Нейросети меняют не только организацию бизнес-процессов, но и требования к сотрудникам. Менеджеры, маркетологи, аналитики и многие другие специалисты теперь должны не только знать, что такое нейросети, но и уметь их настраивать и создавать добавленную стоимость своих продуктов с помощью ИИ.

Предприниматель, профессор и академический наставник ОП «Цифровые коммуникации и продуктовая аналитика» Роман Нестер рассказал, на каком этапе развития находится AI-технология, чем помогает бизнесу, как на нее реагирует рынок и в какую сторону меняется роль человека в индустрии. 

Как развивается технология

Бум искусственного интеллекта начался с генеративных нейросетей, или LLM (Large Language Models, большие языковые модели), — алгоритмов, обученных на гигантском объеме данных и способных предсказывать последующие слова. В результате они могут создавать по запросу тексты, похожие на те, что пишут живые люди. Именно на основе этих нейросетей были созданы знаменитые ChatGPT и Midjourney. 

Следующим шагом стало внедрение подхода к обучению моделей RAG (Retrieval-Augmented Generation, генерация с дополненной выборкой): вместо тренировки на огромных массивах теперь используются специализированные базы данных. При получении запроса система извлекает релевантный контекст, благодаря чему способна выдавать более релевантные ответы. 

Ключевым событием 2024 года стало появление автономных агентов. Концепцию супермоделей, решающих все и сразу, сменили комплексы сообщающихся между собой LLM — мультиагентные системы. В такой системе каждый компонент выполняет свою конкретную функцию: один агент, получив запрос от человека, переформулирует задачу, другой генерирует ответ, а третий оценивает результат. Каждая из этих моделей настроена на что-то свое: первая обучалась лучшим примерам постановки задач, вторая — аналитик, натренированный решать задачи, третья лучше всех умеет оценивать и давать фидбэк. 

Мультиагентные системы имеют потенциал облегчить жизнь каждого из нас: в ближайшем будущем им можно будет доверить задачи от поиска сотрудника на рынке труда до бронирования отеля. И эпоха агентов только начинается.

Уже сейчас эти программы способны выполнять аналитические и креативные функции, для которых прежде требовались целые маркетинговые департаменты, подчеркивает Роман Нестер.

LLM способны анализировать колоссальные объемы данных о клиентах (например, историю покупок) и производить на их основе массу персонализированного контента: разрабатывать рекламные кампании для отдельных сегментов, предлагать индивидуальные рассылки и дизайн для лендингов и баннеров.

В сфере SEO модели выявляют ключевые слова и их релевантность, генерируют адаптированный контент для улучшения его видимости в поисковиках.

Также AI-системы могут оптимизировать работу в социальных сетях: они генерируют посты и комментарии, адаптированные под тональность бренда, анализируют тренды, предлагают актуальные темы и время публикаций для максимального охвата. Еще они могут помочь адаптироваться к важным событиям: достаточно скормить программе какой-либо инфоповод, и она предложит подходящие посты или комментарии. 

Особенно актуальное на данный момент применение моделей — нативные боты в социальных сетях, отмечает Роман Нестер. Потенциального покупателя больше не вынуждают переходить на сторонние сайты при клике на рекламу, и он может с комфортом продолжать взаимодействие с компанией в мессенджере.

Как при распространении подобных технологий меняется роль человека?

Очевидной целью внедрения искусственного интеллекта в работу компаний является автоматизация их задач. Что же тогда будет со специалистами? Роман Нестер выделяет несколько важных моментов. 

• На начальном этапе автоматизации привычные команды по созданию коммуникационных креативов заменят специалисты по AI-продакшену, задающие промпты (инструкции) для нейросетей. 
• Дальнейший прогресс заключается в использовании аналитических способностей нейросетей для выбора наиболее удачных вариаций контента, а далее — самостоятельной генерации материалов на основе реакции аудитории (кликов, покупок и прочих показателей). В конечном итоге мы приходим к полностью автономной платформе, которая генерирует креативы, превосходя по скорости, экономичности и эффективности любое агентство. Человек в этой системе не отходит в сторону, а занимает роль наблюдателя и стратега, определяющего направление креативной мысли. 
• Аналитика данных также выходит на новый уровень. Если раньше работа специалиста заключалась в трудоемкой подготовке среды, загрузке и очистке данных, то теперь на смену дата-майнингу приходит LLM Knowledge Management — умение формулировать запросы для генеративных нейросетей. Ключевой экспертизой становится понимание потребностей бизнеса, способность задавать вопросы и делать выводы.

Что происходит на рынке

Компании наперебой делятся тем, как перекладывают на AI самые креативные и самые рутинные дела, кейс идет за кейсом, и российские корпорации здесь не отстают от международных. Подобный ажиотаж, будучи на руку разработчикам ИИ-продуктов, в то же время создает для них ряд проблем, отмечает Роман Нестер.

