«ИИ перестал быть экспериментом – теперь это инфраструктура принятия решений»: интервью с Егором Верняевым, CPO, ProSpace

Главное изменение – в зрелости подхода. Если раньше компании просто пробовали применять ИИ в отдельных областях – маркетинге, поддержке, аналитике – то сегодня они подходят к внедрению системно. Запрос «давайте попробуем какую-нибудь модель» модифицируется в обсуждение того, где ИИ даст эффект в бизнес-процессах и как его встроить в ИТ-контур.

По данным McKinsey, уже 72% компаний в Европе и Северной Америке внедрили ИИ в ключевые бизнес-процессы. В 2019 году таких было меньше 20%. В России динамика не отстаёт – по данным ВЦИОМ и Национального центра развития искусственного интеллекта, доля компаний, использующих ИИ, выросла с 20% в 2021 году до 43% в 2024. Особенно активно его внедряют в финансах, ИКТ, образовании и энергетике – там проникновение технологий достигает 66%.

Появился четкий фокус на безопасность, приватность данных, локальное развертывание, совместимость с BI, CRM, ERP. Бизнес не хочет «просто ИИ» – он хочет результат: снижение затрат, ускорение процессов, автоматизацию рутинных задач, и не готов идти на компромиссы и рисковать конфиденциальностью.

Мы в ProSpace видим подтверждение этому в обращениях клиентов. Раньше спрашивали: «а вы умеете работать с генеративными моделями и машинным обучением?», сейчас разговор идет в ключе «можем ли мы быстрее собирать аналитику по промо», «можем ли мы сократить время на обновление базы кандидатов», «можем ли мы автоматизировать ответы на типовые запросы в саппорт». Чтобы такие решения действительно работали, мы объединили в своем стеке Generative AI, semantic search, векторный поиск и глубокую интеграцию с корпоративными системами. Это позволяет адаптировать ИИ под конкретные роли и процессы – от маркетинга и HR до аналитики и управления знаниями.

Мы всегда начинаем с одного вопроса: какая у вас бизнес-задача? Это принципиально, потому что одна и та же технология может быть как эффективной, так и бессмысленной – всё зависит от процесса, в который её встраивают. В работе с клиентами мы чаще всего проходим через четыре этапа.

Первый этап – ревью процессов. Мы подключаем бизнес-аналитиков, которые погружаются в контекст бизнеса: какие задачи сейчас отнимают много времени, где высокая повторяемость, где данные не структурированы. Иногда уже на этом этапе становится ясно, что часть задач проще решить без ИИ – и мы честно это проговариваем.

Второй – проектирование архитектуры и логики. Здесь подключаются системные архитекторы. Мы выбираем стек (open source, Яндекс GPT, Claude и др), определяем формат взаимодействия: чат, сценарный портал, гибрид, а также вариант развертывания (локально или нет). Настраиваем роли, ограничения, логику доступа. У разных пользователей может быть разный интерфейс: кто-то задает и настраивает сценарии, кто-то просто задаёт вопросы.

Третий – интеграция с ИТ-ландшафтом клиента. Это ключевой момент. BI, ERP, CRM, DMS – всё это соединяется в единую логическую среду для обеспечения целостности ит-инфраструктуры и максимальной эффективности использования данных, а также обучения модели.

Четвертый – сопровождение и масштабирование. На этапе пилота всегда возникает новое понимание, какие еще процессы можно автоматизировать. Мы предусматриваем возможность масштабирования и строим архитектуру с запасом на рост – чтобы добавление новых сценариев не требовало полной переделки решения.

На выходе получаем не просто абстрактный «ИИ в компании», а умную корпоративную платформу, которая встроена в процессы, решает задачи и развивается вместе с бизнесом.

Да, и их становится всё больше. Когда мы столкнулись с первыми запросами от клиентов, мы изучили более 40 кейсов внедрения GenAI в крупных российских и иностранных компаниях, например, Klarna, Merck и ECB. Это позволило зафиксировать: какие задачи они решали, какие технологии использовали, какой получили результат и, главное, повторяется ли этот сценарий в других индустриях. Дополнительно обратились к практике аналитических и консалтинговых компаний и параллельно собрали и систематизировали свои собственные кейсы и запросы клиентов – в FMCG, ритейле, логистике, кадровом агентстве.

В результате мы увидели семь типовых сценариев, где внедрение GenAI даёт стабильный, измеримый эффект – будь то снижение времени ответа, автоматизация рутинных действий или рост точности.

