Використання ШІ проти будування навколо нього: де межа?

Ми використовуємо слово ШІ, щоб описати різноманітні речі, від спілкування з ChatGPT у браузері до управління цілими компаніями, де операції просто перестали б існувати в їхньому поточному вигляді без мовних моделей. Де межа між використанням автоматизації ШІ та тим, що ШІ є ядром бізнесу? У який момент відбувається фундаментальна зміна? І, найголовніше, чи варто компаніям навіть прагнути поставити ШІ в центр уваги?

Коли бізнес є ШІ‑нативним?

Сьогодні, навіть якщо керівництво ніколи не оголосило трансформацію ШІ, працівники все одно користуються Gemini для пошуку інформації, ChatGPT для написання електронного листа, Grok для підготовки звіту, Claude для написання коду тощо. Доступ до інструментів LLM став настільки поширеним, що просте їх використання вже не багато розповідає про саму компанію.

Для мене існує набагато простіший тест: що станеться, якщо вимкнути ШІ?

Візьмемо компанію, що розробляє бухгалтерське програмне забезпечення. Її розробники можуть використовувати ШІ для написання функцій або підтримки продукту. Якщо вимкнути ці інструменти завтра, інженери, ймовірно, працюватимуть повільніше. Але програмне забезпечення залишиться, бухгалтери продовжуватимуть його використовувати, а клієнти — платити за нього. ШІ покращує спосіб роботи компанії, проте сам бізнес не залежить від нього.

Тепер уявіть кол‑центр банку, який колись міг мати десять тисяч співробітників. Перше покоління ШІ в цьому середовищі працювало майже як підказувач, що сидить поруч з оператором: він слухав розмову, розумів проблему і пропонував відповідь. У багатьох випадках цей підказувач вже став самим агентом. Клієнт каже, що його стягнули неправильну суму; система перевіряє записи, аналізує відповідні дані, виявляє проблему і іноді вирішує її без залучення людини. Людина втручається лише тоді, коли випадок потребує ескалації.

Це зовсім інший тип взаємин з технологією. Бухгалтерська компанія стає менш ефективною без ШІ. Кол‑центр може знадобитися перебудувати значну частину своєї операційної моделі. Така різниця набагато ближче до того, що я маю на увазі під ШІ‑нативним, ніж кількість підписок на ШІ у компанії чи наявність слова «ШІ» на її головній сторінці.

Де це найбільш помітно?

Деякі компанії побудували свій бізнес навколо допомоги іншим у цьому переході. Cohere є хорошим прикладом: канадська компанія виросла у великий бізнес, допомагаючи підприємствам переходити від традиційного програмного забезпечення та робочих процесів до ШІ. Однак в інших галузях ШІ вже настільки глибоко вбудований у продукт, що майже неможливо їх розділити.

Самостійне керування, ймовірно, є найочевиднішим прикладом. Якщо від автомобіля очікується бачити дорогу, розпізнавати об’єкти, розуміти, що відбувається навколо, і самостійно приймати рішення, то неможливо видалити ШІ, не знищивши базову ідею продукту.

Медицина та фармацевтика демонструють те ж саме іншим способом, особливо у відкритті ліків. Одним із найкращих прикладів того, що це може означати у масштабі, є робота DeepMind над білковими структурами.

Банк даних білків (Protein Data Bank) був створений у 1971 році, і десятиліттями роботи вчених у всьому світі сформувався великий збірник експериментально визначених структур. база даних перевищила 1 000 структур у 1993 році, 10 000 приблизно у 2000 році та 100 000 у 2014 році. Станом на січень 2023 року вона перевищила 200,000 експериментально визначених біомолекулярних структур. Іншими словами, після приблизно шести десятиліть структурної біології дослідники накопичили близько двохсот тисяч експериментально визначених структур.

Потім з’явився AlphaFold, система DeepMind для передбачення тривимірної структури білка за його амінокислотною послідовністю. У 2022 році AlphaFold зробив більше ніж 200 мільйонів передбачених білкових структур доступними, охоплюючи майже кожен задокументований білок, відомий науці на той момент. Це не означає, що ШІ «відкрив усі існуючі білки». Це передбачені структури, засновані на вже відомих амінокислотних послідовностях. Однак різниця в масштабах все ще величезна.

