4 типа Gen AI проектов, которые реально работают в бизнесе

Это перевод моей же статьи на Medium. Ее оригинал находится по этой ссылке ^[1].

Современный бизнес уже очень сложно представить без Gen AI.

Согласно отчету Microsoft от 24 июля 2025 года (ссылка ^[2]):

• Sandvik увеличил продуктивность сотрудников до +30%, ускорил обучение ^[3] и улучшил клиентскую поддержку с помощью Manufacturing Copilot.

• Topsoe добился 85% внедрения ИИ среди офисных сотрудников за семь месяцев.

• Toshiba с помощью Microsoft 365 Copilot сэкономила 5,6 часа в месяц на сотрудника, оптимизировала процессы закупок и поиска документов.

• Volvo Group сэкономил более 10 000 человеко-часов, автоматизировав обработку документов.

И это только малая часть достижений. Только этот отчет предлагает нам 1000 историй успеха.

Неудивительно, что ни один руководитель бизнеса в мире не хочет отстать в этой набирающей обороты Gen AI революции и стремится быть среди первых.

Мне посчастливилось поучаствовать в координации внедрения Gen AI инструментов в Яндексе на уровне всей компании (на момент написания статьи процесс в самом разгаре). Огромная часть моей работы — знакомиться с различными командами, оптимизирующими свои внутренние процессы, собирать и обсуждать идеи, оценивать перспективы разработанных прототипов, помогать масштабировать удачные наработки. Причем изучаю я, конечно же, не только команды внутри Яндекса, но и за пределами компании.

За время этой работы я понаблюдал очень много идей и проектов и, нужно отметить, что далеко не все из них настолько кричаще успешные, как в статье от Microsoft. Где-то профит несоизмерим с положенными в разработку инструмента затратами, где-то успеха вообще не получилось достигнуть.

Подобные результаты обычно фрустрируют команду и охлаждают оптимизм относительно Gen AI (а зря!). Даже инженеры начинают относиться к современным нейросетям весьма скептически. Тут нужно отметить, что я сейчас говорю не о возможности писать код в Cursor’е (тут какую-то выгоду находят практически все), а о создании отдельных AI инструментов, которые «по кнопке» автоматизируют какую-либо рутину.

На самом деле причина недовольства обычно кроется в том, что команда сразу пытается создать чудо-примочку, которая решает максимально сложные комплексные задачи. Однако для этого практически всегда недостаточно просто написать промпт на 15 строк. Процесс этот состоит из множества проб и ошибок, больше напоминая исследовательскую экспериментальную работу, нежели классическое программирование, к которому больше привыкло большинство AI энтузиастов из IT отделов.

Для успешного внедрения Gen AI в энтерпрайз процессы начинать стоит с чего-то попроще. Я разделил основные типы успешных проектов на 4 условные категории. Далее пройдемся по ним, и я объясню, как быстро и просто получить пользу и зарядить команду технооптимизмом для решения более сложных задач с AI.

1. Поиск по внутренней документации

Все знают, как отлично ChatGPT, Claude Sonnet, Gemini, Grok, Qwen, DeepSeek и все остальные LLM рассуждают практически на любую тему, про которую можно прочитать в интернете. Это впечатляет! Но совершенно не работает, когда вы хотите вместе с нейросетью «обмозговать» свой внутренний рабочий проект, потому что она ничего про ваши проекты не знает.

Например, вы создали дизайн-макет или составили контракт, или подготовили презентацию, или любой другой внутренний документ и хотите проверить, насколько он соответствует корпоративным гайдлайнам. Очень здорово было бы решить такую задачу, просто задав вопрос LLM «соответствует ли мой документ гайдлайнам?»

Однако зачастую объем этих гайдлайнов (особенно в больших корпорациях) может превосходить размер контекста, который может принять на вход любая из современных LLM. А значит, загрузить все это в один промпт не получится. Это проблема, но отчаиваться рано — задачу можно решить, внедрив технологию, которая называется RAG ^[4].

Если не вдаваться в детали, RAG — это такой специальный вид базы данных, куда можно сложить любые документы в виде, удобном для поиска нейросетью. То есть, сложив в этот RAG корпоративные гайдлайны, запрос с проверкой документа на соответствие им можно будет задать. Как и множество любых других вопросов. Нейросеть будет работать так, как будто теперь она все знает о ваших внутренних процессах. (Ладно, ок, я лукавлю, работает это обычно похуже, чем рассуждения LLM об открытой информации в интернете, но в любом случае — гораздо лучше ручного поиска по документации).

Если вы еще не завели RAG’и на всю вашу внутреннюю документацию — обязательно попросите ваших ИТ специалистов поскорее это сделать. Это несложно и очень сильно помогает.

