Сейчас все чаще можно услышать про мультимодальные модели. Рассказываем, что это вообще значит и как развиваются нейросети
2025 год стал годом перехода от LLM (Large Language Models) к LMM (Large Multimodal Models).
Как это работает
Вся магия происходит в векторном пространстве. Для компьютера и слово «кот», и фотография кота, и аудиозапись мяуканья – это просто наборы цифр и кода.
Задача мультимодальной модели – создать такое математическое пространство, где вектор слова «кот» и вектор картинки с котом будут находиться в одной точке координат. Модели все равно, в каком формате вы подали информацию. Для неё
Старый и новый подход. Это самый интересный технический момент прямо сейчас.
1️⃣ Старый подход (каскадный) – раньше, чтобы чат-бот «увидел» картинку, работала цепочка из разных моделей. Одна нейросеть переводила картинку в текстовое описание → передавала этот текст в LLM → LLM выдавала ответ текстом → следующая text-to-speech модель озвучивала его.
Минус: терялись интонации, эмоции и детали. Задержка была огромной.
2️⃣ Новый подход (нативный) – так работают GPT-4o и Gemini 1.5. Это одна гигантская нейросеть, которую сразу учили на всём: ей скармливали видео, текст и звук одновременно. Она не переводит звук в текст, чтобы понять его. Она работает с аудио-патчами напрямую.
Текстовые модели часто галлюцинировали, потому что учились только по книжкам. Для них слово «яблоко» было просто математической связью со словом «фрукт». Мультимодальность дает ИИ то, что называется
Интересный пример работы такой технологии – это мемы. Чтобы понять мем, недостаточно просто считать текст или распознать картинку. Нужно понять контекст связи между картинкой и подписью. И сегодня мультимодальные модели научились объяснять смысл шутки.
В следующем посте расскажем, как теперь нейросети учатся не только «видеть», но «действовать» на основе увиденного.
2025 год стал годом перехода от LLM (Large Language Models) к LMM (Large Multimodal Models).
ИИ научился видеть, слышать, говорить и понимать мемы.
Как это работает
Вся магия происходит в векторном пространстве. Для компьютера и слово «кот», и фотография кота, и аудиозапись мяуканья – это просто наборы цифр и кода.
Задача мультимодальной модели – создать такое математическое пространство, где вектор слова «кот» и вектор картинки с котом будут находиться в одной точке координат. Модели все равно, в каком формате вы подали информацию. Для неё
.jpg, .mp3 и .txt – это один и тот же смысл, просто упакованный в разные контейнеры. Старый и новый подход. Это самый интересный технический момент прямо сейчас.
1️⃣ Старый подход (каскадный) – раньше, чтобы чат-бот «увидел» картинку, работала цепочка из разных моделей. Одна нейросеть переводила картинку в текстовое описание → передавала этот текст в LLM → LLM выдавала ответ текстом → следующая text-to-speech модель озвучивала его.
Минус: терялись интонации, эмоции и детали. Задержка была огромной.
2️⃣ Новый подход (нативный) – так работают GPT-4o и Gemini 1.5. Это одна гигантская нейросеть, которую сразу учили на всём: ей скармливали видео, текст и звук одновременно. Она не переводит звук в текст, чтобы понять его. Она работает с аудио-патчами напрямую.
Результат: именно поэтому новый ИИ может петь, менять интонацию, слышать ваше дыхание или сарказм. Он не «читает» ваш голос, он его «слышит».
Текстовые модели часто галлюцинировали, потому что учились только по книжкам. Для них слово «яблоко» было просто математической связью со словом «фрукт». Мультимодальность дает ИИ то, что называется
grounding – привязку к физическому миру. Теперь «яблоко» для модели – это визуальный образ (круглый, красный), звук хруста и физический объект.Интересный пример работы такой технологии – это мемы. Чтобы понять мем, недостаточно просто считать текст или распознать картинку. Нужно понять контекст связи между картинкой и подписью. И сегодня мультимодальные модели научились объяснять смысл шутки.
В следующем посте расскажем, как теперь нейросети учатся не только «видеть», но «действовать» на основе увиденного.
❤9👍7🔥5👏1
Месяц назад мы уже рассказвали про новые интересные ИИ-кейсы на российском рынке, и сейчас хотим сделать это регулярной рубрикой. Продолжаем разбирать реальные кейсы внедрения искусственного интеллекта👇🏻
Unisender и письмо с нуля за 20 секунд
Unisender решил вернуть маркетологам то рабочее время, которое они тратили на рутинный подбор тем, текстов и картинок для рассылок.
Компания интегрировала полноценное ИИ-ядро прямо в редактор писем. Система управляет генерацией контента «под ключ»: от идеи до верстки. Для визуалов внедрили связку Stable Diffusion и Fooocus (отказавшись от Midjourney ради большей точности для бизнеса). ИИ стал выполнять до 100 фоновых запросов к нейросетям, чтобы собрать готовое письмо за 20 секунд.
Дополнительно подключили ИИ-антиспам, который с точностью 99,6% прогнозирует попадание в фильтры.
Авиакомпания Азимут и первая линия поддержки, которая читает регламенты
У Азимута была классическая для авиакомпаний проблема высокой загруженности контакт-центра, который хотелось освободить от рутины и сложных запросов, не теряя качество ответов в пиковые нагрузки и ночное время.
Решением стало внедрение ИИ-ассистента на базе GigaChat и архитектуры RAG. Система генерирует ответы, обращаясь напрямую к базе пассажирской документации и регламентов. ИИ понимает сложные формулировки и находит нюансы правил перевозки, которые человек мог бы искать долго.
Сеть парикмахерских Чио Чио и контроль качества в 800+ салонах
Компании потребовалось масштабировать контроль качества на огромную сеть франшиз (800+ точек), где ручные проверки стали слишком долгими и дорогими.
Сеть салонов сделала большую технологическую платформу, где стали использоваться:
— Computer Vision. Камеры в реальном времени следят за стандартами – от скрипта приветствия до дезинфекции инструментов.
— Финансовый контроль. ML-алгоритмы анализируют кассовые операции и мгновенно ловят аномалии (например, деньги мимо кассы).
— Клиентский сервис. Умный голосовой бот забрал на себя запись клиентов, а генеративный AI-стилист (на базе Diffusion и GAN) помогает примерять образы по фото, снимая страх перед неудачной стрижкой.
Если вы хотите реализовать похожий кейс (или совсем другой) — пишите для консультации: sales@insightai.ru
Unisender и письмо с нуля за 20 секунд
Unisender решил вернуть маркетологам то рабочее время, которое они тратили на рутинный подбор тем, текстов и картинок для рассылок.
Компания интегрировала полноценное ИИ-ядро прямо в редактор писем. Система управляет генерацией контента «под ключ»: от идеи до верстки. Для визуалов внедрили связку Stable Diffusion и Fooocus (отказавшись от Midjourney ради большей точности для бизнеса). ИИ стал выполнять до 100 фоновых запросов к нейросетям, чтобы собрать готовое письмо за 20 секунд.
