LLM в прикладных решениях для бизнеса. Опыт отечественных компаний, комментарии экспертов ИТ-рынка

ICT-Online.ru: Какие новые возможности приносят большие языковые модели (LLM) в прикладных решениях для бизнеса? Насколько повышают эффективность бизнес-процессов и позволяют их оптимизировать?

Советник генерального директора Content AI Олег Сажин: Благодаря способности понимать и генерировать информацию на естественном языке, большие языковые модели сегодня становятся универсальным инструментом для повышения эффективности решения задач в различных областях.

Советник генерального директора Content AI Олег Сажин
Фото: Content AI

Одна из сфер, где прогресс в автоматизации с помощью LLM наиболее заметен – это обработка документов. Если раньше этот процесс предполагал использование решений на основе жестких шаблонов, то теперь современные IDP-системы в связке с LLM сами адаптируются под разные форматы и извлекают информацию с высокой точностью и скоростью, в разы сокращая время обработки документов. Мы убедились в этом на практике, интегриров LLM в свою IDP-платформу СontentCapture.

Мы в Content AI видим особенно большие перспективы во внедрении больших языковых моделей в процессы обработки неструктурированной информации. LLM способны понимать контекст, выявлять скрытые связи и даже делать логические выводы на основе содержимого документов. Это особенно ценно в эпоху цифровой трансформации, где объем неструктурированных данных растет экспоненциально.

Рассмотрим пример: по нашим исследованиям, юридические отделы крупных компаний тратят до 70 % времени на рутинный анализ контрактов или судебных решений. LLM могут практически мгновенно находить нужные данные и делать выжимку сути документов. Даже если в договоре использованы нестандартные формулировки, модель, если она хорошо обучена, корректно интерпретирует данные. Такие задачи уже решает наша платформа для создания цифровых помощников Content AI Intelligent Search. Благодаря интеграции с LLM мы значительно расширили возможности продукта в автоматизации работы с документами.

Директор по развитию перспективных бизнес-технологий Artezio (входит в группу ЛАНИТ) Денис Харченко: Большие языковые модели сегодня становятся настоящим катализатором цифровой трансформации бизнеса. Мы наблюдаем, как LLM открывают принципиально новые возможности в автоматизации сложных интеллектуальных процессов, которые раньше были доступны только человеку. Самый очевидный пример — автоматизация работы с неструктурированными данными. Ранее компании могли эффективно обрабатывать только структурированную информацию, а всё, что в свободной форме — документы, письма, обращения — требовало ручного или полуавтоматизированного труда. Сейчас LLM справляются с этим великолепно.

Директор по развитию перспективных бизнес-технологий Artezio (входит в группу ЛАНИТ) Денис Харченко
Фото: ЛАНИТ

По нашему опыту, внедрение LLM-решений позволяет сократить время обработки рутинных задач на 30-70 %. Например, в документообороте, где нейросети могут автоматически классифицировать документы, извлекать из них ключевую информацию и даже формировать проекты ответов. В аналитике языковые модели помогают быстро обрабатывать огромные объёмы текстовых данных и выявлять неочевидные закономерности, которые может не заметить даже профессиональный аналитик.

Важно понимать, что LLM не просто автоматизируют существующие процессы, а создают новые возможности для бизнеса. Например, персонализированное взаимодействие с клиентами в масштабе, который раньше был невозможен, или мгновенный анализ рыночных трендов по множеству источников. При этом эффективность внедрения сильно зависит от качества интеграции в бизнес-процессы. Недостаточно просто подключить нейросеть — необходимо перестроить процессы, обучить персонал, наладить контроль качества и обеспечить безопасность работы инструментов. Только тогда можно получить по-настоящему высокую отдачу от инвестиций в AI-решения.

Директор департамента прикладных решений ЛАНИТ-ТЕРКОМ (входит в группу ЛАНИТ) Дмитрий Медведев: Большие языковые модели сокращают расходы и время за счет автоматизации бизнес-процессов: обрабатывают документы, отвечают на запросы клиентов, анализируют данные. Рабочие процессы ускоряются — задача, выполнение которой раньше требовала целого рабочего дня, теперь может решаться за минуты.

Директор департамента прикладных решений ЛАНИТ-ТЕРКОМ (входит в группу ЛАНИТ) Дмитрий Медведев
Фото: ЛАНИТ

Взаимодействие с системами становится интуитивным: сотрудники формулируют запросы на естественном языке, а ИИ генерирует отчеты, письма или инструкции. Это упрощает интеграцию технологий в текущие операции — не нужны сложные настройки или обучение. Бизнес может вместо операционных задач сфокусироваться на стратегии.