2. ЧЕРНОВИК суммаризации данных из различных источников

Предположим, у вас есть рутинный процесс, в котором нужно брать большое количество информации и делать из нее краткую, но информативную выжимку. В этом случае сотрудники часто впадают в прокрастинацию. Такие задачи очень неприятно начинать делать. И вот тут очень хорошо помогают LLM. Они отлично справляются с задачей подготовки ЧЕРНОВИКОВ для подобных задач.

Я намеренно выделил слово «черновик», поскольку многие команды, за которыми я наблюдал, пытаются сразу сделать инструменты по суммаризации данных, которые работают безупречно, и это у них не получается (потому что LLM вообще достаточно часто галлюцинируют ^[5]).

И вот тут нужно понять очень простую вещь — в таких задачах вам совершенно необязательно достигнуть 100% качества. Достаточно получить черновые варианты суммаризации, поправить которые руками быстрее, чем написать все с нуля. И вы уже получаете выгоду, после чего займетесь улучшением промптов, которые приведут к повышению качества системы «из коробки».

Примеры подобных проектов:

• Pressw.ai ^[6] — автоматическое суммирование встреч Коммерческий кейс: LLM обрабатывает стенограммы встреч, делает черновой суммарный отчёт. Идея в том, чтобы LLM сделал первый проход, затем — уточнения через повторные запросы (“chain of density”) и правки человеком.

• Обзор клинических текстов с LLM ^[7]. Систематический обзор показал множество исследований, где LLM используются для суммаризации медицинских документов (особенно радиологических отчётов). В большинстве случаев они создают черновые версии, а эксперты проверяют и дорабатывают их.

• Datadog — автоматизация постмортемов инцидентов ^[8]. На Datadog разработали систему, которая берёт структурированные данные инцидентов + обсуждения из Slack и генерирует черновой отчёт (postmortem) с помощью ансамбля LLM. Результат — значительная экономия времени инженеров, при этом обработку и правку делают люди.

3. Генерация медиаконтента

Почему именно медиаконтент? Ровно потому же, почему и черновики в предыдущем пункте. Нейросети галлюцинируют.

Если вы попытаетесь генерировать контент, для которого важна точность — вы непременно ввяжетесь в крайне сложную исследовательскую работу по замеру и улучшению качества, которая может растянуться не на один месяц. То есть не стоит ожидать быстрых побед в задачах вида: сделать автономного AI программиста (потому что чуть-чуть неработающий код — это полностью неработающий код) или автономного AI аналитика (чуть-чуть некорректные данные в аналитике могут пагубно сказаться на принимаемых бизнес-решениях).

Зато генерировать контент, который имеет только субъективную оценку (например, промо материалы), можно совершенно свободно. Если совместить эту генерацию с системой контроля за соблюдением корпоративных стандартов, про которую я писал в первом пункте — можно получить практически автономную фабрику контента.

4. AI агенты с понятными сценариями отката на «человеческий» процесс

Для начала определимся с тем, что такое AI агент. Это автономная система на базе искусственного интеллекта ^[9], которая самостоятельно принимает решения и выполняет задачи без участия человека. То есть это когда нейросеть может не только выдать вам какой-то ответ на ваш запрос, но и принять какое-то решение, и, более того — воплотить свое решение в жизнь.

Хороший пример — автоматизация первой линии саппорта. Достаточно несложно настроить нейросеть на обработку первичных обращений пользователей. Тут, кстати, очень сильно помогает использование RAG с вашей внутренней базой знаний из первого пункта.

Помимо ответов на вопросы можно научить нейросеть выполнять какие-то несложные действия с пользовательскими аккаунтами. Это очень сильно разгрузит вашу службу поддержки. Но! Очень важно жестко разграничить для нейросетевого агента границы дозволенного. Ни в коем случае нельзя давать возможность ИИ совершать необратимые действия, например, удалять аккаунты пользователей.

Причина все та же — нейросети галлюцинируют. Это неизбежно происходит в каком-то проценте случаев. Вот живой пример из недавнего прошлого:

Replit AI удалила прод базу данных ^[10]

Поэтому все, что вы готовы поручить AI поддержке — должно быть обратимым и иметь возможность в любой момент переключиться на обработку оператором-человеком.

Собственно, вот те четыре сценария, которыми я хотел поделиться с вами в этой статье. Все пункты расположены в порядке увеличения сложности внедрения.

Мой совет: если вы только-только приступаете к LLMизации своей команды — начинайте с RAG’ов и черновой суммаризации — это даст наибольшую пользу за минимум времени и замотивирует сотрудников погружаться дальше в прекрасный мир Gen AI.