Дополнительно подключили ИИ-антиспам, который с точностью 99,6% прогнозирует попадание в фильтры.
Каждое четвертое письмо на платформе сегодня создается с помощью ИИ (это ~700 рассылок в день). Себестоимость подготовки контента снизилась в разы, а клиенты перестали «сжигать» бюджеты на недоставленные письма.
Авиакомпания Азимут и первая линия поддержки, которая читает регламенты
У Азимута была классическая для авиакомпаний проблема высокой загруженности контакт-центра, который хотелось освободить от рутины и сложных запросов, не теряя качество ответов в пиковые нагрузки и ночное время.
Решением стало внедрение ИИ-ассистента на базе GigaChat и архитектуры RAG. Система генерирует ответы, обращаясь напрямую к базе пассажирской документации и регламентов. ИИ понимает сложные формулировки и находит нюансы правил перевозки, которые человек мог бы искать долго.
Сейчас бот закрывает 86% входящих запросов, работая как полноценная первая линия 24/7. Авиакомпания сократила расходы на найм новых операторов на фоне роста пассажиропотока до 9,5 млн человек.
Сеть парикмахерских Чио Чио и контроль качества в 800+ салонах
Компании потребовалось масштабировать контроль качества на огромную сеть франшиз (800+ точек), где ручные проверки стали слишком долгими и дорогими.
Сеть салонов сделала большую технологическую платформу, где стали использоваться:
— Computer Vision. Камеры в реальном времени следят за стандартами – от скрипта приветствия до дезинфекции инструментов.
— Финансовый контроль. ML-алгоритмы анализируют кассовые операции и мгновенно ловят аномалии (например, деньги мимо кассы).
— Клиентский сервис. Умный голосовой бот забрал на себя запись клиентов, а генеративный AI-стилист (на базе Diffusion и GAN) помогает примерять образы по фото, снимая страх перед неудачной стрижкой.
В результате, единое аналитическое ядро находит лучшие практики (например, как приветствие влияет на чек) и масштабирует их на всю сеть. Качество и прозрачность сохранены при миллиардных оборотах без раздувания штата.
Если вы хотите реализовать похожий кейс (или совсем другой) — пишите для консультации: sales@insightai.ru
🔥10❤7👍5👏1
Рынок ИИ-ботов в России. Большой разбор Insight AI. Часть 1
3 месяца назад мы провели большое исследование рынка платформ, создающих ботов на основе искусственного интеллекта. Наша команда поговорила с теми, кто покупает (от владельцев кофеен до enterprise-компаний и госкорпораций), и протестировала тех, кто продает (от стартапов до вендоров-гигантов).
Мы создали серию постов на основе исследования, чтобы рассказать про рынок и на что стоит обращать внимание при выборе подрядчика.
На чем всё держится?
Большинство платформ сейчас – это просто красивая оболочка для ChatGPT, чьи ответы часто разочаровывают бизнес. Но настоящим стандартом становится именно гибридная архитектура. Только так можно получить предсказуемую LLM.
— Жесткая логика: если клиент спрашивает «какая цена?», отвечает скрипт. Это дешево, быстро и 100% точно.
— Понимание намерений (NLU): классификатор определяет, что хочет клиент («купить», «жалоба», «справка»), и направляет его в нужную ветку.
— Генерация (LLM + RAG): если вопрос сложный, подключается нейросеть. Она ищет ответ в базе знаний компании (PDF, сайт, Excel) и формулирует ответ. Технология RAG – главный борец с галлюцинациями.
Какие платформы есть на рынке
Мы разделили игроков примерно на три группы
1. No-code RAG платформы
Чаще всего это решения для малого бизнеса, обещания которых звучат так: «загрузи PDF, и бот готов за 5 минут». В реальности это и есть те самые «обертки» над API OpenAI или Claude.
Они отлично работают как «умный FAQ» для ответов на вопросы вроде «до скольки вы работаете?». Но шаг влево – и бот ломается. Такие решения не умеют совершать сложные действия (забронировать стол, проверить остатки на складе), потому что у них нет доступа к бизнес-процессам. Да и с качеством ответов часто бывают проблемы, бот может галлюцинировать, потому что внутри него нет выстроенной логики.
Цена: подписка стоит от 2 000 до 15 000 руб./мес.
2. Гибридные конструкторы (low-code)
Это уже решения для среднего бизнеса. Здесь можно собрать сложную логику: «если клиент VIP – соедини с менеджером, если нет – предложи скидку».
Они признают, что ИИ может врать, поэтому критические этапы (оплата, запись) делают на жестких скриптах, а общение отдают нейросетям. Практически всегда – это low-code платформы, а не no-code. Чтобы сделать качественно, нужен архитектор или интегратор. Самому разобраться сложно.
Стоимость решения:
— внедрение: от 50 000 до 300 000 ₽ (единоразово)
— техническая поддержка: фиксированный ежемесячный платеж
— оплата за использованные токены
3. Интеграторы для enterprise-компаний
Это не уже конструкторы, а интеграторы. Они продают не софт, а проект внедрения. Крупному бизнесу помимо функционирования бота важны еще:
— on-premise размещение: бот должен жить на их серверах
— безопасность и 100% точность выдаваемой информации
Цена: от 1 млн до 10 млн+ руб.
В следующем посте расскажем про инсайты от малого бизнеса, его потребности и проекты, которые помогают этой аудитории.
3 месяца назад мы провели большое исследование рынка платформ, создающих ботов на основе искусственного интеллекта. Наша команда поговорила с теми, кто покупает (от владельцев кофеен до enterprise-компаний и госкорпораций), и протестировала тех, кто продает (от стартапов до вендоров-гигантов).
За прошедший год рынок пережил настоящий бум. Новых платформ сотни, но большинство из них – это просто «обертка» Chat GPT или других нейросетей.
Мы создали серию постов на основе исследования, чтобы рассказать про рынок и на что стоит обращать внимание при выборе подрядчика.
На чем всё держится?
Большинство платформ сейчас – это просто красивая оболочка для ChatGPT, чьи ответы часто разочаровывают бизнес. Но настоящим стандартом становится именно гибридная архитектура. Только так можно получить предсказуемую LLM.
Побеждает связка Script + NLU + RAG:— Жесткая логика: если клиент спрашивает «какая цена?», отвечает скрипт. Это дешево, быстро и 100% точно.
— Понимание намерений (NLU): классификатор определяет, что хочет клиент («купить», «жалоба», «справка»), и направляет его в нужную ветку.
— Генерация (LLM + RAG): если вопрос сложный, подключается нейросеть. Она ищет ответ в базе знаний компании (PDF, сайт, Excel) и формулирует ответ. Технология RAG – главный борец с галлюцинациями.
