Полное руководство по внедрению ИИ для руководителей отделов данных и ИИ в 2026 году

Как эффективно использовать разработанную систему для определения приоритетов в инициативах в области ИИ с целью быстрого ускорения роста и повышения эффективности.

Делиться

Согласно данным LinkedIn, число директоров по искусственному интеллекту утроилось с 2019 по 2024 год. Сейчас примерно половина крупнейших компаний в таких странах, как Великобритания, назначили такого директора. Цель проста: ускорить рост и сократить расходы с помощью ИИ.

Влияние ИИ на крупнейшие компании мира неоспоримо. Такие компании, как Atlassian, уволили тысячи сотрудников (их акции упали на 50% за последние 12 месяцев). Block поступил аналогично, и в целом акции компаний, предлагающих стандартные SaaS-решения, страдают из-за предполагаемого риска, связанного с тем, что ИИ упростит создание альтернативных решений.

Тем временем инструменты повышения производительности разработчиков, такие как Claude Code, стремительно завоевывают мир. В декабре 2025 года выручка Claude Code превысила 1 миллиард долларов, что эквивалентно тому, как если бы 10 000 компаний тратили в среднем 100 000 долларов — примерно четверть выручки Databricks/Snowflake.

В этом руководстве мы изложим структуру для оценки различных путей, доступных руководителям отделов данных и искусственного интеллекта для продвижения ИИ в своих компаниях.

Понимание целей бизнеса и сходства ИИ с автоматизацией в целом имеет решающее значение. Альтернативные издержки также являются основополагающим фактором — ИИ позволяет компаниям, которые всегда могли быть «слишком медленными» или «слишком неэффективными», преодолеть этот «стеклянный потолок» и переосмыслить себя.

В этой статье мы представим структуру оценки, позволяющую руководителям отделов управления данными и анализа (CDAO) понять возможности, открывающиеся в их организациях. Структура будет классифицировать возможности по различным областям применения или повышения производительности. В статье также будут рассмотрены вопросы стоимости, сроков и альтернативных издержек при оценке инициатив в области ИИ.

Вторая часть статьи будет посвящена реальным примерам оценки ИИ в рамках данной концепции, а также примерам, специфичным для команд, работающих с данными, на основе интервью с тысячами специалистов по работе с данными за последние 12 месяцев.

К концу статьи у вас будет четкая структура для оценки возможного влияния ИИ на вашу организацию, практические шаги на будущее и наглядные примеры того, как ИИ приносит значительную пользу компаниям и командам, работающим с данными.

Раздел 1: Структура оценки ИИ

Что позволяет делать ИИ: автоматизация и повышение производительности.

Мы определяем семь ключевых показателей производительности для специалистов по искусственному интеллекту и обработке данных:

• Производительность труда : общий объем продукции, произведенной в настоящий момент рабочей силой.
• Человеческий фактор : сумма затрат, необходимая для достижения текущего уровня производительности труда.
• Вклад ИИ : сумма затрат, необходимая для достижения полного преодоления разрыва в производительности.
• Автономная производительность : объем работы, который может быть надежно выполнен агентами или автоматизированными системами.
• Автоматизируемая человеком производительность : объем работы, который работники могли бы выполнить с помощью ИИ.
• Суммарная адресная производительность («САП») и разрыв в производительности: Автономная работа + Работа, поддающаяся автоматизации человеком. Автономная работа + Работа, поддающаяся автоматизации человеком – Производительность человека; разрыв в производительности.
• Разрыв в рентабельности инвестиций (ROI) : (вход TAP/ИИ) – 1. Показатель повышения производительности, которое может обеспечить ИИ.

Примеры

• Компания, занимающаяся колл-центрами и обрабатывающая 100 000 звонков в год, могла бы автоматизировать все эти процессы с помощью ИИ; следовательно, автономная работа была бы примерно равна работе человека. Производительность, поддающаяся автоматизации человеком, минимальна, но с использованием ИИ она может увеличиться примерно на 20%. Таким образом, TAP составляет примерно 0,2 * производительность человека. Вклад ИИ значительно ниже, чем вклад человека, из-за меньшего количества сотрудников, необходимых для приема звонков.
• В компании, занимающейся разработкой программного обеспечения и имеющей 100 разработчиков, есть команда SRE из десяти человек. Процесс SRE можно автоматизировать на 50% с помощью агентов искусственного интеллекта. Это сокращает объем работы ИИ на 5%. Автономная производительность компенсирует недостаток человеческой производительности.
  • Благодаря таким инструментам, как Claude Code, производительность разработчиков повышается на 100%. Повышенная производительность эквивалентна наличию еще 95 разработчиков.
  • Показатель TAP примерно вдвое превышает производительность труда человека.

Автономная производительность очень похожа на автоматизацию . При автоматизации всегда есть альтернативные издержки — конечно, автоматизировать можно всё, но отличие ИИ заключается в том, что некоторые вещи теперь можно автоматизировать быстрее и дешевле. Однако ИИ не является панацеей от всех видов автоматизации.

Расширенная производительность отлично вписывается в сценарии использования ИИ, например, в системы помощи программистам. Значительная часть успеха Anthropic обусловлена выполнением обещания сделать разработчиков быстрее и эффективнее.

В стоимость ввода данных ИИ также входит стоимость кредитов ИИ.

Ограничения ИИ: альтернативные издержки и время.

