Искусственный интеллект в больших организациях: как прошёл слёт «Лидеры изменений СПО» во Владивостоке

С 16 по 18 июня во Владивостоке прошёл III Дальневосточный слёт «Лидеры изменений СПО» — большая встреча руководителей системы среднего профессионального образования под девизом «Восточный мах: открываем новые горизонты». Колледжи и техникумы — это, по сути, и есть большие организации в чистом виде: сотни сотрудников, тысячи учащихся, бюджеты, регламенты, отчётность и тесная связка с органами власти. Все те же управленческие задачи, с которыми я обычно работаю в банках, корпорациях и госсекторе, — только в своей отраслевой обёртке.

Меня позвали 17 июня провести мастер-класс «ИИ: RAG-агенты и практика внедрения». Формат получился двойной: в первый день — разбор того, как искусственный интеллект устроен и где он реально приносит пользу большой организации, во второй — практикум, где участники собирали рабочих агентов своими руками. Эта заметка — пересказ главного, что прозвучало, плюс несколько идей, которые обычно вызывают самые живые вопросы из зала.

Небольшая ремарка о том, почему меня вообще приглашают с такими темами. Больше восьми лет я занимаюсь внедрением ИИ в корпорациях и около двух лет — в госструктурах: среди недавних проектов — работа с Администрацией Президента, Министерством тарифного регулирования Воронежской области, текущий проект с «Газпром нефтью» и пилот с «Ак Барс Цифровые Технологии». Из этой практики выросла авторская методика — шкала автономности процессов, на которой и держался весь мастер-класс.

Что такое ИИ — и что им давно не считается

Начал я с отрезвляющего наблюдения: то, что вчера называли искусственным интеллектом, завтра становится рутинной инженерией. Синтез речи, распознавание текста с фотографии, первые чат-боты — всё это когда-то казалось магией, а сейчас это просто функции. Поэтому под «ИИ» сегодня имеют в виду прежде всего генеративные модели: они не классифицируют и не достают готовое, а порождают новое — текст, код, изображение, решение.

Дальше — короткий словарь без которого дальше разговаривать бессмысленно. Я намеренно объясняю эти термины «на пальцах», потому что именно с них начинается любая практика внедрения искусственного интеллекта в большой организации:

• LLM (большая языковая модель) — то, что генерирует текст. Сердце почти всех современных решений.
• Эмбеддинги — способ превратить слова и документы в числовые векторы, где близкие по смыслу вещи лежат рядом. Любимая иллюстрация: «КОРОЛЬ − МУЖЧИНА + ЖЕНЩИНА ≈ КОРОЛЕВА». Именно на эмбеддингах работает смысловой поиск.
• RAG (Retrieval Augmented Generation) — приём, который резко снижает «галлюцинации»: перед ответом модель идёт в базу знаний, находит релевантные фрагменты и отвечает с опорой на них.
• Tool calling (вызов инструментов) — модель умеет не только говорить, но и действовать: вызвать поиск, посчитать на калькуляторе, дёрнуть внутреннюю систему и использовать результат.
• MCP (Model Context Protocol) — простой стандарт подключения инструментов, «USB-C для ИИ»: один разъём, через который агент получает доступ к нужным системам с учётом прав конкретного сотрудника.

Облако или закрытый контур: главный водораздел

Дальше — тема, на которой в зале с государственными и крупными организациями всегда оживляются. Облачные сервисы (GigaChat, YandexGPT, ChatGPT) — это быстро и мощно, но в них нельзя передавать персональные данные, сведения о критической инфраструктуре и тем более гостайну. Поэтому для автоматизации госуправления и работы с чувствительными данными модель разворачивают в закрытом контуре: на своих серверах или в сертифицированном облаке. Модели там получаются скромнее по размеру, зато данные не покидают периметр организации.

Этот выбор — облако против контура — определяет почти всё: какую модель можно взять, до какого уровня автономности реально дойти и сколько это будет стоить. Я разбирал тему подробнее в отдельном материале про матрицу размещения LLM по типам данных — для больших организаций это, пожалуй, первый документ, который стоит составить ещё до пилота.

Шкала автономности процессов: общий язык для руководителя

Центральная идея мастер-класса — шкала автономности процессов (SDP). Я подсмотрел её у шкалы автономности автомобилей: когда ту придумывали, самоуправляемых машин ещё не существовало как класса — но шкала задала всем общее направление. С процессами в организации то же самое: смотришь на процесс будто через подзорную трубу и быстро понимаешь, на каком уровне стоит организация и каким должен быть следующий шаг. Это язык, который одинаково понятен и айтишнику, и директору, и совету.

• L0 — ручной труд. Excel, скрипты, простые узкие модели. Ускоряет руки, но не меняет суть процесса.
• L1 — GPT-ассистенты. Документ копируют в чат-бот, получают результат. Удобно, но неустойчиво и постоянно требует человека.
• L2 — RAG. Ассистент подключён к знаниям организации и отвечает с опорой на источники, а не выдумывает.
• L3 — агенты с вызовом инструментов. Уже умеют действовать, но логика почти линейная.
• L4 — автономные многошаговые агенты. Планируют, проверяют себя, перепланируют, сами решают, когда задача завершена.
• L5 — самоуправляемый бизнес. Пока недостижимый уровень — как когда-то автономные автомобили.

Практическая ценность шкалы в том, что она снимает спор «нам нужен ИИ» и заменяет его конкретным «мы на L1, нам нужно на L2, вот что для этого собрать». Большинство больших организаций — банки, корпорации, госструктуры — сегодня стоят на L1–L2 и многого ждут от перехода на L3.

