Сергей Семикин («ГИГАНТ - Компьютерные системы»): «Не бывает магии: работает не «сам ИИ», а правильная архитектура, качественные данные и четко ограниченный сценарий»

В «ГИГАНТ — Компьютерные системы» уже используют ИИ-агентов, но без попыток превратить ИИ в универсальную таблетку от всех проблем. Сейчас основной фокус направлен на развитие ИИ-анализатора телефонных звонков. Еще одно направление — внутренние задачи бэкофиса и сокращение рутинной нагрузки. Третье направление связано с внутренней технической экспертизой. Об этом говорит СЕО компании «ГИГАНТ - Компьютерные системы» Сергей Семикин.

— Сергей, по вашей оценке, насколько бизнесу интересно прибегать к помощи цифровых сотрудников? Как развивается это направление?

— Интерес к цифровым сотрудникам (ИИ-агентам, не путать с ИИ-ассистентами) перестал быть историей про «инновации ради инноваций». Рынок быстро отрезвел. Еще пару лет назад компании запускали пилоты скорее из опасения «отстать от тренда», а сейчас ИТ-директора смотрят на такие решения предельно прагматично: сколько это снимет ручной нагрузки, насколько ускорит процессы и где даст реальную экономику. Главный драйвер здесь не хайп вокруг ИИ, а банальная нехватка людей и постоянный рост стоимости рутинных операций. Бизнесу становится слишком дорого держать квалифицированных специалистов на задачах, которые можно автоматизировать.

Цифровые сотрудники сегодня закрывают самые болезненные участки: первую линию поддержки, обработку обращений, работу с документами, типовую аналитику, эксплуатацию инфраструктуры. Особенно хорошо это видно в сервисных процессах. В ITSM цифровой сотрудник способен сократить время обработки инцидентов на 20-40 %, а нагрузку на первую линию поддержки - в отдельных сценариях на 60-70 %. Но важнее даже не скорость, а предсказуемость. Человек устает, ошибается, по-разному трактует регламенты. Цифровой сотрудник выполняет типовые операции одинаково каждый раз. Для крупных компаний с распределенной инфраструктурой это критично.

При этом рынок уже начинает понимать, что «универсального ИИ-сотрудника» не существует. Это была одна из главных иллюзий первой волны внедрений. Если не ограничить сценарии, не выстроить архитектуру и не подключить систему к корпоративным данным, все быстро превращается в дорогой чат с нестабильными ответами. Цифровой сотрудник нормально работает только внутри ИТ-контура компании — с интеграцией в ERP, CRM, СЭД, ITSM, базы знаний, мониторинг. Без этого он не автоматизирует процессы, а просто генерирует текст.

Вторая проблема — качество внутренних данных. Многие компании обнаружили неприятную вещь: ИИ очень быстро вскрывает бардак в инфраструктуре знаний. Если регламенты противоречат друг другу, документация не обновляется, а база знаний собиралась хаотично годами, цифровой сотрудник начинает воспроизводить этот хаос с машинной скоростью. И это уже не вопрос модели — это вопрос зрелости самой компании.

Отдельная тема — безопасность. Особенно в сегментах, где есть чувствительные данные, требования регуляторов или закрытые контуры. Поэтому российский рынок сейчас заметно смещается в сторону on-premise-развертывания и локальных моделей. Бизнес больше не готов отдавать критичные процессы во внешние облака просто ради красивой демонстрации технологий.

Популярность направления при этом продолжает расти, но меняется сам подход. Компании перестают воспринимать цифровых сотрудников как «умный чат-бот». По сути, формируется новый слой автоматизации поверх корпоративного ИТ-ландшафта — более гибкий, чем классический RPA, и способный работать там, где раньше требовалось участие человека. Именно в эту сторону рынок сейчас и движется.

— Какие типы цифровых сотрудников сейчас востребованы? Как бизнесу понять, какой именно вариант цифрового помощника ему нужен и для каких задач?

— Рынок цифровых сотрудников уже начал делиться на специализированные классы. Период «один ИИ для всего» заканчивается, потому что бизнес быстро понял: универсальные помощники хорошо выглядят на демо, но плохо работают в реальной инфраструктуре. Чем сложнее процесс и выше цена ошибки, тем важнее специализация.

Самый массовый сегмент сейчас — сервисные цифровые сотрудники для Service Desk и клиентской поддержки. Они занимаются классификацией обращений, первичной диагностикой, маршрутизацией заявок и типовыми ответами. По сути, это прослойка между пользователем и первой линией поддержки. Их эффективность напрямую зависит от качества базы знаний и логики SLA. Если внутри компании хаос в регламентах, цифровой сотрудник этот хаос только масштабирует.