Внедрение ИИ неизбежно влечет за собой упущенную выгоду. Компании могут оказаться не в состоянии внедрить ИИ в краткосрочной перспективе, поскольку это требует инвестиций и перераспределения персонала. Если вы читаете это, скорее всего, вы — результат увеличения штата сотрудников: вместо того, чтобы перенаправлять существующие ресурсы, компании могут привлечь новых специалистов для внедрения ИИ.

Внедрение сейчас сопряжено с упущенной выгодой. Компании, переживающие значительные трансформационные процессы или занимающиеся корпоративными делами, могут не иметь возможности выделять дополнительные ресурсы на инициативы в области ИИ и автоматизации.

Второй компонент — время: для достижения стабильного состояния, при котором будут реализованы все входные данные ИИ и TAP, потребуется время. Для небольших компаний этот период может быть коротким. Для крупных транснациональных корпораций радикальное изменение методов работы неизбежно займет больше времени, поскольку исторические модели меняются, а существующие соглашения об уровне обслуживания клиентов (SLA) вынуждают устанавливать гораздо более высокие стандарты внедрения ИИ.

Важные соображения

1. Альтернативные издержки ИИ : затраты компании на внедрение ИИ сегодня.
2. Время реализации : время, необходимое для реализации TAP.

Вот пример для небольшой компании-разработчика программного обеспечения.

• В компании работают 10 штатных сотрудников, каждый из которых получает зарплату в размере 100 000 долларов.
• Компания тратит 100 тысяч долларов на токены.
• Автоматизация / автономные агенты, автоматизирующие ключевые операционные процессы, для которых раньше потребовалось бы 2 штатных сотрудника.
• Все в компании пишут код, поэтому каждый выпускает вдвое больше продуктов.
• Общая стоимость проекта составляет 2,2 млн долларов. Разрыв в производительности составляет 1,1 млн долларов. Рентабельность инвестиций составляет 2,2 млн долларов / 1,1 — 1 = 100%.

Это предполагает мгновенное внедрение и практически нулевые альтернативные издержки внедрения. В реальности же использование Claude Code или аналогичных инструментов для сложных задач разработки программного обеспечения или обработки данных не будет мгновенным.

Краткое содержание

В этом разделе мы представили простую схему оценки потенциального положительного эффекта от ИИ. Мы выявили две основные области применения: автономная производительность и расширенная производительность . Автономная производительность относится к процессам, которые можно автоматизировать, но которые требуют человеческого времени и могут быть полностью автоматизированы с помощью агентов. Расширенная производительность относится к работе, требующей действий человека, например, к написанию кода.

Мы убедились, что сроки внедрения и альтернативные издержки внедрения являются важными факторами при принятии решения о целесообразности внедрения ИИ — данная концепция не обязательно должна быть специфичной для ИИ, но отличие ИИ в данном случае заключается в том, что масштабы преимуществ и время получения выгоды могут отличаться от обычных инициатив по автоматизации.

Рентабельность инвестиций может определяться как общей потенциальной производительностью , так и использованием ресурсов ИИ . В некоторых отраслях может действовать более жесткая стратегия сокращения затрат. В других, но, будем надеяться, в большинстве, руководителям отделов данных и ИИ следует стремиться понять, как можно перепрофилировать существующие ресурсы для достижения более высокого уровня производительности.

Это означает, что в целом внедрение ИИ вряд ли приведет к снижению затрат, а скорее к повышению производительности и, следовательно, к экономическому росту.

Данная концепция проста, но имеет свои ограничения. Характер работы, структура рабочей силы, цели компании, деятельность компании и рыночные силы — все это может повлиять на объем и осуществимость программы TAP .

Одним из интересных преимуществ, которое следует учитывать, является ценность достижения целей автономной и расширенной производительности в совокупности. Ценность первой практически неограничена. Ценность второй ограничена трудовыми ресурсами, но обеспечивает скорость . Компания, которая за год может двигаться вдвое быстрее, чем раньше, и делать втрое больше, потенциально стимулирует рост и в других областях.

Например, сеть супермаркетов, стремящаяся к агрессивному расширению и завоеванию доли рынка, может получить очевидную внешнюю выгоду от внедрения ИИ, если это позволит ей открывать магазины быстрее, чем это было бы возможно в противном случае, — особенно если эта выгода будет большей по сравнению с конкурентами.

В последующих разделах мы обсудим различные инструменты и подходы к автономной и расширенной производительности.

Раздел 2: Автономная производительность

Что такое автономная производительность?

Автоматизированная производительность — это объем работы, который может быть надежно выполнен агентами или автоматизированными системами без участия человека.

Автоматизация имеет богатую историю и повторяющиеся закономерности. Внедрение машин и механизмов дало начало первой волне автоматизации рабочих мест, за которой последовали другие этапы, такие как промышленная революция, а затем, конечно же, автоматизация с помощью программного обеспечения.

Сейчас мы вступаем в фазу автоматизации с помощью ИИ. Она характеризуется значительным повышением производительности труда отдельных сотрудников, поскольку они полностью передают часть своих обязанностей искусственному интеллекту. Также она характеризуется существенным расширением возможностей — компаниям больше не нужно выбирать, какие ресурсы им необходимы, они могут просто использовать ИИ-агента для каждой функции.

