Статья
Как бизнес использует генеративный ИИ и LLM
Генеративный ИИ помогает работать с текстами, знаниями и другими видами контента. Разберём примеры компаний, отличие языковой модели от ИИ-агента и вопросы, которые стоит проверить на пилоте перед внедрением.

Генеративный ИИ, LLM и приложение: в чём разница
Генеративный искусственный интеллект создаёт контент: текст, изображения, аудио или видео. Большая языковая модель, или LLM, работает с языком — например, готовит текст, краткое изложение или ответ на вопрос. Языковые возможности могут входить и в мультимодальную систему, которая обрабатывает разные типы данных.
Приложение связывает модель с интерфейсом, данными, правилами и рабочим процессом. Поэтому качество отдельного ответа ещё не описывает качество всего решения. Важно, откуда получены сведения, кто их видит и что происходит после генерации. Базовые определения собраны в глоссарии Google Cloud.
Для бизнеса отправная точка — конкретная задача. Нужно ли найти документ, подготовить черновик, извлечь сведения из обращения или выполнить разрешённое действие в системе? Эти сценарии требуют разного устройства приложения и разных проверок.
Какие задачи можно рассматривать
Частые кандидаты для исследования — работа с информацией и подготовка материалов:
- поиск по инструкциям и внутренним документам с указанием источника;
- подготовка ответа клиенту, который проверяет сотрудник;
- краткое изложение встречи или большого документа;
- извлечение полей из текста для последующей проверки;
- создание черновиков описаний, писем и других материалов;
- помощь разработчику с кодом и технической документацией.
Для каждой задачи определите получателя результата и условия его использования. Например, черновик письма проходит согласование, а извлечённый номер заказа сверяется с учётной системой. Формулировка «внедрить LLM во всю компанию» не задаёт такого результата.
Прогнозирование спроса, поиск аномалий и распознавание изображений также относятся к задачам ИИ, но генерация текста может быть лишь частью решения. Для таких AI/ML-проектов выбирают метрики под конкретную задачу. Обоснованность числового прогноза нужно проверять отдельно от убедительности его объяснения.
Как компании применяют эти возможности
Ниже — датированные примеры из публичных сообщений компаний и их технологических партнёров. Они показывают состав сценария, а не гарантированный эффект для другого бизнеса. Это не проекты Firecode и не сравнение актуальных версий продуктов.
Morgan Stanley: материалы для сотрудников и итоги встреч
В сообщении от 26 июня 2024 года Morgan Stanley описала Debrief: с согласия клиента инструмент готовит заметки по встрече, выделяет дальнейшие действия и создаёт черновик письма, который сотрудник может отредактировать и отправить. Там же компания напомнила о запуске внутреннего Assistant в сентябре 2023 года для доступа к корпоративным материалам.
Здесь полезно обратить внимание на рабочий процесс: согласие на обработку встречи, подготовку материалов и решение сотрудника об отправке. Из этого примера не следует, что модель самостоятельно принимает финансовые решения или даёт безошибочные рекомендации.
Walmart: помощь с документами и контентом
В материале Microsoft от 9 января 2024 года описан My Assistant, созданный Walmart для сотрудников. Среди задач — краткое изложение длинных документов и помощь в подготовке нового контента.
Для похожего сценария в своей компании стоит проверить, какие документы разрешено использовать, что должно сохраняться в итоговом тексте и кто проверяет результат. Чужой пример применения не определяет нужную модель, стоимость или качество на ваших данных.
Siemens: помощь в инженерной работе
В релизе от 24 октября 2024 года Siemens описала Industrial Copilot для инженерных задач, включая генерацию кода и поддержку работы с документацией. Это пример интеграции генеративного ИИ в специализированную среду.
При переносе идеи на другой продукт нужно учитывать предметную область, инструменты и проверку изменений. Полученный код должен пройти принятые в проекте проверки; опубликованные поставщиком показатели производительности нельзя переносить на собственную команду без измерения.
Как подключают корпоративные знания
Для ответа по внутренним материалам приложение может сначала найти подходящие фрагменты, а затем передать их модели вместе с вопросом. Такой подход называют RAG — генерацией с дополнением найденной информацией.
Практическая задача здесь шире подключения папки с файлами. Нужны владельцы источников, правила обновления и удаления документов, разграничение доступа и способ показать, на какие материалы опирается ответ. Если сведений недостаточно, приложение должно корректно обозначить это пользователю.
Найденный фрагмент не гарантирует правильного ответа. Проверяют и поиск, и сформированный текст: найден ли нужный документ, верно ли понято условие, подтверждает ли ссылка вывод. Для такого сценария можно обсудить корпоративный поиск и работу с документами.
Чем LLM отличается от ИИ-агента
LLM — компонент, который обрабатывает запрос и формирует ответ. ИИ-агент — приложение, которое использует модель и инструменты для выполнения задачи. Инструментом может быть, например, разрешённый вызов API.
Для сценария с действиями опишите, какие операции доступны и кто их подтверждает. Подготовить текст ответа и изменить запись в CRM — разные результаты. Проверка должна показать, выполнено ли действие, что записано в журнал и как система обрабатывает ошибку или повтор запроса.
Если задача требует действий в нескольких системах, предметом обсуждения становится разработка и интеграция ИИ-агента. Если нужен поиск по знаниям или подготовка текста, состав решения может быть проще. Выбор определяется процессом и допустимыми действиями.
Что проверить до пилота
Выберите ограниченный сценарий с понятным владельцем и измеримым результатом. Опишите входные данные, пользователей, доступные системы и условия, при которых ответ или действие считаются корректными.
Подготовьте примеры обычных запросов, редких случаев и ошибок. Полезны ситуации, когда нужного документа нет, источники противоречат друг другу, пользователь не имеет доступа или внешняя система недоступна. Оцените, как участник процесса продолжит работу при отказе приложения.
Отдельно согласуйте размещение и обработку данных, ограничения доступа, хранение запросов и ответственность за проверку результата. В профиле рисков генеративного ИИ NIST рассматриваются, в частности, правдоподобные ошибочные ответы и риски для конфиденциальности. Это основание проверять систему на своей задаче; документ не является гарантией качества конкретного продукта.
Необязательно начинать с обучения собственной модели. Сначала стоит выяснить, хватает ли готовых возможностей, правил приложения и подключения нужных данных. Решение о дополнительной настройке принимают по результатам проверки.
Как оценить результат и стоимость
Критерии зависят от сценария. Для поиска по знаниям важны подтверждённость ответа и соблюдение прав доступа. Для извлечения данных — корректность нужных полей. Для агента — правильность разрешённого действия и обработка отказов. Для черновика — объём исправлений и пригодность к дальнейшей работе.
Сравнивайте процесс до пилота и во время него на сопоставимых задачах. Учитывайте время на проверку сотрудником, ошибки, задержку и стоимость обработки запроса. Расходы включают не только использование модели, но и подготовку данных, интеграции, оценку качества и сопровождение.
Заранее определите, при каком результате продолжать работу, что нужно доработать и когда сценарий следует пересмотреть. Успешная демонстрация на нескольких удобных примерах ещё не подтверждает готовность к эксплуатации. Универсальный процент экономии или срок окупаемости без данных конкретного процесса оценить нельзя.
Как выбрать следующий шаг
Начните с описания процесса: кто выполняет работу, какие материалы использует и где возникает затруднение. Затем определите ближайший проверяемый результат и подходящую модель участия.
Если нужно выбрать процессы и границы пилота, можно обсудить AI-трансформацию. Для поддержки клиентов с передачей сложных вопросов оператору — разработку чат-бота. Поиск по корпоративным материалам и интеграция действий имеют свои страницы и состав работ.
Расскажите о задаче: какие данные и системы уже есть, кто будет пользоваться результатом и как вы планируете его проверять. Это поможет предметно обсудить пилот без обещаний эффекта до проверки.