Внедрение нейросетей в бизнес: когда нужна своя модель, а когда нет
ИИ, машинное обучение, нейросеть, LLM — что чем является. Шесть ступеней адаптации модели с ценой и сроком каждой, правило выбора и признаки, по которым видно: нейросеть здесь не нужна.
Внедрение нейросети — это выбор одной из шести ступеней адаптации модели под вашу задачу: от промпта за неделю до обучения собственной модели за год и десятки миллионов рублей. В девяти случаях из десяти, которые я разбирал, компании выбирали ступень выше необходимой и платили за это сроком, а не качеством. Ниже — терминология без тумана, цена и срок каждой ступени, правило выбора и признаки, по которым видно: нейросеть здесь не нужна вообще.
ИИ, нейросеть, разработка: что чем является
Искусственный интеллект — это зонтичный термин для систем, которые решают задачи, требующие от человека рассуждения или восприятия. Машинное обучение — это подмножество ИИ, где правила не пишут руками, а выводят из данных. Нейросеть — это один из способов машинного обучения, основанный на слоях весов, а LLM (большая языковая модель) — это частный вид нейросети, обученный предсказывать следующий фрагмент текста.
Иерархия строгая: ИИ ⊃ машинное обучение ⊃ нейросети ⊃ LLM. Поэтому фраза «мы внедрили ИИ» не говорит ни о чём, а фраза «мы дообучили LLM на 40 тысячах закрытых заявок» говорит о бюджете, сроке и рисках.
| Слой | Что это | Типовая бизнес-задача | Нужны ли нейросети |
|---|---|---|---|
| Искусственный интеллект | Зонтик над всем, включая правила и оптимизацию | Любая — от расписания до диалога | Не обязательно |
| Машинное обучение | Модель выводит закономерность из данных | Прогноз спроса, отток, скоринг | Часто достаточно градиентного бустинга |
| Нейросети | Многослойные модели, обучаемые градиентом | Зрение, речь, сложные последовательности | Да |
| LLM | Языковая нейросеть, работает с текстом и кодом | Тексты, извлечение данных, ассистенты | Да, но чаще готовая, а не своя |
Генеративный ИИ и предиктивная аналитика — это разные проекты
Генеративный ИИ создаёт новый объект: текст, изображение, речь, код, черновик документа. Предиктивная аналитика даёт число или класс: вероятность оттока, прогноз выручки, оценку риска. Это две разные ветки с разной экономикой, разными данными и разными метриками приёмки.
- Генеративная задача измеряется долей результатов, принятых человеком без правок, и экономией времени на единицу документа.
- Предиктивная задача измеряется точностью, полнотой и деньгами на ошибке первого и второго рода — сколько стоит ложная тревога и сколько стоит пропуск.
- Смешивать их в одном пилоте — самый быстрый способ получить проект, у которого нет критерия успеха.
Ко мне приходят с формулировками прямо из поиска: «внедрение нейросети», «нейросеть — ИИ — проект», «ИИ Алиса нейросеть создать проект», «ИИ проект нейросеть бесплатно». За ними стоят три разных намерения: посмотреть, что вообще умеет технология; собрать демо на выходных; изменить экономику конкретного процесса. Третье намерение — единственное, ради которого стоит тратить бюджет. Первые два решаются за вечер в браузере и к внедрению отношения не имеют.
Самый дорогой разрыв в компании — когда в брифе написаны слова «проект», «нейросеть», «AI», а под ними у финансового директора, ИТ-директора и владельца процесса три несовместимые картины результата. Пока эти три картины не сведены в один документ на страницу, любая смета — фантазия.
Когда нейросеть не нужна вообще
Нейросеть не нужна, если задача детерминирована, данных мало или объяснимость важнее качества. В этих случаях правильный ответ — регламент, справочник правил или классическая регрессия, и он дешевле нейросетевого в 5–20 раз по стоимости владения. Я говорю это клиентам до того, как берусь за проект, потому что отказ от лишней технологии — это тоже результат работы советника.
- Правила известны и их меньше сотни: тарифы, скидочные матрицы, маршрутизация по регионам.
- Данных меньше нескольких тысяч размеченных примеров и новых не появится.
- Решение нужно объяснять регулятору или клиенту по пунктам.
- Процесс запускается 5–10 раз в месяц: экономия времени не покроет поддержку.
- Настоящая проблема — грязный справочник номенклатуры, а не отсутствие модели.
- Вход — свободный текст, скан, речь или изображение, а не заполненная форма.
- Операция повторяется сотни или тысячи раз в месяц.
