Григорий Дюкарев (ЛАНИТ): «Тренд на использование бизнесом ИИ движется от чат-ботов к агентам и от зоопарка инструментов к единому платформенному слою»

 — Григорий, как российские компании подходят к выбору ИИ-инструментов?

 — В регулируемых отраслях выбор начинается с ограничений. Сначала заказчик проверяет, есть ли продукт в реестре российского ПО, встанет ли он в закрытый контур и переживёт ли отключение зарубежных API, и только потом сравнивает функциональность, поддержку и стоимость владения. В стоимости есть тонкость, о которой часто вспоминают уже после подписания: лицензии на ПО из реестра освобождены от НДС, работы по внедрению облагаются им в полном объёме, так что итоговая цена сильно зависит от структуры пакета.

Спор о том, что выбирать, российское или зарубежное, в живых проектах почти не встречается. Типовая архитектура сегодня собирается из трёх частей: российская платформа как оркестрационный слой, под ней открытая модель уровня Qwen, MiniMax или DeepSeek, и всё это на собственном железе заказчика. Такую связку трудно назвать и отечественной, и зарубежной, главное, что контур – свой, контроль – свой, а модель из точки зависимости превращается в заменяемую деталь.

Менеджер по развитию бизнеса LANDEV AI, ЛАНИТ Григорий Дюкарев
Фото: ЛАНИТ

 — Где ИИ уже уверенно используется, а где набирает популярность?

 — Уверенно работают три сценария: поиск по внутренним документам и базам знаний, генерация маркетингового контента и ассистенты первой линии поддержки. У них общая природа: все трое живут на данных, которые у компании уже есть и не требуют перестраивать процессы.

Популярность набирают мультиагентные сценарии, где ИИ ведёт процесс целиком: сам планирует шаги, ходит в учётные системы, проверяет собственный результат. Растёт и AIOps, предсказание сбоев ИТ-инфраструктуры до того, как они произошли. Граница между первым списком и вторым проходит по зрелости данных. Ассистента можно поднять на той базе знаний, какая есть, а агентный сценарий требует наведённого в системах порядка, и потому до промышленной эксплуатации его доводят пока единицы.

 — Как заказчики оценивают эффективность и выбирают между эффективностью и безопасностью?

 — Выбора между эффективностью и безопасностью в реальных сделках я не видел ни разу. Недавно производственный холдинг первым же письмом сообщил нам, что облачные решения не рассматриваются по требованиям безопасности, и произошло это раньше любого разговора о функциональности. Настоящий компромисс выглядит иначе: локальное развёртывание дороже, доступные в контуре модели уступают облачным флагманам, и заказчик сознательно платит эту цену за контроль над данными или выбирает гибридные решения.

Эффективность мы предлагаем измерять пилотом с заранее зафиксированными метриками. Чаще всего это экономия времени сотрудников, повышение их производительности, реже – прямая выручка. Метрики, согласованные до старта, и отличают живой проект от заброшенного: пилот без них до промышленной эксплуатации обычно не доживает, потому что результат вроде бы есть, а показать его нечем.

 — Что является стоп-фактором для внедрения ИИ?

 — Главный страх – это утечка данных. Компании боятся отдать наружу код и коммерческую информацию, а в регулируемых отраслях это опасение ещё и подкреплено требованиями регуляторов. Сразу за безопасностью идёт цена: GPU-инфраструктура под закрытый контур стоит дорого.

Но чаще всего проекты буксуют по причине, которую недооценивают: это незрелая постановка задачи. Компания приходит с желанием внедрить ИИ вообще, без конкретного процесса и метрики, и это почти готовый сценарий провала. Свежий случай из практики: заказчик прислал ТЗ, в котором ассистент рассчитан сразу на несколько департаментов, а сервер и модель взяты по нижней планке. Такой пилот споткнётся о железо, но виноватым назначат ИИ. Но бывает и наоборот, когда нагрузки переоценивают. Например, по нашему опыту, запуск на пятьдесят пользователей означает около пяти одновременных сессий, потому что единовременно в корпоративных системах активны примерно 10 % сотрудников, а железо считается по пиковой нагрузке, и стоимость входа от этого меняется в разы. Поэтому мы не отправляем конфигурации, пока не зафиксируем с заказчиком реальные параметры.

 — Расскажите о практике вашей компании.

 — Мы развиваем платформу LANDEV AI, оркестрационный слой для корпоративного ИИ. Внутри собрано всё, что нужно для промышленной работы с языковыми моделями: единая точка безопасного доступа к ним, контроль расхода токенов, гардрейлы, которые не выпускают наружу персональные данные, готовый RAG-конвейер для корпоративных баз знаний и конструктор агентов, где ассистент собирается под задачу без разработки с нуля. Поверх платформы делаем заказную разработку под конкретный процесс клиента.

Подход выработался простой: сначала стадия исследования задачи и понимания бизнес-процесса, затем пилот с ограниченным функционалом и согласованными метриками, и только после него – масштабирование. Из публичных результатов могу назвать ассистента инженера техподдержки, который сократил время ответа на запросы крупного банка на 29 %, и проект автоматизации документооборота, где ручной ввод данных сократился на 80 %. Отдельная практика – это RFI (запрос информации) регулируемых заказчиков: там побеждает честная матрица соответствия, а любое приукрашивание вскрывается на первой же демонстрации.

 — Ваше видение развития тренда на использование бизнесом ИИ.

 — Тренд движется по двум осям: от чат-ботов к агентам, которые доводят задачу до результата, и от зоопарка точечных инструментов к единому платформенному слою, потому что содержать десяток несвязанных пилотов компании устали. Параллельно меняется сам разговор с заказчиком. Ещё год назад обсуждали, что ИИ умеет, теперь обсуждают, какой эффект он даёт и как этот эффект измерить. Это здоровый сдвиг: технология перестала быть экспериментом и превратилась в рабочий инструмент, с которого спрашивают, как с любого другого: за результат, надёжность и цену этого результата.

 — Большое спасибо за беседу!