ИИ обсуждают все: от топ-менеджеров до разработчиков. Но между хайпом и скепсисом есть реальность — что технология уже умеет, а что пока нет
Где ИИ уже стандарт, а не новинка
Существуют направления, где вопрос о целесообразности внедрения ИИ уже снят с повестки — он решен самим рынком. Прежде всего это касается всего, что связано с обслуживанием высокого потока обращений: клиентские линии, колл-центры, первичная обработка запросов. Здесь ИИ перестал быть конкурентным преимуществом и превратился в базовый операционный стандарт. Компания, которая по-прежнему держит живого оператора на сбросе пароля или обработке типовых FAQ, попросту нерационально расходует ресурсы.
В 2026 году, по данным отраслевой аналитики, 80% организаций уже используют ИИ в клиентском сервисе, а диалоговый ИИ обеспечивает сокращение затрат на персонал контакт-центров на $80 млрд в год. Это воспроизводимая схема, которая при грамотном выстраивании процесса дает ощутимое сокращение операционных расходов уже в первый год эксплуатации. По прогнозу Gartner, к 2029 году агентный ИИ будет автономно закрывать 80% типовых клиентских обращений без участия оператора, что повлечет снижение операционных затрат еще на 30%.
Второе безусловное направление — производство медиаконтента. Генерация изображений и видео, профессиональная озвучка, перевод с сохранением голоса оригинального спикера — все это уже стало нормой производственного процесса. По данным SurveyMonkey (2025), 88% маркетологов используют ИИ в повседневной работе, 85% применяют его непосредственно для создания контента. Отказ от этих инструментов сегодня — это не принципиальная позиция, а заведомое отставание по скорости и себестоимости производства.
В части разработки программного обеспечения картина иная. ИИ действительно помогает, ускоряет ряд задач и снижает стоимость ресурса — но называть это отраслевым стандартом преждевременно. Компании, не использующие ИИ-ассистентов в разработке, не выглядят технологическими аутсайдерами. Те, кто их использует, получают прирост эффективности при сопоставимом качестве — но это конкурентное преимущество, а не обязательный минимум.
Где реальный результат, а где — имидж
Сравнивая разработку с другими направлениями, нужно отметить, что измеримый бизнес-эффект от применения ИИ достигается там, где задача хорошо структурирована и воспроизводима: инвентаризация складов, снятие планограмм, видеоанализ выкладки товара, контроль доступности полок, обработка и классификация больших массивов текстов. Это не маркетинговые нарративы — это операционная экономия с конкретными цифрами.
Участие ИИ в разработке кода — пока в значительной мере имиджевая история, хотя и с реальными частными применениями. Для написания отдельных функций, небольших модулей или решения локальных задач инструмент работает. Однако для крупных проектов полностью полагаться на него не получается: при обнаружении ошибки LLM нередко переписывает сотни строк там, где достаточно точечного исправления, и предлагает решения, которые вступают в прямое противоречие с общей архитектурой системы. Пока разработчики не могут в полной мере доверять LLM сквозную работу над серьезным продуктом — они лишь делегируют ей фрагменты.
Отдельного разговора заслуживает российский контекст. Российский рынок в целом занимает более осторожную позицию в части передовых разработок — и это объяснимо структурой инвестиционных решений. Направления, требующие R&D с негарантированным результатом и высоким риском нецелевого расходования бюджета, здесь не движутся: инвестировать в то, что может не дать отдачи, готовы единицы. Зато прикладные решения с предсказуемым эффектом — скоринг, антифрод, распознавание документов, транскрипция встреч — внедряются охотно и быстро. Это прагматичная, хотя и осторожная стратегия.
Почему «умная» технология ошибается на простых вещах
Одно из наиболее распространенных разочарований при работе с языковыми моделями — их непредсказуемость: модель демонстрирует глубокие рассуждения по сложным темам и одновременно допускает очевидные ошибки в элементарных суждениях. Причина этого явления коренится не в недостатках конкретных реализаций, а в фундаментальном свойстве архитектуры: у LLM отсутствует субъективный опыт взаимодействия с реальным миром.