Какие платформы есть на рынке
Мы разделили игроков примерно на три группы
1. No-code RAG платформы
Чаще всего это решения для малого бизнеса, обещания которых звучат так: «загрузи PDF, и бот готов за 5 минут». В реальности это и есть те самые «обертки» над API OpenAI или Claude.
Они отлично работают как «умный FAQ» для ответов на вопросы вроде «до скольки вы работаете?». Но шаг влево – и бот ломается. Такие решения не умеют совершать сложные действия (забронировать стол, проверить остатки на складе), потому что у них нет доступа к бизнес-процессам. Да и с качеством ответов часто бывают проблемы, бот может галлюцинировать, потому что внутри него нет выстроенной логики.
Цена: подписка стоит от 2 000 до 15 000 руб./мес.
2. Гибридные конструкторы (low-code)
Это уже решения для среднего бизнеса. Здесь можно собрать сложную логику: «если клиент VIP – соедини с менеджером, если нет – предложи скидку».
Они признают, что ИИ может врать, поэтому критические этапы (оплата, запись) делают на жестких скриптах, а общение отдают нейросетям. Практически всегда – это low-code платформы, а не no-code. Чтобы сделать качественно, нужен архитектор или интегратор. Самому разобраться сложно.
Стоимость решения:
— внедрение: от 50 000 до 300 000 ₽ (единоразово)
— техническая поддержка: фиксированный ежемесячный платеж
— оплата за использованные токены
3. Интеграторы для enterprise-компаний
Это не уже конструкторы, а интеграторы. Они продают не софт, а проект внедрения. Крупному бизнесу помимо функционирования бота важны еще:
— on-premise размещение: бот должен жить на их серверах
— безопасность и 100% точность выдаваемой информации
Цена: от 1 млн до 10 млн+ руб.
В следующем посте расскажем про инсайты от малого бизнеса, его потребности и проекты, которые помогают этой аудитории.
👍8❤7🔥6👏1
This media is not supported in your browser
VIEW IN TELEGRAM
Google показала Genie 3
Пока все учились генерировать видео, Google пошел дальше. Genie 3 – модель, которая создает не просто картинку, а интерактивную среду.
В чем революция? Это не пререндер. Вы пишете промпт, и нейросеть создает мир, которым можно управлять. Вы нажимаете «вперед» – и ИИ дорисовывает реальность в реальном времени, реагируя на ваши действия. Это полноценный прототип игры без единой строчки кода и движка.
Пока все учились генерировать видео, Google пошел дальше. Genie 3 – модель, которая создает не просто картинку, а интерактивную среду.
В чем революция? Это не пререндер. Вы пишете промпт, и нейросеть создает мир, которым можно управлять. Вы нажимаете «вперед» – и ИИ дорисовывает реальность в реальном времени, реагируя на ваши действия. Это полноценный прототип игры без единой строчки кода и движка.
«Да, пока это выглядит как игрушка, но впечатляет безумно. Если технология вырастет во что-то вроде v0 (нейросеть для генерации UI-кода), но для геймдева – индустрия может измениться кардинально».
— Михаил, CEO Insight AI
🔥8❤3👍3
Выходим из зума в реальный цех
Наша команда регулярно посещает производства клиентов. Никакие зум-коллы не заменят живого визита в цех, чтобы понять боль бизнеса.
Недавно были на заводе по производству соевого соуса и азиатских соусов для готовки (их продукция скорее всего стоит у вас в холодильнике😁). Разобрали с клиентом две конкретные задачи, где компьютерное зрение может сэкономить часы ручного труда и исключить брак.
Наша команда регулярно посещает производства клиентов. Никакие зум-коллы не заменят живого визита в цех, чтобы понять боль бизнеса.
Недавно были на заводе по производству соевого соуса и азиатских соусов для готовки (их продукция скорее всего стоит у вас в холодильнике😁). Разобрали с клиентом две конкретные задачи, где компьютерное зрение может сэкономить часы ручного труда и исключить брак.
Личный визит снимает кучу вопросов. Мы своими глазами видим нюансы, которые легко упустить обращая внимание только на разработку, а заказчик видит в нас партнеров, которые говорят с производством на одном языке, а не просто пишут код.
❤8🔥8👍7💯1
Как мультимодальный ИИ учится действовать в реальном мире
В прошлой части мы рассказывали, как мультимодальность подарила нейросетям зрение, слух и понимание контекста. Но и этого теперь недостаточно. Главная перемена в технологиях прямо сейчас – это переход от простых ответов к реальным действиям.
Будущее за автономными ИИ-агентами, а мультимодальность – их главный движок. Разберемся, как это работает на деле.
1️⃣ ИИ-агенты забирают вашу мышку
Раньше, чтобы программа могла совершить действие (например, забронировать билет), ей нужен был API – специальный программный мост. Если у сайта нет API, ИИ бессилен.
Мультимодальность сломала этот барьер. Современные модели (например, Claude 3.5 Sonnet с функцией Computer Use) работают с компьютером так же, как мы с вами – визуально.
2️⃣ Мозг для роботов
Почему человекоподобные роботы от Tesla или Boston Dynamics резко поумнели именно в последний год? Секрет в VLA-моделях (Vision-Language-Action).
Раньше роботов программировали жестким кодом: «передвинь манипулятор на 10 см вправо, сомкни пальцы». Если чашку сдвинули на сантиметр – робот хватал воздух. Он был слеп. Благодаря мультимодальности роботы обрели пространственное понимание.
Как это выглядит сейчас:
Vision: камера робота сканирует стол. Видит яблоко, телефон и ключи.
Language: вы говорите «lай мне перекусить». Модель сопоставляет слова с визуальным контекстом и понимает, что из трех предметов съедобно только яблоко.
Action: модель генерирует не текст, а напрямую сигнал для моторов – как именно нужно вытянуть руку и с какой силой сжать яблоко, чтобы не раздавить его.
💡Интересный факт: чтобы научить роботов двигаться плавно, им больше не пишут тысячи строк кода. Их обучают, просто показывая видео с YouTube, где люди моют посуду, готовят или убираются. Мультимодальный ИИ переводит пиксели с видео в физические движения.
Что это значит для бизнеса?
В прошлой части мы рассказывали, как мультимодальность подарила нейросетям зрение, слух и понимание контекста. Но и этого теперь недостаточно. Главная перемена в технологиях прямо сейчас – это переход от простых ответов к реальным действиям.
Будущее за автономными ИИ-агентами, а мультимодальность – их главный движок. Разберемся, как это работает на деле.
1️⃣ ИИ-агенты забирают вашу мышку
Раньше, чтобы программа могла совершить действие (например, забронировать билет), ей нужен был API – специальный программный мост. Если у сайта нет API, ИИ бессилен.
Мультимодальность сломала этот барьер. Современные модели (например, Claude 3.5 Sonnet с функцией Computer Use) работают с компьютером так же, как мы с вами – визуально.
