Александр ПЕРЕВАЛОВ: «В GenAI побеждает не самая большая модель, а лучший контекст»

Генеративный ИИ прошел путь от демонстраций до промышленных внедрений. Современное решение должно работать в закрытом контуре, учитывать безопасность, интегрироваться с корпоративными системами и давать измеримый эффект. О том, где генеративный ИИ уже приносит бизнесу пользу, какие сценарии остаются экспериментальными и почему open source-модели сами по себе не решают задачу заказчика, мы поговорили с Александром Переваловым, руководителем ИИ разработки GreenData.

Многие компании уже попробовали GenAI. Что теперь можно считать настоящей ценностью, а не демонстрацией технологии?

В enterprise ценность начинается с соответствия продукта существующим ограничениям заказчика. Часто нельзя использовать зарубежные коммерческие модели, решение должно работать внутри закрытого контура и соответствовать доступной инфраструктуре. Если при этом ИИ-продукт дает нужное качество, скорость работы и помогает решать реальную задачу, тогда это уже не эксперимент, а полезный инструмент. Поэтому важно оценивать не только сокращение времени или снижение ошибок, но и готовность к промышленному внедрению без компромиссов в данных и надежности.

Согласны ли вы, что конкурировать теперь нужно не на уровне фундаментальных моделей, а на уровне контекста?

Да. Конкуренция на уровне фундаментальных моделей — это удел очень крупных игроков с соответствующими ресурсами. Для большинства компаний реалистичный путь — использовать существующие open source или коммерческие модели и обогащать их собственным контекстом, данными, которых нет в открытом доступе: регламентами, документами, историей обращений, бизнес-правилами, накопленной экспертизой. Но сами данные ничего не решают. Нужно сформировать контекст так, чтобы модель дала корректный ответ или вызвала нужный инструмент внутри бизнес-процесса.

Как в enterprise выглядит этот «год контекста»?

Сначала компании нужно собрать знания, которые хранятся в разрозненных вики-системах, в заметках, внутренних документах и даже «в головах» экспертов. Все это нужно не только собрать в одном месте, но и научиться хранить, обновлять и эффективно искать по этим знаниям ответы, чтобы затем обогащать ими контекст языковых моделей. При создании ИИ-агентов на базе языковых моделей важно понимать, что системный промпт или системная инструкция — это тоже часть контекста. По сути, это краткое описание бизнес-функции, которую выполняет ассистент: что он должен делать, в каких границах, с какими данными и по каким правилам. Поэтому профессия промпт-инженера или контекст-инженера, которая еще недавно воспринималась почти как шутка, в 2026 году становится действительно важной. От качества такой настройки напрямую зависит, будет ли ассистент просто отвечать общими словами или сможет помогать в конкретном бизнес-процессе.

Нужно ли компаниям обучать собственные фундаментальные модели?

Не всегда. Обучение фундаментальной модели — очень дорогая история, компания должна понимать, окупятся ли такие инвестиции. Многие бизнес-кейсы сегодня можно закрыть контекст-инжинирингом: RAG, грамотными промптами, настройкой сценариев и интеграцией с данными. Дообучение или отдельные ML-модели оправданы там, где есть специализированная задача, стабильный поток данных и понятный экономический эффект.

Какие задачи выигрывают от GenAI, а где он только усложняет архитектуру?

Генеративный ИИ не подходит там, где требуется строгая объяснимость. Например, в скоринговых моделях или оценке вероятности дефолта. Если нужно классифицировать документ по небольшому фиксированному набору классов, большая языковая модель тоже может быть избыточна: справятся классический ML, правила или поиск. GenAI дает ценность там, где есть неструктурированный текст, неоднозначность, необходимость подготовить саммари, сопоставить данные из разных источников или помочь человеку в задаче, где простым «да/нет» не обойтись.

Если заказчик говорит: «Мы сами соберем это из open source», в чем ценность вендора?

Этот вопрос относится не только к искусственному интеллекту, а в целом к разработке программного обеспечения. Собрать решение из open source — это все равно внутренняя разработка. Ей нужно управлять, под нее нужны ИТ-ресурсы, архитектура, тестирование, поддержка. Эти ресурсы стоят дорого, и при этом команда часто проходит тот же путь проб и ошибок, который другие уже проходили десятки раз. Ценность вендора в готовом и проверенном ПО, опыте внедрения, отлаженных моделях, интеграциях и ответственности за результат. В enterprise важны не только алгоритмы, но и безопасность, управление доступами, аудит, SLA и отраслевая специфика. Например, в GreenData мы обучаем собственные модели классификации документов и распознавания фрагментов документов, чтобы решения лучше работали именно в контексте российского законодательства и российских типов документов. В этом и есть практическая ценность вендора: он сокращает путь от идеи до промышленного результата и берет на себя часть рисков, которые при внутренней разработке полностью остаются на стороне заказчика.

Какие GenAI-сценарии уже зрелые, а какие пока остаются в зоне экспериментов?

Зрелые сценарии — Meeting Intelligence: распознавание речи, транскрибация встреч, суммаризация, генерация протоколов. Второй блок — RAG и корпоративный поиск: работа с большими неструктурированными хранилищами документов или кода и генерация ответа на основе найденного контекста. ИИ-агенты как замена традиционному интерфейсу пока развиваются. Более зрелый пример — первая линия поддержки, где чат-боты с LLM под капотом уже работают достаточно стабильно. Но если процесс формализован, лучше использовать классический workflow, RPA, правила или ML-модель.

Какую практическую формулу вы бы дали бизнесу?

Начинать стоит не с абстрактного желания «внедрить GenAI», а с узкого прикладного кейса. Например, с распознавания документов. Затем изучить, какие решения уже есть на рынке, где они ошибаются, какие open source-альтернативы доступны и что можно доработать своими силами. Важно сразу считать экономику. В облаке — потребление токенов и контроль расходов, on-premise — инфраструктуру и поддержку. Если слабые места понятны, данные доступны, экономика сходится, а эффект можно измерить, тогда в проект стоит развивать. GenAI в 2026 году — это не магия большой модели, а точный выбор задачи, качественный контекст и только потом масштабирование.

Источник: ixbt.pro