Генеративный ИИ

Опрос KPMG показал, что резкий рост корпоративных инвестиций в генеративный ИИ может изменить существующие бизнес-операции: 68% компаний планируют выделить на эти цели в течение года от 50 до 250 млн долл. Предприятия фактически удваивают инвестиции в ИИ. Наблюдается рост интереса к ИИ-агентам, и более половины организаций изучают возможность их использования. При этом в условиях растущего спроса на демонстрацию рентабельности инвестиций крайне важно правильно представлять историю создания ценностей.

Несмотря на значительные инвестиции в генеративный ИИ, представители лишь 31% организаций рассчитывают оценить в ближайшие шесть месяцев их окупаемость. Главным препятствием остается качество данных, об этом упомянули 85% опрошенных. Ситуация усугубляется проблемами конфиденциальности и безопасности (71%), а также сложностью адаптации сотрудников (46%). Динамичный характер ИИ требует новых способов измерения ценности, выходящих за рамки обычного бизнес-анализа. Показатели эффективности должны быть строго согласованы со стратегией бизнеса и учитывать потери от отсутствия инвестиций.

В отчете KPMG отмечается, что ключевыми факторами внедрения искусственного интеллекта в масштабах предприятия становятся ИИ-агенты – автономные инструменты, способные выполнять стоящие перед ними задачи и адаптироваться в режиме реального времени. В настоящее время организации активно изучают потенциал оптимизации административных задач (60%), обслуживания клиентов (54%) и создания бизнес-контента (53%). Но на сегодняшний день внедрением таких инструментов могут похвастаться только 12% предприятий.

В 2025 году основное внимание будет уделяться эффективному масштабированию решений агентного ИИ при сохранении контроля, необходимого для укрепления доверия и сотрудничества между человеком и искусственным интеллектом.

Руководство высшего звена, похоже, берет инициативу в свои руки. Доля представителей этой категории, активно использующих инструменты ИИ, достигла 71%, чего нельзя сказать о менеджерах среднего звена (26%) и рядовых сотрудниках (15%). Эксперты полагают, что это несоответствие может помешать масштабированию: важнейшим фактором остается неготовность сотрудников. Повышение уровня их квалификации и плавная интеграция ИИ в рабочие процессы будет способствовать дальнейшему внедрению и повышению отдачи от инвестиций. Несмотря на имеющиеся трудности, в целом организации настроены оптимистично. Более 80% планируют интегрировать инструменты генеративного ИИ в рамках официальных программ повышения эффективности, стремясь сделать эти технологии неотъемлемой частью рабочих процессов сотрудников и снизить барьеры для их использования.

Руководители высшего звена, естественно, лучше оценивают потенциал генеративного ИИ для решения бизнес-задач, повышения производительности труда и обеспечения стратегического преимущества своим организациям. Это объясняет разницу в уровнях доверия между рядовыми сотрудниками и руководителями.

В отчете KPMG отмечается, что впервые с начала 2024 года ведущим показателем эффективности инвестиций в ИИ стала производительность (79%), а не рентабельность. Рентабельность, увеличившись за 2024 год с 35% до 73%, переместилась на второе место. В отчете указывается, что 54% организаций используют инструменты повышения производительности генеративного ИИ не реже одного раза в неделю. Еще 24% не реже одного раза в неделю обращаются к генеративному ИИ, встроенному в рабочие процессы.

Такой сдвиг подчеркивает нацеленность предприятий на использование ИИ для повышения операционной эффективности в условиях макроэкономического давления. По данным KPMG, 88% руководителей отводят внешним факторам определяющую роль в формировании стратегии ИИ и подчеркивают важность измеримых результатов.

Важнейшее значение для дальнейшего масштабирования ИИ-инициатив имеют качественные данные, надежность управления и стратегический контроль. При выборе поставщиков предпочтение отдается масштабируемости (66%) и технологическому опыту (61%), что свидетельствует о спросе на корпоративные решения, соответствующие поставленным бизнес-целям. По мере ускорения внедрения искусственного интеллекта предприятия подходят к поворотному моменту: использовать потенциал ИИ для трансформации бизнеса или столкнуться с риском отставания в быстро развивающейся цифровой экономике. В 2025 году от генеративного ИИ все ждут перехода от амбиций к реальным преобразованиям.