Они буквально «смотрят» на скриншот вашего экрана. Для модели иконка корзины, ячейка в Excel или кнопка «оплатить» – это больше не строчки кода. Это визуальные объекты, на которые она сама наводит курсор и кликает. Вы можете попросить: «найди самые дешевые отели на Бали на таких-то сайтах и занеси их в мою таблицу», и бот будет открывать браузер, скроллить страницы и копировать данные, ориентируясь «на глаз».
2️⃣ Мозг для роботов
Почему человекоподобные роботы от Tesla или Boston Dynamics резко поумнели именно в последний год? Секрет в VLA-моделях (Vision-Language-Action).
Раньше роботов программировали жестким кодом: «передвинь манипулятор на 10 см вправо, сомкни пальцы». Если чашку сдвинули на сантиметр – робот хватал воздух. Он был слеп. Благодаря мультимодальности роботы обрели пространственное понимание.
Как это выглядит сейчас:
Vision: камера робота сканирует стол. Видит яблоко, телефон и ключи.
Language: вы говорите «lай мне перекусить». Модель сопоставляет слова с визуальным контекстом и понимает, что из трех предметов съедобно только яблоко.
Action: модель генерирует не текст, а напрямую сигнал для моторов – как именно нужно вытянуть руку и с какой силой сжать яблоко, чтобы не раздавить его.
💡Интересный факт: чтобы научить роботов двигаться плавно, им больше не пишут тысячи строк кода. Их обучают, просто показывая видео с YouTube, где люди моют посуду, готовят или убираются. Мультимодальный ИИ переводит пиксели с видео в физические движения.
Что это значит для бизнеса?
Мы переходим от интерфейса «человек печатает – машина отвечает» к интерфейсу «человек ставит цель – машина делает». Мультимодальность вывела ИИ из текстовых чатов и дала ему цифровые руки. И следующий логичный шаг – внедрение таких агентов в корпоративную рутину.
❤10👍5🔥5👏1
Мифы о внедрении ИИ, которые мы до сих пор слышим на встречах
Страхи, что нейросети заберут всю работу, как и вера в абсолютные ИИ-чудеса, остались в прошлом. Бизнес стал гораздо умнее: про ИИ все всё слышали, розовых очков нет. Но на уровне глубокого понимания, как это работает под капотом, мифов еще достаточно.
Опираясь на нашу практику и ежедневные встречи с компаниями, мы собрали несколько таких мифов, которые мешают бизнесу внедрять ИИ.
Миф 1. «Нам нужна самая большая и умная нейросеть»
Многие компании приходят с запросом внедрить тяжеловесные модели туда, где они избыточны.
Реальность: по факту, 80% бизнес-задач не требуют технологий Deep Learning. С прогнозом продаж или оттока отлично справляется классическое машинное обучение (регрессии и бустинги) – это точнее и более предсказуемо. Но даже если задача требует нейросети, компактная модель, обученная на ваших данных, на практике выиграет у неповоротливых гигантов и по цене, и по качеству.
Миф 2. «Главное в проекте – написать и настроить саму модель»
Кажется, что основная магия происходит на этапе программирования.
Реальность: само по себе обучение модели – это меньшая часть работы. Более 70% работы Data Scientist'а и залог успеха проекта – это подготовка датасетов. Работает железное правило: какие данные вы загрузили в систему, такой результат и получили на выходе. Поэтому самый кропотливый и долгий этап любого проекта – работа с данными (очистка, разметка и структурирование).
Миф 3. «Нейросеть и так всё знает, просто подключите её»
Есть иллюзия, что современные языковые модели умны «из коробки».
Реальность: без доступа к вашим корпоративным данным любая модель абсолютно слепа. Она ничего не знает про ваш каталог товаров, специфику документооборота или историю переписок с клиентами. Настоящая ценность ИИ для бизнеса появляется только в тот момент, когда алгоритм обучается на ваших внутренних процессах.
Страхи, что нейросети заберут всю работу, как и вера в абсолютные ИИ-чудеса, остались в прошлом. Бизнес стал гораздо умнее: про ИИ все всё слышали, розовых очков нет. Но на уровне глубокого понимания, как это работает под капотом, мифов еще достаточно.
Опираясь на нашу практику и ежедневные встречи с компаниями, мы собрали несколько таких мифов, которые мешают бизнесу внедрять ИИ.
Миф 1. «Нам нужна самая большая и умная нейросеть»
Многие компании приходят с запросом внедрить тяжеловесные модели туда, где они избыточны.
Реальность: по факту, 80% бизнес-задач не требуют технологий Deep Learning. С прогнозом продаж или оттока отлично справляется классическое машинное обучение (регрессии и бустинги) – это точнее и более предсказуемо. Но даже если задача требует нейросети, компактная модель, обученная на ваших данных, на практике выиграет у неповоротливых гигантов и по цене, и по качеству.
Миф 2. «Главное в проекте – написать и настроить саму модель»
Кажется, что основная магия происходит на этапе программирования.
Реальность: само по себе обучение модели – это меньшая часть работы. Более 70% работы Data Scientist'а и залог успеха проекта – это подготовка датасетов. Работает железное правило: какие данные вы загрузили в систему, такой результат и получили на выходе. Поэтому самый кропотливый и долгий этап любого проекта – работа с данными (очистка, разметка и структурирование).
Миф 3. «Нейросеть и так всё знает, просто подключите её»
Есть иллюзия, что современные языковые модели умны «из коробки».
Реальность: без доступа к вашим корпоративным данным любая модель абсолютно слепа. Она ничего не знает про ваш каталог товаров, специфику документооборота или историю переписок с клиентами. Настоящая ценность ИИ для бизнеса появляется только в тот момент, когда алгоритм обучается на ваших внутренних процессах.
Сейчас ИИ уже перешел в статус понятного бизнес-инструмента. Избежать слива бюджетов можно только одним путем: начинать с оцифрованной цели, делать упор на качество собственных данных и тестировать гипотезы короткими итерациями на реальных процессах.
🔥8❤4👍4🤔2
Обсуждаем OpenClaw. Часть 1
Мы только-только выпустили два поста про мультимодальность и то, как ИИ учится не просто генерировать текст, а выполнять реальные задачи «руками». И удивительно, что прямо сейчас на наших глазах разворачивается история с проектом OpenClaw, который идеально (практически) показывает эту технологию в действии.
Сегодня сложно найти того, кто не слышал про OpenClaw. В феврале 2026 года этот проект обсуждает всё IT-сообщество. OpenClaw набрал 213 000 звезд на GitHub за пару недель (что очень-очень много) и спровоцировал дефицит Mac mini в США, где люди начали массово скупать железо под домашние серверы для своих агентов.
Создатель проекта, австриец Питер Штайнбергер, написал его за вечер, чтобы управлять компом через WhatsApp. А на днях Сэм Альтман лично переманил его в OpenAI руководить разработкой персональных агентов. Такие дела.