- Правил слишком много, чтобы их выписать, но примеров достаточно, чтобы показать.
- Ошибку ловит проверяющий контур, и цена ошибки конечна.
- Скорость ответа влияет на выручку: заявка, ответ клиенту, срок КП.
Классический сценарий: компания заказывает нейросеть для прогноза продаж, платит за неё как за исследовательский проект, а на приёмке выясняется, что линейная модель на тех же данных даёт разницу в пределах погрешности. Разница в цене — обычно раз в десять. Прежде чем считать бюджет модели, стоит посмотреть структуру сметы и формулу расчёта эффекта — иногда после этого проект просто закрывается, и это лучший исход.
Лестница адаптации: от промпта до обучения с нуля
Существует шесть ступеней адаптации нейросети под задачу компании, и они различаются по сроку в 50 раз, а по бюджету — в сотни раз. Правило простое: начинать всегда с самой нижней ступени и подниматься только тогда, когда упёрлись в измеренный потолок качества, а не в ощущение «хочется своё». Ниже — вилки, которые я вижу на российском рынке для компаний среднего и крупного бизнеса.
| Ступень | Что делает | Срок до рабочего результата | Порядок бюджета | Когда выбирать |
|---|---|---|---|---|
| Промпт | Инструкция готовой модели на естественном языке | 1–2 недели | Десятки тысяч ₽ | Задача формулируется словами, знания общедоступны |
| Few-shot | Промпт плюс 5–50 эталонных примеров | 2–3 недели | Сотни тысяч ₽ | Нужен стабильный формат и стиль ответа |
| RAG | Модель отвечает по вашей базе знаний, а не по памяти | 4–10 недель | 1–4 млн ₽ | Ответ зависит от внутренних документов |
| Fine-tuning | Лёгкая настройка весов на 1–50 тыс. примеров | 6–14 недель | 2–8 млн ₽ | Формат и терминология не держатся промптом |
| Дообучение | Продолженное обучение на большом корпусе отрасли | 3–9 месяцев | 10–40 млн ₽ | Свой язык, свои сущности, объём данных в миллионах документов |
| Обучение с нуля | Своя модель с чистого листа | от 12 месяцев | от 50 млн ₽ и выше | Модель — сам продукт компании или жёсткий запрет на внешние веса |
Промпт и few-shot: первые две недели
На этих ступенях нейросеть не меняется — меняется постановка задачи. Здесь закрывается, по моим наблюдениям, от половины до двух третей заявок, с которыми ко мне приходят как за «своей моделью». Стоимость входа низкая, поэтому именно тут надо проверить гипотезу: приносит ли автоматизация этого процесса деньги вообще.
RAG: когда ответ живёт в ваших документах
RAG — это схема, при которой перед ответом система находит релевантные фрагменты вашей базы и передаёт их модели как контекст. Это правильный ответ на 80% корпоративных задач «нужна нейросеть, которая знает нашу специфику»: знания обновляются без переобучения, и видно, из какого документа взят ответ. Именно на этой ступени начинается настоящая интеграция с 1С, CRM и корпоративным хранилищем, и именно здесь чаще всего срывается срок — не из-за модели, а из-за прав доступа к данным.
Fine-tuning и дообучение: только против измеренного потолка
Fine-tuning оправдан, когда модель понимает задачу, но систематически ошибается в форме: путает структуру документа, не держит терминологию, сбивается на редких типах запросов. Дообучение на большом корпусе имеет смысл при своём профессиональном языке и объёме данных от сотен тысяч документов. Обе ступени требуют повторяемого замера качества до и после — без него вы платите за ощущение прогресса.
Обучение с нуля: почти никогда
Своя модель с нуля обоснована в двух ситуациях: модель и есть продукт, который вы продаёте, либо контур закрыт настолько, что внешние веса запрещены политикой безопасности. За последние годы я не видел ни одного случая в несырьевом среднем бизнесе, где эта ступень окупилась бы против арендованной модели. Если решение всё-таки за ней, разбирать надо не бюджет модели, а архитектуру, стек и состав команды целиком.
- Подниматься на ступень выше, не имея числового замера качества на текущей.
- Заказывать fine-tuning, когда база знаний ещё не собрана и не почищена.
- Считать, что своя модель снимает вопрос данных, — она его удваивает.
- Выбирать ступень по презентации подрядчика, а не по цене ошибки в вашем процессе.
Разберу вашу задачу и скажу, на какой из шести ступеней она решается: чаще всего это промпт или RAG вместо предложенного вам обучения модели. Разница в бюджете — обычно порядок.