ВТБ встраивает в чат-бот банковского приложения генеративный искусственный интеллект, рассчитывая существенно повысить качество клиентского опыта. Как минимум, люди смогут оценить отсутствие необходимости предоставлять информацию, которой уже обладает банк, сохранение контекста разговора и использование понятных терминов. Банк же расширит спектр решаемых вопросов и сократит издержки. О реализации проекта рассказывает Денис Левошко, владелец продукта, управление «Мессенджеры и чат-боты» ПАО ВТБ.

- Какую задачу вы решаете при реализации проекта?

Чат-бот ВТБ обрабатывает более 3 млн обращений в месяц, он охватывает огромную аудиторию. Поэтому наша задача – давать клиентам быстрые и точные ответы на вопросы в автоматическом режиме, не задействуя сотрудников контакт-центра. Для этого мы стремимся максимально использовать потенциал больших данных и элементы искусственного интеллекта. Суть проекта заключается во внедрении алгоритмов ИИ в чат-бот ВТБ, которые будут обрабатывать 1,7 тыс. клиентских сценариев.

Благодаря этому улучшится клиентский опыт, а команда чат-бота внесет большой вклад в повышение эффективности банковского обслуживания.

- Какие принципы выбраны для реализации проекта? Каким правилам стараетесь следовать?

В основе проекта лежит два ключевых принципа. Мы должны сделать ответы бота максимально человечными. Уже сейчас у клиентов пропадает страх и нежелание общаться с ботом в пользу быстрого и качественного решения вопроса. Отсюда рождается второй принцип: качество сервиса в канале должно расти. Мы должны видеть реальное динамичное изменение индекса удовлетворенности в канале – это и будет критерием успеха проекта.

- Какие требования предъявлялись к решению?

Максимальная скорость бота при генерации ответа, которая уже составляет менее секунды. Такую скорость хочется сохранить и в будущем, наращивая и улучшая алгоритмы «под капотом». Еще одно важное требование: поддержание высокого уровня уверенности бота в правильном определении тематики вопроса.

- Какие данные используются?

Данные для обработки включают действия клиентов в банковском приложении, запросы через чат-бот, историю транзакций, диалоги с операторами. Эти данные собираются, хранятся и обрабатываются в соответствии с принципами информационной безопасности.

- Какой математический аппарат применяется?

Под капотом нашей системы лежит внушительный арсенал передовых технологий. Мы пользуемся мощью нейронных сетей, применяя передовую трансформерную архитектуру для векторизации фраз клиента, что позволяет нам точно и эффективно интерпретировать их запросы. Наши ML-классификаторы обеспечивают высокую точность в различении контекстов и ситуаций, а алгоритмы извлечения именованных сущностей, основанные на biLSTM-CRF, гарантируют надежное распознавание ключевых элементов информации. Этот элегантный симбиоз технологий обеспечивает нам уникальную способность предоставлять высококлассный сервис и достигать впечатляющих результатов в нашей работе.

- На какой стадии находится проект?

В настоящее время мы пилотируем генеративный чат-бот на ограниченном объеме сценариев и внимательно следим за качеством консультаций. Наша цель – постепенно расширять количество сценариев, улучшать качество обслуживания клиентов на основе анализа данных и обратной связи от пользователей. Это позволит более эффективно и приятно взаимодействовать с банковским приложением.

- Что самое сложное в ходе этого проекта?

Самое сложное в проекте – это поиск и адаптация данных для их быстрой и качественной обработки. Понимая, что количество источников будет кратно увеличиваться, приходится изначально выбирать правильную архитектуру данных. А еще было сложно проводить эксперименты в рамках разных подходов и оценивать их эффективность, так как вариативная модель запросов клиентов через чат, как правило, бесконечно многообразна, что добавляет сложности задаче.

- Что удалось особенно хорошо?

Не все коллеги охотно соглашаются с пилотными проектами, так как это дополнительные трудозатраты. И вот что нам особенно хорошо получалось делать – это «продавать» решения смежным командам и заказчикам. Все, что связано с высокими и современными технологиями, неизбежно вызывало интерес. Мы однозначно хорошо «продавали» наше решение перед принятием его к внедрению.