Примеры автономной производительности

Что компании могут автоматизировать:

• Решение проблем в службе поддержки клиентов – агенты с искусственным интеллектом отвечают на заявки, устраняют неполадки и передают на рассмотрение только особо сложные случаи.
• Квалификация и привлечение потенциальных клиентов – автоматизированный поиск потенциальных клиентов, генерация холодных писем и последующие действия.
• Создание контента – черновики для блога, SEO-исследования, публикации в социальных сетях и подготовка новостных рассылок.
• Анализ данных и составление отчетов – автоматизированные панели мониторинга, выявление аномалий и еженедельные бизнес-отчеты.
• Тестирование программного обеспечения и контроль качества – агенты, проводящие тесты, выявляющие регрессии и предлагающие исправления.
• Внутренняя документация – разработка и ведение стандартных операционных процедур (СОП), материалов для адаптации новых сотрудников и баз знаний.
• Составление кратких обзоров совещаний и отслеживание действий — фиксация заметок, назначение задач и автоматическое отслеживание результатов.
• Исследование рынка – анализ конкурентов, обобщение тенденций и получение аналитических данных.
• Процессы подбора персонала : отбор резюме, назначение собеседований и первоначальное взаимодействие с кандидатами.
• Финансовые операции – обработка счетов-фактур, категоризация расходов и базовая финансовая отчетность.

Примеры большей вместимости

Вакансии, на которые компании теперь не могут нанимать сотрудников, но могли бы нанимать раньше:

• Менеджер по работе с клиентами, работающий круглосуточно и без выходных – агент на основе искусственного интеллекта, обеспечивающий мгновенную поддержку по всему миру.
• Аналитик рыночной информации – постоянный мониторинг конкурентов, изменений цен и отраслевых сигналов.
• Менеджер по экспериментам в области развития бизнеса – одновременное проведение десятков маркетинговых и продуктовых экспериментов.
• Внутренний куратор знаний – поддержание актуальной документации и предоставление соответствующих знаний командам.
• Аналитик отзывов о продукте – обработка тысяч комментариев, отзывов и заявок от клиентов для получения ценной информации.
• SEO-исследователь – постоянно выявляет новые возможности для ключевых слов и пробелы в контенте.
• Специалист по развитию продаж (SDR) – занимается персонализированным поиском потенциальных клиентов в масштабах крупных компаний.
• Аудитор операционной эффективности – мониторинг рабочих процессов и рекомендации по возможностям автоматизации.
• Специалист по контролю за соблюдением нормативных требований – постоянное отслеживание процессов на предмет рисков, связанных с регулированием или политикой.
• Аналитик стратегических сценариев – моделирование бизнес-сценариев и подготовка отчетов для поддержки принятия решений.

Автономная производительность для команд, занимающихся искусственным интеллектом и обработкой данных.

Мы опросили сотни команд, занимающихся обработкой данных, и определили основные области, в которых специалисты рассматривают возможность внедрения ИИ для автоматизации. Эти области перечислены ниже, а данные опроса будут опубликованы позже.

Обратите внимание, что эти процессы не включают в себя те, которые потенциально могут потребовать участия человека.

Примеры применения инженерии данных

• Мониторинг конвейера и автоматическое восстановление — обнаружение сбойных заданий, повторная попытка выполнения задач, запуск резервных вариантов и уведомление только в случае необходимости эскалации.
• Приоритизация и диагностика проблем качества – выявление наиболее актуальных проблем качества и определение их приоритетности.
• Оптимизация затрат — выявление неэффективных задач и автоматическое перераспределение или масштабирование ресурсов. Такие компании, как Alvin и Espresso AI, добились огромных успехов в этой области.
• Автоматическая генерация документации — реальная проблема для инженеров, связанная с её поддержкой. Создание архитектурных схем и самообновляющейся документации может быть полностью автоматизировано с помощью ИИ.

Примеры применения проектирования хранилищ данных и аналитической инфраструктуры

Все эти варианты применения инженерии данных, плюс:

• Генерация и документирование семантических слоев — агенты могут довольно легко генерировать целые семантические слои, поддерживая при этом их синхронизацию. В сочетании с другими базами знаний этот процесс может быть полностью автоматизирован. Искусственный интеллект без контекста, конечно же, будет генерировать некачественные семантические слои.
• Соответствие требованиям защиты персональных данных и GDPR — классическая автоматизация, обеспечивающая соответствие складов требованиям защиты персональных данных и GDPR, например, запросы на удаление данных клиентов.
• Обслуживание хранилища данных — агенты искусственного интеллекта, способные архивировать данные, удалять избыточные поля и выявлять несоответствия в определениях.

Примеры использования аналитики и получения аналитических данных

• Обработка запросов и преобразование текста в SQL : такие помощники, как Snowflake Cortex и Databricks Genie, позволяют бизнес-пользователям легко самостоятельно обрабатывать запросы, вместо того чтобы полагаться на централизованную команду по работе с данными («ловушка разрозненности»).

• Служба поддержки и сортировка запросов : если у заинтересованных сторон возникают вопросы по процессам, им может потребоваться более детальное взаимодействие с агентом искусственного интеллекта, способным обрабатывать запросы, не требующие доступа к конкретным данным.

Общие сценарии использования в практическом применении

• Создание заметок и сбор данных с помощью ИИ
• Приоритизация
• Создание отчетов (не привязанных к KPI, например, внутренних отчетов или отчетов по управлению инцидентами, которые необходимо создавать каждый [квартал]).
• Создание и управление заявками
• Отслеживание последних версий/исправлений/уязвимостей зависимых программных пакетов.

