— Сергей, у вас непривычная для разработчика ИИ биография: вы занимались инженерными системами, промышленными проектами, а потом перешли в ИТ. Как это произошло?
— На самом деле резкого перехода не было. Я работал руководителем проектов, связанных с инженерными системами зданий, отоплением, наружными сетями. Мы занимались модульными конструкциями для освещения, запускали новые продукты, в том числе для дорожной инфраструктуры. При этом ИТ всегда присутствовали в моей работе. Ещё в инженерных проектах мы разрабатывали собственные системы расчётов, калькуляторы, автоматизировали процессы. Я работал с программистами и ИТ-компаниями, поэтому постепенно накопился опыт на пересечении двух направлений.

Когда я занялся собственным ИТ-бизнесом, всё началось с достаточно традиционных задач — автоматизации, интеграции с «Битрикс24». А в 2023 году появились новые возможности искусственного интеллекта. Мы практически сразу начали экспериментировать с API языковых моделей и уже тогда сделали для одного из клиентов небольшую автоматизацию: система с помощью ИИ распознавала отсканированные спецификации и переводила их в формат Excel — причём без дополнительного обучения.

Постепенно мы перешли от индивидуальных разработок к собственным инструментам для работы с ИИ. Но инженерная тема никуда не исчезла — среди наших клиентов по-прежнему много компаний, которые работают со сложным оборудованием и промышленной продукцией. Я понимаю, как устроены такие предприятия, как мыслят инженеры, какие задачи перед ними стоят. Этот опыт мы теперь совмещаем с ИТ и искусственным интеллектом.

— Чем корпоративное применение ИИ отличается от обычного общения с ChatGPT?
— В простейшем варианте сотрудникам дают доступ к языковым моделям через общий рабочий интерфейс. Но на самом деле задача шире. Человеку нужно не просто поговорить с нейросетью, а выполнить конкретную работу. Для этого ИИ приходится связывать с тем, чем предприятие уже пользуется: 1С, CRM, электронной почтой, базами знаний. И вот здесь появляются конкретные агенты — инструменты, нацеленные на автономное выполнение комплексных задач.

Предположим, руководителю нужно понять, как работают менеджеры по продажам. Сегодня кто-то должен выгрузить данные, свести таблицы и объяснить результаты. А представьте, что руководитель просто спрашивает: «Как у меня работают менеджеры?» Система получает данные из подключённых источников, анализирует их и готовит ответ. Такой отчёт можно запрашивать не только вручную, но и по расписанию — например, каждую пятницу. Но для этого, конечно, сначала нужно подключить источники и определить, что именно мы считаем хорошей работой.

— Но руководитель может купить сотрудникам подписку на ChatGPT. Почему этого недостаточно?
— Проблема в том, что руководитель купил себе подписку на ИИ-сервис, попробовал и увидел, насколько быстро можно выполнять некоторые задачи. А сотрудники продолжают работать по-старому. Он спрашивает: «Почему вам требуется три дня на эту работу?» Сам-то он загружает документы в ChatGPT и получает результат гораздо быстрее. Но из этого не следует, что сотрудники автоматически начнут использовать те же инструменты.

Поэтому я и говорю: мало дать людям доступ к моделям. Нужно встроить ИИ в ежедневную работу. Универсальный чат позволяет делать самые разные вещи, но человек должен понимать, что спрашивать у модели и как применять ответ. Узкоспециализированный агент ориентирован на конкретную задачу: проверить документ, проанализировать договор, подготовить ответ на требование ФНС или разобраться в производственном графике. Это гораздо шире одного промпта. Вокруг модели появляется та самая «обвязка»: инструкции, подключение к данным, выбор модели под задачу, дополнительные инструменты и ограничения. Пользователю не обязательно знать, что именно работает внутри.

— А как понять, какую модель использовать для конкретной задачи?
— Мы проверяем модели на собственных наборах заданий — бенчмарках. Смотрим не только на качество, но и на стоимость. Самое простое решение — взять наиболее дорогую модель и поручать ей всё. Но тогда лимиты быстро закончатся, а для многих задач результат будет почти таким же, как у более дешёвой. Поэтому выбирать модель нужно под конкретную работу, а не просто по её месту в рейтинге.

