Сфера корпоративного программного обеспечения переживает беспрецедентный бум интереса к генеративному искусственному интеллекту, однако крупнейшие мировые предприятия всё еще находятся на самых ранних стадиях реального внедрения этих технологий. На панельной дискуссии SaaStr руководители ведущих AI-компаний — Glean, Anthropic и ContextualAI — обсудили, как устроен процесс закупки и адаптации нейросетей в B2B-секторе. Эксперты поделились инсайтами о скрытых барьерах, ложных ожиданиях от тонкой настройки моделей и представили свое видение того, как искусственный интеллект трансформирует рабочие места к 2030 году.
🌐 Корпоративный AI: На пороге пропасти внедрения 0:00
В то время как потребительские AI-сервисы вроде ChatGPT мгновенно стали частью повседневности, собрав более 200 миллионов зарегистрированных пользователей, корпоративный сектор демонстрирует гораздо более осторожный подход. Как отмечает партнер фонда unusual Ventures Сандья Хегде, такие гиганты, как Walmart или JPMorgan, находятся в самом начале своего пути освоения генеративного AI. Перед вендорами технологий стоит сложная задача — перевести рыночный хайп в плоскость надежных и безопасных бизнес-решений.
Инвестиционный тезис фонда unusual Ventures, озвученный в рамках дискуссии, строится на поиске технологических решений ранней стадии, способных преодолеть «пропасть внедрения» (adoption cycle) в B2B-сегменте. Фонд фокусируется исключительно на корпоративном софте и помогает стартапам адаптировать генеративные модели под жесткие стандарты безопасности мировых корпораций.
Участники дискуссии представляют разные архитектурные и продуктовые подходы к решению этой задачи:
- Glean (генеральный директор Арвинд Джейн) предлагает умную поисковую систему для корпоративных данных, функционирующую как Google или ChatGPT для внутреннего контура компании.
- Anthropic (сооснователь Бен Манн) разрабатывает передовые базовые модели с фокусом на безопасность ИИ и поставляет их бизнесу через партнерства с облачными гигантами.
- ContextualAI (генеральный директор Дауве Кила) создает кастомизированные языковые модели нового поколения, готовые к развертыванию на предприятии без риска галлюцинаций.
По оценке Дауве Кила, технологии первого поколения вызывают у корпоративных клиентов немало разочарования из-за своей незрелости, что заставляет провайдеров переосмыслять подходы к созданию Enterprise-систем.
🚀 Чего хочет бизнес: Главные сценарии использования AI 2:54
По словам Арвинда Джейна, уровень энтузиазма со стороны бизнеса сейчас беспрецедентен, а запросы клиентов можно разделить на два масштабных блока: улучшение продуктов, продаваемых конечным потребителям, и внутренняя трансформация рабочих процессов сотрудников.
Бен Манн подтверждает этот тезис примером из практики: один из крупнейших мировых банков в ходе внутреннего аудита сформировал список из 500 потенциальных сценариев использования больших языковых моделей (LLM). В таких условиях руководству зачастую трудно понять, с чего именно начать внедрение. По мнению Манна, сейчас компании стремятся превратить ИИ в главного эксперта по внутренним продуктам и документации, чтобы клиенты и инженеры могли общаться с системой как с опытным архитектором решений.
Дауве Кила утверждает, что около 95% всех корпоративных запросов, которые ему доводится слышать, укладываются всего в три функциональные категории:
- Поиск и синтез информации — извлечение глубоких инсайтов из разрозненных массивов данных, а не простое индексирование документов.
- Иерархическая суммаризация — превращение объемных отчетов и цепочек данных в сжатые аналитические выжимки, готовые для принятия управленческих решений.
- Скриптованные чат-боты — автоматизация клиентской поддержки и внутренних сервисов, строго следующих заданным сценариям.
Помимо этого, Арвинд Джейн выделяет высокую востребованность AI-инструментов среди маркетологов для генерации контента и в инженерных департаментах — для написания юнит-тестов и отладки программного кода.
⚠️ Барьеры на пути к масштабированию: От FOMO до уязвимостей в безопасности 8:18
Переход от пилотных проектов к масштабному развертыванию ИИ внутри компаний наталкивается на серьезные препятствия. Арвинд Джейн отмечает, что на столь раннем рынке клиенты парализованы страхом упустить выгоду (FOMO) или выбрать не того вендора: они затягивают циклы продаж, бесконечно тестируя сотни появляющихся стартапов из опасения, что завтра выйдет более совершенный инструмент.
Кроме того, Джейн указывает на недооцененную внутреннюю проблему — разграничение прав доступа. Если внешняя безопасность данных (риск утечки информации за контур компании при обучении моделей) уже частично решена, то управление доступом внутри корпорации остается критическим узлом. Нельзя допустить, чтобы рядовой сотрудник через корпоративный поисковый AI получил доступ к конфиденциальным файлам топ-менеджмента или финансовым отчетам HR-департамента. Копирование данных в десятки разрозненных AI-инструментов разрушает единую систему управления информацией.
