Использование ИИ против построения вокруг него: где проходит граница?

Мы используем слово ИИ, чтобы описать всевозможные вещи, от общения с ChatGPT в браузере до управления целыми компаниями, где операции просто перестали бы существовать в своей текущей форме без языковых моделей. Где проходит граница между использованием автоматизации ИИ и тем, что ИИ находится в ядре бизнеса? В какой момент происходит фундаментальный сдвиг? И, самое главное, должны ли компании даже стремиться поставить ИИ в центр внимания?

Когда бизнес является AI‑нативным?

Сегодня, даже если руководство никогда не объявляло о трансформации с использованием ИИ, сотрудники всё равно используют Gemini для поиска информации, ChatGPT для написания письма, Grok для подготовки отчёта, Claude для написания кода и так далее. Доступ к инструментам LLM стал настолько распространённым, что простое их использование уже мало что говорит о самой компании.

Для меня существует гораздо более простой тест: что происходит, если отключить ИИ?

Возьмём компанию, разрабатывающую бухгалтерское программное обеспечение. Её разработчики могут использовать ИИ для написания функций или поддержки продукта. Отключив эти инструменты завтра, инженеры, вероятно, будут работать медленнее. Но программное обеспечение всё равно будет существовать, бухгалтеры продолжат его использовать, а клиенты продолжат платить за него. ИИ улучшает работу компании, но сам бизнес от него не зависит.

Теперь представьте банковский колл‑центр, который когда‑то мог нанимать десять тысяч сотрудников. Первое поколение ИИ в этой среде работало почти как подсказчик, сидящий рядом с оператором: он слушал разговор, понимал проблему и предлагал ответ. Во многих случаях этот подсказчик теперь стал самим агентом. Клиент говорит, что ему начислили неправильную сумму; система проверяет записи, просматривает соответствующие данные, выявляет проблему и иногда решает её без привлечения человека. Человек вмешивается только когда случай требует эскалации.

Это совершенно иной тип взаимодействия с технологией. Бухгалтерская компания становится менее эффективной без ИИ. Колл‑центр может потребовать перестройки значительной части своей операционной модели. Эта разница гораздо ближе к тому, что я подразумеваю под AI‑нативным, чем количество AI‑подписок у компании или наличие слова «ИИ» на её главной странице.

Где это наиболее заметно?

Некоторые компании построили свой бизнес, помогая другим совершать этот переход. Cohere — хороший пример: канадская компания превратилась в крупный бизнес, помогая предприятиям переходить от традиционного программного обеспечения и рабочих процессов к ИИ. В других отраслях, однако, ИИ уже настолько глубоко внедрён в продукт, что почти невозможно отделить их друг от друга.

Самоуправляемые автомобили, вероятно, являются самым ясным примером. Если от автомобиля ожидается видеть дорогу, распознавать объекты, понимать, что происходит вокруг, и принимать решения самостоятельно, то невозможно убрать ИИ, не убрав базовую идею продукта.

Медицина и фармацевтика делают тот же вывод иначе, особенно в открытии лекарств. Одним из лучших примеров того, что это может означать в масштабе, является работа DeepMind над структурами белков.

База данных Protein Data Bank была создана в 1971 году, и потребовались десятилетия работы учёных по всему миру, чтобы собрать большую коллекцию экспериментально определённых структур. база данных превысила 1 000 структур в 1993 году, 10 000 около 2000 года и 100 000 в 2014 году. К январю 2023 года она превысила 200 000 экспериментально определённых биомолекулярных структур. Другими словами, после примерно шести десятилетий структурной биологии исследователи накопили порядка двухсот тысяч экспериментально определённых структур.

Затем появился AlphaFold, система DeepMind для предсказания трёхмерной структуры белка по его аминокислотной последовательности. В 2022 году AlphaFold сделал более 200 миллионов предсказанных структур белков доступными, охватив почти каждый каталогизированный белок, известный науке к тому времени. Это не означает, что ИИ «открыл каждый существующий белок». Это предсказанные структуры, основанные на уже известных аминокислотных последовательностях. Но разница в масштабе всё равно огромна.

