Корпоративный ИИ не даёт прибыли, пока бизнес не научится понимать клиента и себя

Представьте себе ситуацию: искусственный интеллект уже вовсю используют в корпоративной среде, но производительность многих компаний от этого почему-то не растёт. В опубликованном в 2025 году отчёте о генеративном ИИ в бизнесе, который подготовила исследовательская группа NANDA Массачусетского технологического института, есть несколько цифр, которые обычно рассматривают вместе. Среди опрошенных компаний 95 процентов пилотных проектов в области генеративного ИИ не принесли измеримой прибыли или убытков. При этом более 90 процентов сотрудников уже применяют личные инструменты на основе ИИ в своей работе, а официальную корпоративную подписку покупают лишь 40 процентов компаний. За всеми этими цифрами стоит одна и та же проблема: ИИ используют, но он остаётся на личном уровне. Поэтому сегодня перед бизнесом стоит не вопрос «подключать ли ИИ», а другая, куда более сложная задача: что именно компания должна накопить сама после подключения, чтобы ИИ действительно превратился в производительную силу.

На форуме WTCC, который прошёл утром в шанхайском районе Западный берег, основатель компании Tezign Фань Лин предложил свой ответ. По его мнению, предприятию в итоге нужно восполнить не более мощную модель, а два «мировых модели». Термин «мировая модель» простыми словами означает способность системы ответить на вопрос: если я поступлю так, что произойдёт дальше. В корпоративном контексте у этого вопроса как минимум два направления. Одно направлено наружу — понять клиента: почему он предпочитает тот или иной выбор, что заставляет его передумать, какие формулировки и продукты воспринимаются легче. Этот уровень на форуме назвали «мировой моделью клиента», а в более поздних материалах чаще встречается формулировка «субъективная мировая модель». Другое направление смотрит внутрь — понять компанию: какие процессы проходит решение после того, как попадает внутрь организации, какие ресурсы, правила и связи влияют на него и в итоге может ли оно быть реализовано. Это ближе к «корпоративной мировой модели».

На первый взгляд обе модели отвечают на вопрос «как принимать решения», но по сути это разные вещи. Субъективная мировая модель, которая «понимает клиента», имеет дело с субъективными предпочтениями, мотивами и выбором и опирается на внешние пользовательские данные. Корпоративная мировая модель, которая «понимает компанию», работает с процессами, активами, правилами и неявным знанием, а её фундамент — контекст, накопленный внутри организации за долгое время. Именно потому, что у этих двух наборов данных разные источники, разный ритм обновления и разная ответственность, их трудно грубо слить в одну большую модель. При объединении часто получается не усиление, а взаимное притупление, и отсутствие любой из сторон сразу даёт о себе знать. Если есть только корпоративная мировая модель, агент знает, как делать дело, но не понимает, стоит ли его вообще делать, и в итоге может эффективно выполнить неверную цель. Если есть только модель клиента, агент понимает потребность, но не может довести её до реальной поставки внутри организации, и получается «потребность понял, а сделать не смог». Так что речь не о том, что «ещё одна модель надёжнее», а о том, что в архитектуре корпоративного агента изначально не хватает двух совершенно разных блоков.

Если мировая модель клиента ближе к внешнему восприятию, то самое трудное в корпоративной мировой модели — это как раз выявление, организация и использование внутренних знаний. Ведь самое ценное в организации часто вовсе не записано в документах. На форуме в Tezign разделили корпоративные знания на два типа. Первый — явное знание, которое можно внести в инструкции, регламенты и правила, и здесь цель — выше, быстрее, точнее. Второй — неявное знание: вкус, суждение, чувство границ, опыт и связи, которые невозможно выразить полностью и которые растут постепенно в конкретных проектах и совместной работе. Это объясняет, почему «скормить все документы ИИ» не равно «ИИ понял компанию». Многие предприятия уже пытаются строить собственные контекстные системы на базе возможностей моделей, но единого критерия оценки качества такого контекста, похоже, пока не сложилось. Настоящая контекстная система должна как минимум удовлетворять нескольким условиям: она не заменяет прежние системы, а связывает уже существующие озёра данных, бизнес-системы и системы активов; это не знание для чтения человеком, а структурированные объекты и связи, которые может вызывать агент; и это не разовая поставка, а система, которая после каждого решения оставляет основу для разбора, чтобы в следующий раз не начинать с нуля. Одной фразой: агент вызывает не данные, а контекст.

