Опыт внедрения AI first подхода в российской розничной компании

Чалей Алексей Игоревич

MBA (Информационный менеджмент, 2025 г., РАНХиГС)

Ключевые слова: искусственный интеллект, RAG, машинное обучение

Каждые несколько лет в IT индустрии появляется новая технология - единорог на которую делают огромную ставку, раздувают и получают невероятные инвестиции, сколько нам обещали революций: NFT / Blockchain / Мета вселенные, AR/XR в каждый дом, технологии вещей и 3D печать. Технологии существуют и сейчас, однако тех революционных изменений что от них ждали совершить не смогли. Сейчас наступила очередь AI, практически каждая компания ориентируется на AIfirst подход вместе с DataDriven и этот локомотив пока еще только разгоняется, всем нам хочется приблизиться к будущему когда все решения будут правильными, а работать за нас придется искусственному интеллекту.
Каждая технология какой бы впечатляющей она не была должна быть применима для бизнеса, очевидным образом окупаемой и не возводиться в качестве культа, если конечно мы не хотим реализовывать технологии ради технологий.
Существует понятие AGI (Artificial General Intelligence), это подвид AI систем которые являются полностью автономными и полностью моделируют поведение человека, нужно знать - таких систем на данный момент не существует. ASI - (Artificial Super Intelligence) - это подвид AI систем - которые превосходят человеческие способности, каждый раз когда представитель бизнеса рассуждает об AI, почти всегда он подразумевает это, этих систем в полном цикле не существует, именно из-за этого рассинхрона понятий и возникает чрезмерно завышенные ожидания от AI. Все существующие системы лишь частично симулируют работу человеческого мозга, систему размышлений и сложной логики, они обучены на ранее существующих кусках данных и как правило не способны решать проблемы на решении которых они не были обучены ранее. AI (Artificial Intelligence) же это просто класс программ решающих определенные задачи на основе обучения, это очень обширный и неоднозначный термин.
В рамках текущей статьи я расскажу о том, как одна из молодых ритейл компаний решила реализовать AI first подход, к чему это привело и какие выводы удалось сделать для будущего.
Для того что бы внедрить AI подход в компании нужно прежде всего реализовать несколько основных принципов:
Сотрудники должны пользоваться AI для личных целей, для задач не связанных с работой, это должно стать привычкой.
Использование AI должно быть оправдано для бизнеса - сотрудник должен видеть ценность в использовании инструментов.
В компании должны быть эксперты - люди способные не просто рассказать на митапе как классно программировать с помощью курсора, но и объяснить как это работает и как применять.
Сотрудники должны знать о наиболее частых и полезных кейсах использования AI и возможностях (экскурс по huggingface.co).
Мы начали с формирования внутреннего AI хаба - выделенной страницы в корпоративной сети с агрегацией наиболее популярных сервисов: ChatGPT / Midjorney / Hailuo / Gemini и другие, библиотека по мере роста популярности пополняется сервисами, это нужно для того что бы снизить порог входа для обычных пользователей - тех, кто до сих пор не привык пользоваться иностранными картами для оплаты и VPN сервисами. Сотрудникам также предлагалась покупка за корпоративный счет подписок на ключевые сервисы.
На этом этапе редкие сотрудники заходили на портал и пользовались им - ценности было недостаточно, поэтому было принято решение создать RAG базу знаний основываясь на нашей WIKI с информацией о компании, кроме подключения базы знаний к агенту, мы создали простой телеграмм бот доступный для сотрудников компании - по их табельному номеру и верификацией по электронной почте, это позволило повысить ценность решения - теперь получить ответ на вопрос из базы знаний стало проще, можно было воспользоваться электронным коллегой и даже создать тикет в техническую поддержку.
После этого был подготовлен 30 минутный обучающий курс который мы добавили к обязательным курсам внутри онбординга, и ориентирован он был именно на повседневное использование инструментов: подготовку отчетов, протоколов встречи, генерации сказочного дракона для ребенка, написания корпоративного гимна с помощью SUNO и других впечатляющих, но не критически важных для бизнеса моментах - основная цель этого курса, снять потенциальные риски у людей - позволить им понять что AI это уже существующее решение и оно может быть полезным не только для работы.
Это повысило количество посещений портала, но не имело практически никакого смысла для бизнеса с точки зрения повышения эффективности, поэтому был создан центр компетенций из экспертов и энтузиастов компании в части AI и объявлен глобальный конкурс по инициированию проектов AI внутри компании с значительным денежным бонусом для тех, чьи инициативы будут признаны коммерчески эффективными, каждый из этих проектов анализировался с точки зрения его реалистичности центром компетенций, после чего по нему готовилась защита перед бюджетным комитетом с оценкой эффективности и запросом ресурса.