Точность прогнозов растет: модели выявляют паттерны в данных, которые люди могут упустить. Интеграция ИИ в процессы снижает ошибки, связанные с ручным вводом. Внедрение не требует перестройки систем: взаимодействие через естественный язык упрощает адаптацию.

Руководитель Лаборатории инноваций НОРБИТ (входит в группу ЛАНИТ) Дмитрий Демидов: LLM отлично справляются с решением типовых прикладных задач бизнеса и автоматизируют рутинные операции. Если говорить про самые популярные направления применения, то это создание чат-ботов (ассистентов), генерация контента и поиск по базе знаний внутри компании. Суперсила – в возможности быстро перерабатывать и анализировать огромные массивы данных, давать ответы на их основе.

Руководитель Лаборатории инноваций НОРБИТ (входит в группу ЛАНИТ) Дмитрий Демидов
Фото: ЛАНИТ

Применение ИИ упрощает взаимодействие с клиентами, перекладывая нагрузку по обработке запросов от клиентов, созданию контента, рассылке e-mail уведомлений и пушей - на чат-боты. Это разгружает время сотрудников, освобождает от однотипных задач. Хорошим примером такой работы является суммаризация, когда LLM-модели могут вычленить суть из большого текста, сокращая время на его обработку.

Есть от них масса позитивных эффектов и в сфере управления персоналом. Генеративный ИИ можно использовать для анализа резюме, составления вакансий. Он значительно облегчит процессы найма и на 5-30 % сократит затраты бизнеса на HR. Теперь менеджеры по персоналу располагают большим ресурсом для решения стратегических задач, с которыми справиться может только человек.

Отмечу и полезную роль LLM для работы с корпоративными базами данных, в которых собрана вся необходимая информация для сотрудников. Встроенные в них алгоритмы помогают быстро ориентироваться в Интранете, находить нужные файлы и проводить онбординг новичков, используя корпоративного бота, что значительно упрощает внутреннюю коммуникацию и ускоряет процессы.

Руководитель центра компетенций по искусственному интеллекту Рексофт Юрий Воеводко: Большие языковые модели (LLM), такие как GPT, серьезно меняют взаимодействие человека с информацией. Они автоматизируют рутинные задачи: от генерации текстов до анализа данных, экономят время и ресурсы. В образовании LLM персонализируют обучение, адаптируя материалы под уровень ученика. В науке ускоряют исследования, обрабатывая гигабайты статей за секунды. Медики используют их для диагностики, сопоставляя симптомы с базами знаний. Бизнес внедряет LLM для клиентской поддержки и прогнозирования трендов. LLM-технологии особенно ценны для решения задачи с «чистого листа», например, когда нужно с нуля разработать концепцию текста или создать структуру мероприятия. Они способны генерировать новый осмысленный контент, выходя за рамки информации, полученной моделью при обучении.

Руководитель центра компетенций по искусственному интеллекту Рексофт Юрий Воеводко
Фото: Рексофт

Однако важно сохранять баланс: технологии дополняют, но не заменяют критическое мышление. Этические вопросы — от авторства до приватности — требуют регулирования. При этом важно понимать, что для корпоративного применения недостаточно просто взять публичный ИИ-сервис типа Яндекс, OpenAI или DeepSeek. Реальные бизнес-задачи требуют интеграции LLM с внутренними данными компании через технологию RAG (Retrieval Augmented Generation), которая выступает «интеллектуальным фильтром» и позволяет моделям работать в контексте конкретной организации. Отмечу, что западные модели пока сильнее российских аналогов, но их прямое использование часто невозможно из-за регуляторных ограничений. Практическое решение – применение специализированных корпоративных платформ, которые выступают своего рода «прослойкой», обеспечивая доступ к передовым ИИ-технологиям при полном соблюдении требований к безопасности и конфиденциальности данных. Это позволяет бизнесу получить все преимущества LLM без рисков.

Если говорить цифрами, я бы оценил рост производительности при внедрении LLM от 15 % до 600 % и, возможно, даже выше в зависимости от задачи. Например, сервисная компания с помощью LLM сократила штат службы поддержки с 18 до 3 человек без потери качества обслуживания. В Рексофт LLM проверяют задания менторской программы, вдвое сократив временные затраты, в создании ПО автоматизируют создание тест-кейсов, ускоряя разработку на 15 % — подобных кейсов множество.