У человека с раннего детства формируется встроенная модель устройства мира — интуитивное понимание того, что возможно, что разрушительно, что противоречит здравому смыслу. Эта модель не формализована явно, но она определяет границы допустимых решений. LLM такой модели не имеет. При отладке кода модель может предложить «исправление», которое нарушает фундаментальные архитектурные принципы системы — технически логичное в изоляции, но разрушительное в контексте. По той же логике, что и попытка выровнять окно на верхнем этаже здания, подкопав его фундамент: частная задача решается, целостность объекта уничтожается.
Ведущие исследовательские институты работают над тем, как передать моделям этот недостающий слой понимания. Среди наиболее практически эффективных решений выделяются различные реализации RAG (retrieval-augmented generation). Суть подхода: вместо того чтобы генерировать ответ исключительно «из себя» — из всего, на чем модель обучалась, — она сначала обращается к специально подготовленной базе знаний и получает релевантный контекст. Например, компания подключает модель к собственной базе данных с информацией о своих продуктах и процессах — и модель начинает работать с этим конкретным источником, а не с обобщенными знаниями обо всем на свете. Это кратно снижает вероятность галлюцинаций. Для получения релевантной информации также используется MCP (Model Context Protocol) инструментарий, который также добавляет факты и цифры в контекст запроса.
Второй значимый механизм — обучение модели признавать неопределенность: возможность говорить «не знаю» или «недостаточно данных для уверенного ответа», что существенно сокращает число случаев, когда система уверенно транслирует недостоверную информацию.
Создатели моделей также продолжают «играть» с архитектурой моделей, заставляя ее «спорить» саму с собой или специализированными моделями перед выдачей результата, фактически проводя внутреннее голосование и фактчекинг, что часто исправляет неверные ответы.
Все эти подходы в совокупности снизили процент ошибок и галлюцинаций ведущих LLM моделей в 20 раз за последние 4 года. И в ближайшие годы году этот процент ошибок продолжит значительно снижаться, настолько, что их наличием для большинства задач можно будет принебречь.
Граница разумного: когда ИИ усиливает, а когда разрушает
Если разработка — это направление, где ИИ пока не вышел за рамки вспомогательного инструмента, то в ряде других областей картина принципиально иная. Надежный критерий корректного применения ИИ — реакция пользователя на взаимодействие с ним. Если взаимодействие с технологией проходит без трения и раздражения — инструмент встроен в процесс правильно. Сброс пароля, бронирование билетов, стандартный справочный запрос — пользователь получает результат, не задумываясь о том, кто именно его предоставил. Это целевой сценарий.
Противоположный сценарий — когда модель помещается в контекст, с которым она справляется неудовлетворительно, и при этом блокируется переход к живому специалисту. Клиент с нестандартным вопросом вынужден проходить многократные итерации с ботом, не получая решения и не имея прямого выхода на оператора. Это не техническая проблема — это ошибка проектирования процесса. Компании, выстроившие обслуживание подобным образом, воспринимаются как организации, не ценящие время клиента, что неизбежно транслируется в снижение доверия к бренду — даже при формально высоких показателях автоматизации.
Архитектурно грамотная модель выглядит иначе: ИИ обрабатывает первичный запрос и закрывает типовые сценарии; при выходе за их границы управление немедленно передается человеку. Это не компромисс между эффективностью и качеством сервиса — это правильное проектирование с учетом реальных возможностей технологии. Компании, реализующие именно такую схему, демонстрируют понимание инструмента, что конвертируется в устойчивый репутационный актив.
Принципиально важно, что раздражение у клиента возникает не от самого факта автоматизации — оно возникает от некачественного взаимодействия, независимо от его источника. Оператор, неспособный выйти за рамки формального скрипта и не владеющий предметной областью, вызывает ровно ту же реакцию, что и неадекватно настроенный бот. Проблема в обоих случаях одна — некорректное проектирование процесса и несоответствие исполнителя поставленной задаче.