Внедрение нейросетей в рабочие процессы: три сценария
Внедрение нейросетей в рабочие процессы сводится к трём сценариям: ассистент сотрудника, автоматический контур и скрытая модель внутри продукта. Они отличаются не технологией, а тем, кто отвечает за результат и где стоит человек. Выбор сценария определяет и бюджет, и требования к качеству: ассистенту прощают ошибку, автоматическому контуру — нет.
Нейросеть готовит черновик, человек принимает решение. Порог качества — 70–85%, потому что ошибку ловит тот же сотрудник. Окупается на объёме рутины: подготовка КП, письма, выжимки из документов, первичный разбор обращений. Быстрее всего запускается и быстрее всего показывает эффект в часах.
Нейросеть выполняет шаг процесса без человека: классифицирует обращение, извлекает поля из документа, ставит задачу в системе. Порог качества — от 95%, обязателен процент передачи спорных случаев человеку. Именно здесь появляется агентная логика с инструментами и правами — тема отдельного разговора.
Клиент не видит нейросеть, но пользуется её результатом: ранжирование, подсказки, проверка заявки, автоперевод. Требования к латентности и стабильности максимальные, зато эффект считается прямо в конверсии и удержании. Это единственный сценарий, где обучение своей модели встречается регулярно.
Цифры выше — диапазоны из проектов, которые я видел, а не отраслевая статистика. Точные значения зависят от чистоты данных и от того, насколько формализован процесс до автоматизации. Если процесс не описан, нейросеть не автоматизирует его, а зафиксирует беспорядок в новом виде — об этом подробнее в материале про выбор первого процесса на языке P&L.
Мультимодальность: текст, речь, зрение, документы
Мультимодальность — это способность одной модели работать с несколькими типами входа: текстом, речью, изображением и структурой документа. Для бизнеса это означает, что распознавание и осмысление сливаются в один шаг: скан договора можно не «оцифровывать», а сразу спрашивать. Зрелость модальностей разная, и планировать сроки надо по самой слабой из них.
| Модальность | Что решает | Зрелость | Типовая ошибка |
|---|---|---|---|
| Текст | Извлечение, классификация, черновики, ответы по базе | Высокая | Отсутствие эталонной выборки для приёмки |
| Документы | Счета, акты, договоры, спецификации, таблицы в сканах | Высокая на типовых, средняя на сложных таблицах | Не заложен контур сверки сумм и реквизитов |
| Речь | Расшифровка звонков, контроль скриптов, диктовка | Высокая для чистого аудио | Не учтён шум цеха, диалект, наложение голосов |
| Зрение | Контроль качества, пересчёт, охрана труда, дефекты | Средняя, сильно зависит от съёмки | Съёмка не стандартизирована, разметки нет |
Данные: без чего разработка нейросетей и внедрение не начинаются
Требования к данным жёстче, чем ожидает большинство заказчиков: нужен не «архив за десять лет», а размеченная выборка нужного качества и репрезентативности. Для fine-tuning под узкую задачу в проектах, которые я видел, хватало 1–5 тысяч выверенных примеров; для дообучения на отраслевом корпусе счёт идёт на сотни тысяч документов. Разработка нейросетей, внедрение и поддержка — три разные строки сметы, и первая из них почти всегда упирается в подготовку данных.
- Эталонная выборка. 200–500 примеров с правильным ответом, отобранных владельцем процесса, а не подрядчиком. Это будущая приёмка.
- Репрезентативность. В выборке есть редкие и «плохие» случаи в той же пропорции, что в жизни, иначе модель отлично работает на демо и рассыпается в бою.
- Разметка одним стандартом. Два разметчика на одних и тех же примерах должны сходиться минимум в 90% случаев, иначе спорить будет не о чем.
- Право на использование. Персональные данные, коммерческая тайна, договоры с клиентами — контур определяется до выбора модели, а не после.
- Свежесть. Данные старше двух-трёх лет для процессов, которые изменились, вреднее, чем их отсутствие.
Собрать эталонную выборку силами двух опытных сотрудников за 3–5 рабочих дней до старта проекта. Это самая дешёвая инвестиция во всём внедрении: она превращает спор «нравится/не нравится» в число и позволяет сравнивать ступени лестницы между собой честно.
За одну встречу разберём, что у вас есть в CRM, почте и документах, и можно ли на этом строить нейросеть — или сначала нужен другой шаг.