Важность этого сдвига стала ещё более очевидной в 2024 году, когда Демис Хассабис и Джон Джампер из Google DeepMind получили половину Нобелевской премии по химии «за предсказание структуры белков». Вторая половина была присуждена Дэвиду Бейкеру за вычислительное проектирование белков. То, что всего несколько лет назад выглядело как впечатляющий прорыв ИИ, быстро стало признано фундаментальным достижением современной биологии.

DeepMind — глобальный, привлекающий внимание пример, но стартапы в медицине, ставящие ИИ в центр, уже не редкость. За годы работы в Keymakr, наша команда работала над проектами, охватывающими стоматологию и ультразвуковую визуализацию, интервенционную кардиологию, где модели обучались обнаруживать сердечные клапаны, аорту и другие структуры во время процедур. Мы также работали над проектами в нейрохирургии, где модели учились различать ткань мозга, кровеносные сосуды, хирургические инструменты и операционную зону. Во всех этих случаях ИИ был не просто дополнительной функцией, добавленной к продукту; он был самим продуктом.

От структур белков к холодному письму

То же самое происходит в гораздо более обычных частях бизнеса. Продажи и маркетинг, вероятно, являются одними из самых быстро развивающихся примеров: работа, которая раньше занимала часы, теперь может повторяться сотни или тысячи раз с минимальными дополнительными усилиями.

CRM, кампании, поиск потенциальных клиентов и исследование лидов построены вокруг языковых моделей. Мы уже далеко за пределами того, когда нужно просить ChatGPT написать холодное письмо. Система может просмотреть профиль человека в LinkedIn, увидеть, чем он занимается, что его интересует и о чём он публикует, а затем использовать эту информацию, чтобы написать что‑то, ощущающееся очень персонально.

Однажды я получил сообщение в стиле: «Майкл, должно быть, невероятно летать на высоте 4 000 футов и смотреть сквозь стекло…». Оно отсылало к моим авиационным историям в соцсетях. Моя первая реакция была: кто‑то действительно прошёл мой профиль в LinkedIn и внимательно его прочитал. Конечно, никого этого не делал. Система нашла информацию и автоматически сгенерировала обращение.

Именно здесь меняется экономика персонализации. Исследования, которые раньше занимали у человека много времени, теперь могут поддерживаться инструментами, сканирующими публичную информацию и выделяющими релевантные детали. Затем человек может решить, что действительно полезно, уместно и стоит включить.

Я заметил тот же сдвиг в Keymakr, хотя для нас цель никогда не заключалась в автоматизации человеческого суждения или отношений. Я постоянно подталкивал людей смотреть на повторяющиеся части их ежедневной работы и задаваться вопросом, где агенты могут сэкономить время, обеспечить большую согласованность или помочь им работать в более крупном масштабе. 

В Scryon, мы начали с этой логикой, уже встроенной в компанию. Большая часть маркетинговой работы обрабатывается несколькими агентами через статьи, блог, LinkedIn и веб‑сайт.

Интересно то, что их главное преимущество часто заключается не в написании. Представьте, что вы добавляете двадцать новых страниц на сайт. Человек, пишущий новую статью, вероятно, добавит несколько внутренних ссылок. Практически никто не будет возвращаться к 80 или 800 старым материалам, чтобы проверить, где теперь следует разместить ссылки на новые страницы. Агент может. В такой работе агент не обязан быть умнее человека. Он просто не устает, и разница между 80 и 800 страницами гораздо менее важна для него, чем для нас.

Но здесь автоматизация достигает своих пределов для меня. Хороший PR нельзя просто передать агенту и забыть. То же самое относится к аналитической статье, где важны позиционирование, понимание аудитории и способность решить, что сказать.

Поэтому, даже когда вы создаёте довольно сложную систему агентов, всё равно нужен человек, который её управляет. Кто‑то должен оценивать результаты, решать, что имеет значение, и задавать направление.