Экспертиза, которая исчезает
Среди долгосрочных последствий массового внедрения ИИ одно из наиболее недооцененных — постепенная деградация профессиональной экспертизы. ИИ вытесняет специалистов среднего уровня: выполняет функции джуниоров и мидлов быстрее, дешевле и с сопоставимым качеством. На первый взгляд это выглядит как освобождение ресурсов. На практике — подрывает воронку воспроизводства экспертизы.
Топовые специалисты не появляются напрямую из образовательных программ — они вырастают из начальных и средних позиций через годы накопленного практического опыта. Если ИИ замещает эту ступень, приток в экспертный пул иссякает. Нынешнее поколение высококлассных специалистов уйдет естественным образом, а на смену придут люди, сформировавшие профессиональные навыки в среде, где сложные задачи делегировались алгоритму с самого начала карьеры. Это не умозрительный сценарий — это структурная закономерность, которая разворачивается уже сейчас.
Переходный провал кажется неизбежным. Пока знания мигрируют из человеческих компетенций в машинные системы, будет период, когда ни люди уже не обладают необходимой глубиной, ни ИИ еще не достиг достаточного уровня автономности. Когда языковые модели получат полноценную обратную связь от реального мира и выйдут на уровень суперинтеллекта, ситуация начнет выправляться. Но этот момент наступит позже, чем произойдет сам провал.
ИИ и ответственность: кто несет последствия
ИИ не способен нести ответственность в правовом или управленческом смысле — это не вопрос будущего развития технологии, это ее принципиальное свойство. Любое решение, принятое с опорой на алгоритм, остается решением человека, который этот алгоритм применил.
История перехода бухгалтерского учета на калькуляторы точно передает логику этого процесса. Когда расчетчикам впервые дали калькуляторы, они продолжали параллельно считать на счетах — и методично сверяли результаты. Это требовало времени, но именно так формировалось обоснованное доверие к новому инструменту: убедившись в точности расчетов, специалисты могли отказаться от дублирующей проверки. При этом ответственность за корректность начисленной зарплаты оставалась на бухгалтере — не на производителе калькулятора. Этот принцип не изменился и сегодня.
Рациональный подход к делегированию задач ИИ строится на той же логике: если технология демонстрирует стабильно корректный результат в определенном классе задач — ее можно полностью включить в процесс. Если класс задач, где она ошибается, четко идентифицирован — эти задачи остаются за человеком, остальные передаются алгоритму. Именно это разграничение, а не максимальная автоматизация ради автоматизации, и является признаком зрелого управленческого подхода.
Зрелый ли инструмент? Честный ответ
Нет. Современные модели не являются зрелым инструментом — и это не критика, а точный диагноз текущего состояния технологии.
Зрелый инструмент — это система, способная работать автономно, с низким уровнем ошибок и устойчивостью к сбоям без постоянного внешнего сопровождения. Актуальные реализации ИИ требуют регулярной настройки, мониторинга и квалифицированного сопровождения. Это не недостаток конкретных продуктов — это характеристика технологии, которая находится в активной фазе развития. Быстрого и очевидного. Но все же — становления, а не зрелости.
Параллельно верно и другое: ценность ИИ сегодня определяется не только возможностями самой модели, но в не меньшей степени — качеством среды, в которую она встроена. Внедрение ИИ — это не выбор продукта, это проектирование процесса. Выравнивание с бизнесом по целям применения и с командой по точке встраивания в операционную архитектуру — два обязательных шага, без которых даже технически сильное решение не дает ожидаемого эффекта. Это справедливо для колл-центра, аналитики, разработки — для любого контекста.
ИИ только начинает осваивать реальный мир. Роботизация, автономные транспортные системы, физические агенты — это первые шаги к тому, чтобы технология начала получать обратную связь от действительности, а не только от текстовых корпусов. Именно в этой точке начнется качественный скачок. До тех пор нужно грамотно применять то, что работает; верифицировать то, что пока работает ненадежно; не перекладывать на алгоритм задачи, с которыми он не справляется, — и проектировать каждый процесс с пониманием реальных, а не маркетинговых возможностей технологии.
Выбор редакции
Публикации, которые получают больше внимания и попадают в Сюжеты РБК
Рекомендации партнеров: