Горе от интеллекта: как хайп вокруг ИИ вредит IT-продуктам
В 2025 году бизнес потратит на интеграцию искусственного интеллекта $644 млрд. Предпринимателям кажется, что все вокруг что-то оптимизируют и генерируют, поэтому и им нужно срочно куда-нибудь «прикрутить» ИИ. Они вкладываются в разработку новомодных продуктов, но не решают задачи и не видят желаемого роста прибыли. ИИ-хайп затмил инструменты на основе машинного обучения, которые реально работают в приложениях ретейлеров, банков и ресторанов. Генеральный директор Surf Владимир Макеев в колонке для Forbes на примерах из личной практики показывает, в каких случаях ИИ навредит продукту, а в каких — поможет.
ИИ и машинное обучение — совсем разные вещи
«Искусственный интеллект» звучит солидно и футуристично. Но почему часто бывает, что компания прикручивает ИИ, а прибыль не растет? Обычно это значит, что для решения задач компании хватило бы обычного машинного обучения (machine learning, ML), о котором в бизнес-среде говорят реже.
Машинное обучение — алгоритмы, которые можно натренировать на данных, включить и смотреть, как они решают ваши задачи. Это умный поиск, системы рекомендаций, фичи для распознавания изображений и речи, автоматический перевод, фильтры, алгоритмы обнаружения случаев мошенничества.
ML не использует логику, не анализирует, не делает выводов — вообще не совершает никаких мыслительных процессов. Это алгоритм, который действует строго в рамках того, чему его научили. Он опирается на загруженный набор данных. Разработать и внедрить алгоритм ML дешевле, чем ИИ, за счет готовых инструментов TensorFlow, PyTorch и Scikit-Learn. Проект под ключ, включающий сбор, подготовку и очистку данных, настройку, внедрение и мониторинг алгоритма, стоит 50-250 000 рублей.
ИИ же позволяет машинам имитировать человеческий интеллект. Это большие языковые модели (LLM), генеративные модели для автоматизации процессов и аналитические модели для автопрома, медицины и других сфер. ИИ генерирует новые данные и ищет закономерности. Но обучение простой нейросети в России стоит от 1,5 млн рублей до 10 млн рублей, а за границей — $25-40 000. На сложные модели от Microsoft, Alphabet и OpenAI уходят сотни миллиардов долларов. Затраты на разработку растут на 30-50% в год из-за цен на оборудование и дефицита кадров.
При этом ИИ нужен только крупнейшим компаниям с большими объемами данных в специфических бизнес-сценариях. Например, P&G использует ИИ для обслуживания оборудования на производстве. Компании, которые внедряют ИИ несоразмерно целям, в 80% случаев терпят неудачу. Поэтому замена ML на «настоящий ИИ» в ретейле, фудтехе и банкинге — пустая трата денег. Пользовательский опыт не изменится, продажи не вырастут, а затраты улетят в космос.
Пять сценариев, когда ИИ на проекте не нужен
Бизнес прекрасно выживает без ИИ и успешно конкурирует с теми, кто решил его интегрировать. Это связано с тем, что продакт-менеджеры не всегда понимают, что конкретно с этим ИИ делать. Скорее всего, «что-нибудь автоматизировать». По факту ИИ не нужен в большинстве задач. Вместо него 72% компаний берут ML, который дешевле в разработке и требует меньше ресурсов на поддержку. Приведу пять сценариев, где ИИ не подходит.