разделять их по задачам, а не считать одним общим «искусственным интеллектом»:
- генеративный: готовит черновики отчётов, писем, маркетинговых текстов;
- когнитивный: распознаёт изображения, голос, эмоциональный окрас обращения в поддержку;
- прогностический: считает вероятность оттока клиента, прогнозирует спрос, подсказывает оптимальный уровень запасов.
Зачем цифровая платформа бизнесу и где реальный эффект
Аргумент «повышаем эффективность» всегда звучит расплывчато, пока не разложить его на составляющие. Вот несколько примеров:
Скорость решений. У «Альфа-Капитал» после того, как доступ к ИИ-моделям открыли всем сотрудникам, а не только аналитикам, производительность выросла на 50%: ИИ ежедневно используют 87% ИТ-специалистов и 65% сотрудников на стороне бизнеса. Разница между «есть инструмент у избранных» и «инструмент встроен в работу каждого» оказывается решающей.
Экономия времени на рутине. У «Сбербанк Страхование жизни» свыше 92 тысяч обращений к ИИ-ассистентам в месяц сэкономили сотрудникам больше 3100 рабочих часов. Это данные, которые компания раскрыла публично, а не абстрактная оценка «в теории должно сработать».
Точность прогноза продаж и оттока клиентов. Модель Avito A-Vibe, по данным разработчиков, определяет до 30% клиентов, готовых к покупке, ещё до того, как они сами это осознали. Компания успевает предложить нужное раньше конкурентов, а не после того, как клиент уже сравнил цены у всех.
Локализация и требования 152-ФЗ. Для российского бизнеса это не формальность, а условие входа: данные клиентов должны обрабатываться и храниться на серверах в РФ, а поставщик платформы обязан понимать требования закона не хуже юридического отдела компании.
Есть и обратная сторона. По оценке Ингосстрах, до промышленной эксплуатации сегодня доходит лишь около 5% пилотных ИИ-проектов. Технология сама по себе не гарантирует результат: гарантирует его то, что происходит до и после запуска пилота.
Кому действительно нужна ИИ-платформа
Формулировка «искусственный интеллект для всех» ничего не говорит о задаче конкретного отдела. Поэтому разобьем по ролям:
- Руководству нужна прозрачность вместо вороха разрозненных Excel-файлов: один экран с отчётами и прогнозом на месяц-квартал вперёд, решения на основе цифр, а не интуиции.
- Маркетингу нужен автоматический прогноз бюджета кампании и подсказка, какой канал даст максимальный ROI ещё до того, как деньги потрачены.
- Продажам полезны подсказки по лучшему времени для звонка и разбор прошлых успешных сделок, а не общие скрипты «для всех».
- Производству нужна предиктивная аналитика, когда система замечает признаки поломки оборудования за несколько дней до отказа, и ремонт можно спланировать, не останавливая конвейер.
Почему пилоты чаще проваливаются, чем взлетают
Дело не в случайности: у провала обычно три типовые причины.
Качество данных. Правило «мусор на входе — мусор на выходе» никто не отменял. Если в учёте разнобой (контрагент записан тремя разными способами, товар называется по-разному в разных отделах), ИИ не наведёт порядок сам. Он в лучшем случае честно покажет масштаб бардака. Прежде чем внедрять модель, данные нужно почистить и привести к единой структуре. Работа скучная, но без неё всё остальное бессмысленно.
Appliner решает проблемы неструктурированного вайбкодинга при помощи интеграции ИИ с no-code/low-code платформой.
Сопротивление сотрудников. Люди боятся, что их заменят, и это нормальная реакция. Здесь важно не убеждать словами, а показывать на практике: платформа берёт на себя рутину (заполнение карточек, типовые ответы), а решения и переговоры с ключевыми клиентами остаются за человеком.
Данные учатся на прошлом. Модель обучается на исторических данных, а в них могут быть смещения, например по региону или сегменту клиентов, которые раньше обслуживали хуже. Если не проверять выводы модели на здравый смысл, предвзятость исторических данных просто зашивается в новую систему и повторяется уже автоматически.