- Каковы ожидания относительно этого проекта?

Благодаря переходу на новую технологическую платформу в 2023 году чат-бот смог более качественно и быстро определять тематику вопроса и подбирать сценарий, наилучшим образом отвечающий запросу клиента, без переадресации в другие каналы и без привлечения оператора. Это позитивно отразилось на основных метриках: решение запроса чат-ботом без привлечения оператора достигло 85%, индекс удовлетворенности клиентов – 4,9, а доля удовлетворенных клиентов ко всем оценкам клиента превысила 90%. За 2023 год доля чата среди всех обращений выросла с 36% до 50%, то есть сейчас половина клиентов выбирает чат для решения своих вопросов.

Внедрение в чат-бот алгоритмов машинного обучения позволит существенно повысить эти показатели, а соответственно и удовлетворенность клиентов. Путем анализа данных и применения методов генеративного моделирования мы планируем создать более эффективную систему, способную обрабатывать широкий спектр запросов клиентов.

Мы предполагаем, что возможности ИИ позволят чат-боту не запрашивать у клиентов информацию, которая уже есть у банка, давать ответ за наименьшее количество шагов, использовать понятные клиенту термины, уведомлять его о выполнении запроса. Кроме того, важно сохранять контекст разговора, подсказывать оптимальный путь решения проблемы, разделять длинные ответы на несколько сообщений, и, конечно же, давать понять, что беседа ведется с ботом. В конечном счете это должно повысить качество клиентского опыта.

- Есть ли какие-то плановые показатели, к которым стремитесь?

Есть метрики успеха работы бота. К ним можно отнести долю обращений в чат от общего количества обращений в банк в цифровых каналах, уровень автоматизации обращений клиентов, уровень удовлетворенности сервисом. Мы ориентируемся на все эти показатели. Для себя считаем хорошим результатом, если доля обращений превысит 55%, автоматизация будет не ниже 85%, а доля удовлетворенных клиентов будет более 93%. Также немаловажным для нас является показатель качества определения темы обращения клиента. Сейчас данный показатель варьируется в диапазоне 83-85%. С внедрением генеративного ИИ у нас получится достигнуть более высокого показателя в 90%.

- В чем роль этого проекта для ВТБ?

Роль нашего проекта заключается как в повышении эффективности обслуживания клиентов, так и в оптимизации операционных процессов. Основным экономическим эффектом чат-бота является сокращение расходов на операторов контакт-центра. В 2023 году мы уже сэкономили банку 2,5 млрд руб. за счет снижения затрат на операторов. Кроме того, мы неслучайно большое внимание уделяем пользовательскому опыту: увеличение лояльности и удовлетворенности клиентов приводит к росту выручки компании.

Но, помимо бизнес-эффекта, наш проект имеет еще и социальную значимость. Во-первых, мы повышаем финансовую грамотность пользователей. Чат-бот умеет не только рассказывать о продуктах и услугах банка, но и объяснять, как работают финансовые инструменты и как пользоваться сервисами ВТБ.

Во-вторых, чат-бот облегчает доступ клиентов к информации и банковским услугам. В чате клиенты могут получать оперативные консультации и решать финансовые вопросы в любое удобное время без визита в офис банка и без ожидания ответа оператора. Это особенно важно для людей с ограниченными возможностями. Таким образом, наш продукт способствует повышению доступности банковских услуг для широкого круга пользователей, что является важным аспектом социальной ответственности компании.

- В каких направлениях планируется развивать проект?

Самым главным направлением является увеличение количества источников данных для принятия правильного решения в ответе. В наших планах также расширение проекта как по вертикали, так и по горизонтали. Мы планируем внедрять решение не только в рамках обслуживания розничного клиента, но для внутренних клиентов. На первом этапе данное решение уже встраивается в чат-бот-сервис по обслуживанию и поддержке наших сотрудников в точках продаж.

