Недавно на закрытом бизнес-завтраке юридических компаний я поймал себя на мысли: искусственный интеллект перестал быть темой про будущее.

Ещё пару лет назад подобные встречи начинались с вопроса «а вы уже пробовали?» — и дальше шёл обмен первыми впечатлениями, похожий на рассказы туристов, вернувшихся из экзотической страны.

Теперь никто не спрашивал, стоит ли пробовать.

Обсуждали конкретику: кто, как часто и для каких задач использует нейросети, какие связки инструментов прижились в работе, а какие результаты пришлось выбросить и переделать руками. А главным вопросом вечера было другое: останется ли в отрасли место для самих юристов.

О чём нам с вами говорит такая постановка вопроса?

Для малого бизнеса это вопрос выживания в буквальном смысле. Большая часть сегментов российского рынка сейчас не растёт, а сжимается.

На растущем рынке ошибку в выборе инструментов прощает сам рост: недополученную прибыль компенсирует общий поток.

На падающем рынке прощения нет — любой инструмент, дающий преимущество, становится фактором выживания, а любой инструмент, внедрённый не туда, отнимает ресурсы, которых и так мало.

Может ли ИИ стать той соломинкой, за которую хватается утопающий, — чтобы где-то догнать товарищей по бегу, где-то обогнать, а где-то закрепиться в лидерах?

Может. Но не везде. И граница применимости — это ровно то, о чём почти не говорят на бизнес-завтраках. Там охотно делятся историями успеха и осторожно молчат об историях, где нейросеть три недели «внедряли» в процесс, которому она противопоказана по своей природе.

Давайте проведём эту границу в явном виде.

ИИ действительно способен ускорить ряд задач в разы, а порой — не побоюсь этой оценки — в десятки раз. При этом никакой инструмент, на каких бы технологиях он ни был построен, не является волшебной палочкой, позволяющей безответственно достигать выдающихся результатов.

Как и все технологические преимущества последних сотен лет, нейросети требуют квалификации того, кто ими пользуется.

Токарный станок с числовым управлением не делает из подмастерья токаря шестого разряда — он делает токаря шестого разряда многократно производительнее. Школьник с доступом к той же языковой модели не получит результатов специалиста, который потратил годы, набил ошибки и заработал понимание, где инструмент применим, а где его нужно отставить в сторону.

С чем это связано? Возможно, момент неочевидный, поэтому проговорим его явно.

Посмотрите на любую большую языковую модель: рядом с названием всегда стоит количество параметров, и исчисляется оно миллиардами.

Внутри машины, которая на вход получает вашу фразу, а на выходе выдаёт ответ, волшебно похожий на человеческую речь, заложены миллиарды переходов между узлами — миллиарды маленьких шестерёнок, каждая со своей настройкой.

Когда вы отправляете запрос, эти шестерёнки прокручиваются в последовательности, которую не может заранее предсказать никто. Даже создатели моделей. Это принципиально: непредсказуемость здесь встроена в конструкцию, а её конструкция — источник силы.

Практическое следствие вы наверняка встречали сами. Один и тот же запрос — скажем, «построй для меня бизнес-план» — в разное время даёт разные результаты, и порой различие существенное: другая структура, другие акценты, другие цифры в примерах. Добавьте сюда галлюцинации — ответы, уверенно расходящиеся с фактами, которые мы с вами знаем. Модель не лжёт в человеческом смысле: у неё нет намерения обмануть. Она порождает правдоподобный текст, а правдоподобие и достоверность — категории разные. Для черновика статьи это терпимо. Для счёта клиенту — катастрофа.

Здесь полезно напомнить, что стоит по другую сторону границы. Автоматизация по старинке — это ваш регламент, переведённый на язык программы: если пришло событие А, выполни действие Б; если сумма выше порога, отправь на согласование; если поле пустое, останови и сообщи.

