Как построить корпоративную AI-платформу и не бросить всё на этапе пилота
Корпоративный ИИ часто останавливается на этапе пилота, поскольку отдельная модель или агент ещё не становятся частью работы компании. О том, как данные, процессы и собственная инфраструктура помогают превратить эксперименты в работающую AI‑платформу, рассказывает Максим Андрианов, директор дирекции разработки и внедрения ПО «Инфосистемы Джет».

Максим, расскажите, что такое корпоративная AI-платформа? Как простыми словами объяснить её ценность человеку, который далёк от технологий, но отвечает за бюджет проекта?
Простыми словами, AI-платформа нужна бизнесу, чтобы любой предметный специалист — юрист, финансист, маркетолог или закупщик — мог самостоятельно решать с помощью ИИ рутинные, в том числе сложные, рабочие задачи без обращения в ИТ-службу.
При этом корпоративную AI-платформу правильнее рассматривать как ядро целой AI-экосистемы. Вокруг него выстраиваются необходимая для ИИ инфраструктура, интеграции с корпоративными системами заказчика — например, ERP, CRM, СЭД и глоссарием — и контур информационной безопасности для работы с корпоративной информацией.
Сама по себе модель, лежащая в основе платформы, может быть очень умной, но при этом ничего не знать о компании. Чтобы быть полезной рядовым сотрудникам, AI-платформа должна работать с двумя ключевыми элементами бизнеса — корпоративными данными и процессами.
Данные нужно собирать и хранить: с появлением больших языковых моделей сохранять данные зачастую выгоднее, чем отказываться от их хранения. Также ИИ нужен контекст процессов: цифровой след помогает ему понять, как устроена работа компании, а интеграции позволяют агентам выполнять действия в корпоративных системах.
Если согласование договора идёт в почте и чатах, а регламенты не оцифрованы, ассистент не знает, где взять данные и что с ними делать. Когда документы и правила работы переведены в цифровую форму, он может проверить договор по правилам компании и передать его дальше.
Например, в проекте для собственной бухгалтерии мы автоматизировали обработку счетов: ИИ-сервис извлекает и проверяет реквизиты, а затем передаёт их в 1С. В результате доля ручного ввода снизилась до 20%: сотрудник вручную обрабатывает только один из пяти документов. При этом уменьшился риск ошибок, а заявки на оплату стали быстрее поступать в работу.
В итоге AI-платформа использует доступную и постоянно обновляемую информацию о компании и в рамках прав конкретного пользователя помогает ему быстрее решать рабочие задачи: готовить документы и отчёты, проверять контракты, работать с заявками, формировать ТКП и выполнять другие операции. Но здесь возникает третье требование — суверенность: такая платформа по умолчанию должна работать в контуре компании, а не в облаке. Это не означает запрета на внешние модели: к ним можно обращаться точечно, после проверки и обезличивания запроса, а на старте облачный сервис может служить тестовой площадкой для пилотов. При этом рабочий контур с корпоративными данными целесообразно оставлять внутренним.
Таким образом, благодаря ИИ сотрудники успевают выполнить больше задач за тот же рабочий день. Рост производительности в итоге превращается в измеримый экономический эффект от использования ИИ в организации.
Многие компании уже активно экспериментируют с ИИ, но не у всех пилоты «взлетают» и становятся корпоративным инструментом. Сколько проектов, из вашего опыта, доходят до промышленной эксплуатации, и почему многие заканчиваются на этапе пилотирования?
До промышленной эксплуатации доходит сравнительно мало проектов, в том числе из-за неготовности данных и процессов. Для пилота достаточно ограниченной выборки данных, чтобы проверить эффективность решения. Масштабирование требует подготовленных данных и оцифрованных процессов, иначе эффективность снижается.
Именно поэтому успешный пилот ещё не доказывает, что решение готово к работе на всю компанию: для этого оно должно сохранять эффективность на реальных данных и в реальных бизнес-процессах.