Значення цього зрушення стало ще очевиднішим у 2024 році, коли Деміс Хассабіс і Джон Джампер з Google DeepMind отримали половину Нобелівської премії з хімії «за передбачення білкових структур». Інша половина була присуджена Девіду Бейкеру за комп’ютерне проектування білків. Те, що лише кілька років тому виглядало вражаючим проривом у ШІ, дуже швидко стало визнаним фундаментальним досягненням у сучасній біології.

DeepMind — це глобальний, привертаючий увагу приклад, проте медичні стартапи, орієнтовані на ШІ, вже не є рідкістю. Під час моїх років у Keymakr, наша команда працювала над проектами охоплювали стоматологію та ультразвукову візуалізацію, інтервенційну кардіологію, де моделі навчалися виявляти клапани серця, аорту та інші структури під час процедур. Ми також працювали над проектами нейрохірургії, де моделі навчилися розрізняти тканину мозку, кровоносні судини, хірургічні інструменти та операційну ділянку. У всіх цих випадках ШІ не був додатковою функцією, доданою до продукту; він був самим продуктом.

Від білкових структур до холодного листа

Те саме відбувається в набагато звичайніших сферах бізнесу. Продажі та маркетинг, ймовірно, є одними з найшвидших прикладів: робота, яка колись займала години, тепер може повторюватися сотнями чи тисячами разів з мінімальними додатковими зусиллями.

CRM, кампанії, пошук потенційних клієнтів і дослідження лідів будуються навколо мовних моделей. Ми вже далеко за межами того, коли треба просити ChatGPT написати холодний лист. Система може переглянути профіль людини в LinkedIn, зрозуміти, чим вона займається, що її цікавить і про що вона публікує, а потім використати цю інформацію, щоб створити текст, який виглядає дуже особистим.

Колись я отримав повідомлення приблизно такого змісту: «Майкле, має бути неймовірно летіти на висоті 4 000 футів і дивитися крізь скло…» – це стосувалося моїх історій про авіацію в соціальних мережах. Моя перша реакція була: хтось справді переглянув мій профіль у LinkedIn і уважно його прочитав. Звісно, ніхто цього не робив. Система знайшла інформацію і автоматично згенерувала звернення.

Саме тут економіка персоналізації починає змінюватися. Дослідження, які колись займали у людини багато часу, тепер можуть підтримуватись інструментами, що сканують публічну інформацію та виявляють релевантні деталі. Людина потім вирішує, що дійсно корисно, доречно і варто включити.

Я спостерігав таку ж зміну в Keymakr, хоча для нас мета ніколи не полягала в автоматизації людського судження чи стосунків. Я постійно заохочував людей звертати увагу на повторювані частини їхньої щоденної роботи і запитувати, де агенти можуть заощадити час, принести більше послідовності або допомогти працювати в масштабі.

У Scryon ми вже з самого початку вбудували цю логіку в компанію. Велика частина маркетингових завдань виконується кількома агентами через статті, блог, LinkedIn та веб‑сайт.

Цікавий момент полягає в тому, що їхня найбільша перевага часто не в написанні тексту. Припустимо, ви додаєте двадцять нових сторінок на сайт. Людина, яка пише нову статтю, ймовірно, додасть кілька внутрішніх посилань. Майже ніхто не повернеться до 80 чи 800 старих матеріалів, щоб перевірити, куди тепер слід посилатися на нові сторінки. Агент може це зробити. У такій роботі агент не повинен бути розумнішим за людину. Йому просто не нудно, і різниця між 80 і 800 сторінками для нього набагато менш важлива, ніж для нас.

Але саме тут автоматизація досягає своїх меж для мене. Хороші PR‑заходи не можна просто передати агенту і забути. Те ж саме стосується статей‑думок, де позиціонування, розуміння аудиторії та вміння вирішити, що саме сказати, є вирішальними.

Тож навіть коли ви створюєте досить складну систему агентів, вам все одно потрібна людина, яка її керуватиме. Хтось має оцінювати результати, вирішувати, що важливо, і задавати напрямок.