Каждая ветка написана человеком, каждую можно прочитать, проверить и предъявить аудитору. Такая программа не придумает ничего нового — и в этом её достоинство, а не ограничение. Она делает ровно то, что в неё заложили, миллион раз подряд, не уставая и не импровизируя.

Отсюда вывод.

Если задача должна давать строго предсказуемый результат по заранее определённому сценарию, сам по себе ИИ — не оптимальный инструмент.

Для таких задач гораздо лучше подходит обычная автоматизация по старинке: детерминированная программа, которая во всех одинаковых случаях выдаст одинаковый результат. Гарантируется это с высокой вероятностью — сбои в программном обеспечении бывают, поэтому я и говорю «с высокой вероятностью», а не «всегда».

Но с ИИ вы такой гарантии не получите вовсе: каждый выход требует контроля, и стоимость этого контроля нужно закладывать в экономику решения с самого начала.

Возьмём два примера с одинаковой, казалось бы, механикой. Нейросеть готовит для вас обзор рынка перед стратегической сессией — и в одном абзаце из двадцати ошибается в дате выхода конкурентного продукта. Неприятно, но у обзора есть читатель: вы.

Вы заметите странность, перепроверите, поправите. Ошибка стоила пятнадцать минут. Теперь та же нейросеть встроена в цепочку без человека: сама формирует отгрузочные документы и сама отправляет их клиенту.

Одна перепутанная цифра в количестве — и вы разбираетесь с претензией, возвратом, потерянным доверием. Механика ошибки одинаковая. Цена — различается на порядки.

Из этого следует рабочее правило, которое я применяю в каждом проекте:

Заметьте: правило не запрещает ИИ участвовать в чувствительных процессах. Оно требует, чтобы между вероятностной машиной и необратимым последствием стояла либо проверка по старинке, либо живой человек, присматривающий за работой нейросети.

Инженерно это решается буднично: детерминированная программа сверяет то, что породила нейросеть, с тем, что обязано сходиться, — суммы, реквизиты, обязательные поля, допустимые диапазоны.

Совпало — идём дальше.

Не совпало — стоп и эскалация человеку. Вероятностная машина создаёт, детерминированная — контролирует. Дешёвая связка, а снимает бо́льшую часть рисков, из-за которых руководители справедливо не подпускают нейросети к деньгам и документам.

Продукты на базе ИИ развиваются стремительно — в том числе потому, что создаются с помощью таких же ИИ-инструментов. Получается контур с положительной обратной связью: инструменты ускоряют разработку инструментов. Новинок так много и появляются они так быстро, что отслеживать их не успевают даже специалисты, которые занимаются этим целенаправленно: опробовать каждую значимую версию и составить о ней собственное мнение физически некогда. Я говорю это как человек, у которого мониторинг таких новинок — часть профессии.

У предпринимателя от этого обилия голова идёт кругом, и возникает закономерное ощущение: рынок нестабильный, ненадёжный, возможно, переоценённый. Сегодня все обсуждают один инструмент, через квартал — другой, а тот, в изучение которого вложились три месяца назад, уже сменил и интерфейс, и модель ценообразования.

Предприниматель притормаживает: сокращает усилия и ресурсы на изучение и внедрение.

Одновременно работает противоположный фактор: знакомые вокруг рассказывают, что пользуются ИИ постоянно. Кто-то сократил расходы на подрядчиков, кто-то ускорил подготовку коммерческих предложений. Это повышает тревожность и всё-таки заставляет что-то делать. Действия в тревожном состоянии редко приводят к хорошим результатам — внедряется первое попавшееся, без вопроса «какую задачу мы решаем». Но, признаю, это какой-никакой стимул, и отрасль он развивает.

Заметьте: оба фактора — эмоциональные. Страх отстать и усталость от шума. Решение же лежит в инженерной плоскости: не «верить или не верить в ИИ», а понимать границу. Эмоции задают темп, но не должны задавать карту.