Краткое содержание

Подавляющее большинство способов повышения автономной производительности для команд, занимающихся ИИ и обработкой данных, сосредоточены вокруг процессов. Как правило, многие процессы, связанные с обработкой данных, требуют участия человека и, следовательно, плохо подходят для автономной работы.

Однако это меняется, когда меняются процессы.

Например, рассмотрим ситуацию, когда есть команда из одного человека, занимающаяся обработкой данных и накопившая огромный объем коллективных знаний в области данных и архитектуры. Как правило, этот человек станет серьезным препятствием для бизнеса и заинтересованных сторон в поиске ответов на элементарные вопросы.

Процесс не обязательно должен быть одинаковым для всех типов запросов. Система сортировки, в которой агент ИИ используется для выявления и ответа на основные вопросы, а группа специалистов по работе с данными привлекается для обработки 1% наиболее важных запросов, станет значимым шагом в развитии автономной производительности.

Аналогично, при возникновении инцидента командам обработки данных часто приходится вручную создавать отчеты об инцидентах. Это можно автоматизировать с помощью рабочего процесса, например, запуска конвейера агента Orchestra с идентификатором инцидента или заявки, после чего агент создает отчет об инциденте и сохраняет его в S3 в виде воспроизводимого HTML-файла или репозитория Git.

В данном отчете не рассматривается оценка вариантов автономной производительности за пределами команд, занимающихся данными и ИИ, поскольку список задач, которые руководители отделов данных и ИИ могли бы начать автоматизировать, практически бесконечно длинный.

Для руководителей отделов автономной производительности (CDAIO) будет крайне важно определить те области автономной производительности в своем бизнесе, которые обеспечат наибольший прирост и кратчайшие сроки внедрения.

Раздел 3: Повышение производительности

Что такое повышение производительности труда?

Повышенная производительность труда относится к работе, которую ИИ может значительно ускорить, но не может полностью заменить . Эти виды деятельности по-прежнему требуют человеческого суждения, креативности или ответственности, но ИИ может значительно сократить время, необходимое для их выполнения.

Искусственный интеллект не заменяет собой все существующие роли, а выступает в качестве множителя силы . Отдельные специалисты могут работать быстрее, тестировать больше идей и достигать уровня производительности, который ранее требовал больших команд.

В то время как автономная производительность повышает эффективность за счет автоматизации , расширенная производительность повышает эффективность работы людей .

Примерами могут служить разработка программного обеспечения с помощью ИИ, ускорение процесса анализа или составление документов, которые затем дорабатываются и окончательно утверждаются людьми.

Примеры повышения производительности труда

Правительство и право

• Анализ документов в государственных бюрократических структурах – государственные служащие используют ИИ для обобщения объемных нормативных документов, проектов законодательства и политических бумаг перед принятием решений.
• Юридические исследования для юристов – искусственный интеллект выявляет прецедентное право, обобщает судебные решения и излагает аргументы, которые юристы могут доработать.
• Проверка и составление контрактов – искусственный интеллект выявляет риски, несоответствия или отсутствующие пункты, пока юристы утверждают окончательный текст.
• Анализ результатов общественных консультаций – кластеризация тысяч ответов граждан с помощью ИИ и обобщение ключевых проблем для политических групп.

Маркетинг и SEO

• SEO-менеджеры масштабируют производство контента : ИИ генерирует кластеры ключевых слов, брифы, планы и черновики статей, в то время как люди редактируют и публикуют их.
• Мониторинг конкурентов – искусственный интеллект непрерывно сканирует сайты конкурентов и выявляет изменения в ценообразовании, позиционировании или контентной стратегии.
• Итерация рекламных кампаний – маркетологи создают десятки вариантов объявлений, тестируют сообщения и быстрее совершенствуют стратегию.
• Переработка контента — превращение одного и того же фрагмента контента в информационные рассылки, публикации в социальных сетях и сценарии видеороликов.

Продуктовые и стартап-команды

• Менеджеры по продуктам быстрее пишут технические задания – ИИ составляет документы с требованиями к продукту и пользовательские истории на основе предварительных идей.
• Анализ отзывов клиентов – обобщение тысяч обращений в службу поддержки или отзывов в информацию о продукте.
• Генерация идей для экспериментов – создание экспериментальных моделей роста или улучшений продукта на основе данных и отзывов пользователей.
• Подготовка материалов для взаимодействия с инвесторами – составление отчетов, докладов для совета директоров и материалов для привлечения средств.

Продажи и развитие бизнеса

• Персонализация взаимодействия с потенциальными клиентами – ИИ формирует индивидуальные сообщения на основе исследования потенциальных клиентов, которые торговые представители проверяют перед отправкой.
• Исследование рынка – обобщение новостей компании, организационной структуры и потенциальных сигналов к покупке для отделов продаж.
• Подготовка предложений – создание первых черновиков ответов на запросы предложений и коммерческих предложений для клиентов.
• Подготовка сделки – обобщение результатов предыдущих переговоров, информации о заинтересованных сторонах и деталей контракта.

Операционные и внутренние команды

• Отделы кадров быстрее просматривают резюме : ИИ обобщает профили кандидатов до того, как их оценит человек.
• Подготовка к совещанию – ИИ собирает контекст, предыдущие решения и соответствующие документы перед началом обсуждений.
• Внутренний поиск знаний — сотрудники задают ИИ вопросы о внутренних политиках, документах и системах.
• Составление отчетов – ИИ формирует оперативные отчеты или сводки, которые затем утверждаются менеджерами.