Для того чтобы стимулировать сотрудников первым таким проектом стал чат-бот технической поддержки, который умел не только давать ответы из корпоративной базы знаний (RAG), но и регистрировать заявки в учетной системе, что позволило снизить нагрузку на первую линию технической поддержки на 20%, этот кейс был быстро реализован и распиарен внутри компании на всех уровнях как успешный.
В результате сбора инициатив бизнес получил порядка 173 идей, из которых в работу были отправлены 32, забегая вперед скажу несмотря на то, что лишь 8 из них имели фактический коммерческий успех, с точки зрения затрат они смогли окупить всю инициативу более чем четырехкратно и принести более 220 млн рублей дополнительной выручки, из всех инициатив 82% не принесли ожидаемых результатов, хотя впрочем и не были полностью провальными.
В компании 17 департаментов, каждый из них предложил от 1 до 3 инициатив, многие из которых были сгенерированы chat GPT по запросу (промту) - “предложи эффективное повышение производительности труда в ритейл фешн компании для департамента маркетинга, проведи исследование”. Тут сработала первая проблема актуальных LLM - если они не знают полной картины они начинают придумывать ее сами, это классические галлюцинации LLM, стоит это учитывать, как пример - можно спросить какой % от товарооборота яндекс лавки составляет расходы на IT, ИИ этого не знает - но ответ, все равно даст.
Впрочем в работу пошли наиболее классические задачи для AI: прогнозирование спроса / закупки / цены / товародвижения, генерирующие контент агенты (товарные карточки, промо материалы), чат-боты помощники (RAG, техническая поддержка, юристы и т.п), тестирование на уязвимости (заслуживает отдельной статьи), нетиповая аналитика (температура команды, прогноз фрода, OSINT), прототипирование товаров (визуал, описание), предиктивная аналитика для маркетинга (CRM, прогноз востребованности), рекомендательные сервисы, сервисы создания подборок товаров, скрининг резюме, и другие более мелкие инструменты.
Безусловно мы столкнулись с нереалистичными запросами по созданию супер-AI сотрудников которые будут обрабатывать десятки гигабайт данных каждый день, давать качественную аналитику и даже сами принимать финансовые решения, однако такие проекты мы благополучно погасили. Если у проекта не существующих референсов - нет смысла брать его в работу, стоимость будет завышена а результаты непредсказуемы, если у проекта нет готового решения на рынке или готового к доработкам open source аналога, его нет смысла брать в работу - мы прежде всего коммерческая организация, а не исследовательский центр.
Стоит обратить внимание что почти все прогнозные инструменты работали на базе ML решений, которые конечно можно притянуть за уши к AI классу ПО, но были известны сильно до того как начался бум на искусственный интеллект.
Какие оказались эффективны - все проекты имеющие ранее доказанный эффект, основывающиеся на ML оказались эффективны, сервисы чат-боты показали эффективность ниже прогнозируемой, сервисы по нетиповой аналитике показали тяжело интерпретируемые результаты их оценить оказалось де факто невозможно. Пилотирование идей шло около 4 месяцев, при совокупных затратах в 66 миллионов выручка 220 это неплохой результат, в частности потому что большая часть затрат ушла в CAPEX, а меньшая осталась операционными расходами, а значит в перспективе эффект может быть выше. Однако, ожидаемый и посчитанный и верифицированный с помощью нескольких финансовых менеджеров и LLM моделей эффект от всех инициатив должен был составить за этот период не менее 1 миллиарда рублей! Что в целом говорит о очень конкретных проблемах связанных с оценкой слабо изученных технологий и чрезмерно перегретых ожиданиях от внедрения AI.
Прогнозирование чего либо вообще работает спорно в текущей ситуации, слишком много черных лебедей, но за счет этого инструментам можно снизить нагрузку на первичный скоринг для людей проверяющих.
С точки зрения анализа документов - мы столкнулись с удивительной ситуацией когда LLMка с качественным промтом, собственной базой и заточенная на юридические услуги - может пропустить невероятно дикие для живого человека пункты договора, по этому этот инструментарий был отключен одним из первых после живого сравнения с человеком.
В чем AI оказался действительно хорош - помощь разработчикам и лидам групп, это не только возможность создание быстрых прототипов практически всего что угодно (а с доступом к корпоративному GIT’у еще и с адекватным контекстом), но и помощь в ревью кода, мы ощутили повышение эффективности группы разработки на 20-30% что ощутимо.