Сам по себе OpenClaw – это просто оболочка. В качестве «мозгов» он использует топовые нейросети (Claude, GPT). И мультимодальность делает этого агента живым:
1. Слух и работа в мессенджерах. Вы не пишете ему сложные промпты на сайте. Вы просто кидаете боту голосовуху в Telegram: «найди вчерашнюю презентацию, переведи на английский и отправь шефу». Агент переводит звук в смысл, понимает контекст и автономно выполняет всю цепочку действий.
2. Computer Vision для управления программами. Как заставить ИИ нажать кнопку в корпоративной CRM без открытого API? OpenClaw делает скриншот вашего экрана. Модель буквально «смотрит» на картинку, находит глазами нужную иконку или поле ввода, вычисляет координаты в пикселях и сама двигает курсор мыши.
3. Визуальный анализ документов и долгая память. Если нужно найти инвойс, агент визуально просмотрит сотни сканов PDF, находя нужные печати и цифры в таблицах. А главное – он ведет историю у вас на диске. Сказали один раз: «я всегда летаю у окна», и при следующей покупке билетов он сам выберет нужное место.
Но есть одно большое «но».
Мы только-только выпустили два поста про мультимодальность и то, как ИИ учится не просто генерировать текст, а выполнять реальные задачи «руками». И удивительно, что прямо сейчас на наших глазах разворачивается история с проектом OpenClaw, который идеально (практически) показывает эту технологию в действии.
Сегодня сложно найти того, кто не слышал про OpenClaw. В феврале 2026 года этот проект обсуждает всё IT-сообщество. OpenClaw набрал
Создатель проекта, австриец Питер Штайнбергер, написал его за вечер, чтобы управлять компом через WhatsApp. А на днях Сэм Альтман лично переманил его в OpenAI руководить разработкой персональных агентов. Такие дела.
Сам по себе OpenClaw – это просто оболочка. В качестве «мозгов» он использует топовые нейросети (Claude, GPT). И мультимодальность делает этого агента живым:
1. Слух и работа в мессенджерах. Вы не пишете ему сложные промпты на сайте. Вы просто кидаете боту голосовуху в Telegram: «найди вчерашнюю презентацию, переведи на английский и отправь шефу». Агент переводит звук в смысл, понимает контекст и автономно выполняет всю цепочку действий.
2. Computer Vision для управления программами. Как заставить ИИ нажать кнопку в корпоративной CRM без открытого API? OpenClaw делает скриншот вашего экрана. Модель буквально «смотрит» на картинку, находит глазами нужную иконку или поле ввода, вычисляет координаты в пикселях и сама двигает курсор мыши.
3. Визуальный анализ документов и долгая память. Если нужно найти инвойс, агент визуально просмотрит сотни сканов PDF, находя нужные печати и цифры в таблицах. А главное – он ведет историю у вас на диске. Сказали один раз: «я всегда летаю у окна», и при следующей покупке билетов он сам выберет нужное место.
Без мультимодальности агент был бы слепым скриптом. С ней – это цифровой сотрудник. Выглядит как наступившее будущее.
Но есть одно большое «но».
❤6🔥6👍4🤔1
Обсуждаем OpenClaw. Что не так? Часть 2
OpenClaw – это кошмар с точки зрения безопасности. Недавно Cisco опубликовала аудит OpenClaw и назвала его архитектурукатастрофой . Kaspersky нашел 512 уязвимостей (8 критических). А SecurityScorecard обнаружила более 135 000 публичных инстансов агента, 63% из которых можно взломать удаленно. Злоумышленники получают полный контроль над вашим компьютером.
Что не так с OpenClaw?
1. С точки зрения возможностей – это то, о чем всегда мечтали разработчики. Но с точки зрения безопасности – это катастрофа. Защита в нем не встроена по умолчанию, это лишь «опция». Сами создатели честно пишут в документации: «идеально безопасной настройки не существует». По умолчанию OpenClaw запускается вообще без паролей и «слушает» все сетевые порты.
2. OpenClaw умеет выполнять команды в консоли, читать и перезаписывать любые файлы на компьютере. Выдавать ИИ-агенту такие высокие привилегии – прямой путь к не самым приятным последствиям, если агент настроен неправильно или скачал вредоносное расширение.
3. Из-за того, что агенты запускаются без защиты, исследователь Jamieson O'Reilly нашел тысячи открытых инстансов по всему миру. Он легко вытащил оттуда API-ключи, токены Telegram, доступы к корпоративным Slack-аккаунтам и права админа. Кроме того, так как агент работает прямо в WhatsApp и iMessage, вредоносные сообщения могут быть присланы прямо туда, заставляя ИИ выполнять опасные действия через скрытые промпты.
4. Главная угроза – зараженные плагины («скиллы»). Агент расширяет свои возможности через скачиваемые файлы-навыки из репозитория molthub (например, хочешь, чтобы он сам заказывал еду – ставишь скилл). Cisco проверили эту базу и выяснили, что:
— Четверть всех плагинов (26% из 31 000 проанализированных) содержат дыры в безопасности.
— Самый популярный скилл «What Would Elon Do?», который был искусственно накручен на 1-е место в рейтинге, оказался вирусом-шпионом. Он заставлял ИИ игнорировать правила безопасности и втихую, абсолютно незаметно для пользователя, сливал его личные данные на левый сервер.
Главная проблема – это парадокс самой идеи. Чтобы ИИ-агент был реально полезным, ему нужен абсолютный доступ ко всему: вашей почте, файлам, мессенджерам и браузеру. Но чем больше у него прав, тем фатальнее последствия любой ошибки.
OpenClaw – это пока что игрушка для разработчиков, которые понимают, как закрывать порты, настраивать сети и делать аудит кода перед установкой. Если вы просто хотите попробовать «ИИ-ассистента будущего» – лучше подождать. Технология невероятно крутая, и будущее 100% за такими автономными агентами. Но корпоративному сектору стоит дождаться, когда индустрия научится проектировать их безопасно.
OpenClaw – это кошмар с точки зрения безопасности. Недавно Cisco опубликовала аудит OpenClaw и назвала его архитектуру
Что не так с OpenClaw?
1. С точки зрения возможностей – это то, о чем всегда мечтали разработчики. Но с точки зрения безопасности – это катастрофа. Защита в нем не встроена по умолчанию, это лишь «опция». Сами создатели честно пишут в документации: «идеально безопасной настройки не существует». По умолчанию OpenClaw запускается вообще без паролей и «слушает» все сетевые порты.
2. OpenClaw умеет выполнять команды в консоли, читать и перезаписывать любые файлы на компьютере. Выдавать ИИ-агенту такие высокие привилегии – прямой путь к не самым приятным последствиям, если агент настроен неправильно или скачал вредоносное расширение.
