Главная проблема искусственного интеллекта кроется не в самой модели, а в инфраструктуре данных

Многие компании сталкиваются с проблемой внедрения корпоративного искусственного интеллекта (ИИ): они нанимают высокоинтеллектуальные модели, которые способны анализировать огромные объемы информации и решать сложные задачи, однако эти модели часто лишены доступа к данным клиентов, понимания бизнес-процессов или возможности действовать в системах компании.

Несмотря на то, что пилотные проекты проводятся, а бюджеты утверждаются, многие руководители задаются вопросом, почему мощный ИИ еще не трансформирует рабочие процессы. Ответ заключается в том, что интеллект становится утилитой, тогда как контекст, доверие и способность к исполнению остаются критически важными.

BlueSky, являясь партнером Anthropic, видит решение в объединении интеллекта Claude от Anthropic с существующими возможностями Salesforce и Amazon Web Services (AWS). Компания считает, что таким образом организации могут выйти за рамки экспериментов и начать применять интеллект на практике.

Сила трех компонентов

Первая волна корпоративного ИИ была сосредоточена на диалоге, где пользователи задавали вопросы, а ИИ предоставлял ответы. Хотя это было полезно, это не всегда приводило к трансформационным изменениям.

Следующий этап развития будет определяться способностью к исполнению. Например, при рассмотрении заявки на кредит от малого или среднего предприятия (МСП) мощная модель ИИ может проанализировать финансовую отчетность за считанные минуты. Однако если эта модель не может получить доступ к записям клиентов, извлекать документы, запускать рабочие процессы или взаимодействовать с процессами утверждения, процесс все равно займет недели.

Основная проблема для многих организаций заключается не в самом интеллекте, а в соединении этого интеллекта с теми системами, где фактически выполняется работа. Здесь и проявляется важность концепции «Сила трех», которую представляет собой аналогия «мозг, руки и позвоночник»:

• Мозг — это Anthropic, чья модель Claude обеспечивает необходимую аналитическую способность, суждение и рассуждение для решения сложных бизнес-задач.
• Руки — это Salesforce, поскольку интеллект без контекста является лишь мнением. Salesforce предоставляет данные о клиентах, рабочие процессы и бизнес-процессы, позволяющие ИИ понимать происходящее и предпринимать осмысленные действия.
• Позвоночник — это AWS, так как для работы корпоративный ИИ требует безопасной, масштабируемой и отказоустойчивой среды. AWS обеспечивает инфраструктуру, управление и основу для интеграции, необходимые для развертывания ИИ в больших масштабах.

Каждая из этих возможностей сильна сама по себе, но их совместное использование дает гораздо больший эффект. Они отвечают трем ключевым вопросам, которые должен задавать каждый руководитель относительно ИИ: достаточно ли он интеллектуален? Понимает ли он наш бизнес? Можем ли мы доверять ему работу в масштабе?

Четвертый элемент

Тем не менее, существует четвертый компонент. Мозг, руки и позвоночник нуждаются в нервной системе, которая их связывает, и именно эту роль выполняет BlueSky. Партнерство с Anthropic для BlueSky — это не начало их пути в области ИИ, а скорее следующий этап многолетней работы по помощи организациям в модернизации операций, улучшении клиентского опыта и раскрытии ценности через Salesforce, AWS и трансформацию на основе данных. Их задача состоит в том, чтобы связывать интеллект, корпоративный контекст и исполнение способами, которые приводят к измеримым бизнес-результатам.

Важно отметить, что это не означает замену существующих технологических инвестиций. Напротив, организации должны рассматривать свои среды Salesforce и AWS как фундаментальную основу, делающую корпоративный ИИ эффективным.

Возможности за пределами автоматизации

В перспективе возможности значительно шире, чем просто автоматизация. Мир движется к тому, где организации будут все чаще работать бок о бок с цифровыми работниками, или, как это называют некоторые, «кремниевыми сотрудниками». Эти системы не будут просто отвечать на вопросы; они будут помогать анализировать информацию, координировать задачи, готовить рекомендации и продвигать работу по всей организации.

Это знаменует собой глубокий сдвиг. ИИ не заменяет один человеческий навык; вместо этого он начинает усиливать очень широкий спектр человеческих способностей. Руководящий вызов будет заключаться в освоении способности использовать интеллект, который работает в тысячи раз быстрее любого отдельного руководителя или команды.

Организации, которые преуспеют в эпоху ИИ, начнут не с модели, а с самой работы, которую необходимо выполнить, и желаемых результатов. Они переосмыслят процессы вокруг интеллекта, поймут, что исполнение важнее разговора, и осознают, что масштабирование ИИ — это в конечном итоге организационный, а не только технологический вызов.