При этом нельзя забывать о риске «галлюцинаций» – когда ИИ генерирует ошибочные данные. Для их минимизации необходима точная настройка модели (включая RAG), строгие правила валидации и процесс проверки результатов. Мы прошли этот путь при создании специализированной корпоративной платформы Рексофт. В нее были встроены инструменты для калибровки и контроля качества, и мы готовы адаптировать наш опыт под задачи любой компании. Самостоятельная реализация функциональности тоже возможна, но потребует серьезных затрат на подбор и интеграцию opensource-решений, а также времени на их обучение и тестирование.

ML/AI архитектор Softline Digital (ГК Softline) Дмитрий Зборошенко: Большие языковые модели позволяют автоматизировать практически все рутинные операции. Сегодня активно развивается автоматизация коммуникаций с клиентами, контрагентами и сотрудниками. То, что еще недавно казалось невозможным, например, автоматизация процесса общения с клиентами или анализа эффективности продаж, теперь успешно реализуется.

ML/AI архитектор Softline Digital (ГК Softline) Дмитрий Зборошенко
Фото: ГК Softline

Также важно отметить улучшение процессов работы с корпоративными источниками информации (как для внутреннего, так и для внешнего использования) благодаря технологиям Retrieval Augmented Generation (RAG). Это систематизирует доступ к корпоративным знаниям и документации.

Подобные решения помогают не только автоматизировать, но и качественно оценивать и контролировать бизнес-процессы в динамике.

Лидер направления «Искусственный интеллект» Softline Digital (ГК Softline) Максим Милков: Кроме текстовой информации, все чаще добавляется аудио-модальность. Это усложняет систему, но делает ее более универсальной. Например, аудиозапись может быть транскрибирована, а затем обработана с помощью LLM. Сегодня везде, где возникают неструктурированные данные (например, инструкции, тезисы или переписка), подобные задачи решаются быстрее и дешевле благодаря развитию технологий LLM.

Лидер направления «Искусственный интеллект» Softline Digital (ГК Softline) Максим Милков
Фото: ГК Softline

Руководитель направления Data Science в Ramax Александр Борисов: Внедрение технологий ИИ в бизнес-процессы обычно происходит тогда, когда становится понятен их бизнес-эффект, то есть затраты на внедрение заметно меньше достигнутого снижения операционных затрат. Большие возможности LLM связываются с легкостью и скоростью проведения пилотов для измерения бизнес-эффекта в конкретной компании и бизнес-процессе, однако масштабирование решения может вызвать дополнительные расходы – например, связанные с обеспечением безопасности, интеграцией в существующий ИТ-ландшафт и развитием ИТ-инфраструктуры. Риски могут быть снижены за счёт использования технологий LLM в тех областях, где они уже показали заметный бизнес-эффект – таких как кодогенерация, массовая поддержка клиентов и сотрудников, интеллектуальный поиск по базам знаний, массовый копирайтинг. Также риск снижает привлечение опытных команд, имеющих опыт в реализации подобных проектов.

Руководитель направления Data Science в Ramax Александр Борисов
Фото: Ramax

Руководитель департамента разработки и тестирования Guardant (бизнес-направление компании «Актив») Михаил Бакаляров: Большие языковые модели (LLM) открывают перед бизнесом новые возможности, значительно повышая эффективность и способствуя оптимизации процессов благодаря автоматизации рутинных задач, углубленному анализу данных и генерации решений. Однако их влияние на сферу программирования требует глубокого осмысления. В прошлом разработчики могли сосредоточиться в основном на преобразовании требований в код, используя готовые шаблоны и стандартные подходы. Сегодня же LLM берут на себя значительную часть типовых операций, освобождая разработчиков для решения более сложных и креативных задач, а также позволяя сосредоточиться на стратегических аспектах разработки.

Руководитель департамента разработки и тестирования Guardant
(бизнес-направление компании «Актив») Михаил Бакаляров
Фото: «Актив»

С одной стороны, большие языковые модели значительно упрощают процесс создания кода, делая инструменты доступными даже для новичков. Это способствует росту числа людей, способных выполнять базовые задачи разработки и автоматизации. Однако, с другой стороны, такие технологии повышают требования к профессиональным компетенциям программистов. В современном мире в топе шкалы навыков уже стоят архитектурное мышление, умение проектировать масштабируемые системы и глубокое понимание основ Computer Science — такие как структуры данных, алгоритмы и принципы работы сетей. Именно эти навыки критичны для обеспечения надежности систем, предсказуемости затрат и долгосрочной поддержки решений. В то же время, написание кода на конкретных языках или решение алгоритмических задач, ранее считающиеся важнейшими аспектами, теряют свой приоритет, поскольку LLM эффективно закрывают эти уровни, освобождая разработчиков для более стратегических и креативных задач.