1. Оскомина набита

Если вы рассчитываете впечатлить клиента тем, что «под капотом» вашего сервиса есть нейросеть, — вы опоздали. LLM превратились в «баззворд» (англ. buzzword — «модное словечко»), и связанные с ними услуги есть в меню даже самых заштатных SEO-агентств. Вам придется доказывать, что именно ваш продукт лучше решит задачу.

2. Кадры решают все 

Как на стороне заказчиков, так и на стороне исполнителей не хватает людей, хорошо понимающих предметную область. Из-за этого масса кейсов внедрения LLM срываются либо превращаются в единичный кейс.

3. А еще все решают процессы

Заточенные под прежние форматы процессы также не позволяют нейросетям становиться двигателями эффективного бизнеса. Из-за этого приобретение и развитие этих сервисов происходят в разочаровывающем стейкхолдеров темпе. Например, Amazon и Google снижают планы продаж таких продуктов.

4. На все готовенькое не прийти

Нейросеть «из коробки» — условный ChatGPT без дополнительных настроек — очень редко решает задачи настолько качественно, насколько бы этого хотелось. Пока что нет возможности просто залогиниться и заменить нейросетью какой-либо бизнес-процесс. Чтобы воспитать из модели надежного помощника, требуется сопровождать ее агентами, обучать на специализированных данных, то есть осваивать новые компетенции. Если вы хотите дорого стоить на рынке труда через пару-тройку лет, то умение внедрять и использовать нейросети (а не просто знание об их существовании) будет вашим главным козырем.

Как оставаться на плаву

Говоря о ключевых навыках, которые помогут специалистам использовать потенциал ИИ в своей работе, Роман Нестер обратил внимание, что большая часть компетенций из этого списка свойственна не компьютерным гениям, а хорошим менеджерам.

1. Python 

Этот язык играет ключевую роль в создании мультиагентных систем, выступая в качестве своеобразной изоленты для кода. Мультиагентную систему можно представить себе как набор из нескольких серверов, на каждом из которых развернута отдельно обученная модель.

Чтобы эти блоки работали слаженно, могли эффективно взаимодействовать друг с другом, получать запросы от пользователей и отвечать на них, понадобится Python. Базового уровня владения достаточно — писать огромные системы вам не придется.

2. Извлечение и подготовка данных

В контексте подхода RAG (Retrieval-Augmented Generation) эффективность системы во многом зависит от качества подготовки данных, поэтому важно уметь их находить, извлекать, обрабатывать и сегментировать.

3. Осваиваем human-in-the-loop

Human-in-the-loop (HITL, «человек-в-цикле») — технология активного обучения нейросетей, в рамках которой человек на всех этапах работы помогает модели улучшать свою производительность. Будьте готовы к тому, что, прежде чем модель или система станут вашим идеальным подспорьем, придется самостоятельно анализировать продукты труда LLM (сегменты клиентов, гипотезы и т.д.) и давать ей обратную связь.

4. Старые добрые коммуникации

Несмотря на то что LLM способны усваивать алгоритмы пользовательского поведения, этого может не хватать для непосредственного общения с клиентами (как в случае с чат-ботами). Tone of voice компании, транслируемые ею ценности требуют особого внимания, и их может разрушить чисто инструментальное применение моделей. Для эффективной коммуникации и донесения смыслов человеку нужен человек, и нейросети только помогают, но не заменяют человека.

5. Аутсорсинг и менеджмент 

При освоении нейросетей, как ничто другое, нужны навыки делегирования задач. Это включает умение четко формулировать задачи, устанавливать критерии их выполнения, указывать на ошибки и давать конструктивный фидбэк.

«Не стесняйтесь переносить рабочие и жизненные задачи на нейросетевые рельсы! Используйте AI для поиска информации, ее систематизации, создания презентаций. Поначалу вы можете потратить больше времени, но выхлоп, который вы получите, будет огромным: вы станете экспертом в том, как организовывать свою работу с помощью мощнейшей технологии, которая с нами для того, чтобы остаться и никуда не уходить», — подчеркивает Роман Нестер.

Магистерская программа «Цифровые коммуникации и продуктовая аналитика» готовит специалистов цифровой трансформации коммуникационной индустрии, которые применяют современные технологии и анализ больших данных на всех этапах коммуникационной кампании — от планирования до оценки эффективности. Учащиеся осваивают знания в области Data Governance, продакт-менеджмента и управления проектами, поэтому сразу после выпуска могут занимать управленческие позиции и помогать бизнесу принимать решения на основе данных и создавать собственный цифровой бизнес с нуля. Выпускники получают диплом государственного образца, диплом НИУ ВШЭ с приложением на английском языке (Diploma Supplement) и сертификат симулятора GoPractice.