Дрейф: почему нейросеть, которая работала, перестаёт работать
Дрейф — это падение качества модели со временем из-за того, что меняются данные, процесс или сама внешняя модель. Он проявляется не отказом, а тихим ростом доли неправильных ответов, которые никто не считает. В проектах, где мониторинга не было, к третьему-шестому месяцу доля ручных правок возвращалась почти к исходной, и сотрудники просто переставали пользоваться системой.
- Зафиксировать базовую линиюЗамерить качество на эталонной выборке в день запуска и записать число в акт. Без этой точки любой спор через полгода бессмысленен.
- Считать долю правокЛогировать, сколько ответов сотрудник принял без изменений, сколько поправил, сколько отбросил. Это главная метрика живого контура.
- Перепроверять раз в месяцПрогонять ту же эталонную выборку и сравнивать с базовой линией. Падение более чем на 5–10 процентных пунктов — сигнал к разбору.
- Отслеживать смену версии моделиОбновление внешней модели меняет поведение промптов. Версия должна быть закреплена, а переход — проверен на выборке до переключения.
- Пополнять выборку из практикиКаждый спорный случай из работы добавляется в эталон. Через полгода это ваш главный актив, дороже самой модели.
Модель — не оборудование, которое купили и амортизируют. Это процесс, у которого есть владелец, метрика и регламент проверки. Нет владельца — нет и эффекта через полгода.Владимир Герасимов
Бюджет, бесплатные варианты, курсы и специалисты по внедрению нейросетей
Бесплатные и подписочные инструменты закрывают исследование и личную продуктивность, но не закрывают процесс с ответственностью за результат. Граница проходит там, где появляются права доступа, журналирование, SLA и приёмка по числу. Ниже — разбор по типам запросов, с которыми чаще всего приходят.
Можно ли собрать ИИ-проект на нейросети бесплатно
Да — на уровне демо и личной работы сотрудника. Бесплатные тарифы моделей, открытые веса и локальный запуск на своей видеокарте позволяют проверить гипотезу без бюджета. Универсальный ИИ, нейросеть для создания проектов любого типа, — маркетинговая упаковка: ни один такой сервис не возьмёт на себя ответственность за ваш процесс. Сервисы-агрегаторы, которые ищут запросами вроде «Begemot AI нейросеть для проектов», решают задачу доступа к моделям, а не задачу встраивания в процесс с правами и логами.
Отдельная категория — потребительские ассистенты. ИИ «Алиса», нейросеть в браузере, чат в мессенджере — создать проект уровня компании они не помогают: у них нет доступа к вашим системам, нет журналирования и нет контура безопасности. Для домашней задачи это отличный инструмент, для внедрения — нет.
Внедрение нейросети: курс, консультация или проект
Курс по внедрению нейросети решает задачу подготовки людей, а не задачу процесса. Он оправдан, когда в компании есть аналитик или продуктолог, который дальше будет вести направление сам. Если решение нужно к сроку и с ответственностью за качество, курс не заменяет проект — он в лучшем случае сокращает сроки согласований, потому что заказчик начинает говорить с подрядчиком на одном языке.
Специалисты по внедрению нейросетей: кто нужен на самом деле
Минимальный состав — четыре роли: владелец процесса со стороны бизнеса, ML-инженер, интегратор с доступом к вашим системам и человек, отвечающий за постановку задачи и приёмку. Специалисты по внедрению нейросетей без первого и четвёртого дают технически работающую систему, которой никто не пользуется. Подробнее о ролях, зонах ответственности и о том, что нанимать в штат, а что брать снаружи, — в материале про команду и специалистов по ИИ.
Внедрение нейросетей в образование и корпоративное обучение
Внедрение нейросетей в образование внутри компании даёт понятный эффект в двух местах: генерация учебных материалов под роль и проверка практических работ с обратной связью. Здесь важно то же правило приёмки: если модель проверяет работы, нужна эталонная выборка проверенных человеком заданий, иначе система быстро начинает ставить оценки не за содержание. Отраслевую специфику образовательных организаций я в этом материале не разбираю — она в обзоре внедрения ИИ по отраслям.
Помогу выбрать процесс, зафиксировать метрику приёмки и довести внедрение до состояния, в котором эффект виден в отчёте, а не в презентации.
Порядок: как запустить внедрение нейросети в бизнес за 8–12 недель
Рабочая последовательность одинакова для всех трёх сценариев и укладывается в 8–12 недель при условии, что выбран один процесс. Ключевая идея: технология выбирается последней, после того как посчитана цена ошибки и собрана эталонная выборка. Разработка нейросетей и внедрение начинаются с бизнес-арифметики, а не с выбора модели.