Вторая причина — при неуправляемом использовании ИИ в компании непонятно, кто отвечает за результат действий большой языковой модели через агента. Ролевые права, DLP и аудит позволяют контролировать работу агентов, но сами по себе не назначают владельца результата. Компании необходимо отдельно определить, кто принимает решения по итогам работы агента и отвечает за их последствия, и закрепить эту роль в процессе. Без такого организационного решения пилот так и остаётся пилотом.
В корпоративной AI-платформе же предметный специалист создаёт прикладные сценарии, а ИТ обеспечивает релевантные данные, интеграцию с корпоративной средой, информационную безопасность и единый вход. Иными словами, агент решает отдельную задачу, например, ищет кандидатов или обрабатывает счета. AI-платформа — это общая среда для таких агентов: она подключает их к корпоративным данным и системам, обеспечивает безопасность и единые правила работы.
Как должна выглядеть оптимальная инфраструктура данных для работы с ИИ, и в каком состоянии она сейчас находится в компаниях?
Только 37% организаций уверены в готовности своих данных к работе с ИИ. По прогнозу Gartner, до конца 2026 года организации откажутся примерно от 60% ИИ-проектов, которые не опираются на релевантные данные. Также нужен семантический слой, который в машиночитаемой форме описывает смысл показателей, связи между объектами и правила использования данных. Без него модель увидит поля в базе, но не поймёт их смысл.
Если у компании есть процессы управления данными, это хороший задел. Но обычно данные уже существуют в ERP, учётных, кадровых, финансовых и клиентских системах, даже если часть процессов ещё не автоматизирована. Если же компания совсем не работает с данными, проект, скорее всего, провалится. Ведь непонятно, с чем тогда будет работать цифровой двойник сотрудника. Поэтому вопрос не в наличии данных. Вопрос в том, разрознены ли они по прикладным системам или уже собраны в управляемый контур для аналитики и ИИ. Уровень и методология сбора данных у всех разные: одни компании формируют отчёты в учётных системах, другие построили DWH, а третьи переходят к Lakehouse.
Мы в «Инфосистемы Джет» реализуем такие проекты у наших заказчиков и на практике видим, что универсального решения нет, потому что архитектура зависит от задач бизнеса и зрелости процессов.
Например, для розничной сети магазинов мы построили DWH, чтобы обеспечить единый подход к расчёту метрик. Данные из ERP, касс и программ лояльности очищались и приводились к общей схеме, и в итоге филиалы получили сопоставимые показатели валовой прибыли и оборачиваемости.
В другом проекте для промышленного холдинга мы использовали Data Lake. Это позволило сохранять в исходном виде телеметрию датчиков, логи производственных линий и данные контроля качества, а затем использовать их для поиска аномалий и прогнозирования износа узлов.
Ещё в одном проекте для компании из сферы онлайн-услуг Lakehouse объединил транзакционные данные, логи пользовательских сессий и текстовые отзывы. Так мы поддержали BI-отчётность и обучение ML-моделей без дублирования данных. Выбор между DWH, Data Lake и Lakehouse в таких проектах определяется не модой на технологию, а конкретными задачами компании.
Типичная ситуация сегодня: данные есть, но они ещё не готовы для ИИ. Их качество неравномерно, понятия не согласованы, а документы не связаны со структурированными таблицами. Поэтому AI-ready-платформа данных должна не просто хранить информацию, а объединять её в управляемом контуре и обеспечивать обработку, очистку, контроль качества, управление мастер-данными и метаданными. Данные должны быть связаны семантическим слоем. По сути, он объясняет ИИ, что означают показатели и термины компании: например, кого она считает активным клиентом или по какой формуле рассчитывает рентабельность. Так цифровой помощник работает не просто с таблицами из разных систем, а со смыслом и бизнес-логикой компании, поэтому реже делает ошибочные выводы.
Перейдём к состоянию процессов в компании. Как понять, что процесс оцифрован?
Неоцифрованный процесс — это бумажные документы, резолюции, ручные подписи, а также согласования и пересылка документов по электронной почте. Возьмём для примера оплату счёта в бухгалтерии.
В цифровом процессе счёт поступает в организацию через ЮЗДО — юридически значимый электронный документооборот. Затем он попадает в ERP или другую систему управления платежами. Там проводится автоматическая сверка по заданным правилам или проверка с участием человека. После этого формируется разнарядка на оплату.
То есть весь процесс проходит в информационных системах компании, а не на бумаге или в почте. В неоцифрованном варианте распечатанный счёт передают между сотрудниками: каждый участник ставит свою подпись, затем документ пересылают по почте.
Как правильно оцифровать процесс? Как определить, в какую систему его переносить?
Универсального ответа нет. Мы внедряем прикладное бизнес-ПО и можем предложить ориентиры, но сначала нужно предметно обсудить, какой именно процесс предстоит оцифровать.
Если подготовка документа сейчас идёт в почте, её следует перенести в систему электронного документооборота. Для финансовых документов, скорее всего, подойдёт ERP. Если речь о работе с заказчиками — CRM. Так из блоков общего корпоративного ландшафта и строится цифровой процесс.
Конечно, останутся неформализованные процессы, которые по-прежнему будут идти в почте, мессенджерах или устно. Подключить к ним AI-платформу сложно: такие действия не всегда фиксируются в корпоративных системах и не оставляют цифрового следа, с которым могла бы работать платформа.
Из чего состоит AI-платформа и как она интегрируется с другими корпоративными системами, чтобы искусственный интеллект не превратился просто в чат?
Чтобы AI-платформа не сводилась к чату, её встраивают в ИТ-ландшафт компании и связывают со знаниями организации. Эти знания нужно классифицировать, очищать и обновлять, в том числе с помощью самого ИИ. Это особенно важно, когда информация замкнута внутри подразделений: люди приходят и уходят, а накопленные знания продолжают лежать мёртвым грузом. Платформа должна извлекать их и возвращать в работу всей компании.
Архитектура включает пользовательский интерфейс, ядро для создания и запуска агентов и сценариев, интеграционный слой и средства защиты. Ядро соединяет возможности ИИ с классическими алгоритмами и собирает из них управляемые процессы. Например, сценарий может разобрать файл, извлечь ключевую информацию, дополнить её данными из других систем, подготовить сводку и передать результат дальше. Такие сценарии можно отслеживать, передавать коллегам и распространять на подразделение.
Отдельный компонент — шлюз к языковым моделям, или LLM-шлюз. Он оценивает, достаточно ли ресурсов для выполнения задачи у локальной модели. Если нужен более мощный внешний сервис, шлюз проверяет, нет ли в запросе коммерческой тайны и можно ли обезличить данные. Когда чувствительные сведения удаётся скрыть без потери смысла, запрос уходит во внешнюю модель, а исходный контекст восстанавливается в ответе. Если обезличить данные нельзя, задача остаётся на локальной модели.
Платформа также снижает порог входа в автоматизацию. Сотрудник, который раньше вручную переносил данные из Word в Excel, может описать задачу обычным языком и получить автоматизированный сценарий. Важно, чтобы он работал в управляемом контуре, а не на личном ноутбуке: тогда наработкой можно безопаснее поделиться и масштабировать её сначала на подразделение, а затем на компанию. Заодно ИИ способен ускорить сквозную интеграцию систем и снизить её трудоёмкость, а в отдельных случаях — и зависимость от вендоров.
Расскажите о вашей AI-платформе.
Мы разрабатываем собственную AI-платформу около двух лет. Сейчас на ней работают около 30 агентов, которыми пользуются профильные специалисты — юристы, бухгалтеры, маркетологи, управленцы и другие. Доступ к платформе есть практически у каждого сотрудника «Инфосистемы Джет»; она интегрирована со многими корпоративными системами. Среди наиболее востребованных решений — HR-ассистент, ИИ-сервис для обработки платёжной документации, ассистент для протоколирования и расшифровки встреч.