Генеративный ИИ привлекает внимание компаний всего мира своей скоростью и мощью, оказывая существенное влияние на бизнес-операции, модели, продукты и сервисы. Недавний опрос Accenture показал, что почти все руководители (99%) планируют увеличивать инвестиции в эту технологию. В такой ситуации ИТ-директора с учетом их видения бизнес-процессов и глубокого понимания потенциала технологий имеют все необходимое для того, чтобы помочь своим организациям подготовиться к внедрению генеративного ИИ. Главным препятствием 67% представителей высшего технического руководства считают недостаточное знание технологий своими коллегами. Определяющая роль для эффективного решения этой задачи отводится увязке генеративного ИИ с успехом предприятия.

Эффективная интеграция искусственного интеллекта в бизнес начинается с постановки четких целей и приведения стратегии ИИ в соответствие с этими бизнес-целями. Сегодня 98% руководителей уже согласны с тем, что в ближайшие три-пять лет базовые модели ИИ будут играть важную роль в реализации стратегии их организации. Чтобы проверить, готово ли предприятие к внедрению генеративного ИИ, ИТ-директор должен задать себе следующие восемь вопросов:

1. Какую базовую модель следует выбрать? Другими словами, какая архитектура наилучшим образом обеспечивает релевантность, надежность и удобство использования выходных данных модели? Количество поставщиков и моделей генеративного ИИ непрерывно растет. При выборе конкретного варианта необходимо убедиться в его соответствии потребностям и запросам организации.

2. Как сделать эти модели доступными? Существует два основных подхода, которые бизнес может использовать для внедрения моделей. Все зависит от того, нужен ли вам полный контроль в собственном облаке, или же доступ к генеративному ИИ будет осуществляться через внешнего поставщика, обеспечивающего требуемую скорость и простоту.

3. Как модели будут адаптироваться к вашим собственным данным? Для получения от генеративного ИИ максимальной отдачи предприятие должно использовать свои собственные данные. Следует рассмотреть различные способы адаптации предварительно подготовленных моделей к собственным данным предприятия и попытаться создать готовые инструменты, подходящие для организации и ее сотрудников.

4. Какова общая готовность предприятия? Прежде всего оцените свои платформы, обеспечивающие интеграцию и интероперабельность, а также уровень безопасности базовых моделей и потенциальные риски. Обязательным условием для создания надежной системы ИИ является соблюдение законов, нормативных требований и этических стандартов. Все это необходимо продумать еще на стадии проектирования.

5. Как обстоят дела с углеродным следом? Несмотря на прохождение предварительной подготовки, базовые модели в процессе адаптации и тонкой настройки все еще могут потреблять значительное количество энергии. Последствия будут зависеть от подхода, применяемого при покупке, сборке и расширении базовых моделей.

6. Как перевести разработку приложений генеративного ИИ на промышленную основу? Следующим шагом после выбора и развертывания базовой модели является поиск новых фреймворков, которые могут потребоваться для ускорения разработки приложений. Оптимизируя процесс, вы адаптируете его к конкретным бизнес-функциям и предметным областям.

7. Что нужно для масштабного использования генеративного ИИ? Поиск способов масштабной монетизации ценностей, создаваемых искусственным интеллектом, должен волновать каждого ИТ-директора. Искусственный интеллект создает благоприятную почву для стимулирования инноваций. А ИТ-директора в соответствии со своей ролью обладают хорошими связями в рамках всей структуры предприятия. Поиск новых возможностей и свежих взглядов способствует внедрению инноваций как внутри организации, так и в масштабах всей отрасли и появлению новых возможностей для роста.

8. С чего начать и как действовать дальше? ИТ-директор способен внести важный вклад в разработку программного обеспечения. Погрузитесь в процесс и постарайтесь продемонстрировать ощутимые результаты пилотных проектов. В компании Accenture, к примеру, генеративный ИИ помогает команде разработчиков быстрее запускать продукты. Благодаря использованию инструмента Amazon CodeWhisperer удалось добиться значительного увеличения производительности труда разработчиков и качества кода, что помогло внедрить новую платформу AWS Velocity в рекордно короткие сроки. Обобщая собственный опыт, становится ясно, как продвигаться вперед и расширять сферу применения продуктов.

Исследования показывают, что с помощью генеративного ИИ в сфере ИТ можно оптимизировать до 73% общего рабочего времени. Это подчеркивает важность закладывания основ для безопасного, ответственного и экономичного масштабирования генеративного ИИ, обеспечивающего бизнесу получение реальных ценностей.