Любой процесс в компании когда-то был проектом. Вы впервые выстраивали доставку, впервые собирали воронку продаж, впервые нанимали не лично, а по регламенту. Проект по определению содержит создание нового: нет готового сценария, есть гипотезы, сравнения, выбор. Ровно здесь нейросети работают на вас в полную силу — сформировать варианты, столкнуть их между собой, помочь выбрать оптимальный в вашем конкретном контексте, а не в среднем по учебнику.

Затем процесс созревает. Сценарий определился, случаи повторяются, результат должен быть одинаковым от раза к разу. Зрелому процессу вариативность вредна — и здесь оправдана обычная автоматизация: детерминированная, скучная, надёжная.

Скучность в данном случае — комплимент.

Но и в зрелом процессе для ИИ остаётся роль, и роль серьёзная: отклонения. Возникла ошибка, нестандартный запрос клиента, сбой у поставщика — ситуация, которой нет в сценарии. Её нужно проанализировать, решить, исправима ли она, выбрать способ и реализовать.

Здесь ИИ, воспроизводя цепочки рассуждений, похожие на человеческие, играет роль лица, принимающего решения на своём уровне ответственности, — с эскалацией человеку там, где цена ошибки высока.

То есть симбиоз. Автоматизация по старинке — там, где нужны чёткость, детерминированность и гарантированный результат. ИИ — там, где нужно создать, изучить, сравнить и выбрать. Один и тот же процесс в разные периоды своей жизни нуждается в разных инструментах — и это нормально.

Предлагаю упражнение, которое занимает вечер, а экономит месяцы. Выпишите пять процессов, отнимающих больше всего времени у вас и вашей команды. Разложите каждый на шаги — крупно, без фанатизма. И к каждому шагу задайте два вопроса. Первый: допустима ли здесь вариативность результата, или во всех одинаковых случаях результат обязан быть одинаковым? Второй: что произойдёт, если на этом шаге случится ошибка, и заметит ли её кто-нибудь до того, как она станет необратимой?

Покажу на обобщённом примере, как это выглядит. Возьмём обработку входящей заявки — процесс, который есть почти в любой компании.

Шаг первый: заявка пришла и должна попасть в учётную систему. Вариативность недопустима, ошибка означает потерянного клиента — детерминированная автоматизация.

Шаг второй: по заявке нужно подготовить коммерческое предложение под специфику клиента. Здесь как раз создаётся новое, а результат перед отправкой посмотрит менеджер — территория нейросети.

Шаг третий: выставить счёт по утверждённому предложению. Цифры, реквизиты, необратимость — снова по старинке, из шаблона, без импровизаций.

Шаг четвёртый: клиент задал нестандартный вопрос, которого нет в базе ответов. Отклонение от сценария — ИИ готовит черновик ответа, человек проверяет и отправляет. Один процесс, четыре шага, три разных инструментальных решения. Вот что я имею в виду, когда говорю о границе в явном виде.

Спектр задач для ИИ при этом остаётся широким: маркетинг, продажи, аналитика, разработка программного обеспечения полного цикла — от анализа ситуации и постановки задания через проектирование до порождения кода и внедрения.

Но остаётся и множество задач, где человек по-прежнему незаменим: создание масштабных распределённых систем — работа, в которой за нейросетями нужно сильно-сильно присматривать.

Граница проходит не между «модным» и «устаревшим». Она проходит между задачами, где вариативность результата допустима, и задачами, где она недопустима, — с поправкой на цену ошибки в каждой из них. Проведите эту линию по своим процессам, и вопрос «внедрять ли ИИ» из тревожного и абстрактного превратится в понятный список: что отдать нейросетям, что — детерминированной автоматизации, а что пока оставить людям. Список вместо тревоги. По-моему, честный обмен.

С каких процессов начали бы вы?

PS Мы разбираем такие границы в каждом проекте ЧЕЛОВЕК++: сначала порядок, потом автоматизация — обращайтесь!