Победителями эпохи ИИ станут не те организации, у которых есть доступ к наибольшему количеству моделей, поскольку доступ к интеллекту становится универсальным. Вместо этого победят строители: организации, которые связывают интеллект со своими данными, системами и людьми, преобразуют идеи в действия и превращают интеллект в измеримые бизнес-результаты. Таким самым умным новым сотрудником уже может воспользоваться любой бизнес. Вопрос в том, готовы ли вы предоставить ему рабочий стол.

В последние годы улучшение результатов работы с ИИ зависело от умения писать более качественные запросы (промпты). Однако эта парадигма быстро меняется, поскольку системы ИИ начинают самостоятельно рассуждать, принимать решения и выполнять действия в рамках целых рабочих процессов.

На мероприятии TechSparks 2026, флагманском событии YourStory, доктор Вигнеш Субрахманиам, ведущий научный сотрудник по ИИ в Intuit, провел беседу с Адитом Чарли, управляющим редактором YourStory и The CapTable. Обсуждение под названием «За пределами промпта: создание ИИ, который мыслит, действует и обучается» было посвящено тому, что разработчикам необходимо переосмыслить по мере того, как интеллект становится все более автономным.

Сессия началась с вопросов о типичном рабочем дне Субрахманиама и просьбы упростить концепции финтеха и ИИ для аудитории. Он использовал аналогию с шахматами, задав вопрос: если алгоритму не преподавать правила шахмат, а показать миллион завершенных партий с победителями, сможет ли он вывести и правила, и наиболее вероятные стратегии для победы?

Команда Intuit применяет схожий подход для поддержки малого бизнеса, поскольку компания обслуживает как потребителей, так и бухгалтеров. Субрахманиам отметил: «Как мы изучаем игру бизнеса, анализируя данные, реальные действия и результаты, которые предпринимают предприятия». Цель состоит в понимании факторов, способствующих успеху бизнеса в привлечении клиентов, быстром росте и улучшении денежного потока.

Далее разговор перешел к смене парадигмы для разработчиков: от многолетнего изучения написания более умных промптов к проектированию агентов, которым ставится цель, и они сами определяют шаги для ее достижения. Субрахманиам сравнил промпт-инжиниринг с долгой историей языков программирования, начиная от двоичного кода и ассемблера до Fortran, C и Python. Большие языковые модели позволили любому человеку программировать на простом английском языке, однако этот метод имеет свои ограничения.

Исследователи быстро поняли, что интеллект не должен находиться только в самой модели. Модель должна выступать в роли оркестратора, разбивая сложную задачу на последовательность действий и вызовов инструментов. Реальный интеллект перемещается в инструменты, которые вызываются; и эти инструменты также должны быть разработаны иначе: «не для того, чтобы ими мог пользоваться человек, или разработчик программного обеспечения, или кто-либо еще, а таким образом, чтобы оркестратор LLM мог ими действительно пользоваться».

Это требует создания высокоточных инструментов с крайне детерминированным результатом. Для разработчиков мастерство смещается от остроумных формулировок к надежным компонентам, которые модель может вызывать снова и снова без неожиданностей.

Относительно источников новых данных, Субрахманиам открыто заявил, что обучение на текстовых данных в значительной степени решено. Более сложная задача заключается в обучении на мультимодальных источниках и реальных действиях. Он привел пример того, как маленький ребенок в основном учится через то, что видит, слышит и наблюдает, а не через чтение, утверждая, что включение таких сигналов из реального мира в системы ИИ поможет моделям выйти за рамки генерации текста и начать предлагать действия. Он назвал это следующим рубежом.

Рассматривая проблемы регулируемой отрасли, он вернул аудиторию на 18 лет назад, в одну из первых лабораторий машинного обучения в Бангалоре, где он работал над логистической регрессией и многослойными перцептронами. Тогда самой большой проблемой была не сам алгоритм. Он вспомнил: «На самом деле, это было качество данных».

Эта проблема не изменилась. Независимо от того, обучает ли команда простую регрессию или дообучает трансформер, принцип «мусор на входе — мусор на выходе» остается в силе. По его словам, компании, способные собирать, агрегировать и хранить данные самого высокого качества, получат преимущество.

Во время короткой сессии вопросов и ответов один из участников спросил, как ограничения на хранение финансовых данных влияют на работу Intuit. Субрахманиам назвал согласие основой любой обучающей системы и сослался на исследование Фрамингем, где жители города Массачусетс разрешили врачам отслеживать их здоровье с течением времени, что сформировало современное понимание сердечно-сосудистых заболеваний. Он добавил, что компании также обязаны объяснять широкой общественности преимущества использования данных.