Креатив и медиа

• Рабочие процессы видеомонтажа – искусственный интеллект генерирует черновые версии, стенограммы и фрагменты, которые затем дорабатываются редакторами.
• Разработка дизайн-идей — создание визуальных концепций или макетов, которые затем дорабатываются дизайнерами.
• Помощь в написании сценариев – составление планов или диалогов, которые затем редактируются авторами.

Эти примеры дают руководителям отделов данных и ИИ некоторые идеи о том, как их роль может положительно повлиять на бизнес с помощью ИИ. Руководителям отделов данных и ИИ следует избегать ловушки мышления «только о данных» — ИИ может трансформировать определенные типы бизнеса, и внедрение ИИ может вообще не иметь никакого отношения к данным.

В марте 2026 года мужчина в Австралии заявил, что использовал ИИ для создания противораковой вакцины для своей собаки. Это хорошая иллюстрация того, как ИИ может по-разному влиять на разные компании. Фармацевтические и биотехнологические компании теоретически могли бы использовать ИИ для значительного сокращения времени на выявление потенциальных лекарств. Способы реализации этого будут сильно различаться. Крупные фармацевтические компании могут ничего не делать напрямую, а скорее сотрудничать с лабораториями, занимающимися разработкой лекарств с использованием ИИ. Лабораториям по разработке лекарств, возможно, потребуется масштабная реорганизация, чтобы полностью перейти на ИИ, направляя инвестиционные средства в вычислительные процессы, а не в исследования (лейбористская партия). Внедрение любого из этих путей требует скорее подхода высшего руководства, чем технического подхода, что иллюстрирует потенциально изменчивые требования к руководителю отдела разработки лекарств, несмотря на общий мандат: «Использовать ИИ для ускорения роста и максимально быстрого снижения затрат».

Повышение производительности команд, занимающихся искусственным интеллектом и обработкой данных.

На основе опроса тысяч специалистов по обработке данных и разработчиков программного обеспечения ниже приведён список задач, которые ИИ может дополнить, но не полностью автоматизировать. В основном, это касается сценариев использования, связанных с генерацией кода.

• Разработка программного обеспечения – это использование инженерами ИИ для более быстрого создания функциональных возможностей, устранения ошибок и поиска подходов к реализации.
• Анализ и исследование данных – аналитики ускоряют поисковый анализ, написание SQL-запросов и понимание наборов данных с помощью искусственного интеллекта.
• Написание технической документации – создание черновиков описаний архитектуры, системной документации и руководств по внедрению, которые затем дорабатываются инженерами.
• Планирование разработки продукта – ИИ помогает структурировать предложения по функциям, спецификации продукта и документы с требованиями.
• Научно-исследовательская и стратегическая работа – обобщение отраслевой информации и подготовка предварительных стратегических анализов.
• Создание и редактирование документации – написание статей для блогов, отчетов или информационных бюллетеней, которые затем дорабатываются людьми для улучшения стиля и точности изложения.
• Проверка кода и поддержка отладки — ИИ выявляет потенциальные проблемы и предлагает решения, в то время как окончательные решения принимают люди.
• Моделирование данных и проектирование архитектуры – ИИ предлагает идеи схем, преобразований или подходов к моделированию для проверки человеком.
• Разработка и анализ экспериментов – выдвижение гипотез, структурирование тестов и помощь в интерпретации результатов.
• Подготовка презентаций и материалов для коммуникации – составление планов слайдов, кратких обзоров и отчетов, которые затем дорабатываются специалистами.

Учитывая технический характер работы команд, занимающихся данными и искусственным интеллектом, внедрение ИИ и автоматизации в процессы представляется принципиально важным в 2026 году.

Важной частью любой стратегии использования ИИ для технических специалистов (под техническими специалистами я подразумеваю всех, кто умеет писать код) является изменение процессов с целью использования возможностей ИИ. Способность ИИ генерировать код, документацию, проводить проверку и форматирование не имеет себе равных.

Углубленный анализ: пример рабочего процесса генерации кода.

Данный алгоритм генерации кода описывает, как пользователь может создать процесс, в котором инженер данных просто просит локального агента создать заявку. Например, инженер данных может сказать:

«Создайте заявку, включающую описание следующего запроса: «Создайте конвейер обработки данных в соответствии со стандартами моей компании, который использует DLT и Orchestra для загрузки данных из API и получения следующих объектов . Обеспечьте обработку пагинации и инкрементального доступа, где это возможно. Убедитесь, что точка входа в функции может принимать такие параметры, как имя объекта, начальная и конечная даты данных, а также любые другие соответствующие фильтры».

После создания заявки срабатывает веб-хук, отправляемый в среду разработки агентов, например, Orchestra. В среде разработки агентов запускается агент, который создает запрос на слияние (PR). Агент должен быть предварительно откалиброван и протестирован локально, прежде чем его можно будет запустить в производство и обеспечить его полную надежность. Создание запроса на слияние запускает проверки CI и CD. В идеале они также запускают рабочие процессы агентов, которые, в свою очередь, могут автоматически исправить запрос на слияние. Наконец, следует этап проверки человеком.

Это означает, что фокус внимания команд, занимающихся данными и искусственным интеллектом, смещается с…

• Умение писать код

К

• Возможность научить ИИ писать код так, как вы хотите.
• Умение грамотно оформлять заявки.
• Умение быстро проверять запросы на слияние.