Где ИИ уже приносит пользу: примеры из практики

Чтобы тезисы не висели в воздухе, я показал несколько реальных сценариев — те, что мы делаем на платформе Panteo. Все они отлично переносятся и на образовательную организацию, и на ведомство, и на корпорацию:

• Классификация обращений граждан. Поток входящих заявлений автоматически разбирается и маршрутизируется — типовая задача любой большой структуры, работающей с людьми.
• Проверка закупочной документации. Агент сверяет закупку с положением о закупках и требованиями 223-ФЗ — и всегда подсвечивает страницу и фрагмент, на который ссылается. Человек валидирует вывод в формате executive summary за минуту вместо часа.
• ИИ-консультант 24/7. Отвечает на типовые вопросы абитуриентов, клиентов или граждан в нескольких каналах сразу.
• Ассистент оператора контакт-центра. Подсказывает оператору ответ в реальном времени и заметно сокращает время обработки обращения.

Объединяет их одно: ИИ не заменяет человека целиком, а снимает с него рутину и оставляет за ним решение. Для большой организации это самый безопасный и быстро окупаемый способ начать.

Тот самый фактор

А теперь — про фактор, ради которого, мне кажется, и стоило собирать зал. Самый частый вопрос звучит так: «Какую модель брать?» И это неправильный вопрос. Решающий фактор успеха внедрения ИИ в большой организации — не мощность модели, а зрелость процессов и готовность людей. Прирост продуктивности последнего года дала не магия моделей, а правильная «обвязка» вокруг них и понятный процесс, в который их встроили.

Отсюда практический вывод для любого руководителя крупной организации: сначала наведите порядок в знаниях и регламентах, опишите процесс, выберите одну болезненную точку — и только потом подключайте модель. Технологию сегодня можно купить или арендовать за день. А вот зрелый процесс и команда, которая не боится отдать рутину агенту, — это и есть тот фактор, который невозможно купить, и именно он отделяет красивый пилот от работающего внедрения.

Практикум: собираем агента руками

Второй день — практический. Чтобы ИИ перестал быть футурологией, участники собирали рабочих RAG-агентов в визуальном конструкторе LangFlow — без программирования, мышкой. В качестве данных взяли то, что близко большой организации: тексты 223-ФЗ, Трудовой кодекс и Кодекс этики в сфере ИИ. На готовых сценариях разобрали несколько вариаций: классический RAG, гибридный поиск, вызов инструментов и knowledge graph.

Главный эффект практикума не в том, что человек собрал агента, а в том, что у него пропадает страх. Когда руководитель своими руками видит, как из документа и пары блоков получается ассистент, который отвечает по делу и со ссылкой на статью закона, разговор про внедрение в его организации сразу становится предметным.

Самые интересные идеи из зала

Несколько мыслей, которые обычно цепляют сильнее всего, — вынесу отдельно:

• Словарь меняется каждые полгода. Ещё зимой считали сметы на агентов с вызовом инструментов, теперь говорим про автономные harness-агенты с собственной рабочей средой. Скорость изменений — сама по себе управленческий вызов.
• Чем мощнее агент, тем меньше ему нужно инструментов. Современному автономному агенту хватает буквально четырёх базовых действий — выполнить команду, найти, создать файл, изменить файл. Всё остальное он достраивает сам.
• Соло-предприниматель как предельный случай. Появились фаундеры, где один человек через агентов закрывает и разработку, и маркетинг, и продакшен. Большой организации это намёк: иногда проще научить агента, чем согласовывать handoff между отделами.
• Gen BI вместо классической аналитики. На смену дашбордам приходит аналитика на естественном языке: «покажи выручку по кварталам» — и система сама идёт в данные. Но за простым вопросом стоит зрелость инфраструктуры, а не агента.
• Суверенный ИИ. Для госсектора надежда — на большие изолированные дата-центры внутри страны, которые позволят работать с серьёзными моделями, не нарушая требований к данным.

Не только сцена: встречи с регионом

Слёт стал и поводом для рабочих встреч. В эти же дни во Владивостоке прошло несколько по-настоящему плодотворных встреч с региональным госуправлением и Министерством цифрового развития Приморья. Обсудили главное: как Приморскому краю системно внедрять искусственный интеллект и привлекать отечественных поставщиков моделей — таких как GigaChat — для совместных проектов в защищённом контуре, где данные не покидают периметр региона. Для Дальнего Востока это особенно практичный путь: суверенные модели в закрытом контуре снимают вопросы с персональными данными и гостайной и при этом позволяют запускать реальные сервисы для жителей Приморья и ведомств края.

Спасибо организаторам

По итогам слёта я получил сертификат участника — и хочу искренне поблагодарить за это организаторов: Министерство просвещения РФ, Правительство Приморского края, Институт развития профессионального образования, Дальневосточный федеральный университет и всех партнёров слёта. Отдельное спасибо — за подбор аудитории: когда в зале сидят люди, которые отвечают за реальные процессы в больших организациях, разговор сразу идёт по существу, а не про «когда нас всех заменит ИИ».

Если тема откликается и вы примеряете внедрение искусственного интеллекта на свою организацию — самый дешёвый способ начать не с покупки технологии, а с честной оценки, где вы находитесь. Об этом — следующий блок и весь блог: новые материалы про практику внедрения ИИ в корпорациях, госуправлении и больших организациях выходят регулярно, в том числе в моём телеграм-канале @yaroslav_shuvaev.