Система ИИ — это не «подключили нейросеть», а связка из пяти слоёв: данные, модель, оркестрация задач, интеграции с учётными системами и контроль качества. Внедрение начинается с аудита: где процесс ест часы и какие данные для него есть. Дальше — один пилотный сценарий на 2–4 недели, тестовый набор из реальных кейсов, метрики качества до запуска. Облако или свой сервер выбирают по данным: чувствительное — только в свой контур. Стоимость складывается не из модели (она дешёвая), а из интеграций, подготовки данных и контроля качества — на них закладывают 60–70% бюджета. Работающая система отличается от демо ровно одним: у неё есть метрики и владелец, который следит за ними после запуска.
Что считается системой ИИ
Нейросеть, которая отвечает сотруднику в чате, — это инструмент. Системой она становится, когда умеет три вещи: работать с данными компании (а не с общими знаниями из интернета), действовать в учётных системах (а не только отвечать текстом) и держать качество под контролем (а не удивлять в продакшене).
Типовая архитектура из пяти слоёв:
| Слой | Что там | Без чего не взлетит |
|---|---|---|
| Данные | Документы, базы, справочники, история операций | Чистые примеры для тестов; порядок в правах доступа |
| Модель | LLM (облачная или локальная), CV, прогнозные модели | Выбор по задаче и бюджету, а не по хайпу |
| Оркестрация | Маршруты задач, RAG-поиск по базе знаний, память | Ограничение прав: модель делает только разрешённое |
| Интеграции | CRM, 1С, почта, мессенджеры, склад | API и ответственные с обеих сторон |
| Контроль | Тестовые наборы, метрики, эскалация на человека | Пороги качества и регламент ревизии |
Из чего собирается средний слой — отдельная тема про базу знаний для ИИ: именно RAG-поиск по вашим документам превращает общую модель в систему, которая отвечает по вашим правилам и цитирует источник.
Классы систем и типовые задачи
LLM-системы и ассистенты. Работа с текстом: поддержка клиентов, внутренний помощник по регламентам, обработка заявок, черновики документов. Самый быстрый класс для старта — модель готовая, работа в основном с интерфейсом и данными. Частный случай — внутренние ИИ-ассистенты для сотрудников.
Компьютерное зрение. Контроль качества на линии, учёт товаров по фото с полки, безопасность на объекте. Дороже: нужны камеры, разметка данных, обучение под конкретный объект. Реальные кейсы с цифрами — в подборке ИИ на производстве в России.
Прогнозные модели. Спрос, загрузка, поломки, отток клиентов. Это не LLM, а классический ML на вашей истории: эффект большой, но требование к данным жёсткое — год и больше чистой истории по процессу. Примеры: прогнозирование спроса, предиктивное обслуживание, churn-предсказание.
Отраслевые связки. Антифрод в финтехе, динамическое ценообразование в e-commerce, контроль выкладки в ритейле. Как правило, комбинация классов под конкретный процесс.
Облако или свой сервер
Критерий один — что с данными. Если в запросах к модели нет персональных данных и коммерческой тайны, облако быстрее и дешевле: платите за токены, железо не покупаете. Российские контуры — YandexGPT и GigaChat, с ними проще с точки зрения локального законодательства и оплаты.
Свой сервер берут в трёх случаях: персональные данные не должны покидать контур, объёмы запросов делают API дороже железа, нужна глубокая донастройка open-source модели. Порог входа — сервер с GPU, инженерия и ответственность за эксплуатацию; полный разбор с бюджетами — в статье про внедрение ИИ на своём GPU. Рабочий компромисс — гибрид: чувствительное обрабатывается локально, остальное уходит в облако.
Отдельно про 152-ФЗ: требования к персональным данным закладываются в архитектуру на этапе аудита, а не прикручиваются после запуска — переделка дороже проектирования в разы.
Этапы внедрения и сроки
- Аудит процессов и данных (3–5 дней). Где процесс ест часы, какие данные есть, что с безопасностью. Выход — карта внедрения с приоритетами и оценкой эффекта.
- Выбор пилота и метрик (2–3 дня). Один сценарий, критерии успеха в цифрах: доля правильных ответов, время обработки, экономия часов. Без этого этапа вы никогда не узнаете, работает система или нет.
- MVP сценария (2–4 недели). Рабочая система на реальных данных с тестовым набором из 50–100 кейсов. Замер метрик до запуска.
- Интеграции и обкатка (1–2 месяца). Связка с CRM и 1С, роли и права, месяц работы рядом с человеком с логом ошибок и еженедельными правками.
- Запуск и сопровождение (постоянно). Прогон тестов раз в 1–2 месяца, дообучение, расширение на соседние процессы.
Про локальную специфику — как это выглядит в проекте для промышленного региона, писали в разборе разработки ИИ-систем в Липецке.
Из чего складывается стоимость
Частое заблуждение: главная статья расходов — модель. На деле лицензия или API — десятая часть сметы. Реальное распределение бюджета типичного проекта:
| Статья | Доля сметы | Что там |
|---|---|---|
| Подготовка данных | 25–35% | Сбор, чистка, разметка, структура базы знаний |
| Разработка и интеграции | 30–40% | Сценарии, связи с CRM/1С, права доступа |
| Контроль качества | 15–20% | Тестовые наборы, метрики, эскалации |
| Модель (API/лицензия) | 5–15% | Токены, подписки, лицензии |
| Инфраструктура | 5–15% | Сервер, GPU, хостинг — если не облако |
Вилки по классам: LLM-система на одном сценарии — 150–400 тыс. ₽; система с интеграциями — 400–800 тыс. ₽; CV или прогнозные модели на своих данных — от 1 млн ₽. Где резать смету, а где категорически нельзя (спойлер: на контроле качества) — в статье про экономию на внедрении ИИ.
Метрики: чем мерить, что система работает
Три группы метрик закладываются до запуска:
- Качество. Доля правильных ответов на тестовом наборе, доля эскалаций на человека, доля отказов «не знаю». Пороги задаёте вы: для бухгалтерской справки и для ответа клиенту они разные.
- Скорость и объём. Время обработки единицы (заявки, документа), поток в день, доля рутины, снятой с людей.
- Деньги. Стоимость обработки единицы до и после, срок возврата инвестиций. Формула и примеры — в разборе окупаемости ИИ.
Система без метрик после запуска тихо деградирует: данные меняются, качество ползёт вниз, пользователи уходят обратно в Excel. Ревизия раз в 1–2 месяца — не опция, а эксплуатация.
С чего начать
Не с выбора модели — она почти никогда не является узким местом. Начните с процесса: выберите задачу, где рутина ест заметные часы, данные в приличном состоянии, а ошибку можно поймать до того, как она уйдёт клиенту. Если сомневаетесь в выборе — разбор критериев в статье про точку входа внедрения ИИ, а полный цикл от аудита до регламента — в пошаговом плане внедрения. Внедрение систем ИИ окупается тогда, когда решает измеримую задачу, а не когда красиво звучит в презентации.
Комментарии · 0