Можно ли автоматизировать работу основателя?

В стартапе на ранней стадии основатель часто одновременно технический, операционный и исполнительный. Поэтому мысль возникает естественно: если агенты могут снять с команды большую часть работы, почему бы не поручить им часть обязанностей основателя?

У меня есть отдельный агент, подключённый к Scryon Business, который хорошо знает компанию. Я могу спросить его, например: “Мы хотим получить 5 000 пользователей в следующем месяце”. Реалистично ли это, или это просто красивый показатель, который я придумал?

Он может собрать данные, проанализировать рынок, проверить конкурентов и связанные системы, и вернуться с выводом, что 5 000, вероятно, слишком много, а даже 2 000 будет агрессивным на этой стадии. Это помогает мне проверить собственные мысли. Но агент всё равно даёт советы.

Решение всё ещё остаётся за мной. После всех данных и расчётов иногда мне всё равно нужно выйти наружу, прогуляться по парку и решить, куда я хочу вести компанию.

Для меня реальная разгрузка начинается, когда я могу передать кому‑то ответственность, скажем, “Это твоё”, и вернуться через месяц, увидев, что всё продолжает работать без меня. Я не вижу такого в роли основателя сегодня.

То же самое относится к ролям уровня C‑suite. Их задача — задавать направление: через шесть месяцев мы хотим выйти на автомобильный рынок или хотим, чтобы люди в отрасли знали бренд. Вице‑президенты, руководители и тимлиды затем превращают это в конкретные цели и задачи.

Набор инструментов ИИ: личные и корпоративные затраты

Я не верю в одну «лучшую» модель. Меня гораздо больше интересует, какая модель лучше подходит для конкретной задачи и какие расходы у меня возникают при её масштабном использовании. Я часто использую Codex для программирования и переключаю модели внутри него в зависимости от текущих потребностей. Иногда я пробую Claude для дизайна, а затем переключаюсь на ChatGPT для более языковых задач, но эти выборы меняются от месяца к месяцу и иногда даже в середине задачи.

В конечном итоге каждый со временем формирует собственный стек, оценивая, какая модель оптимальна для конкретной цели. Если вы технический основатель, который много пишет код самостоятельно, я бы ожидал, что вы будете тратить около 1 000 $ в месяц на свой собственный стек. Но я знаю людей, которые тратят 10 000–15 000 $ в месяц, потому что автоматизируют гораздо агрессивнее.

Как только ИИ становится частью ядра бизнеса, цифры меняются снова. С Scryon я уверен, что 30–40 % дохода может идти напрямую на инфраструктуру и сервисы, на которых работает продукт, ещё до учёта людей, его создающих.

Сначала бизнес‑цель, затем технология

В гонке за автоматизацией и ярлыком “AI компании” я считаю, что сам вопрос “какой ИИ нам внедрять?” опасен. Он начинается с неправильного конца.

Мы недавно поставили перед собой довольно стандартную бизнес‑цель — сократить расходы. Для этого мы создали агента, предоставили ему доступ к информации о том, на что компания тратит деньги, включая Amazon, Google и другие сервисы, и попросили регулярно искать аномалии и поднимать тревогу, если что‑то выглядит странно.

Всего за первую неделю мы сократили расходы примерно на 30 %, потому что система быстро показала, на что тратятся деньги на вещи, о которых мы практически забыли. Сам агент может стоить всего $50 в месяц, но экономия может достигать десятков тысяч.

В Keymakr ИИ в первую очередь усиливал людей и отдельные процессы. В Scryon он уже встроен в архитектуру компании. В сфере автономного вождения без него продукт исчезает, а в открытии лекарств он меняет масштаб исследования.

Для меня вопрос о базовых целях — гораздо более здоровая отправная точка, чем стремление стать AI‑нативной компанией. Сначала должна возникнуть бизнес‑цель: зарабатывать больше, масштабироваться быстрее, сокращать расходы, запускать новый продукт или радикально менять существующий процесс. Только потом имеет смысл задаваться вопросом, какая технология поможет её достичь.