Например, понять содержание обычного письма и подготовить ответ — одна задача. Разобрать вложенный документ, сопоставить его с данными учётной системы и найти неочевидные связи — уже другая. Поэтому важно подбирать не только модель, но и её инженерную «обвязку»: доступ к информации, интеграции, инструменты и проверки. От этого зависят и качество результата, и расходы на ИИ.

Фактически здесь работают те же принципы, что и при управлении людьми. Два инженера одной квалификации могут выполнить одинаковое задание по-разному. Один учтёт все нюансы, другой что-то пропустит. С моделями похожая ситуация.

— Значит, умение составлять сложные промпты постепенно теряет значение?
— Я считаю, что классический промпт-инжиниринг уже не играет той роли, что несколько лет назад. Когда появились первые массовые языковые модели, им действительно приходилось подробно объяснять задачу, назначать роль, задавать структуру ответа. В целом профессия промпт-инженера успела появиться и исчезнуть. Современным сильным моделям часто достаточно объяснить задачу обычными словами. Но это не означает, что они всё знают.

Но остаётся другая важная вещь — контекст. Модель должна понимать, с какими данными работает, какие ограничения существуют, что именно считается хорошим результатом. Это особенно важно в производстве. Можно сколько угодно совершенствовать формулировку запроса, но если у модели нет информации о конкретном оборудовании, технологических ограничениях или состоянии производства, она не сможет дать достаточно точный ответ.

— Если говорить о полиграфии: с какими конкретными производственными задачами сегодня способен работать искусственный интеллект?
— Один из интересных примеров из нашего опыта — планирование производства. Мы индивидуально работали с предприятиями, анализировали производственные графики, искали, как сократить число переналадок. В этих проектах мы получили результаты, которые показывают: даже работа с моделью через обычный чат может помочь улучшить график и уменьшить число переналадок оборудования. Мы обратили внимание на такие возможности больше года назад, и по мере развития моделей они расширяются.

Задача понятная: есть заказы с разными параметрами, несколько машин и технологические ограничения. Нужно выбрать последовательность так, чтобы не тратить лишнее время на переналадки. Но я не хочу создавать впечатление, что уже существует универсальный ИИ-агент, который можно подключить к любой типографии и сразу получить оптимальный график. Мы решали такие задачи индивидуально. Готового универсального решения для них пока нет, а результат зависит от качества исходных данных и конкретного производства.

— Здесь важно разделять генеративный ИИ и обычные алгоритмы оптимизации. Самой по себе языковой модели нельзя поручить сложный производственный расчёт и считать результат гарантированно правильным.
— Конечно. Я поэтому и говорю об «обвязке» модели и специализированных инструментах. Не надо ожидать, что языковая модель самостоятельно заменит все алгоритмы и производственные системы. Но она может помочь сформулировать задачу, подготовить данные, написать код для расчётов, обратиться к нужному инструменту и объяснить результат. В этом, на мой взгляд, одно из главных преимуществ: пользователю не обязательно разбираться во внутреннем устройстве программы. Ему нужно решить свою задачу.

— А если взять более простые процессы? Например, работу с документами, техническими инструкциями или почтой?
— Это уже вполне практические сценарии. Допустим, у предприятия есть большая база технической документации. Можно загрузить её в корпоративную базу знаний и задавать вопросы на обычном языке. Причём система должна не просто отвечать, а показывать источники, на основании которых сформирован ответ.

Или возьмём электронную почту. Предприятие получает запросы с приложениями, документами, спецификациями. Модель может прочитать письмо, извлечь нужную информацию, обратиться к базе знаний или учётной системе и подготовить черновик ответа. Но я бы не торопился давать такому агенту право самостоятельно отправлять письма. В наших разработках мы эту функцию сознательно ограничивали: черновик готовит ИИ, а отправку подтверждает человек. Во внешней переписке ошибка может дорого обойтись.