- Неделя 1. Точка приложенияВыбрать один процесс с объёмом от нескольких сотен операций в месяц и посчитать, сколько стоит час людей на нём и сколько стоит одна ошибка.
- Неделя 2. Эталон и критерийСобрать 200–500 примеров с правильными ответами и записать порог приёмки числом: доля принятых без правок, точность, доля передач человеку.
- Недели 3–4. Нижняя ступеньПроверить задачу на промпте и few-shot. Если порог взят — дальше идти не нужно, это и есть решение.
- Недели 5–8. Данные и контурПодключить базу знаний или системы-источники, закрыть права доступа, собрать RAG-контур и прогнать его на эталонной выборке.
- Недели 9–10. Опытная эксплуатацияЗапустить на реальном потоке с человеком в контуре, считать долю правок ежедневно и собирать спорные случаи в эталон.
- Недели 11–12. Приёмка и регламентСравнить с базовой линией, назначить владельца, зафиксировать периодичность перепроверки и порядок действий при падении качества.
Дальше — либо тиражирование на соседний процесс, либо подъём на следующую ступень адаптации, если потолок качества измерен и упирается именно в модель. Общая логика этапов, контрольных точек и артефактов, включая типовые способы потерять деньги и сроки, подробно разобрана в материале про дорожную карту внедрения.
Мой критерий зрелости простой: если через полгода после запуска в компании есть человек, который каждый месяц называет долю правок в процентах, — внедрение состоялось. Если такого человека нет, у вас не система, а демо, за которое заплатили как за систему.
Частые вопросы
Иерархия строгая: искусственный интеллект — зонтичный термин, машинное обучение — его подмножество, где правила выводятся из данных, нейросеть — один из методов машинного обучения, а LLM — вид нейросети для работы с текстом. Из этого следует практический вывод: фраза «внедрили ИИ» не описывает ни бюджет, ни риск, а фраза «дообучили LLM на закрытых заявках» описывает и то, и другое.
Обычно три разных намерения: посмотреть возможности технологии, собрать демо за вечер или изменить экономику конкретного процесса. Бюджет оправдан только в третьем случае. Первое и второе закрываются готовыми сервисами без проекта и без подрядчика.
На уровне демо и личной продуктивности сотрудника — да: бесплатные тарифы моделей, открытые веса и локальный запуск позволяют проверить гипотезу без бюджета. Как только появляются права доступа, журналирование, SLA и приёмка по числу, бесплатный контур заканчивается. В проектах, которые я видел, граница проходит примерно там, где нейросеть начинает влиять на деньги, а не на удобство.
Промпт и few-shot закрывают, по моим наблюдениям, 60–70% корпоративных задач; RAG нужен, когда ответ зависит от внутренних документов; fine-tuning — когда модель понимает задачу, но систематически ошибается в форме и это доказано замером. Обучение с нуля оправдано в двух случаях: модель и есть продукт компании либо внешние веса запрещены политикой безопасности. Подниматься на следующую ступень без числового замера качества на текущей — самый частый способ переплатить порядок.
Для fine-tuning под узкую задачу в проектах, которые я видел, хватало 1–5 тысяч выверенных примеров; для дообучения на отраслевом корпусе счёт идёт на сотни тысяч документов. Важнее объёма — репрезентативность и единый стандарт разметки: два разметчика должны сходиться минимум в 90% случаев. И до старта нужна эталонная выборка на 200–500 примеров — это будущая приёмка.
Есть три сценария: ассистент сотрудника (человек принимает решение, порог качества 70–85%), автоматический контур (модель выполняет шаг сама, порог от 95% и обязательная передача спорных случаев человеку) и скрытая модель внутри продукта (клиент нейросеть не видит, эффект считается в конверсии). Сценарий выбирается по цене ошибки, а не по технологии.
Это дрейф: меняются данные, процесс или версия внешней модели, и доля неверных ответов растёт тихо, без отказа системы. Лечится регламентом: базовая линия качества в день запуска, ежедневный учёт доли правок, ежемесячный прогон эталонной выборки и проверка перед сменой версии модели. Падение больше чем на 5–10 процентных пунктов — повод разбираться, а не ждать.
Курс по внедрению нейросети готовит людей, но не закрывает процесс: он оправдан, если в компании есть аналитик или продуктолог, который дальше ведёт направление сам. Для результата к сроку нужны четыре роли: владелец процесса со стороны бизнеса, ML-инженер, интегратор с доступом к системам и человек, отвечающий за постановку задачи и приёмку. Без первой и четвёртой ролей получается технически работающая система, которой никто не пользуется.