Интересное наблюдение сообщества заключается в том, что область, в которой вы работаете, имеет значение для ИИ и данных. Например, в области разработки на React/фронтенда в интернете доступно большое количество кода ниже среднего уровня. ИИ, как правило, испытывает трудности с написанием качественного кода в этой области.

Для специалистов по работе с данными ситуация может быть схожей. Многие компании, правильно это или нет, используют свои собственные подходы к программированию конвейеров обработки данных. Следует избегать специфических особенностей каждой компании, поскольку они представляют собой существенное препятствие для автоматизации и получения выгоды.

Рассмотрим компанию, решившую создать форк dbt, например, Monzo, крупнейший необанк Великобритании. В Monzo работает около 100 инженеров-аналитиков, и у них относительно сложная и нишевая структура dbt. Научить ИИ писать код «как аналитик Monzo» может оказаться гораздо сложнее, чем научить ИИ писать качественный, стандартный код dbt-core.

Если процессы слишком узкоспециализированы для автоматизации, это создает реальную проблему для руководителей отделов данных. Лидеры в области данных должны быстро определить, являются ли процессы слишком узкоспециализированными и устоявшимися для автоматизации. Как и любая автоматизация, ИИ испытывает трудности, когда не определены четкие цели или отсутствуют процессы, поскольку нет «общих путей», по которым он мог бы следовать — отличным примером является разрешение инцидентов, где «специалист по данным» обычно решает проблемы через множество каналов (электронная почта, Slack, личное общение и т. д.) множеством способов.

Раздел 4: Входные данные для ИИ

Что такое входные данные для ИИ?

Входные данные для ИИ — это общие затраты, необходимые для получения результата с использованием систем искусственного интеллекта.

В то время как в системах оценки производительности обычно измеряется объем произведенной продукции, в системах оценки входных данных для искусственного интеллекта основное внимание уделяется ресурсам, необходимым для получения этой продукции.

На практике входные данные для ИИ представляют собой комбинацию двух основных компонентов:

1. Для работы систем искусственного интеллекта требуется человеческий труд.
2. Вычислительные затраты, необходимые для запуска моделей ИИ.

В совокупности эти факторы формируют истинные предельные издержки работы, выполняемой с помощью ИИ.

Даже когда ИИ выполняет задачу автономно, всегда существуют затраты ресурсов: управление системами, мониторинг результатов, проверка результатов и поддержание инфраструктуры.

Таким образом, входные данные для ИИ представляют собой общие экономические затраты на привлечение ИИ к выполнению полезной работы.

Два основных компонента входных данных для ИИ.

Трудозатраты

Даже высокоавтономные системы требуют участия человека. Это может включать в себя:

• Оперативное проектирование и разработка рабочих процессов.
• Контроль результатов и проверка их достоверности.
• Интеграция ИИ в существующие системы
• Управление инфраструктурой и агентами ИИ.
• Поддержка наборов данных, API и интеграций.

Для многих компаний сегодня затраты на рабочую силу остаются самой большой статьей расходов на внедрение ИИ, особенно на начальных этапах. Нет более ценного ресурса, чем время.

Входные данные для токена и вычислений

Системы искусственного интеллекта также влекут за собой прямые вычислительные затраты.

К ним относятся:

• Токены, потребляемые при генерации текста, кода или анализа.
• Вычислительные ресурсы, используемые для вывода результатов и выполнения модели.
• Затраты на хранение и инфраструктуру для конвейеров обработки данных ИИ.
• Стоимость API для внешних сервисов ИИ

Несмотря на то, что стоимость токенов продолжает быстро снижаться, они по-прежнему представляют собой реальный операционный ресурс для рабочих процессов, управляемых искусственным интеллектом.

Затраты на внедрение

Третья категория факторов, влияющих на внедрение ИИ, связана со стоимостью его использования в организации.

В отличие от текущих затрат на оплату труда или символических расходов, это, как правило, первоначальные инвестиции.

К ним могут относиться:

• Создание внутренней инфраструктуры искусственного интеллекта
• Приобретение корпоративных инструментов искусственного интеллекта
• Интеграция ИИ во внутренние системы
• Обучение сотрудников эффективному использованию ИИ.
• Разработка новых рабочих процессов с использованием агентов искусственного интеллекта.

Для многих организаций эти затраты на внедрение представляют собой наибольшее препятствие на пути к использованию ИИ, даже если долгосрочный рост производительности очевиден.

Примеры входных данных для ИИ

Эти примеры развивают идеи, приведенные в предыдущих разделах, и обращают внимание на влияние ИИ на рынок труда и связанные с этим затраты на токены.

Правительство и право

• Проверка документов в государственных бюрократических структурах
  Раньше проверка объемных нормативных документов занимала часы работы государственных служащих. Искусственный интеллект может за считанные секунды обобщить сотни страниц. Трудозатраты смещаются с чтения документов на проверку резюме. Стоимость тезисов возрастает с увеличением объема документов и количества заявок на консультации.
• Правовые исследования
  Юристы исторически тратили часы на поиск соответствующей судебной практики. Искусственный интеллект может быстро сканировать большие юридические базы данных. Трудовые отношения смещаются в сторону проверки аргументов и совершенствования стратегии. Стоимость услуг юристов возрастает с увеличением размера юридических корпусов и сложностью исследовательских запросов.
• Проверка контракта
  Искусственный интеллект может анализировать целые контракты, выявляя риски и несоответствия. Объем работы сокращается с полностью ручной проверки до целенаправленной верификации. Потребление токенов возрастает при работе с большими юридическими документами и многократных итерациях проверки.
• Анализ общественных консультаций
  Ранее обработка тысяч ответов граждан требовала больших групп аналитиков. Искусственный интеллект позволяет быстро группировать и обобщать ответы. Трудозатраты смещаются в сторону интерпретации результатов. Стоимость токенов напрямую зависит от объема ответов.

