CNews: С появлением ChatGPT все заговорили о внедрении ИИ. Но насколько это действительно ново? Куда движется этот тренд?

Алексей Лебедев: Применение искусственного интеллекта в разных доменах и бизнес-кейсах началось задолго до хайпа, который поднял ChatGPT. Но появление больших языковых моделей (LLM) и возможностей, которые они несут, вдохнуло новую жизнь в интерес к ИИ, подняло его на совершенно иной уровень. Есть прогноз, что российский сегмент GenAI в период с 2024 по 2030 год ежегодно будет расти на 46%. Это быстрее, чем в остальном мире, и, возможно, реальные цифры окажутся еще выше. Многие сотрудники уже активно используют доступные модели, чтобы упростить свою работу, но не всегда делятся этим с руководством. Их действия остаются вне зоны внимания компаний и никак не регулируются. Тот же DeepSeek открыт для любого после простой регистрации.

CNews: Это проблема или преимущество?

Алексей Лебедев: Это может быть проблемой. Например, если сотрудник забывает или не знает, как обезличить данные компании, прежде чем обратиться к YandexGPT или GigaChat. Данные могут передаваться через мобильное приложение, мессенджер, внешние сервисы — в каждом случае это «слепая зона» для службы безопасности. Еще один важный момент: внешняя модель решает поставленную перед ней задачу без полного учета контекста бизнеса компании. Она опирается только на ту информацию, которую предоставил сотрудник, а это может снизить качество результата и увеличить трудоемкость процесса. Каждый раз контекст — например, стандарты написания кода или отраслевые термины — приходится задавать вручную. Кроме того, такая практика не позволяет накапливать и использовать экспертизу по генеративному ИИ в масштабах всей компании. В целом, когда сотрудники работают с внешними моделями бессистемно, без сквозного управления, контроля и мониторинга, может возникать множество неочевидных рисков, что в конечном итоге может привести к серьезным последствиям.

CNews: Какое решение вы видите?

Алексей Лебедев: Если не можешь остановить — возглавь. На мой взгляд, выходом может стать внедрение корпоративной экосистемы для решений на основе генеративного ИИ, интегрированной в инфраструктуру компании. В основе такой экосистемы — технологическая платформа, собранная из готовых и собственных компонентов, фреймворков и системных сервисов. Они включают локальные генеративные модели, которые помогают настроить правильный контекст и обеспечивают безопасность, разграничение доступа, маршрутизацию запросов, биллинг, анонимизацию данных, поиск и извлечение нужной для генерации ответа информации (RAG), а также при необходимости через API могут обращаться к внешним моделям. В таких экосистемах поверх платформы располагается слой кастомных приложений или интерфейсов, через которые сотрудники могут взаимодействовать с LLM в зависимости от своих функциональных задач и уровня доступа. Это могут быть как собственные разработки компании, так и решения от внешних партнеров. Дополнительно платформа интегрируется с корпоративными бизнес-системами, например, базой знаний и CRM-системой, чтобы получать доступ к структурированным и неструктурированным данным, включая контекстную информацию.

В результате создается единая, безопасная и полностью контролируемая среда, которая позволяет сотрудникам быстро и удобно использовать ИИ по общим стандартам в масштабах всей компании.

CNews: Насколько сложно и оправдано создание такой платформы с точки зрения затрат ресурсов?

Алексей Лебедев: На рынке есть много решений и инструментов для генеративного ИИ и может показаться, что собрать такую платформу — несложная задача. Но на практике все не так просто. Разобраться, какие есть готовые доступные компоненты, определить критерии их выбора, разработать недостающие сервисы, пропилотировать, настроить под стандарты информационной безопасности и мониторинга, интегрировать между собой и с другими системами, встроить в облачную инфраструктуру — каждый шаг может превратиться в «кроличью нору». Это заставит снова и снова повторять эксперименты, чтобы получить нужный результат. В итоге реальность может сильно отличаться от первоначально ожидаемых затрат и сроков реализации проекта.

Рексофт почти 35 лет занимается разработкой цифровых платформ, и технологии у нас в ДНК. Но даже мы, когда стали строить свою экосистему для GenAI и LLM, не смогли добиться результата с первого раза — некоторые шаги пришлось переделывать дважды или трижды. Сейчас наша платформа объединяет 5 open-source-моделей в контуре компании и взаимодействует со 100 внешними моделями. Если данные уходят во внешнюю среду, платформа обезличивает их без участия пользователя, а затем возвращает в исходном виде. Это позволяет использовать внешние ИИ-решения без риска утечки конфиденциальной информации. Сотрудники применяют более 15 приложений, заточенных под конкретную задачу, например, перевод аудио- и видеозаписей встреч в текст, суммаризация и проверка договоров по чек-листу, прескрининг резюме, генерация тест-кейсов, чек-листов и диаграмм, а также предоставление умных структурированных ответов на основе проанализированных данных. При этом запуск нового несложного приложения и его «раскатка» на компанию занимает в среднем от одного человека-часа. Это значительно ускоряет проверку бизнес-гипотез, сбор обратной связи, прототипирование и другие процессы.

Сейчас мы используем свой опыт как основу в проектах для клиентов, помогая им снизить затраты на подобные разработки. Развертывание платформы у заказчика на базе проверенных нами компонентов и методологий вместе с пилотированием бизнес-кейсов занимает около двух месяцев. Это намного быстрее и проще, чем начинать ИИ-трансформацию с нуля. В итоге наш клиент получает экосистему, которую можно масштабировать и дополнять новыми приложениями для разных специалистов.

CNews: Один из главных вызовов, о котором сейчас говорят очень многие — это поиск стратегий использования GenAI, которые могут принести измеримый экономический эффект. На ваш взгляд, какие направления или сферы применения выглядят наиболее перспективными с этой точки зрения?

Алексей Лебедев: Многие финансовые компании и банки смотрят на генеративные модели как на панацею и пытаются найти бизнес-кейсы для их применения — будь то улучшение взаимодействия с клиентами, оптимизация операционной деятельности или рост кросс-продаж. Мы смотрим на это с другой стороны — предлагаем не придумывать кейсы, а уже здесь и сейчас с помощью ИИ повышать скорость ИТ-разработки. Тем самым помогать бизнесу реализовывать новые идеи, увеличивать прибыль и повышать эффективность в рамках существующих процессов. Когда я говорю о разработке, я имею в виду весь жизненный цикл цифровых решений: от аналитики и проверки гипотез до управления продуктами, тестирования и так далее.

Одна из перспективных сфер применения ИИ сейчас — стабилизация ИТ-ландшафта после импортозамещения в финансовом секторе. По разным оценкам от 60% до 90% прикладных систем уже заменены на продукты российских вендоров и заказные решения. Но из-за сжатых сроков внедрение происходило в достаточно экстремальной обстановке, да и сами продукты не всегда отвечали нужным банкам требованиям. Поэтому сейчас стоит задача разобраться, как новые компоненты взаимодействуют друг с другом, какую функциональность можно оптимизировать и использовать для дальнейшего развития бизнеса. Это, в первую очередь, большой объем интеграционного тестирования, создания тестовых данных, разработки автотестов и QA-стратегий. В нашей практике был проект, где Рексофт участвовал в автоматизации тестирования платежных операций в банковской системе, которая заменила западный аналог. Из-за разнообразия типов платежных сообщений написание автотестов выглядело длительным и трудоемким. Тогда мы конвертировали спецификации и форматы платежных документов в код с помощью LLM, развернутой на нашей корпоративной платформе, и получили нужный набор тестовых данных. В итоге удалось сократить время создания автотестов на 15% и снизить затраты на разработку без потери качества. Другой пример — было необходимо интегрировать унаследованное решение в новое Java-приложение, переписать код, улучшив масштабируемость и покрытие тестами. С LLM мы сделали это за 4 часа, сократив сроки проекта в 10 раз.

В рамках развития этих проектов мы разработали ряд умных мини-приложений для снижения трудозатрат QA-специалистов, таких как инструментарий для подготовки тестовой стратегии, методик проверки тест-кейсов и тестовых данных с помощью генеративного ИИ. Мы также интегрировали несколько готовых плагинов в части автотестов с нашей GenAI-платформой. Все эти решения подключены к корпоративным базам данных, что позволяет накапливать опыт и переиспользовать лучшие практики. В итоге мы снижаем операционные ИТ-затраты и при этом обходимся без сложных систем автоматизации.

CNews: Какие дальнейшие перспективы вы видите по использованию генеративного ИИ в ИТ-разработке, особенно в финансовом секторе?

Алексей Лебедев: Перспективно все, что позволяет быстрее выпускать на рынок новый продукт или сервис. Потребности клиентов, экономическая ситуация, решения регуляторов меняются быстро и не всегда предсказуемо. К этой скорости нужно уметь адаптироваться.

Например, в рамках одного из проектов со страховой компанией мы использовали платформу для визуализации функционала будущего решения. С помощью LLM разработали упрощенный интерфейс системы урегулирования убытков. Это позволило на ранних этапах показать бизнес-заказчику демо-версию, чтобы он мог видеть прогресс и дать обратную связь даже до подключения фронтенд-разработчиков, которые обычно вступают в проект позже. Такой подход помог выявить и устранить недочеты на ранних этапах, избежать переделок и ускорить весь процесс. То же самое работает и для внутренних систем. Допустим, нужно быстро сделать интерфейс для администратора мобильного приложения. С GenAI это делается проще и быстрее.

Сейчас мы работаем над интеграцией LLM и платформ, которые обладают базовыми сервисами и компонентами для разработки новой функциональности. В Рексофт, в частности, одной из таких платформ является Синапс 2.0 — платформа для создания кастомизированных масштабируемых решений в микросервисной архитектуре. Идея в том, чтобы ИИ помогал быстрее добавлять новые продукты или модифицировать существующие. Скажем, появился цифровой рубль — нужно адаптировать платежные сервисы и интерфейсы. Или возникла новая бизнес-идея — мы формулируем задачу, ИИ помогает с требованиями, а платформа создает прототип и реализует изменения.

По сути, это реинкарнация концепции no-code: мы получаем готовое решение без глубокого погружения в программирование, но с помощью ИИ, который берет на себя часть задач. Однако повторюсь, что эксперименты с ИИ стоит начинать только тогда, когда есть четкое понимание, кто, как и для чего использует модели и данные. В этом случае внедрение корпоративной ИИ-платформы обеспечивает нужный контроль и безопасность, а за счет масштабируемости и погружения в контекст бизнеса — снижение совокупной стоимости использования генеративного ИИ и рост общей эффективности результатов.