Генеративный ИИ — что это простыми словами
Зачем это знать
- Отличать задачи, где модель составляет результат, от задач, где хватает поиска по базе или обычного робота
- Понимать, откуда берётся разброс в ответах и как его удерживают в рамках
- Спрашивать подрядчика, на каком объёме и по какой методике проверялось качество
Что такое генеративный ИИ простыми словами
Представьте помощника, который прочитал всю переписку компании за десять лет. Его просят набросать ответ на письмо клиента. В папке готового ответа нет. Он пишет новый текст по образцу тысяч прочитанных.
Так устроена генеративная модель. Поисковая строка возвращает то, что уже кем-то написано. Генеративная модель собирает новый текст под конкретный запрос, кусочек за кусочком.
Отсюда её область применения. Она сильна там, где результат каждый раз чуть другой: письма, описания, разборы документов, черновики. Там, где ответ один и тот же для всех, дешевле обходится обычный шаблон.
Как это работает
Модель знает язык и общие закономерности, но не знает прайс и регламент конкретной компании. Нужные фрагменты подкладывают в запрос — этот приём называют поиском по своей базе. Дальше ответ строится по подложенным документам, и его можно проверить по ссылке на источник.
Второе следствие вероятностной природы — выдуманные детали. Модель заполняет пробел правдоподобным текстом, если данных не хватило. Явление разобрано отдельно: галлюцинация. Лечится оно скучно: подложенные источники, ограничение формата ответа, выборочная сверка.
Под капотом почти всех рабочих систем сегодня стоит большая языковая модель. Картинки, речь и код делают её родственники, устроенные по тому же принципу.
Пример из практики
Цифры ниже — расчётный ориентир для отдела продаж среднего размера, а не отчёт по конкретному внедрению. Методика указана, чтобы её можно было повторить на своих данных.
Отдел готовит около 300 коммерческих предложений в месяц. Замер: две недели, таймер на 40 заявках, от письма клиента до отправленного файла. Средняя ручная сборка — 35 минут, из них 25 уходит на текст и подбор позиций из прайса.
Модель получает письмо клиента, выгрузку прайса и три образца прошлых предложений. Возвращает заполненный черновик. Менеджер правит и отправляет.
Ориентир после запуска — 12–15 минут на предложение при том же качестве. Проверяют это так: те же 40 заявок, тот же таймер, плюс доля предложений, ушедших без правок в цифрах. Порядок суммы, которую съедает ручной вариант, считают калькулятором стоимости процесса.
Что это даёт бизнесу
- Закрываются задачи без выписанных правил. Свободная форма писем и документов раньше означала ручной разбор. Теперь она означает выборочный контроль.
- Срок первой рабочей версии измеряется неделями. Один участок процесса поднимают быстрее, чем согласуют техзадание на полную автоматизацию.
- Расходы считаются заранее. Себестоимость одной операции складывается из объёма запроса и ответа, дальше умножается на месячный поток.
- Освободившиеся часы видно в метрике. Экономия появляется там, где заранее решено, куда уйдут высвобожденные часы: больше заявок на менеджера, короче срок ответа, меньше переработок в пик.
Обзоры кейсов внедрения дают ориентир: рутина занимает до 40% рабочего времени менеджеров (shtab.app, подборка кейсов российских компаний). Цифру стоит проверить на себе — неделя замеров по календарю двух сотрудников даёт свою долю, и она обычно другая.
Когда без этого можно обойтись
Процесс со строгими правилами и одинаковым результатом дешевле закрыть обычной интеграцией. Перенос данных между двумя системами, проверка суммы по лимиту, рассылка по расписанию — здесь генеративная модель добавит стоимость и разброс.
Малый поток тоже не окупается. Десяток документов в месяц обрабатывается руками быстрее, чем настраивается проверка качества. Оценить готовность конкретного процесса помогает чек-лист.
Что важно проверить
Первое: где лежит правило, по которому сотрудник принимает решение. Если оно живёт только в голове опытного менеджера, его сначала записывают словами. Стандартизация идёт впереди автоматизации.
Второе: как выглядит проверка ответа. Годная система показывает, из какого документа взят факт, и умеет отвечать «данных нет». Без этого сверять придётся все сто процентов, и экономия пропадает.
Третье: попросите подрядчика показать замер на вашей выборке — 30–50 реальных случаев, доля верных ответов, доля переданных человеку. Демонстрация на подобранных примерах говорит только о том, что примеры подобраны.
Частые вопросы
Генеративный ИИ простыми словами — это что?
Это модель, которая по запросу составляет новый текст, изображение, таблицу или код. Готовый ответ нигде не лежит: он собирается под конкретный вопрос из закономерностей, выученных на больших объёмах данных. Поэтому одна и та же система отвечает и на типовое обращение, и на нестандартное, без отдельного сценария под каждый случай.
Чем генеративный ИИ отличается от обычной автоматизации
Обычная автоматизация выполняет прописанные правила: если поле пустое — отклонить, если сумма выше лимита — отправить на согласование. Генеративная модель работает там, где правила заранее не выписаны: формулировки клиентов разные, документы приходят в свободной форме. Цена гибкости — ответ каждый раз немного разный, и его нужно проверять.
Почему ответы модели каждый раз разные
Модель выбирает следующий кусочек текста по вероятности, а не по жёсткому правилу. Один и тот же запрос даёт близкие по смыслу, но разные по словам ответы. Для отчётов и сумм это лечится форматом: модель заполняет заданные поля, а расчёты остаются за учётной системой.
Нужны ли для этого собственные данные компании
Для общих задач вроде черновика письма — нет. Как только требуется знание прайса, регламента или истории клиента, нужные фрагменты подкладывают в запрос. Такой способ называется поиском по своей базе. Обучать отдельную модель под компанию требуется заметно реже, чем принято думать.
С какой задачи начинают
Берут один участок, где текст пишут руками каждый день и где ошибку видно сразу: ответы на типовые обращения, разбор входящих писем, черновик коммерческого предложения. Считают время на операцию за две недели до запуска. Ту же метрику снимают после — сравнение получается на одном объёме и одной выборке.
Обсудим задачу?
Расскажите о процессе — предложим, где ИИ окупится быстрее всего.
Ещё по теме
Что такое большая языковая модель простыми словами
Большая языковая модель — это программа, которая продолжает любой текст самым вероятным словом. Училась на книгах, статьях и переписке, отвечает человеческим языком.
Что такое искусственный интеллект: без мифов, по делу
Искусственный интеллект — это набор технологий, которые выводят правила из примеров и берут на себя часть решений и рутины в процессе компании.