Маркетинг и SEO

• SEO-контент
  Раньше для написания длинных текстов требовалось несколько авторов. Искусственный интеллект может быстро создавать планы и черновики. Трудозатраты смещаются в сторону редактирования и контроля качества. Использование токенов увеличивается с длиной статьи и количеством созданных черновиков.
• Мониторинг конкурентов
  Ранее маркетинговые команды тратили часы на изучение сайтов конкурентов и новостей отрасли. Искусственный интеллект может непрерывно сканировать и обобщать эту информацию. Трудозатраты сокращаются до проверки оповещений. Стоимость токенов растет с частотой мониторинга и количеством анализируемых источников.
• Создание рекламных кампаний
  Маркетологи могут мгновенно создавать десятки вариантов рекламных объявлений. Трудозатраты смещаются с написания текста на выбор и доработку лучших вариантов. Стоимость токенов увеличивается с количеством созданных вариантов.
• переработка контента
  Один и тот же контент может быть преобразован в несколько форматов. Трудозатраты перемещаются от создания к проверке. Потребление токенов растет с увеличением количества запрошенных преобразований.

Продуктовые и стартап-команды

• Разработка технических спецификаций на продукцию
  Раньше составление подробных технических характеристик продукта требовало длительных циклов разработки. Искусственный интеллект может мгновенно создавать черновики. Трудозатраты смещаются на уточнение требований и проверку нестандартных ситуаций. Стоимость токенов возрастает с увеличением длины и сложности спецификаций.
• синтез отзывов клиентов
  Ранее продуктовые команды просматривали тысячи заявок в службу поддержки и отзывов. Искусственный интеллект может быстро обобщать и группировать эти отзывы. Рабочие силы сосредоточены на принятии решений о том, что следует разрабатывать. Использование токенов растет с увеличением объема данных отзывов.
• Разработка экспериментальных идей
  Теперь разработку продуктовых экспериментов или идей для роста можно ускорить с помощью ИИ. Трудозатраты смещаются в сторону расстановки приоритетов и выполнения задач. Стоимость токенов остается относительно низкой по сравнению с другими вариантами использования.
• Подготовка к коммуникации с инвесторами
  Искусственный интеллект может составлять отчеты для инвесторов и доклады совета директоров на основе внутренних данных. Основная задача — уточнение изложения материала и обеспечение его точности. Использование токенов увеличивается с увеличением объема отчетов и предоставленного исторического контекста.

Продажи и развитие бизнеса

• Персонализация взаимодействия с клиентами в сфере продаж
  Отделы продаж могут создавать персонализированные сообщения для взаимодействия с клиентами в больших масштабах. Трудозатраты переносятся с написания сообщений на их проверку. Стоимость токенов увеличивается с увеличением числа целевых потенциальных клиентов.
• Исследование счетов
  Искусственный интеллект может обобщать новости компании, информацию о найме и организационную структуру. Затраты на труд сокращаются: вместо ручного исследования теперь достаточно просто просматривать сводки. Стоимость токенов увеличивается с количеством отслеживаемых аккаунтов.
• Составление предложений
  Ответы на запросы предложений и сами предложения могут быть подготовлены быстро. Трудовые ресурсы смещаются в сторону персонализации и построения отношений. Потребление токенов растет с увеличением длины документа и количества подготовленных предложений.
• подготовка сделки
  Искусственный интеллект может обобщать прошлые разговоры и историю учетных записей. В сфере труда все больше внимания уделяется переговорной стратегии. Стоимость токенов возрастает при длинных цепочках электронных писем и стенограммах совещаний.

Операционные и внутренние команды

• Проверка резюме
  Отделы кадров могут мгновенно обобщать профили кандидатов. Смещение акцента в сторону оценки кандидатов, прошедших предварительный отбор. Стоимость токенов зависит от объема найма и длины резюме.
• Подготовка к встрече
  Искусственный интеллект может анализировать протоколы предыдущих совещаний, документы и электронные письма. Основной упор делается на принятие решений. Потребление токенов увеличивается с увеличением объема предоставленного исторического контекста.
• Внутренний поиск знаний
  Сотрудники могут запрашивать большие массивы внутренней документации с помощью ИИ-помощников. Трудозатраты смещаются с поиска на применение полученных ответов. Стоимость токенов увеличивается с размером базы знаний.
• Составление оперативных отчетов
  Отчеты, на составление которых раньше уходили часы ручной работы, теперь можно создавать быстро. Трудозатраты смещаются в сторону проверки и интерпретации. Использование токенов растет с увеличением длины отчета и количества включенных источников данных.

Использование ИИ в работе с данными командами

Влияние ИИ на входные данные для ИИ, по-видимому, весьма значительно. Судя по имеющимся данным, компании, занимающие «оборонительные» позиции и стремящиеся минимизировать затраты при сохранении стабильного уровня доходов, стремятся сократить штат сотрудников, сохраняя при этом неизменным объем производства.