Второй крупный класс — операционные помощники для back-office-процессов. Это автоматизация документооборота, сверок, отчетности, обработки типовых документов. Здесь вообще не нужен «креативный ИИ». Наоборот — чем меньше вариативности, тем лучше. Такие системы обычно работают в связке с OCR, RPA и корпоративными учетными платформами. Их задача — не «думать», а стабильно и безошибочно выполнять повторяющиеся операции быстрее человека.

Отдельно растет спрос на аналитических ассистентов. Они подключаются к BI-системам, DWH, логам, внутренним данным компании и помогают искать аномалии, собирать аналитику, ускорять подготовку отчетов. Это уже не история про автоматизацию рутины, а про сокращение времени принятия решений. Но здесь резко растут требования к качеству данных, модели доступа и контролю интерпретаций. Иначе компания получает не помощника, а генератор убедительно звучащих ошибок.

Самый технологически сложный сегмент — инженерные цифровые сотрудники для DevOps и IT Ops. Они участвуют в диагностике инцидентов, анализе телеметрии и логов, генерации скриптов, помогают в эксплуатации инфраструктуры. Фактически это следующий этап развития observability и автоматизированного мониторинга. Но такие решения невозможно внедрить поверх «зоопарка» несвязанных систем. Им нужна глубокая интеграция с мониторингом, CMDB, CI/CD и инфраструктурным стеком компании.

Еще одно направление, которое сейчас быстро развивается, — узкоспециализированные экспертные ассистенты. В ИБ, закупках, юридической функции, промышленности. Там, где есть большой объем внутренних регламентов и дорогая цена ошибки. Эти системы уже меньше похожи на чат-ботов и больше — на интерфейс к корпоративной экспертизе.

Главное, что сейчас начинает понимать бизнес: выбирать нужно не «модель» и не модный продукт, а конкретное узкое место в процессе. Если задача плохо формализована, процессы не описаны, а данные разбросаны по Excel и почте, цифровой сотрудник проблему не решит. Он просто сделает существующий хаос быстрее.

Второй важный критерий — масштаб повторяемости. Цифровые сотрудники дают максимальный эффект там, где есть большой поток однотипных операций. Если процесс возникает раз в неделю, экономического смысла во внедрении может не быть.

И третья вещь, которую рынок тоже начинает усваивать: внедрение нужно начинать с ограниченного сценария и понятной метрики эффективности. Не «сделаем корпоративного ИИ-помощника для всего», а, например, сократим время обработки типовых инцидентов в ITSM на 30 %. Все успешные внедрения сегодня идут именно по этому пути. Все провальные — обычно начинались с попытки построить «универсальный искусственный интеллект для компании».

— Расскажите об успешных и неудачных кейсах на российском рынке.

— На российском рынке уже хорошо видно разделение между внедрениями, которые дают бизнесу реальный эффект, и проектами, которые остались дорогой демонстрацией технологий. Успешные кейсы почти всегда выглядят скучно снаружи, но очень грамотно собраны внутри. Не бывает магии — работает не «сам ИИ», а правильная архитектура, качественные данные и четко ограниченный сценарий.

Самые удачные проекты сегодня — там, где цифровой сотрудник встроен в существующий процесс, а не существует отдельно как экспериментальная надстройка. Например, в крупных распределенных компаниях хорошо показывают себя сервисные ассистенты в ITSM. Они автоматически классифицируют обращения, собирают первичную диагностику, проверяют типовые сценарии и маршрутизируют инциденты. В результате первая линия перестает тонуть в потоке однотипных запросов, а инженеры начинают заниматься сложными задачами вместо бесконечных сбросов паролей и проверки доступов.

Другой сильный сценарий — обработка документов. Особенно в компаниях с большим объемом первички, договоров, актов и сверок. Когда цифровой сотрудник работает вместе с OCR и учетными системами, бизнес получает не просто ускорение операций, а снижение количества ошибок. Для финансовых и операционных подразделений это зачастую важнее скорости.

Отдельно сейчас растет количество кейсов в эксплуатации инфраструктуры. Там цифровые помощники анализируют логи, телеметрию и события мониторинга, помогая быстрее локализовать источник инцидента. В сложных инфраструктурах это уже становится вопросом не удобства, а устойчивости сервисов. Когда инфраструктура генерирует миллионы событий, человек физически перестает успевать анализировать их вручную.

