От техногигантов до инфлюенсеров: кто ведет игру на рынке генеративного ИИ в России

С возрастающим спросом на технологии генеративного ИИ на рынке возникает все более четкая градация компаний, которые стимулируют инновации в бизнес-среде. Интерес к новой технологии проявляется у многих игроков из разных отраслей, но не все располагают достаточной экспертизой и инфраструктурой для того, чтобы начать ее внедрение. О том, как GPT-революция разделила игроков на рынке и какие факторы замедляют внедрение генеративного ИИ, рассказывает директор по развитию бизнеса Just AI Светлана Захарова Ключевые типы компаний и их роль Вендоры. Первый тип игроков на рынке генеративного ИИ — это техногиганты, компании-лидеры, которые обладают необходимой экспертизой, большими объемами данных и инфраструктурой для разработки и поставки ИИ-моделей. Такие компании напрямую влияют на формирование тенденций развития технологий — они занимаются не только разработкой, но и предоставлением удобного доступа к ним другим игрокам, создавая вокруг себя инновационный кластер, в котором растут новые стартапы и направления в области генеративного ИИ. Например, "Яндекс" и "Сбер" предоставляют API своих LLM (Large language model, большая языковая модель) компаниям, чтобы те могли внедрять их в собственные продукты и сервисы. Подобные инициативы способствуют не только прогрессу в отрасли, но и созданию целой экосистемы в области ИИ. Разработчики. Ко второму типу игроков относятся компании — разработчики продуктов на основе генеративного ИИ. Эти компании не располагают ресурсами для создания LLM с нуля, но обладают экспертизой и решениями, позволяющими упаковать базовую технологию в эффективное решение для бизнеса. Например, компания "Битрикс24″ интегрировала GigaChat и YandexGPT в свои CRM-системы для упрощения коммуникации с клиентами. ИИ-инфлюенсеры. У этих компаний нет ресурсов на разработку технологий, но есть четкое видение процесса внедрения и ответы на главные вопросы бизнеса: "Нужен ли мне ИИ?", "С чего начать внедрение?", "Какую ценность принесет ИИ?", "Как измерить эффективность?" и т. п. Похожий путь бизнес проходил в начале 1990-х, на заре появления продуктов Microsoft в России. Тогда большое количество компаний было заинтересовано во внедрении инновационного софта, и на этом фоне стали формироваться организации, которые эту потребность закрывали. Просвещением на тему генеративного ИИ в бизнес-сообществе сегодня занимаются консалтинговые агентства, например "Яков и партнеры", а также эксперты по автоматизации или цифровизации бизнеса — всех их можно отнести к категории ИИ-инфлюенсеров. Компании-потребители. Это категория компаний, которые используют базовые технологии вендоров, решения или продукты разработчиков и экспертизу консалтеров для того, чтобы повысить свою эффективность и конкурентоспособность. Одни это делают за счет придания дополнительной ценности своим продуктам, которые прокачивают с помощью генеративного ИИ, другие — за счет внедрения новых технологий в существующие бизнес-процессы, повышая их эффективность. Гармоничное сосуществование этих подходов способствует созданию инновационных продуктов и услуг, отвечающих нарастающим требованиям и ожиданиям потребителей. Все компании из перечисленных категорий двигают отечественный рынок ИИ вперед, и скорость принятия генеративного ИИ невероятно высокая, чего, к сожалению, нельзя сказать про скорость внедрения. Лидирующие позиции на рынке займут те, кто преодолеет основные барьеры, связанные с внедрением. Что мешает внедрению Во-первых, недостаток понятных кейсов с измеримым ROI и метриками эффективности. ЛПР и инвесторы не могут четко оценить потенциальную отдачу от инвестиций в эту область. Рынок еще слишком незрелый, и большинство компаний боятся "обжечься", а потому ждут появления кейсов других игроков. Во-вторых, вопросы безопасности данных. После нескольких крупных скандалов из-за утечек чувствительной информации в ChatGPT стало ясно, что применение LLM чревато определенными рисками для кибербезопасности — как личной, так и корпоративной. А так как использование моделей топовых вендоров возможно только через облако, встает вопрос о том, как обеспечить безопасность данных и исключить передачу конфиденциальных данных в LLM. В-третьих, неготовность внутренних процессов или данных к интеграции в решения на основе генеративного ИИ. Самым показательным кейсом этой проблемы является внедрение ИИ в базы знаний. В такой базе обычно хранится описание процессов компании, регламенты, инструкции или документация на различные продукты и сервисы. С помощью ИИ сотрудники хотят быстро получать ответы на вопросы и решать свои задачи. Но при проверке актуальности такой базы в большинстве случаев значительная часть информации оказывается устаревшей, а документы требуют чистки и обновления. Эта проблема даже привела к появлению новой позиции — "Руководитель базы знаний", который будет отвечать за цифровизацию бизнеса за счет ИИ. Стратегии безопасного внедрения Активное внедрение генеративного ИИ в различных отраслях сможет ускориться, когда компании решат ключевые из вышеупомянутых проблем — недостаток кейсов и обеспечение безопасности проблемы. И если первая — вопрос времени и практики, то как решать вторую? Для компаний, которые хотят быть уверенными в том, что оперируемые в LLM данные не уйдут вовне, существует два пути. Дообучение open-source модели на собственных датасетах и установка в контур. Этот путь довольно затратный и сложный с точки зрения технической подкованности. Так как модели с открытым исходным кодом не такие мощные, как коммерческие, компании требуется собрать и дообучить LLM на качественных датасетах, чтобы извлекать из них пользу в будущем. Поэтому наличие сильной команды и ресурсов для дообучения модели играет ключевую роль. Установка системы маскирования данных. Пожалуй, самый доступный вариант. Такой инструмент устанавливается в контур компании и позволяет использовать любую LLM через API, исключая попадание конфиденциальных данных в облако вендора. Принцип работы системы маскирования заключается в анализе чувствительной информации и замене ее на вымышленную. Важно отметить, что при этом сохраняется семантическая целостность всех передаваемых данных. Подобными инструментами пользуются несколько крупных представителей финтех-отрасли и ретейла. Также существует вариант разработки собственной LLM с нуля. Но с текущим уровнем технологий этот путь доступен единицам компаний по всему миру, поэтому серьезно рассматривать его не стоит. Заключение Рынок осознает реальный потенциал генеративного ИИ, и именно поэтому государство выделяет субсидии на разработку и исследования в этой области, гранты на развитие стартапов. Зачастую пиар LLM опережает их фактическую ценность для бизнеса. Недостаток данных, аналитики и понятных KPI может привести к разочарованию в технологии. В таком контексте важно понимать, что хотя нейросети непрерывно развиваются и демонстрируют все новые возможности, успех от их внедрения зависит от грамотно выстроенных бизнес-процессов и выбора надежных партнеров, которые станут проводниками в мир ИИ. Ссылка на источник