— Недавно меня заинтересовала возможность использовать современные модели для трёхмерного моделирования. У типографий есть постоянная проблема: куда поставить новую машину, как организовать перемещение полуфабрикатов между участками, где разместить буферные зоны. Может ли ИИ помочь с такой задачей?
— Это как раз очень интересное направление. Причём возможности моделей в работе с 3D заметно выросли совсем недавно. Мы сейчас применяем ИИ при проектировании собственного рабочего пространства: готовим студию для трансляций, разбираемся с освещением и расстановкой. Модель помогает создавать настоящую трёхмерную сцену в Blender, чтобы детально проработать освещение и пространство, а не просто получить красивую картинку.

Это принципиальная разница. Красивая картинка комнаты ещё не позволяет проверить, как в ней расположены объекты. А трёхмерную сцену можно поворачивать, изменять, сопоставлять размеры и расположение предметов. Но я не хочу преувеличивать возможности технологии: в работе с 3D мы пока на раннем этапе. С программным кодом модели уже справляются абсолютно восхитительно — код всё-таки текст. А здесь им нужно разбираться в пространстве, и эти способности только развиваются. К тому же сама 3D-модель ещё не означает, что кто-то проверил инженерные расчёты.

— Представим типографию, в которой стоят двадцать машин. Производство постепенно расширялось, помещения заполнились оборудованием, а маршруты движения материалов стали неудобными. Можно ли загрузить план цеха и попросить ИИ предложить варианты расстановки оборудования?
— Я считаю, что это очень перспективная задача для эксперимента. Представьте обычную типографию: оборудование добавляли постепенно, свободное место закончилось, а в сезон складские зоны переполнены. В идеале система должна учитывать не только габариты машин, но и внутризаводскую логистику: откуда поступают материалы, куда перемещаются полуфабрикаты, где возникают накопления, какие маршруты пересекаются. Тогда можно сравнивать разные схемы размещения и смотреть, что меняется в работе цеха.

Мы уже видим возможности быстро создавать 3D-модели производственных помещений. Если раньше мы работали с производственными графиками через таблицы Excel, то теперь к этому добавляется пространственная модель. Это направление развивается буквально сейчас и в перспективе может стать основой для цифровых двойников производства — если подключить реальные данные о работе оборудования и материальных потоках. Пока речь об экспериментах. Можно взять план типографии, построить 3D-модель, предложить несколько вариантов расстановки, обсудить их с технологами и отдельно посчитать расстояния, перемещения и другие показатели с учётом ограничений. Но готовым решением для автоматической перепланировки цеха я бы это пока не называл.

— То есть вполне возможен совместный эксперимент: берём настоящую типографию, исходные данные, строим модель и смотрим, что получилось?
— Да, это было бы очень интересно. Причём важна не только визуализация, но и рассчитанный эффект от предполагаемых изменений. И для нас самих такой эксперимент полезен: когда работаешь с реальным производством, сразу выясняется, какие ограничения невозможно предусмотреть в абстрактной демонстрации. Пока это именно идея для проверки, а не готовый способ автоматически перепланировать типографию.

— Вы работаете с производственными предприятиями. Кто обычно становится инициатором внедрения ИИ?
— Чаще всего собственник или руководитель компании. И я считаю это правильным. Мы видели ситуации, когда директор заинтересовался технологией, но передал задачу по её внедрению сотруднику, работу которого предполагалось частично автоматизировать. Результат был предсказуемым. Сотрудник нашёл множество причин, по которым система якобы не подходит: она чего-то не знает, где-то ошибается, не учитывает важную деталь.

И в определённом смысле он может быть прав. Искусственному интеллекту действительно не хватает контекста. Предположим, наладчик обнаружил под машиной подтёк масла, но не сообщил об этом системе. Потом он задаёт вопрос о неисправности и получает несколько предположений, среди которых нет правильного ответа. После этого говорит руководителю: «Видите, ваш искусственный интеллект ничего не понимает». Но откуда ему знать об этом подтёке, если никто не передал соответствующую информацию? Проблема здесь не только технологическая. Люди могут опасаться, что автоматизация сделает их работу ненужной. Это естественная реакция.