Рынок труда активно реагирует на текущие изменения: бизнес все меньше инвестирует в массовый найм «кодеров», ориентируясь, скорее, на специалистов, способных решать сложные и нестандартные задачи. В результате возрастает ценность фундаментальных знаний и практического опыта, а порог входа для поверхностных специалистов снижается.

Иллюзия «лёгких денег» в отрасли постепенно рассеивается — сегодня успех требует глубокой профессиональной экспертизы и понимания сути, а не только умения быстро освоить модные фреймворки. В то же время, конкуренция становится жестче: на рынке появляется всё больше кандидатов, использующих LLM для имитации навыков и успешного прохождения собеседований, что создает дополнительные сложности и требует от специалистов более высокой квалификации и реальных компетенций.

Если резюмировать, то LLM не заменяют программистов, а трансформируют их роль. Они выступают как мощный инструмент для автоматизации рутинных задач, освобождая время специалистов для решения более сложных и стратегических проблем, требующих критического мышления и понимания системных принципов.

Чтобы оставаться востребованным в профессии, необходимо вкладывать в развитие фундаментальных знаний, архитектурного мышления и способности адаптироваться к новым требованиям. Разработка больше не должна рассматриваться как способ быстрого заработка; успех достигается за счет выхода за рамки паттерн-матчинга, лежащего в основе LLM, и фокусироваться на творческой составляющей инженерии.

Директор департамента профессиональных сервисов компании-разработчика «Базис» Денис Романов: LLM уже сегодня повышают эффективность бизнеса на 30-70 %, автоматизируя рутинные задачи в маркетинге, документообороте и разработке кода. Например, система Nuance DAX позволяет сократить время, затрачиваемое врачами на документацию, на 79,3 % (данные AI Index 2025). Вместе с тем внедрение ИИ требует пересмотра рабочих процессов — от формирования промптов до трансформации цикла разработки ПО (SDLC). Цифровые помощники ускоряют обработку запросов, но требуют человеческого контроля из-за рисков «галлюцинаций» и этических ограничений.

Директор департамента профессиональных сервисов компании-разработчика «Базис» Денис Романов
Фото: «Базис»

Руководитель Департамента разработки программно-аппаратных комплексов CESCA Александр Жижанков: В общем смысле, нейросети автоматизируют или ускоряют рутинные процессы, что позволяет тратить меньше человеческих ресурсов, сохраняя необходимый уровень персонализации, и как следствие, экономии средств в будущем с минимально возможными потерями качества сервисов из имеющихся альтернатив.

Руководитель Департамента разработки программно-аппаратных комплексов CESCA Александр Жижанков
Фото: CESCA

Оценка эффективности в каждом случае индивидуальна и комплексна. Если смотреть с точки зрения ускорения процессов, то в среднем оно составляет порядка 30 %. Можно предположить, что наименьшее ускорение процессов в ~20 % касается клиентского обслуживания - ввиду не совершенности таких систем на сегодняшний день по многим вопросам, отходящим от стандартных шаблонов. Максимальное же в ~50 % - при применении таких технологий для поиска и работ с текстом.

Руководитель направления AI провайдера облачных и AI-технологий Cloud.ru Дмитрий Юдин: Наибольшим спросом LLM пользуются в блоках клиентской поддержки, маркетинга и продаж. В поддержке они помогают автоматизировать типовые обращения: внедрение LLM в качестве чат-ботов или голосовых агентов позволяет обрабатывать до 70-85 % запросов без участия человека. Например, в банках и техподдержке сэкономленное время оператора — до 3 минут на обращение. Также ИИ и LLM выступают как Co-pilot — подсказывают сотрудникам первой и второй линии поддержки правильные ответы, сокращая время обучения новых операторов и снижая нагрузку на менторов. Это особенно важно в B2B и технической поддержке, где время на адаптацию может достигать 1-2 месяца. В Cloud.ru Co-pilot инженера уже успешно используется в трех типах задач: генерация подсказок по обращению пользователя, для исправления орфографии и пунктуации в ответах и для улучшения ответов по Tone of Voice. На текущий момент более 45 % ответов клиентам обрабатываются ИИ.