Если корпоративная мировая модель решает задачу внутреннего контекста, то ещё одно происходящее изменение связано с тем, что экспертные суждения начинают попадать в обучающие данные. Речь не о третьей мировой модели и не о модели клиента в чистом виде. Это скорее общий слой возможностей под обеими мировыми моделями. Согласно материалам форума и техническим публикациям, Tezign привлекла большое число экспертов из разных областей к сбору и разметке реальных процессов суждения, чтобы обучающий сигнал опирался не только на общие данные, но и включал траектории суждений в бизнес-контексте, так называемые Creative Trajectory. Параллельно некоторые партнёрские организации ведут исследования в похожем направлении, и объём накопленных траекторий суждений уже измеряется десятками тысяч. Почему это важно? Потому что самые ценные корпоративные знания — критерии оценки, логика выбора, чувствительность к риску — отсутствуют и в интернете, и в универсальных моделях. Они существовали только между людьми, проектами и архивами. Сейчас эти трудносохраняемые процессы суждения превращают в актив, который можно накапливать. Поэтому этот путь ведёт не просто к тому, что «модель лучше понимает бизнес», а к ясному направлению эволюции корпоративного ИИ: от аренды интеллекта к суверенному интеллекту.

Остаётся вопрос, который обойти нельзя: как оценивать? Универсальные бенчмарки измеряют, может ли модель дать правильный ответ. Но в корпоративных сценариях важнее не «правильно ли», а «правильно ли так, как это делает именно эта компания». Границы бренда одной компании, логика выбора товаров одной команды, допустимый уровень риска одного руководителя — всего этого нет ни в открытых наборах оценки, ни в ценностях универсальных моделей по умолчанию. Поэтому настоящая ценность отраслевых бенчмарков не в том, чтобы поставить модели оценку, а в том, чтобы превратить критерии суждения организации в тестовый набор, который можно постоянно прогонять, сравнивать и корректировать. Когда такой инструмент существует, изменения возможностей после обновления модели, перестройки процессов или смены команды не нужно оценивать на ощущение «стало лучше». В команде Tezign приводят характерный метод калибровки: в сценарии Atypica людям и ИИ-персонам предлагают выполнить один и тот же экономический поведенческий эксперимент, а разницу между ними используют для количественной калибровки качества симуляции, что затем возвращается в обучение и оптимизацию модели. В июле этого года, освещая выставку WAIC, портал QbitAI упоминал результат: точность субъективной мировой модели в имитации поведения достигала 85 процентов. Разумеется, такая симуляция и бенчмарки остаются инструментами калибровки: они позволяют проводить исследования и проверки раньше, но не заменяют работу с реальными людьми.

Чтобы корпоративный агент действительно заработал, нужен механизм, а после появления основы этот механизм должен крутиться. На форуме говорили, что для запуска корпоративного агента нужно раскрутить полный замкнутый цикл: сигнал, план, создание, оценка. Сигнал и оценка больше опираются на мировую модель клиента и отвечают на вопросы, что сейчас важно пользователю и купит ли он в итоге созданный продукт. План и создание больше зависят от корпоративной мировой модели и отвечают, можно ли вообще сделать это в организации, как продвигать с учётом ресурсов, процессов и ограничений. За этим стоит различие между корпоративным агентом и копилотом предыдущего поколения. Копилот больше похож на инструмент, который вызывают разово: спросил — ответил, открыл задачу — получил результат. Настоящий корпоративный агент иной: он длительный, работает непрерывно, встраивается в рабочий процесс, сохраняет цели, состояния и обратную связь во времени, а не начинает каждый раз с нуля. Фань Лин на выступлении сказал, что агент доводит работу до 80 баллов, а человек затем ведёт её от 80 к 120. Важны здесь не сами цифры, а то, что они заново определяют разделение труда между человеком и агентом. Это не замена, а смещённое разделение: ИИ продвигает вперёд массу работы, которую можно токенизировать, а ценность эксперта остаётся в последнем отрезке высокой плотности суждений. Если собрать все эти линии вместе, корпоративный ИИ вступает в новую фазу, и «две мировые модели» — это выражение данной способности в архитектуре предприятия: одна понимает внешний мир, другая внутренний, а между ними работает длительный агент, способный непрерывно продвигаться вперёд. Отдельно стоит отметить, что на форуме WTCC Tezign одновременно объявила программу совместного построения Agentic Transformation, пригласив университеты, исследовательские институты, компании, партнёров по моделям и технологиям и практиков. Причина проста: этот путь ещё не полностью проверен, на многие вопросы нет готовых ответов, и расти приходится в открытом сотрудничестве. Вместо вопроса «как заставить ИИ работать» Tezign пытается совместными усилиями ответить на другой, более трудный: если компания хочет превратить свои суждения в накапливаемый актив, с чего начать первый шаг?