Где здесь low-code и почему Appliner — цифровая платформа
Один из подходов, который снимает часть этих рисков ещё на старте, — low-code/no-code. Порог входа в разработку падает, стоимость и сроки пилота тоже, а значит, гипотезу можно проверить быстро, не запуская разработку под ключ на полгода вперёд.
Appliner — российская low-code/no-code платформа, где такой подход реализован через конструкторы: бизнес-аналитик или ИТ-специалист широкого профиля собирает приложение из готовых блоков, не дожидаясь очереди в разработку.
Применительно к теме статьи важна конкретная возможность платформы — конструктор ИИ-агентов. Агент собирается перетаскиванием готовых узлов, а не написанием кода с нуля. Не нужно самому разбираться, как модель читает и анализирует данные: блоки уже настроены под эту логику и умеют дообучаться на новых данных. Нужен агент, который отслеживает и прогнозирует поставки скоропортящихся товаров? Собираете нового и встраиваете его в любое бизнес-приложение с API, будь то склад, CRM или внутренний портал.
Это не замена человека автоматикой, а способ быстро проверить одну конкретную гипотезу (например, поможет ли прогноз оттока клиентов отделу продаж), не перестраивая всю ИТ-архитектуру компании ради одного эксперимента.
В ближайшие один-два года рынок будет двигаться от реактивного ИИ, который отвечает на запрос, к проактивному, который сам предлагает действие, не дожидаясь команды. Российский рынок low-code/no-code уже растёт на этом фоне: по оценке B1, в ближайшие три года он будет прибавлять около 17% в год, а платформами такого типа, по разным данным, уже пользуется большинство российских организаций.
Вместо готового вывода: короткий тест для честной сверки с самим собой:
- сколько часов в неделю уходит на ручное ведение таблиц;
- какие данные компания собирает, но не использует;
- готовы ли вы доверить алгоритму решение, а не только подсказку;
- выдержит ли ИТ-система кратный рост клиентов без перестройки с нуля;
- на что уйдёт освободившееся время сотрудников, если рутину заберёт система.
Правильных ответов здесь нет. Но то, как вы отвечаете на эти пять вопросов сегодня, во многом определит, как будет выглядеть бизнес через пять лет.
Часто задаваемые вопросы
Чем цифровая платформа с ИИ отличается от обычной CRM или BI-системы? CRM и BI хранят и показывают данные, но решение всё равно принимает человек. ИИ-платформа дополнительно учится на этих данных и сама формулирует вывод или прогноз — например, не просто график продаж, а объяснение, почему они упали, и рекомендацию, что делать.
Сколько времени занимает внедрение цифровой платформы? Зависит от готовности данных и того, нужна ли кастомизация модели под задачу. По отраслевым данным, на подготовку и очистку данных обычно уходит 60–80% времени всего проекта — это основная переменная, а не сама технология.
Нужно ли программировать, чтобы создать ИИ-агента на low-code платформе? Нет, если платформа построена на конструкторах: агент собирается из готовых блоков и узлов. Написание кода нужно только для нестандартных сценариев, которые не покрываются существующими блоками.
Как требования 152-ФЗ влияют на выбор цифровой платформы для бизнеса? 152-ФЗ обязывает обрабатывать и хранить персональные данные россиян на серверах в РФ. Для бизнеса это означает, что зарубежные облачные ИИ-сервисы без локализации данных могут быть юридически рискованным выбором, а не просто техническим ограничением.
С чего начать внедрение, если данные в компании в хаосе? С наведения порядка в самих данных: убрать дубли контрагентов, привести названия товаров и категорий к единому виду. Только после этого имеет смысл подключать модель — иначе она обучится на том же хаосе и просто ускорит его тиражирование.
Заменит ли ИИ-платформа сотрудников? Платформа берёт на себя типовые операции — заполнение карточек, ответы на стандартные обращения, построение отчётов. Решения по нестандартным ситуациям и переговоры с ключевыми клиентами остаются за человеком: это единственная часть, где ИИ пока систематически проигрывает.
Оставить комментарий