— Значит, неправильно начинать внедрение с сотрудников, чью работу предполагается частично автоматизировать?
— По нашему опыту, часто действительно лучше начинать с руководителя, который получает результаты их работы. Например, начальник производства заинтересован в том, чтобы получать качественную аналитику, видеть проблемы и быстрее принимать решения.

Но важно, чтобы сам инициатор внедрения пользовался искусственным интеллектом. Если директор говорит: «Теперь все работаем с ИИ, а мне результаты присылайте в мессенджер», внедрение может остановиться. Я видел похожие ситуации при автоматизации CRM. Руководитель требует, чтобы сотрудники работали в новой системе, но сам в неё не заходит. Для людей это сигнал, что инструмент не так уж важен.

— Как тогда правильно организовать внедрение?
— Я бы не запускал внедрение сразу на всю компанию. Пусть несколько уже заинтересованных в ИИ сотрудников возьмут реальные задачи и попробуют новые инструменты. Их должности могут быть самыми разными и неожиданными. Важно, чтобы они показали коллегам результат, а не просто рассказали о возможностях ИИ. Затем уже можно подключать другие подразделения. И начинать точно не с лозунга «внедрим искусственный интеллект». У начальника производства есть конкретные вопросы — почему простаивает оборудование или какие заказы создают больше проблем. Вот с ними и нужно работать.

— Насколько можно доверять результатам работы ИИ? Особенно если речь идёт о расчётах или документах, которые влияют на деньги и производственные решения.
— Здесь многое зависит от задачи и модели. В нашей компании уже есть процессы, в которых агенты на базе сильных моделей полностью самостоятельно работают с внутренними системами и готовят значимые документы. Мы довольны результатами: именно в этих процессах доверяем работе ИИ больше, чем ручной, и отдаём ей приоритет. Но мы пришли к этому постепенно — через практику и наблюдение за реальной работой.

В ряде случаев нужна проверка, особенно если ошибка дорого обходится или может привести к серьёзным последствиям. Поэтому в агентной системе важны ограничения, доступ к правильным данным и выбор модели. Необходимо понимать, где ИИ может действовать самостоятельно, а где решение должен подтверждать человек.

— Ещё один распространённый вопрос: насколько безопасно загружать в ИИ коммерческие документы, информацию о заказчиках и производственные данные? Особенно если используются зарубежные модели.
— Это действительно один из главных вопросов. Если компания обращается к внешней модели через API, важно знать условия обработки данных у её поставщика. В наших проектах мы выбираем режимы, при которых данные не должны использоваться для обучения моделей. Но одной такой настройки мало: нужно ещё понимать, что именно уходит во внешний сервис и кто получает доступ к этим сведениям.

Один из способов снизить риск при работе с персональными данными — обезличивание. Например, вместо имени человека внешняя модель получает условный идентификатор, а после обработки система подставляет исходные обозначения в ответ. Для предварительной обработки мы используем инфраструктуру внутри России. По нашим внутренним тестам, качество автоматического обезличивания приближается к 99–100%. Но этот показатель относится к нашим испытаниям: он не гарантирует такого результата для любых документов и не отменяет проверки других сведений, по которым человека можно идентифицировать.

— А если предприятие вообще не хочет передавать информацию во внешние облачные сервисы?
— Тогда остаётся вариант с локальным развёртыванием. Модель и необходимые программы работают на собственных серверах предприятия. Такой сценарий можно испытать заранее, чтобы понять, подходит ли качество ответов для реальных задач. И это уже вопрос не названия ИИ-сервиса, а требований конкретного производства к данным и надёжности.

Но у локального решения есть два важных ограничения. Первое — стоимость: помимо программного обеспечения потребуется собственная вычислительная инфраструктура. Если нужно одновременно обслуживать много сотрудников, оборудование может оказаться достаточно дорогим. Второе — возможности моделей: локальные решения, которые предприятие может позволить себе развернуть, обычно уступают наиболее мощным облачным моделям. Поэтому приходится выбирать между требованиями к конфиденциальности, качеством работы и стоимостью.

