Обсудить проект
Направление К7 · pillar-материал

Внедрение AI в бизнес: от пилота до production за 2-4 месяца

Внедрение AI в бизнес — это не «давайте подключим ChatGPT и посмотрим, что получится». Это структурированный процесс: closed pilot 4-6 недель на исторических данных клиента, выбор модели (облачная или on-premise) под требования 152-ФЗ, интеграция в конкретный бизнес-процесс через API, мониторинг качества и стоимости инференса. Этот материал — гайд для PM / CPO / Head of Digital в банке, ритейле или телекоме: какие AI-кейсы реально работают, какие модели выбрать, сколько стоит и как обосновать бюджет.

AI-кейсы, которые реально работают в корпорации

Не каждый AI-проект окупается. По нашему опыту, конверсия пилот → production — около 40-50% (остальные 50-60% останавливаются после пилота, потому что метрики качества не дотягивают до production-критериев). Кейсы с высокой конверсией:

  • AI-ассистент клиентской поддержки (GPT + RAG по корпоративной базе знаний) — снижение нагрузки на первую линию на 30-50%.
  • OCR и LLM-извлечение полей из документов — автоматизация ввода договоров, счетов, актов в учётные системы.
  • Рекомендательные системы для ритейла — next-best-offer, персональные подборки, увеличение conversion на 10-20%.
  • Автокатегоризация обращений в банке / телекоме — снижение время первого ответа на 40%.
  • Антифрод-скоринг и риск-модели — снижение fraud rate на 15-25%.
  • AI-копилот для сотрудников — поиск по внутренней документации, генерация черновиков отчётов, ускорение работы на 20-30%.

Выбор модели: облачная vs on-premise

Облачные API (Yandex GPT, GigaChat, OpenAI через прокси с депонированием) — для не-критичных задач без ПДн: маркетинговые тексты, генерация черновиков, классификация публичных данных. Низкий порог входа, высокое качество, оплата по факту использования.

On-premise модели (Llama 3, Qwen, T-lite, GigaChat on-prem) — для задач с ПДн или коммерческой тайной: банковский антифрод, обработка документов с персональными данными, корпоративный поиск. Запросы не покидают периметр клиента, 152-ФЗ-совместимость, прогнозируемая стоимость инференса.

Выбор делается на этапе discovery, исходя из требований ИБ-блока, объёма запросов, бюджета и качества на корпоративных данных.

Процесс внедрения: pilot → production

Closed pilot (4-6 недель) — подготовка датасета из исторических данных клиента, разметка, обучение / промпт-инжиниринг, интеграция в один бизнес-процесс через API. К сдаче — отчёт о качестве модели (precision/recall/F1, hallucination rate), сравнение с baseline (ручной труд или старая модель), обоснование production-релиза.

Production (2-3 месяца) — масштабирование, мониторинг качества, A/B-тестирование, регрессионное тестирование на новых корпоративных данных. Настройка алертов по hallucination rate и latency, регулярная переразметка датасета, дообучение модели по новым случаям.

152-ФЗ и корп-ИБ для AI

Для задач с ПДн — модель работает on-premise или в российском облаке (Yandex Cloud, VK Cloud). Запросы не передаются за пределы периметра. Журнал всех запросов к модели ведётся для аудита, шифрование данных в покое и при передаче, разграничение прав через AD-группы. Документы для ИБ-аудита готовятся отдельным пакетом — политика обработки ПДн, модель угроз, акт классификации. Регулятор — Роскомнадзор (rkn.gov.ru).

Бюджет на внедрение AI

Closed pilot — 500K-1M ₽. Production-внедрение — 1-2M ₽. Полный цикл — 1.5-3M ₽ в зависимости от объёма работ по интеграции. Стоимость инференса (operational) — от 50K ₽/мес до 500K ₽/мес в зависимости от объёма запросов и выбранной модели. Подробный разбор — в материале стоимость разработки MVP.

Связанные материалы

FAQ о внедрении AI в бизнес

Какие AI-кейсы вы реализуете для корпорации?

Типовые сценарии: AI-ассистент клиентской поддержки (GPT + RAG по корпоративной базе знаний), автоматизация обработки документов (OCR + LLM-извлечение полей), рекомендательные системы для ритейла (next-best-offer), автокатегоризация обращений в банке, антифрод-скоринг, предиктивная аналитика продаж, AI-копилот для сотрудников (поиск по внутренней документации, генерация черновиков).

Какие AI-модели вы используете и где они хостятся?

Для не-критичных задач — облачные API (Yandex GPT, GigaChat, OpenAI через прокси с депонированием). Для задач с ПДн — on-premise модели (Llama 3, Qwen, T-lite, GigaChat on-prem) на инфраструктуре клиента или Yandex Cloud / VK Cloud. Выбор модели зависит от 152-ФЗ-требований, бюджета на инференс и качества на корпоративных данных. Для RAG используем векторные БД — Qdrant, Weaviate, pgvector.

Сколько занимает внедрение AI в бизнес-процесс?

Closed pilot — 4-6 недель: подготовка датасета из исторических данных клиента, разметка, обучение / промпт-инжиниринг, интеграция в один бизнес-процесс через API. Production — ещё 2-3 месяца: масштабирование, мониторинг качества, A/B-тестирование, регрессионное тестирование на корпоративных данных. Полный цикл от старта до production — 2-4 месяца, бюджет 1-3M ₽.

Как обеспечивается 152-ФЗ для AI-решений?

Если задача обрабатывает ПДн (клиенты, сотрудники) — AI-модель работает on-premise или в российском облаке (Yandex Cloud, VK Cloud). Запросы не передаются за пределы периметра. Журнал всех запросов к модели ведётся для аудита, шифрование данных в покое и при передаче, разграничение прав через AD-группы. Документы для ИБ-аудита готовятся отдельным пакетом.

Какие метрики качества AI-модели вы отслеживаете?

Для классификации / extraction — precision, recall, F1-score на отложенной выборке. Для генеративных задач — accuracy экспертной оценки, hallucination rate, latency, cost-per-request. Для рекомендательных систем — CTR, conversion uplift, NDCG, MAP@K. Метрики собираются в дашборд, A/B-тестирование запускается перед production-релизом. Это часть KPI Dashboard первой недели — продакт показывает руководству реальные цифры качества.

Связаться по AI-проекту Расскажите про задачу и данные — оценим, есть ли AI-кейс и какой пилот запускать.