Мы рассматриваем задачи AI-платформы шире и не ограничиваемся большими языковыми моделями. Во многих случаях математические методы и алгоритмы машинного обучения — у нас более 15 лет опыта работы с ними — позволяют получать необходимый результат быстрее и с меньшими затратами на вычислительные мощности.
Сколько стоит и сколько времени занимает путь компании к AI-ready и собственной AI-платформе?
Это сложный вопрос: у компаний разные стартовые условия и накопленный опыт. Если бы процессы и инфраструктуру можно было выстраивать с нуля, путь, вероятно, обошёлся бы дешевле. На практике приходится иметь дело с наследием прежних решений и технологическим долгом. Например, компании, которые годами сохраняли данные, даже в неструктурированном виде, сейчас внедряют ИИ быстрее. Там, где данных мало, пилоты могут существенно дорожать и растягиваться на месяцы. Дополнительные время и ресурсы требуются и для интеграции со старыми ERP или самописными CRM, в которых может не быть готового API. Поэтому к проекту стоит относиться как к длинной дистанции, а экономический эффект оценивать для каждого сценария отдельно.
Как вы справляетесь с человеческим фактором — сопротивлением и саботажем?
Это один из главных вопросов. Здесь особенно важна позиция руководства: без личного примера руководителей сложно сформировать привычку использовать ИИ в работе. Это касается сотрудников разных возрастов.
Ментальный барьер в общении с ИИ — одна из главных проблем этого перехода. Поэтому мы вместе с сотрудниками разбираем их задачи и показываем, как выполнять их по-другому. Например, часть работы с Excel-таблицами можно автоматизировать и сократить время на рутинные операции. Такие практические разборы уже больше полугода проходят на регулярных встречах внутреннего ИИ-сообщества. Мы обсуждаем конкретные рабочие ситуации и вместе ищем, как применять ИИ в повседневной работе.
Если компания решила строить AI-платформу, с чего начать? Какие первые шаги сделать и каких ошибок избегать?
Шаг «ноль» — дать сотрудникам попробовать существующие модели. Я не стал бы полностью исключать облачные сервисы, особенно на первом этапе. Если предоставить доступ к сильным внешним моделям наиболее активным и заинтересованным сотрудникам, они могут стать проводниками изменений внутри компании.
Первый шаг — завести собственного небольшого «тамагочи»: внутренний ресурс, возможно, не самый дорогой и не самый мощный, который позволит сотрудникам решать рабочие задачи на локальной инфраструктуре внутри периметра компании.
Второй шаг — обратиться к тем, кто уже прошёл этот путь. Это поможет не повторять чужих ошибок, обсудить возможные сценарии, определить требования к инфраструктуре и выбрать решения, которые ускорят внедрение ИИ внутри компании.
Какие основные статьи затрат стоит предусмотреть на этом пути?
Первая статья — первоначальные инвестиции в оборудование. Например, если платформой одновременно пользуются 2–3 тысячи сотрудников, для её работы потребуются несколько мощных серверов, системы хранения данных и сетевое оборудование. В зависимости от выбранных моделей и интенсивности использования платформы речь может идти о десятках или сотнях миллионов рублей. Вторая статья, появившаяся сравнительно недавно, — оплата использования внешних моделей. Мы учитываем эти расходы в проектах, анализируем, где применяются такие модели, и закладываем соответствующие бюджеты. В проектах заказной разработки внешние модели по умолчанию не используются: это отдельно согласуется с заказчиком. В других сценариях мы можем арендовать облачные серверы и разворачивать на них модели с открытыми весами.
Если говорить именно о платформе, основные затраты связаны с оборудованием и организационной трансформацией. Нужна команда, которая будет перестраивать процессы, работать с сотрудниками, обучать их и помогать осваивать новый инструмент. Это самая трудоёмкая часть.
Также важно подключить к ИИ-трансформации HR. Кадровое подразделение должно участвовать в обучении и адаптации сотрудников. Освоение нового инструмента требует времени и поддержки. После формирования навыка работа с ним становится привычной.