Руководитель направления AI провайдера облачных и AI-технологий Cloud.ru Дмитрий Юдин
Фото: Cloud.ru

В маркетинге и продажах LLM используют для генерации текстов: карточек товаров, SEO-описаний, лендингов, email-кампаний. В ритейле такие модели генерируют тысячи уникальных описаний в сутки, снижая зависимость от копирайтеров и ускоряя time-to-market на 60-70 %. Также LLM позволяют персонализировать офферы: ИИ-агенты анализируют поведение клиентов и предлагают релевантные продукты в реальном времени — по данным экспертов такие системы повышают конверсию рассылок на 20-30 %. В B2B и сложных продуктах появляются AI-продавцы — мультиагентные системы, которые сами проводят квалификацию клиента, подбирают оффер, оформляют КП и могут даже инициировать сделку в CRM. Такие кейсы уже тестируются в ИТ-услугах и SaaS (включая локальных интеграторов и digital-агентства).

Руководитель департамента информационных технологий «ОБИТ» Кирилл Тимофеев: Сейчас многие компании начинают осознавать полноту возможностей ИИ-решений для оптимизации процессов, автоматизации коммуникаций, более точного прогнозирования и принятия решений, эффективной работы с данными. Чат-боты, голосовые помощники и подобные ИИ-ассистенты сегодня активно внедряются в e-commerce, медицинские организации, банки и не только. Мы это связываем с переходом от «экспериментального» ИИ к его активной коммерческой эксплуатации. Эти тренды стали особенно заметны в 2024 году и будут усиливаться в 2025.

Руководитель департамента информационных технологий «ОБИТ» Кирилл Тимофеев
Фото: «ОБИТ»

Что касается экономической эффективности, этот аспект играет критическую роль для бизнеса. В одном из проектов мы участвовали в реализации предиктивной маршрутизации звонков на базе AI-платформы Naumen Erudite в девелоперской компании «Самолет». Это решение сократило время ожидания клиентов на 2,5 минуты и позволило компании сэкономить 12 млн рублей.

По нашему опыту, LLM могут повысить производительность отдельных бизнес-процессов на 30-50 % и улучшить клиентский опыт без необходимости увеличения штата.

ICT-Online.ru: Наcколько уже сейчас применимы генеративные нейросети и LLM в клиентском обслуживании?

Олег Сажин (Content AI): Способность современных чат-ботов на основе генеративного ИИ вести осмысленные диалоги, анализировать контекст и даже предугадывать запросы пользователей делает их широко востребованными в сфере клиентского обслуживания, а также при обработке обращений граждан. Поступающие запросы необходимо классифицировать, понять, в чем суть обращения и направить в нужное подразделение для подготовки ответа или решения. С повышением качества обучения моделей растет и их способность справляться с более сложными запросами. В будущем комплексно решать эти задачи будут ИИ-агенты – автономные системы, способные действовать самостоятельно и принимать решения без вмешательства человека. Например, они смогут отменять подписки или инициировать возвраты. Мы видим работу компаний в этом направлении, что говорит о высокой динамике роста этого рынка.

Персонализация обслуживания — еще одна сильная сторона генеративного ИИ. Анализируя историю взаимодействий с клиентами, модели могут предлагать индивидуальные решения, предугадывать потребности пользователей и даже прогнозировать их отток. Например, если система замечает частые жалобы или снижение активности, она может автоматически предложить специальные условия или бонусы.

Денис Харченко (Artezio): Генеративные нейросети и LLM уже сегодня показывают впечатляющие результаты в клиентском обслуживании, и это далеко не будущее, а реальное настоящее. Мы видим, что современные языковые модели достигли такого уровня, когда они могут вести полноценный диалог с клиентом и решать широкий спектр задач без привлечения человека.

В первую очередь, нейросети прекрасно справляются с типовыми обращениями, которые составляют до 80 % всего клиентского потока. Это вопросы о работе сервисов, часто задаваемые вопросы, консультации по продуктам и услугам. Современные LLM уже могут не просто дать шаблонный ответ, а действительно понять контекст обращения, учесть историю взаимодействия с клиентом и предложить персонализированное решение.

При этом важно понимать, что эффективное применение нейросетей в клиентском сервисе требует правильной настройки и интеграции с бизнес-системами. Недостаточно просто подключить ChatGPT или аналогичный сервис — необходимо обучить модель на корпоративных данных, интегрировать с CRM и другими системами, настроить процедуры эскалации сложных обращений на людей. Только тогда решение будет действительно полезным.

Мы уже сейчас наблюдаем, как нейросети помогают компаниям не только снизить затраты на обслуживание, но и повысить его качество. