Прототип за пять минут против реального бизнеса
Популярное мнение о том, что развитие генеративного кода похоронит традиционный SaaS, упускает из виду фундаментальную разницу между написанием скрипта и эксплуатацией системы. Написать базовое приложение для учета расходов с помощью нейросети не составляет труда, но поддерживать его работу в десятках стран с учетом постоянно меняющихся налоговых правил, сложных матриц доступа и финансовых сверок — совершенно другая задача.
По словам технического директора SAP Филиппа Херцига, именно эта пропасть между демонстрационным прототипом и масштабируемым корпоративным решением объясняет, почему большинство пилотных ИИ-проектов так и не добираются до продакшена. Сложность заключается не в генерации интерфейса, а в обеспечении надежности, безопасности и связности бизнес-процессов под капотом.
Опасность «уверенных ошибок» и контекст данных
Главный риск при интеграции больших языковых моделей в корпоративный контур — это так называемый феномен fluent-but-wrong: когда нейросеть формулирует абсолютно гладкий, авторитетный, но фактически неверный ответ из-за непонимания внутренних процессов компании.
Простая загрузка корпоративной документации в контекст LLM эту проблему не решает. Чтобы алгоритмы работали корректно, им необходимы структурированные ориентиры:
- Семантические графы знаний: машиночитаемые карты бизнес-объектов и связей между ними, исключающие догадки модели о назначении конкретных полей в таблицах.
- Фиксация прецедентов: сохранение контекста и причин нестандартных решений (исключений из правил), принятых людьми ранее, без превращения этих исключений в автоматическое правило без одобрения ответственного сотрудника.
- Смена роли разработчика: смещение фокуса программистов с написания типового кода на архитектуру, разграничение прав и проектирование защитных барьеров (guardrails) для автономных агентов.
Где бизнес теряет деньги на ИИ
Пока стоимость токенов падает, корпоративные счета за использование нейросетей продолжают расти. Основные утечки бюджетов происходят по двум направлениям: отправка простых рутинных задач во флагманские модели и так называемое «раздувание контекста» (перегрузка промпта избыточными данными).
Эффективная стратегия заключается не в поиске самой умной модели на рынке, а в маршрутизации запросов: простые операции вроде саммаризации писем требуют минимальных мощностей или локальных решений, тогда как дорогостоящие LLM должны привлекаться исключительно для сложной многоэтапной логики.
Табличные модели важнее текстовых чатов
Если в отраслях с высокой долей интеллектуального труда экономический эффект достигается за счет ускорения работы сотрудников, то в капиталоемком бизнесе максимальную отдачу дают не текстовые ассистенты, а прогнозирование на основе структурированных данных. Именно поэтому SAP инвестирует более 1 млрд евро в развитие табличного ИИ и модели линейки SAP-RPT.
Практический вход в эту технологию не требует гигантских затрат. Анализ всего нескольких тысяч строк исторических данных по счетам (сроки выставления, даты оплаты, контрагенты) позволяет предсказывать кассовые разрывы и задержки платежей. Сокращение среднего периода инкассации дебиторской задолженности даже на несколько дней способно высвободить для крупной компании десятки миллионов евро ликвидности.