Компании на стадии роста, такие как компании, находящиеся на этапе масштабирования, похоже, делают прямо противоположное: сохраняют неизменными затраты ресурсов, стремясь при этом максимизировать результаты за счет повышения производительности. Обычно это включает в себя определенные расходы на токены.

Стоимость токенов сильно варьируется. Разработчики, создающие приложения, такие как Пит Штайнбергер, создатель OpenClaw, за 5 месяцев потратили на Codex 50 000 долларов. Стоимость индивидуальных подписок на программы для кодирования колеблется от 20 до 100 долларов в месяц.

Прогнозирование использования токенов — сложная задача. Компаниям следует определить объем средств, которые они могут выделить на ИИ, прежде чем начинать этот процесс, и расставить приоритеты в инициативах на основе результатов тестирования и внедрения.

Для команд, работающих с данными, наиболее значимыми факторами, вероятно, являются затраты на внедрение и упущенные возможности. Хотя использование таких инструментов, как Codex и Claude Code, для ускорения написания кода является относительно быстрым и не требует больших затрат, сам процесс отличается.

Отказ от устоявшихся сложных процессов, документирование новых и распространение этой информации внутри организации может быть чрезвычайно трудоемким и медленным процессом. Кроме того, с постоянно растущими потребностями бизнеса в данных, команды, работающие с данными, особенно сталкиваются с высокими упущенными возможностями при перераспределении ресурсов на внедрение ИИ.

Командам, работающим с данными, следует выбирать подходящее время для внедрения ИИ, когда альтернативные издержки невелики, и/или поддерживать тесные связи с руководителями бизнеса, чтобы понимать альтернативные издержки ИИ. Если же существуют значительные преимущества, командам, работающим с данными, следует четко и эффективно донести эту информацию до тех, кто отвечает за приоритезацию ресурсов.

Краткое содержание | Для создания хорошего ИИ необходим хороший процесс

В этой статье я изложил структуру, позволяющую руководителям отделов данных и ИИ оценивать инициативы в области ИИ и формировать целостную стратегию в этой сфере.

Данная концепция фокусируется на повышении производительности двух видов: автономном и расширенном. Автономная производительность теоретически безгранична, тогда как расширенная производительность подразумевает кардинальное повышение производительности труда сотрудников существующего штата.

Мы также выявили некоторые риски внедрения ИИ, в частности, связанные со временем внедрения, стоимостью и упущенной выгодой от внедрения ИИ. За пределами данного анализа рассматривались вопросы безопасности, управления или неудачных внедрений. Для многих предприятий утечки данных или нарушение конфиденциальности могут нанести ущерб бизнесу, что, в свою очередь, создаст дополнительные препятствия и временные ограничения для внедрения ИИ.

Мы также выявили несколько позитивных сценариев — когда наблюдается «эффект от эффекта»; бонус за одновременное достижение множественных преимуществ в производительности (и связанных с ними последствий).

Для сценариев автономного и расширенного повышения производительности процессы имеют решающее значение. Хотя LLM-ы отлично справляются с пониманием неструктурированных данных и работой в недетерминированной среде, прирост производительности может быть значительным, если процессы будут воспроизводимыми.

Несмотря на всю привлекательность ИИ, предприятиям принципиально необходимы надежные, точные и заслуживающие доверия ИИ-решения. Без четких определений и хорошо отлаженных процессов простое добавление уровня ИИ вряд ли принесет положительные результаты.

Большинство предприятий обнаружат значительный разрыв в производительности. Те, кто обнаружит наличие «племенных знаний», неструктурированных процессов и человеческих узких мест, смогут договориться с высшим руководством: структуры — залог прогресса. Без структур компании не смогут извлечь выгоду из ИИ и упустят «лодку ИИ», а конкуренты выиграют.

Это должно стать хорошей новостью не только для руководителей отделов данных и ИИ, но и для специалистов по работе с данными в целом. Отсутствие согласованности, чрезмерная зависимость от отдельных людей, обладающих «черными знаниями», и недокументированные процессы являются, по сути, источником многих проблем, с которыми специалисты по работе с данными сталкиваются ежедневно, и одной из таких проблем является качество данных.

Компании, неспособные построить свой бизнес с четко определенными процессами, не добьются успеха в эффективном внедрении ИИ. Это означает, что те, кто это сделает, должны внедрить повторяемые, хорошо документированные процессы, чтобы ИИ и агенты ИИ могли начать выполнять эту работу.

В мире данных часто встречается фраза: «Что посеешь, то и пожнешь». Долгие годы проблема заключалась не в том, чтобы объяснить это командам, работающим с данными, а в том, чтобы заинтересовать бизнес. Искусственный интеллект, наконец, может это изменить.

По мере того, как компании спешат внедрить ИИ во все функции, становится очевидной новая реальность: эффективность ИИ зависит от качества лежащих в его основе процессов . Несовершенные системы, нечеткое распределение ответственности и низкое качество данных приводят не только к созданию плохих панелей мониторинга, но и к принятию неверных решений со скоростью машины.

Вот почему 2026 год может наконец стать годом, когда CDAIO по-настоящему раскроет свой потенциал. Не как технический лидер, а как бизнес-оператор, ответственный за обеспечение надежной основы для ИИ.

Для того чтобы компании действительно использовали ИИ, дело уже не ограничивается принципом «плохие данные на входе – плохие данные на выходе». Теперь это принцип «плохие процессы на входе – плохая информация на выходе». Впервые у всего руководства появилась причина для беспокойства.

Источник: towardsdatascience.com