— Что если доступ к зарубежным моделям станет невозможен?
— Для такого случая можно предусмотреть переход на модели, работающие на российской инфраструктуре, в том числе на открытые модели, которые можно разместить локально. Надо понимать, что качество на некоторых сложных задачах, скорее всего, снизится. Поэтому важно заранее испытывать запасной вариант, а не просто предполагать, что одна модель без последствий заменит другую.

— В полиграфии сейчас появляются специализированные ИИ-инструменты: для приёма заказов, проверки файлов, подготовки производственных заданий. Не получится ли, что универсальные модели постепенно научатся делать всё это самостоятельно?
— Частично такой процесс уже происходит. Когда новая модель начинает гораздо лучше работать с документами, изображениями или программным кодом, часть задач, для которых раньше требовались специальные приложения, действительно становится доступной через обычный чатовый интерфейс. Но я бы разделял способность модели решить задачу и возможность встроить это решение в работу предприятия.

Допустим, модель уже умеет прочитать письмо клиента и извлечь параметры заказа. Это одно. А получить его из корпоративного ящика, проверить данные, обратиться к учётной системе, сопоставить их с производственными возможностями, подготовить документ и передать результат ответственному сотруднику — другое. Для этого нужны интеграции, правила и проверки. При этом мы видим, что узкоспециализированные модели постепенно заменяются универсальными. Но подхода, при котором одна и та же модель занимается абсолютно всем, не будет: для разных процессов применяются разные инструменты и универсальные модели разной мощности, настроенные под конкретные задачи предприятия.

— Вы предполагаете, что привычные интерфейсы производственных программ тоже изменятся?
— Да. Сегодня мы привыкли открывать программу, выбирать раздел, находить нужную кнопку, запускать отчёт. Но если можно просто сформулировать задачу и получить результат, зачем выполнять все эти действия вручную?

Я сам уже значительную часть рабочего дня взаимодействую с нашими системами через агентов. Если мне нужно узнать, какие оплаты поступили, проверить состояние проекта или поручить разработчикам какую-то работу, я формулирую запрос. При этом чат — прекрасный инструмент прежде всего для разработчиков и технически подкованных пользователей. Примерно так же командная строка осталась важной даже после появления графических операционных систем. Но чат точно не заменит абсолютно всё. Многим людям проще нажать понятную кнопку, чем каждый раз придумывать команду. Сейчас у «технооптимистов» маятник сильно качнулся в сторону чатов, а у «технопессимистов» — в сторону отрицания их возможностей. Истина, на мой взгляд, посередине: графические интерфейсы будут меняться и сосуществовать с диалогом на обычном языке.

— Что бы вы посоветовали владельцу типографии, который пользуется ChatGPT, но пока не понимает, как применить ИИ на предприятии?
— Я бы начал с собственного опыта — с двух простых шагов прямо в обычном чат-интерфейсе, без всякой разработки. Во-первых, возьмите знакомую задачу и проверьте её на одной из самых сильных доступных моделей. Это не требует миллионных вложений, но поможет оценить возможности технологии, а не случайного слабого инструмента. Во-вторых, попробуйте поставить по-настоящему амбициозную задачу: не просто свести две таблицы, а проанализировать данные по предприятию и найти возможности оптимизации или пересобрать сложный производственный график. Иногда уже за несколько минут модель предлагает варианты, на поиск которых вручную ушло бы гораздо больше времени. Но экономию часов и денег нужно оценивать по фактическим результатам, а не по подсчётам самой модели. И только затем переходить к интеграции данных и оптимизации расходов.

Потому что владельцу типографии не нужен искусственный интеллект сам по себе. Ему нужно быстрее выполнять заказы, лучше использовать оборудование, снижать издержки и принимать более точные решения. ИИ — один из инструментов, который может в этом помочь.