По мнению Бена Манна, для успешного преодоления бюрократических барьеров критически важно наличие готовой облачной инфраструктуры. Использование таких программ, как AWS Bedrock, позволяет Anthropic закрывать вопросы безопасности для самых чувствительных клиентов, требующих долгосрочных и сложных сертификаций уровня FedRAMP.
В то же время Манн указывает на скрытый внутренний барьер в корпорациях — дефицит человеческих ресурсов:
«У руководителей департаментов есть свои OKR, запланированные еще с прошлого года, проекты по поддержке систем и ликвидации технического долга. В организации просто нет свободной полосы пропускания для изучения этих совершенно новых технологий».
В качестве примера глубокой интеграции Манн привел сотрудничество с сервисом Notion, где команда Anthropic работала напрямую со всеми уровнями — от технического директора до рядовых инженеров.
Дауве Кила сформулировал ключевые технические проблемы, которые на данный момент сдерживают массовое внедрение ИИ в Enterprise-сегменте:
- Галлюцинации — склонность моделей выдумывать факты без явных причин и понятных механизмов исправления.
- Отсутствие атрибуции — невозможность проследить, на основе каких конкретно обучающих данных модель выдала тот или иной ответ.
- Проблемы с комплаенсом — сложности с обновлением информации и неспособность моделей оперативно «забывать» защищенные данные.
- Экономическая нецелесообразность — некорректный баланс стоимости и качества, когда эксплуатация тяжелых моделей обходится слишком дорого для решения повседневных задач компании.
🧮 Эволюция подходов: Почему fine-tuning уступает место RAG 20:55
Одной из главных точек дискуссии стало обсуждение методов адаптации ИИ под нужды конкретного бизнеса. Как заявляет Арвинд Джейн, клиенты часто приходят со слепой убежденностью в том, что им жизненно необходима тонкая настройка моделей (fine-tuning) на собственных данных, поскольку медиа сформировали у них ложные паттерны восприятия технологий.
Дауве Кила высказался по этому поводу еще более радикально, утверждая, что провайдеры услуг часто вводят клиентов в заблуждение ради собственной выгоды. По мнению Килы, классический fine-tuning для большинства корпоративных задач попросту не нужен и даже вреден. Намного эффективнее использовать архитектуру RAG (Retrieval-Augmented Generation — генерация, дополненная извлечением данных) или модели с экстремально длинным контекстным окном. Тонкая настройка оправдана лишь тогда, когда компания хочет создать узкоспециализированный интеллект под уникальные, нигде более не встречающиеся данные.
Именно поэтому ContextualAI предлагает полностью пересмотреть базовую архитектуру корпоративных систем, отказавшись от «параметрических монстров». Кила считает, что Enterprise-модель должна изначально строиться как сквозная RAG-система, где пласт данных жестко отделен от пласта генерации. Это решает проблемы с комплаенсом, снижает галлюцинации и позволяет мгновенно обновлять корпоративные знания.
Дополнительным фактором беспокойства для юристов крупных компаний остаются вопросы авторского права на данные, использованные при обучении коммерческих моделей. Бен Манн отметил позитивный прецедент, когда корпорация Microsoft (через GitHub) взяла на себя полную юридическую ответственность и покрытие судебных издержек в случае исков против пользователей инструмента Co-pilot. Со своей стороны, как утверждает Манн, Anthropic строго соблюдает файлы robots.txt и другие маркеры запрета на сбор данных при парсинге веб-ресурсов.
🔮 Взгляд в 2030 год: Персональные спутники и «компании из одного человека» 24:49
В завершение панели спикеры представили свои прогнозы развития рынка искусственного интеллекта на ближайшие годы.
Арвинд Джейн ожидает, что к 2030 году каждый сотрудник получит по-настоящему умного, всезнающего персонального ИИ-ассистента, который возьмет на себя большую часть рутинных задач. Сегодня подобная роскошь в виде личных помощников доступна только топ-менеджерам корпораций, но технологии сделают ее массовой.
Бен Манн выразил надежду на то, что будущие языковые модели научатся понимать людей лучше, чем они сами понимают себя. ИИ сможет интерпретировать запросы пользователя не буквально, а исходя из его истинных намерений — так, словно человек стал в десять раз умнее и думал над задачей десять лет.
Дауве Кила спрогнозировал кардинальное изменение самой структуры занятости и предпринимательства. По его мнению, благодаря ИИ-копилотам каждый человек сможет стать генеральным директором своей собственной микро-компании. Нейросети заберут на себя выполнение скучных, монотонных и бюрократических задач, освободив колоссальное количество времени для человеческого творчества и стратегических решений, которые действительно приносят удовольствие.