3. Из-за того, что агенты запускаются без защиты, исследователь Jamieson O'Reilly нашел тысячи открытых инстансов по всему миру. Он легко вытащил оттуда API-ключи, токены Telegram, доступы к корпоративным Slack-аккаунтам и права админа. Кроме того, так как агент работает прямо в WhatsApp и iMessage, вредоносные сообщения могут быть присланы прямо туда, заставляя ИИ выполнять опасные действия через скрытые промпты.
4. Главная угроза – зараженные плагины («скиллы»). Агент расширяет свои возможности через скачиваемые файлы-навыки из репозитория molthub (например, хочешь, чтобы он сам заказывал еду – ставишь скилл). Cisco проверили эту базу и выяснили, что:
— Четверть всех плагинов (26% из 31 000 проанализированных) содержат дыры в безопасности.
— Самый популярный скилл «What Would Elon Do?», который был искусственно накручен на 1-е место в рейтинге, оказался вирусом-шпионом. Он заставлял ИИ игнорировать правила безопасности и втихую, абсолютно незаметно для пользователя, сливал его личные данные на левый сервер.
Почему корпорации должны начинать беспокоиться?
Сотрудники сами втихую ставят себе OpenClaw на рабочие ноутбуки ради «продуктивности», открывая огромную дыру в корпоративной сети. Агент с доступом к системе становится скрытым каналом утечки данных. Обычные корпоративные антивирусы и DLP-системы его просто не видят, потому что агент работает как легальный локальный процесс сотрудника.
Главная проблема – это парадокс самой идеи. Чтобы ИИ-агент был реально полезным, ему нужен абсолютный доступ ко всему: вашей почте, файлам, мессенджерам и браузеру. Но чем больше у него прав, тем фатальнее последствия любой ошибки.
OpenClaw – это пока что игрушка для разработчиков, которые понимают, как закрывать порты, настраивать сети и делать аудит кода перед установкой. Если вы просто хотите попробовать «ИИ-ассистента будущего» – лучше подождать. Технология невероятно крутая, и будущее 100% за такими автономными агентами. Но корпоративному сектору стоит дождаться, когда индустрия научится проектировать их безопасно.
❤6👍3🙏3💯2
Пока мы обсуждали серьезные вещи, создатель OpenClaw запустил абсолютно гениальную соцсеть Moltbook.
Её главная фишка в том, что людям там категорически запрещено писать посты, ставить лайки или оставлять комментарии.
Это закрытый клуб исключительно для ИИ-агентов, а нам остается только брать попкорн и молча скроллить ленту.
Боты там живут полноценной жизнью: обсуждают новости, делятся кусками кода и даже устраивают жаркие срачи в комментариях. Забавно, как интернет совершил полный оборот. Мы мечтали, что роботы будут тяжело работать на заводах, освободив людям время для общения и творчества. В реальности же наши личные ИИ сидят в соцсетях и ругаются друг с другом, пока мы уставшие приходим с работы и просто за этим наблюдаем.
Её главная фишка в том, что людям там категорически запрещено писать посты, ставить лайки или оставлять комментарии.
Это закрытый клуб исключительно для ИИ-агентов, а нам остается только брать попкорн и молча скроллить ленту.
Боты там живут полноценной жизнью: обсуждают новости, делятся кусками кода и даже устраивают жаркие срачи в комментариях. Забавно, как интернет совершил полный оборот. Мы мечтали, что роботы будут тяжело работать на заводах, освободив людям время для общения и творчества. В реальности же наши личные ИИ сидят в соцсетях и ругаются друг с другом, пока мы уставшие приходим с работы и просто за этим наблюдаем.
👍8🔥4😁3❤2
Облако, свои серверы или гибрид? Или как внедрить ИИ, не разориться и защитить данные
К нам часто приходят с запросом: «сделайте нам мощную нейросеть, но пусть она стоит строго на наших серверах». Бизнес хочет интеллект уровня GPT-4, но сильно боится утечек.
Рассказываем про три базовых варианта развертывания ИИ. Что выбрать, чтобы и данные защитить, и бюджет не слить.
1️⃣ Развертывание в облаке (Cloud)
Нейросеть физически находится на серверах IT-гигантов (OpenAI, Яндекс). Вы отправляете запрос по защищенному API и мгновенно получаете ответ. Никаких трат на дорогие серверы, при этом у вас самая умная модель на рынке.
Почему существует страх развертывания на облаке? Из-за стереотипа, что облако заберет корпоративный договор, обучится на нем и завтра выдаст конкурентам.
В реальности люди путают публичный веб-чат и корпоративный API. Коммерческие Enterprise API-шлюзы юридически и технически изолированы. Они не обучаются на данных клиентов. Запрос пришел зашифрованным, обработался и удалился. Отправлять туда данные сегодня безопаснее, чем пересылать их по рабочей почте.
2️⃣ Полный on-premise (развертывание в своем контуре)
ИИ разворачивается полностью на серверах заказчика. Система работает через внутренний VPN, данные вообще не выходят в интернет.
В чем проблема? Это колоссально дорого. Нужны мощные видеокарты, охлаждение и команда поддержки. Вариант оправдан для банков, медицины или госсектора.
3️⃣ Гибридная архитектура
Бизнесу больше не нужно выбирать между «дешево, но рискованно» и «безопасно, но дорого». Идеальное решение лежит посередине.
Вся инфраструктура и корпоративные данные хранятся у вас локально, но за тяжелыми вычислениями система ходит в облако по API.
Как это работает на практике. Мы настраиваем умный роутинг:
— Если маркетолог просит написать креативный пост – система отправляет эту задачу в мощное облако (OpenAI). Это стоит копейки и дает лучший результат.
— Если аналитик загружает секретный финансовый отчет – шлюз видит уровень доступа и маршрутизирует задачу в вашу локальную защищенную модель. Чувствительные данные не покидают компанию.
А если вы хотите узнать подробнее про возможности размещения – записаться на консультацию 🔗
К нам часто приходят с запросом: «сделайте нам мощную нейросеть, но пусть она стоит строго на наших серверах». Бизнес хочет интеллект уровня GPT-4, но сильно боится утечек.
Рассказываем про три базовых варианта развертывания ИИ. Что выбрать, чтобы и данные защитить, и бюджет не слить.
1️⃣ Развертывание в облаке (Cloud)
Нейросеть физически находится на серверах IT-гигантов (OpenAI, Яндекс). Вы отправляете запрос по защищенному API и мгновенно получаете ответ. Никаких трат на дорогие серверы, при этом у вас самая умная модель на рынке.
Почему существует страх развертывания на облаке? Из-за стереотипа, что облако заберет корпоративный договор, обучится на нем и завтра выдаст конкурентам.
В реальности люди путают публичный веб-чат и корпоративный API. Коммерческие Enterprise API-шлюзы юридически и технически изолированы. Они не обучаются на данных клиентов. Запрос пришел зашифрованным, обработался и удалился. Отправлять туда данные сегодня безопаснее, чем пересылать их по рабочей почте.