Вот эти сценарии:

1. Система управления знаниями в компании – упрощение поиска информации среди файлов, переписок и корпоративных систем
2. Автоматизация поддержки и тикетов – классификация запросов, первичная маршрутизация, генерация ответов для ускорения Time-to-Resolution и снижения нагрузки.
3. Генерация маркетингового контента – быстрый выпуск рассылок, адаптация лендингов, локализация.
4. Финансовая аналитика и отчётность – анализ отклонений, сбор P&L по клиенту, помощь в подготовке презентаций – без BI и SQL-запросов.
5. Гиперперсонализированный маркетинг – предложение Next-best-action, рекомендации, подбор каналов и времени отправки сообщений.
6. Внутренние AI-ассистенты и автоматизация процессов – найм, онбординг, документооборот, сопровождение задач внутри компании.
7. Поддержка R&D и разработка продуктов – работа с научными публикациями, ускорение поиска гипотез, извлечение сущностей и построение карточек компонентов.

Каждый из этих сценариев мы упаковали в понятную структуру: бизнес-задача → решение → технология → результат. Это помогает компаниям не просто вдохновиться, а соотнести со своими задачами. Зачастую после такого разбора заказчик говорит: «Теперь я понимаю, где это может сработать у нас».

Конечно. Приведу два кейса, находящиеся в работе – они хорошо демонстрируют подход к архитектуре, адаптации под бизнес и измеримости эффекта.

Первый кейс – ассистент для аналитики промо и контрактов.

Мы получили очень конкретный запрос от клиента, который использует наше решение ProSpace.Promo для управления промо: упростить доступ к аналитике по P&L, ROMI, скидкам и промоакциям. Раньше это требовало захода в BI, настройки фильтров, разбору десятков отчетов или обращения к аналитикам – на всё уходило время.

Теперь вместо этого пользователь просто пишет в чат:
– «Покажи самую прибыльную промоакцию за последние три месяца»
– «Где в канале X ROMI оказался ниже 100%?»
– «Какие механики лучше сработали в категории Y?»

Ассистент понимает естественную речь, переводит её в SQL-запрос, исполняет его на базе данных и – что ключевое – интерпретирует результат в понятной бизнес-форме. Не просто таблица, а текстовое объяснение с выводами.

Это снимает зависимость от BI-инструментов и аналитиков. RGM-команды, трейд-маркетинг и KAM-менеджеры получают доступ к аналитике «по клику» – в диалоге, в привычной бизнес-лексике.

Второй кейс – HR-ассистент для актуализации базы кандидатов.

Мы реализуем его с крупным рекрутинговым агентством. Задача: поддерживать в актуальном состоянии большую внутреннюю базу резюме.

Проблема в том, что у кандидатов постоянно меняется статус: кто-то уже работает, кто-то ищет, у кого-то появился новый релевантный опыт. Рекрутеры тратили часы, чтобы понять, кто вообще доступен под конкретную вакансию.

Теперь это делает ассистент. Он сам инициирует диалог с кандидатами – через email или мессенджер – и уточняет:
– Ищете ли вы сейчас работу?
– В какой роли, с каким графиком?
– Что у вас нового в опыте?
– Какие предложения вас могли бы заинтересовать?

На основе ответов он обновляет профиль, заполняет недостающие поля, очищает от устаревших данных. База перестаёт быть «архивом» и становится живым инструментом для быстрого и точного подбора.

Эти два кейса очень разные – один про аналитику, другой про найм. Но объединяет их главное: они встроены в процессы, не требуют перестройки ИТ-ландшафта, и дают конкретный измеримый эффект. Это именно то, что мы называем зрелым внедрением GenAI.

Как я уже говорил, стоит начать не с технологии, а с задачи. Посмотрите, какие у вас есть процессы с высокой повторяемостью, где сотрудники тратят много времени на однотипные действия. Они и будет первыми кандидатами для автоматизации. Важно не «тестировать GPT», а встроить ИИ в реальную операционную деятельность – туда, где он закроет конкретную боль: ускорит аналитику, разгрузит поддержку, уточнит данные в CRM, автоматизирует согласования. Только тогда вы увидите реальный эффект – в часах, процентах, экономии и качестве.

Второй совет – думать архитектурно. Не плодить отдельные инструменты, а подходить к вопросу платформенно и не забывать искать точки интеграции с уже существующими системами.

И третье – строить с расчетом на масштаб. Один успешный сценарий почти всегда открывает новые. Начали с аналитики – пошли в отчётность. Начали с базы кандидатов – пошли в онбординг. Если архитектура это позволяет, масштабирование не требует новой инвестиции.

Если вы как компания задумываетесь, с чего начать – мы собрали гайд по 40+ реальным кейсам. В нём – сценарии, метрики, технологии, эффекты. Это не обзор ради обзора, а практическая инструкция, где сегодня ИИ уже работает, кто его внедрил и какие задачи он помогает решать.

👉 Скачать гайд можно по ссылке – просто заполните короткую форму, и документ откроется автоматически