По мере завершения беседы сквозной идеей стало то, что по мере перехода ИИ от реагирования к действию, основы становятся важнее интерфейса. Промпты останутся отправной точкой, но настоящая работа теперь заключается в создании надежных инструментов, которые могут вызывать агенты, снабжении систем высококачественными данными и получении согласия, которое позволяет им обучаться. Именно здесь, за пределами промпта, будет выиграна следующая волна ИИ для разработчиков.

В декабре 2025 года игра Clair Obscur: Expedition 33 получила две негативные награды на Indie Game Awards из-за использования текстур, сгенерированных искусственным интеллектом (ИИ), в финальной версии. В отличие от этого, такие корпорации, как Nvidia, используют ИИ для проектирования собственных графических процессоров (GPU), которые используются во многих играх, не сталкиваясь с призывами к бойкоту.

Этот сценарий поднимает вопрос о предубеждении геймерского сообщества в отношении ИИ. Различие заключается в том, что считается приемлемым, а что нет, что требует анализа не только данных, но и примеров, где технология была хорошо воспринята, а также внутренних практик индустрии оборудования.

Исследование, проведенное GDC 2026 на основе ответов более 2300 отраслевых специалистов, оценило мнения об использовании генеративного ИИ. Результаты показали худший сценарий по сравнению с предыдущим годом, особенно в отношении использования генеративного ИИ.

Среди опрошенных специалистов 52% считают, что генеративный ИИ вредит отрасли, что является значительным увеличением по сравнению с 30%, зарегистрированными в прошлом году, и 18% два года назад.

Цифры становятся еще более критичными, когда речь идет о геймерской аудитории. Исследование, проведенное Quantic Foundry, которое собрало данные от 1799 игроков, показало, что около 85% из них выразили неодобрение использованию генеративного ИИ, причем примерно 63% имеют очень негативное отношение.

Исследование Quantic Foundry указывает на то, что мотивация геймерской аудитории является важным фактором. Они продемонстрировали большую негативность, когда ИИ применяется для создания искусства, музыки, звуковых эффектов, повествования и диалогов.

Для сравнения, использование ИИ для настройки сложности было негативно воспринято 27% аудитории, в то время как использование в визуальном искусстве достигло 83% неприятия. Это сопротивление аудитории также было высоким в других творческих областях: 77% против музыки и звуковых эффектов, и 70% против повествования и диалогов. Это говорит о том, что возражение аудитории имеет тенденцию снижаться по мере того, как использование ИИ отдаляется от строго творческих процессов.

Примером применения ИИ, получившего некоторое общественное признание, являются DLSS и связанные технологии. Эти системы используют ИИ для повышения частоты кадров (FPS), снижения задержки и улучшения визуального качества. Пользователи приняли эти функции благодаря заметному качеству и производительности, которых они достигли.

Однако проблемы начали возникать по мере развития DLSS. Функции, изначально ориентированные на производительность, превратились в зависимости для разработки игр, заставляя новые тайтлы нуждаться в этих инструментах, часто демонстрируя сбои в производительности даже на мощных компьютерах.

Ситуация усугубилась с представлением DLSS 5. Этот инструмент, который включает нейронный рендеринг в реальном времени для реконструкции пикселей с фотореалистичным освещением и материалами, продемонстрировал трудности с поддержанием визуальной согласованности между сценами, что привело к деформации оригинального произведения и появлению искусственных и шаблонных характеристик. Эти проблемы были восприняты геймерским сообществом крайне негативно.

Такие компании, как Nvidia, применяют ИИ в своих проектах чипов, охватывая от проектирования компонентов до окончательной проверки проектов. Примечательным результатом стала разработка 64-битного сумматора — схемы, ответственной за сложение двоичных значений, — которая занимает примерно на 25% меньше площади чипа при создании с использованием PrefixRL, согласно сообщениям Джеффа Дина из Google и Билла Далли из Nvidia.

На конференции DAC (Конференция по автоматизации и проектированию) 2026 года такие компании, как Synopsys, Cadence и Siemens, представили проекты автоматизации с помощью ИИ. Агент длительной проверки дизайна от Synopsys продемонстрировал процесс, который в 50 раз быстрее, по данным самой компании. Параллельно проект Siemens в сотрудничестве с Nvidia представил агенты, способные характеризовать библиотеки более чем в десять раз быстрее.

Хотя это всего лишь два примера, у них есть общая черта: частичная замена человеческого труда ИИ не вызвала возмущения, протестов или бойкотов со стороны общественности.