Но рынок одновременно накопил и большое количество неудачных внедрений. Причем проблемы почти всегда повторяются. Первая — попытка внедрить «универсального корпоративного ассистента». Обычно это выглядит так: компания покупает модную платформу, подключает ее к нескольким источникам данных и ожидает, что система начнет понимать бизнес-процессы сама по себе. Не начнет. Без нормальной структуры данных и ограничений такой помощник быстро превращается в генератор противоречивых ответов.

Вторая типичная проблема — слабая интеграция с ИТ-контуром. Многие компании пытались запускать цифровых сотрудников как отдельный интерфейс «рядом» с инфраструктурой. В итоге сотрудники продолжают работать в ERP, CRM и почте, а ассистент живет отдельно и требует ручного дублирования действий. Такие проекты почти всегда теряют ценность через несколько месяцев.

Еще одна болезненная тема — качество внутренних данных. ИИ очень быстро показывает реальное состояние корпоративной документации. Если база знаний устарела, регламенты конфликтуют друг с другом, а процессы годами менялись без фиксации, цифровой сотрудник начинает воспроизводить этот хаос. Многие компании в ходе пилотов неожиданно поняли, что проблема не в модели и не в вычислительных мощностях, а в том, что внутри организации отсутствует единая логика работы с данными.

Сейчас российский рынок проходит важный этап взросления. Бизнес перестает покупать «эффектную демонстрацию ИИ» и начинает считать прикладную эффективность: сколько часов экономится, насколько сокращается время реакции, как меняется нагрузка на команды, где снижается стоимость операции. Именно поэтому наиболее успешными оказываются не самые «умные» цифровые сотрудники, а те, которые решают одну конкретную задачу стабильно, предсказуемо и внутри существующей ИТ-архитектуры.

— Есть ли у вашей компании опыт разработки и использования таких решений?

— Да, в «ГИГАНТ — Компьютерные системы» мы уже используем подобные решения, но без попыток превратить ИИ в универсальную таблетку от всех проблем. Практика быстро показывает, где технология действительно дает эффект, а где остается красивой демонстрацией. Сейчас основной фокус направлен на развитие ИИ-анализатора телефонных звонков. Все звонки разделены на типы по разным критериям, ИИ помогает проанализировать, насколько успешно менеджер вел переговоры и какого результата удалось достичь. В конце отчетного периода собирается статистика, на основе которой мы можем увидеть, кому из менеджеров, на каком этапе и какая именно нужна помощь. Кому-то не хватает знаний о продуктах и услугах, кто-то не успевает с подготовкой коммерческого предложения — мы выявляем причину и устраняем ее, а в итоге растут профессиональные навыки сотрудников и уровень удовлетворенности заказчиков.

Еще одно направление — внутренние задачи бэкофиса и сокращение рутинной нагрузки. В первую очередь это маркетинг и внутренние коммуникации. Мы используем цифровых помощников для работы с большими массивами информации, подготовки черновиков материалов, структурирования данных, ускорения подготовки коммерческих предложений и презентаций. Эффект здесь вполне прикладной. Когда специалисты тратят часы на поиск информации, сбор данных или подготовку типовых материалов, компания просто теряет производительность. Цифровой помощник убирает значительную часть этой механической работы и позволяет команде заниматься задачами, где действительно нужна экспертиза, а не ручная компоновка информации.

При этом мы не верим в историю про «универсального корпоративного ассистента». Для инфраструктурного бизнеса это тупиковый сценарий. Намного полезнее специализированные решения под конкретные процессы. Для нас как для интегратора и производителя серверного оборудования наиболее очевидный сценарий связан с первой линией поддержки. Большое количество времени сервисные команды тратят на типовые запросы: подбор конфигураций, поиск документации, проверку совместимости, маршрутизацию обращений. Это именно тот слой задач, который цифровой сотрудник закрывает лучше всего.

Третье направление связано с внутренней технической экспертизой. У нас накоплен большой массив документации, проектных материалов, спецификаций и типовых архитектур. Проблема обычно не в нехватке информации, а в скорости доступа к ней. Инженер не должен тратить время на поиск нужного документа среди сотен файлов и внутренних баз. Цифровой помощник здесь становится рабочим интерфейсом к корпоративным знаниям.

В целом мы смотрим на цифровых сотрудников достаточно прагматично. Это не отдельная «магия ИИ» и не витрина технологий. Это инструмент для сокращения ручной нагрузки, ускорения типовых операций и повышения эффективности сервисных процессов. Там, где это дает измеримый результат, технология будет быстро развиваться. Там, где ИИ пытаются внедрять ради моды, проекты обычно заканчиваются презентациями и пилотами без продолжения.

— Большое спасибо за беседу!