2️⃣ Полный on-premise (развертывание в своем контуре)
ИИ разворачивается полностью на серверах заказчика. Система работает через внутренний VPN, данные вообще не выходят в интернет.
В чем проблема? Это колоссально дорого. Нужны мощные видеокарты, охлаждение и команда поддержки. Вариант оправдан для банков, медицины или госсектора.
Здесь можно добавить про ловушку теневого ИИ. Когда компаниям on-premise не по карману, а в облако страшно, руководство просто запрещает нейросети в офисе. И это главная дыра в безопасности. Сотрудники не перестают использовать ИИ – они начинают втихаря грузить NDA и отчеты в бесплатные публичные чат-боты со своих личных телефонов. Контроль над данными теряется полностью.
3️⃣ Гибридная архитектура
Бизнесу больше не нужно выбирать между «дешево, но рискованно» и «безопасно, но дорого». Идеальное решение лежит посередине.
Вся инфраструктура и корпоративные данные хранятся у вас локально, но за тяжелыми вычислениями система ходит в облако по API.
Как это работает на практике. Мы настраиваем умный роутинг:
— Если маркетолог просит написать креативный пост – система отправляет эту задачу в мощное облако (OpenAI). Это стоит копейки и дает лучший результат.
— Если аналитик загружает секретный финансовый отчет – шлюз видит уровень доступа и маршрутизирует задачу в вашу локальную защищенную модель. Чувствительные данные не покидают компанию.
А если вы хотите узнать подробнее про возможности размещения – записаться на консультацию 🔗
❤8👍4🔥4👏2
Дорогие девушки, команда Insight AI поздравляет вас с 8 Марта! 🌷
Мы в Insight AI строим умные алгоритмы, но точно знаем: ни одна нейросеть не заменит вашу интуицию, эмпатию и умение разруливать самые сложные задачи.
Спасибо, что с вами так круто работать! Пусть дедлайны будут адекватными, задачи – интересными, а настроение – весенним!
Мы в Insight AI строим умные алгоритмы, но точно знаем: ни одна нейросеть не заменит вашу интуицию, эмпатию и умение разруливать самые сложные задачи.
Спасибо, что с вами так круто работать! Пусть дедлайны будут адекватными, задачи – интересными, а настроение – весенним!
🎉10🔥7❤5🙏1
Получили недавно интересный комментарий про кастомную разработку
Шутку оценили, но решили обсудить тему подробно.
Давайте разбираться. Где SaaS работает идеально?
Если брать чистый SaaS, без всяких доработок, то он всухую выигрывает в микро-, малом и отчасти среднем бизнесе. Там, где процессы супертиповые (и небольшие бюджеты).
Отличный пример – маркетплейсы, вокруг которых выросла целая ниша обслуживающих SaaS решений (не меньшая по размеру, чем сами маркетплейсы). Везде одинаковые карточки товаров, одинаковые API’шки, одинаковые данные. Вы можете купить подписку за 5000 рублей и не думать про инфраструктуру, обновления и техподдержку. В этом сегменте SaaS – это единственный адекватный вариант.
Про SaaS в крупном бизнесе
Но как только мы переходим к Enterprise-сегменту, чистый SaaS перестает работать. У каждого крупного бизнеса свои уникальные процессы.
Часто происходит следующее: корпорация покупает готовый SaaS (условный Битрикс или другую платформу), а дальше начинается: под хотелки компании дописываются кастомные модули, ядро платформы перекраивается, интеграторы городят сложные связки. По факту, это уже превращается в самую настоящую кастомную разработку, за которую платят огромные деньги, просто строится она на базе чужой коробки.
Зачем тогда писать настоящий кастом с нуля? Основные сценарии:
1. Битва за проценты по правилу Парето. Возьмем ИИ-систему прогнозирования. Готовый SaaS за n-рублей сделает точность прогноза на 80%. Кастомная разработка будет стоить 10n рублей, но даст точность в 95%. Первые 80% достигаются легко, 85% – тяжело, а 95% – почти невозможно. На миллиардных оборотах эти 10-15% выигрыша приносят такие деньги, на фоне которых стоимость разработки кастома просто испаряется.
2. Очень старая, сложная инфраструктура. Пытаться костылями встроить в нее современную SaaS-коробку часто выходит сильно дороже, чем просто написать решение с нуля под себя.
3. Когда нужны полная внутриконтурность (on-premise) и жесткие метрики качества, куда ни одно публичное облако просто не пустят.
Что с мифом про «г**но и палки»?
Почему некоторые не любят кастом? Они видели плохой кастом🙂 Без тестов, без мониторинга, без нормальной архитектуры и – самое страшное – без владельца продукта (про это даже отдельную статью писали).
Шутку оценили, но решили обсудить тему подробно.
Спойлер: SaaS или кастом – это не спор о том, что хуже или лучше. Это исключительно вопрос того, какая перед вами стоит задача и какой у вас масштаб.
Давайте разбираться. Где SaaS работает идеально?
Если брать чистый SaaS, без всяких доработок, то он всухую выигрывает в микро-, малом и отчасти среднем бизнесе. Там, где процессы супертиповые (и небольшие бюджеты).
Отличный пример – маркетплейсы, вокруг которых выросла целая ниша обслуживающих SaaS решений (не меньшая по размеру, чем сами маркетплейсы). Везде одинаковые карточки товаров, одинаковые API’шки, одинаковые данные. Вы можете купить подписку за 5000 рублей и не думать про инфраструктуру, обновления и техподдержку. В этом сегменте SaaS – это единственный адекватный вариант.
Про SaaS в крупном бизнесе
Но как только мы переходим к Enterprise-сегменту, чистый SaaS перестает работать. У каждого крупного бизнеса свои уникальные процессы.
Часто происходит следующее: корпорация покупает готовый SaaS (условный Битрикс или другую платформу), а дальше начинается: под хотелки компании дописываются кастомные модули, ядро платформы перекраивается, интеграторы городят сложные связки. По факту, это уже превращается в самую настоящую кастомную разработку, за которую платят огромные деньги, просто строится она на базе чужой коробки.
Зачем тогда писать настоящий кастом с нуля? Основные сценарии:
1. Битва за проценты по правилу Парето. Возьмем ИИ-систему прогнозирования. Готовый SaaS за n-рублей сделает точность прогноза на 80%. Кастомная разработка будет стоить 10n рублей, но даст точность в 95%. Первые 80% достигаются легко, 85% – тяжело, а 95% – почти невозможно. На миллиардных оборотах эти 10-15% выигрыша приносят такие деньги, на фоне которых стоимость разработки кастома просто испаряется.
2. Очень старая, сложная инфраструктура. Пытаться костылями встроить в нее современную SaaS-коробку часто выходит сильно дороже, чем просто написать решение с нуля под себя.
3. Когда нужны полная внутриконтурность (on-premise) и жесткие метрики качества, куда ни одно публичное облако просто не пустят.
Что с мифом про «г**но и палки»?