Таким образом, я рекомендую следовать простой логике при оценке результативности предполагаемых проектов - ищем похожий кейс в https://cloud.google.com/transform/101-real-world-generative-ai-use-case... (на момент выполнения работ там был 601 кейс, на момент написания статьи - уже более тысячи!), ищем подходящую модель на https://huggingface.co/ - если совпало, поздравляю, можно реализовать успешный кейс минимальными силами. Если же не нашлась подходящая open source модель, то предполагаемые затраты можно умножать в 3-4 раза, и уже тут сопоставить с эффектами. Конечно, если у вас достаточный ресурс для исследований и пилотов, можно просто действовать, однако в текущих рыночных условиях по моему мнению каждая крупная инвестиция должна быть максимально безопасной.
Все что связано с нетиповой аналитикой: голосовая аналитика работы колл центра, аналитика чатов с целью оценки выгорания команды, аналитика отзывов и другие, безусловно использование инструментов AI в этом сегменте показывает любопытные результаты, но оценить их эффективность крайне тяжело, команда выгорает из-за давления и низких зарплат, отзывы негативят о качестве внешней доставки, никаких сюрпризов, никаких значимых инсайтов.
На что стоит обратить внимание: первое и самое важное это данные. Чистота данных, корректность их разметки и аннотации является наиболее важным моментом в подготовке собственных решений, каждая десятая процента некорректных данных генерирует целые проценты галлюцинаций, что особенно важно в критических данных - таких как юридически значимые документы, результаты продаж для прогнозной модели закупок и т.п, для обучения наших систем мы использовали данные из готовых BI сборок - так как они с точки зрения принятий решений считаются наиболее чистыми в компании. Если же вы берете данные напрямую в сыром виде, перепроверьте их.
RAG - создание собственной базы знаний компании для использования в чат ботах, аналитике и любых других целях - я рекомендую ChromaDB, это безусловный минимальный уровень, используйте локальные модели типа deepseek r1 для того чтобы избежать выгрузки персональных данных вовне, создайте LoRA для генерации наиболее стилистических близких изображений для автоматизации создания контента и визуальных прототипов. Использование локальных моделей без цензуры для более глубокого изучения серых схем - таких как собственный pentest и анализ кода на предмет уязвимостей, существует неплохое готовое решение для децензурирования LLM - https://github.com/p-e-w/heretic. Если вы хотите создать полностью свою LLM для максимально четкого выполнения конкретных задач - воспользуйтесь готовым набором инструментов https://github.com/karpathy/nanochat. Для разработчиков на 1С есть собственное решение 1С напарник, работает хуже чем условный Cursor для более популярных языков, но лучше чем он же для 1С, по сути это единственная LLM обученная полноценно на 1С и для 1С. Для обучения моделей лучше пользоваться арендованными мощностями, снизить бюджет на проект. Существует достаточное количество open source решений, собственная разработка не требуется, не нужно для компании скромных размеров создавать собственное исследовательское подразделение, достаточно просто пары - тройки мотивированных энтузиастов. При работе с LLM периодически обновляйте контекст, чем он больше тем медленней и хуже работает система.
В рамках реализации проекта и подготовки стенда - площадки AI хаба, нам потребовалось множество раз преодолевать препятствия не связанные с технической частью, а с гео ограничениями которые нам пришлось преодолеть с помощью дочерней компании в другом регионе, также служба безопасности долго не согласовывала доступ к RAG системе внешних LLM, нам пришлось разворачивать локальную копию и закупить под нее дорогостоящее оборудование что в моменте сильно удорожает пилотную часть проекта и вместо нескольких сотен долларов на токены пришлось потратить десяток тысяч на закупку оборудования. Стоит учитывать это.
Наш проект готовился 3 месяца, нанимались люди, проводились исследования, митапы и хакатоны, покупалось оборудование. С помощью LLM существенная часть разработки была сделана в рекордные сроки, пилотные проекты запустились и работали на протяжении 4 месяцев и показали первые результаты, это было бы невозможно без постоянного давления со стороны собственника бизнеса и выделенного ресурса. По результату работы руководство компании продолжает считать что за AI будущее, но снизила свои ожидания от эффективности в несколько раз, AI инструменты как новые - LLM, Gen-AI так и старые ML/CV могут быть эффективны и полезны бизнесу если выбирать разумные кейсы, ориентироваться на готовые и проверенные решения и не верить каждому слову LLM модели, помнить что в настоящее время наиболее актуальные AI модели это по сути ML и т9 "на максималках".
Если вы ритейл компания и готовы вложить в AI инициативы несколько десятков миллионов, начните внедрять подход к использованию инструментов в головы сотрудников - это лучшее что можно сделать, после этого инициативы и проекты будут рождаться сами без стимуляции со стороны бизнеса.
Бизнес должен понимать что использование AI инструментов это хороший способ повысить эффективность отдельных процессов, но не серебряная пуля.