Чи можна автоматизувати засновника?

У стартапі на ранній стадії засновник часто одночасно виконує технічні, операційні та виконавчі функції. Тому думка виникає природно: якщо агенти можуть зняти значну частину навантаження з команди, чому б не доручити їм частину роботи засновника?

У мене є окремий агент, підключений до Scryon Business, який добре обізнаний у справі компанії. Я можу запитати його, наприклад: «Ми хочемо отримати 5 000 користувачів наступного місяця». Чи це реалістично, чи це просто приємне число, яке я вигадав?

Він може витягнути дані, подивитися на ринок, перевірити конкурентів і підключені системи, і відповісти, що 5 000, ймовірно, занадто багато, а навіть 2 000 вже буде агресивним показником на цій стадії. Це допомагає мені перевірити власні міркування. Але агент все одно дає поради.

Рішення залишається за мною. Після всіх даних і розрахунків іноді мені все ж треба вийти на вулицю, прогулятись парком і вирішити, куди я хочу вести компанію.

Для мене справжнє розвантаження починається, коли я можу передати комусь відповідальність, сказавши: «Це твоє», і через місяць побачити, що це працює без мого втручання. Я не бачу такого з роллю засновника сьогодні.

Те ж саме стосується ролей C‑level. Їхня задача – задати напрямок: через шість місяців ми хочемо вийти на автомобільний ринок, або ми хочемо, щоб у галузі знали наш бренд. Віце‑президенти, керівники підрозділів і лідери команд потім перетворюють це у конкретні цілі та роботу.

AI‑набір інструментів: особисті та корпоративні витрати

Я не вірю в один «найкращий» модель. Мене більше цікавить, яка модель найкраще підходить для конкретного завдання і скільки це мене коштує при масштабуванні. Я часто використовую Codex для кодування і перемикаю моделі всередині нього, залежно від поточних потреб. Можливо, одного дня спробую Claude для дизайну, а потім перейду на ChatGPT для більш мовних завдань, але ці вибори змінюються щомісяця, іноді навіть посеред виконання завдання.

Зрештою, кожен з часом будує власний стек, оцінюючи, яка модель оптимальна для певної мети. Якщо ви технічний засновник, який багато кодує сам, я б очікував, що ви витрачатимете близько $1 000 на місяць на свій власний стек. Але я знаю людей, які витрачають $10 000–15 000 на місяць, бо автоматизують набагато агресивніше.

Як тільки ШІ стає частиною основного бізнесу, цифри знову змінюються. З Scryon я почуваюся впевнено, що 30–40 % доходу може йти безпосередньо на інфраструктуру та сервіси, на яких працює продукт, ще до того, як враховувати людей, які його створюють.

Спочатку бізнес‑ціль, потім технологія

У гонці за автоматизацією та ярликом “AI companies” я вважаю, що саме питання “який тип ШІ нам впроваджувати?” небезпечне. Це починає з неправильного кінця.

Нещодавно ми поставили перед собою досить типову бізнес‑мету — скоротити витрати. Для цього ми створили агента, надали йому доступ до інформації про те, куди компанія витрачає гроші, включаючи Amazon, Google та інші сервіси, і попросили регулярно шукати аномалії та піднімати червоні прапорці, якщо щось виглядає підозріло.

Лише за перший тиждень ми скоротили витрати приблизно на 30 %, оскільки система швидко показала, куди йдуть гроші на речі, про які ми практично забули. Сам агент може коштувати всього $50 на місяць, а заощадження можуть сягати десятків тисяч.

У Keymakr ШІ в основному підсилював людей і окремі процеси. У Scryon він вже вбудований у архітектуру компанії. У самокерованих системах без нього продукт зникає, а у відкритті ліків — змінює масштаб досліджень.

Для мене питання базових цілей — набагато здоровіший старт, ніж прагнення стати компанією‑нативною до ШІ. Спочатку має виникнути бізнес‑мета: заробити більше, швидше масштабуватись, скоротити витрати, запустити новий продукт або радикально змінити існуючий процес. Лише потім має сенс запитати, яка технологія допоможе досягти цього.