Почему некоторые не любят кастом? Они видели плохой кастом🙂 Без тестов, без мониторинга, без нормальной архитектуры и – самое страшное – без владельца продукта (про это даже отдельную статью писали).
Но давайте честно: это проблема кривого подхода конкретных исполнителей, а не формата кастомной разработки в целом.
👍5❤4🔥4🤔1
Рынок ИИ-ботов в России. Большой разбор Insight AI. Часть 2: малый бизнес
Продолжаем делиться инсайтами нашего исследования платформ, создающих ботов на основе искусственного интеллекта, и аудиторий, которые ими пользуются. Сегодня говорим о малом и микробизнесе. Мы провели десятки глубинных интервью с владельцами фитнес-студий, e-commerce проектов, онлайн-школ, агентств и еще многих направлений.
Их отношения с искусственным интеллектом оказались достаточно интересными. Вот 5 интересных фактов из этих интервью:
1️⃣ Самая дорогая проблема малого бизнеса – медленный ответ клиенту
Одна из владелиц фитнес-студии сказала фразу, которую мы затем слышали еще много раз: «если человеку не ответить два часа – ему уже неинтересно, он уходит к конкурентам».
Для малого бизнеса это основная боль. Если корпорация может позволить себе потерять десяток ночных заявок, то для студии (где всего 10-15 лидов в день) даже один пропущенный диалог – удар по выручке. Трафик стоит дорого, лояльности на старте нулевая: клиент пишет сразу в три места, и деньги забирает тот, кто ответил первым. Запрос на ИИ здесь – это не дань моде или желание автоматизации, а острая потребность в инструменте, который перехватит лид, пока конкуренты спят.
2️⃣ Теневой ИИ в малом и среднем бизнесе
Пока владельцы бизнеса думают, нужен ли им ИИ, сотрудники уже вовсю им пользуются. Но делают это стихийно и в личных аккаунтах.
Аналитики прогоняют таблицы через ChatGPT, копирайтеры генерируют там посты, HR-ы пишут отказы. В итоге вся корпоративная база знаний, коммерческая тайна и лучшие рабочие промпты находятся на личных телефонах сотрудников. Когда классный менеджер увольняется – весь этот цифровой актив уходит вместе с ним.
3️⃣ Боты уже пробовали. И часто разочаровывались
Почти каждый бизнес из наших интервью уже тестировал чат-ботов. И в 90% опыт был плохим.
Бот не понимал вопросы, отвечал глупыми шаблонами, галлюцинировал и отпугивал клиентов. Происходит это чаще всего из-за того, что дешевые боты «помощники бизнеса» – это голые нейросети по API без грамотной работы с RAG’ом. В нее просто загружают текст и надеются на чудо. Но шаг влево – бот теряет контекст, галлюцинирует и раздает клиентам несуществующие скидки. После таких историй доверие к автоматизации падает до нуля.
4️⃣ Слепота к рутине. Многие даже не осознают своих проблем
Интересный факт: владельцы воспринимают огромные потери времени как норму.
Например, разнос финансовой отчетности в Excel занимает 1–2 дня. HR-менеджер агентства вручную просматривает 700 анкет кандидатов глазами. Сотрудники тратят часы, чтобы найти нужный регламент среди сотен документов. Предприниматели не ищут ИИ для этих задач (да и вообще ничего не ищут).
5️⃣ Половине компаний ИИ пока вообще не нужен
В рамках исследования мы общались с многими малыми бизнесами, которые наотрез отказываются от автоматизации.
В следующей части обсудим инсайты уже на enterprise уровне
Продолжаем делиться инсайтами нашего исследования платформ, создающих ботов на основе искусственного интеллекта, и аудиторий, которые ими пользуются. Сегодня говорим о малом и микробизнесе. Мы провели десятки глубинных интервью с владельцами фитнес-студий, e-commerce проектов, онлайн-школ, агентств и еще многих направлений.
Их отношения с искусственным интеллектом оказались достаточно интересными. Вот 5 интересных фактов из этих интервью:
1️⃣ Самая дорогая проблема малого бизнеса – медленный ответ клиенту
Одна из владелиц фитнес-студии сказала фразу, которую мы затем слышали еще много раз: «если человеку не ответить два часа – ему уже неинтересно, он уходит к конкурентам».
Для малого бизнеса это основная боль. Если корпорация может позволить себе потерять десяток ночных заявок, то для студии (где всего 10-15 лидов в день) даже один пропущенный диалог – удар по выручке. Трафик стоит дорого, лояльности на старте нулевая: клиент пишет сразу в три места, и деньги забирает тот, кто ответил первым. Запрос на ИИ здесь – это не дань моде или желание автоматизации, а острая потребность в инструменте, который перехватит лид, пока конкуренты спят.
2️⃣ Теневой ИИ в малом и среднем бизнесе
Пока владельцы бизнеса думают, нужен ли им ИИ, сотрудники уже вовсю им пользуются. Но делают это стихийно и в личных аккаунтах.
Аналитики прогоняют таблицы через ChatGPT, копирайтеры генерируют там посты, HR-ы пишут отказы. В итоге вся корпоративная база знаний, коммерческая тайна и лучшие рабочие промпты находятся на личных телефонах сотрудников. Когда классный менеджер увольняется – весь этот цифровой актив уходит вместе с ним.
3️⃣ Боты уже пробовали. И часто разочаровывались
Почти каждый бизнес из наших интервью уже тестировал чат-ботов. И в 90% опыт был плохим.
Бот не понимал вопросы, отвечал глупыми шаблонами, галлюцинировал и отпугивал клиентов. Происходит это чаще всего из-за того, что дешевые боты «помощники бизнеса» – это голые нейросети по API без грамотной работы с RAG’ом. В нее просто загружают текст и надеются на чудо. Но шаг влево – бот теряет контекст, галлюцинирует и раздает клиентам несуществующие скидки. После таких историй доверие к автоматизации падает до нуля.
4️⃣ Слепота к рутине. Многие даже не осознают своих проблем
Интересный факт: владельцы воспринимают огромные потери времени как норму.
Например, разнос финансовой отчетности в Excel занимает 1–2 дня. HR-менеджер агентства вручную просматривает 700 анкет кандидатов глазами. Сотрудники тратят часы, чтобы найти нужный регламент среди сотен документов. Предприниматели не ищут ИИ для этих задач (да и вообще ничего не ищут).
5️⃣ Половине компаний ИИ пока вообще не нужен
В рамках исследования мы общались с многими малыми бизнесами, которые наотрез отказываются от автоматизации.
Почему? Потому что там, где высокий средний чек или небольшой объем лидов, продает человеческая харизма, экспертность и личное доверие. Кроме того, если с текущим объемом идеально справляется менеджер с зарплатой 40-50 тысяч рублей, нет необходимости внедрять ИИ-систему.
В следующей части обсудим инсайты уже на enterprise уровне
👍6❤4🔥3👏1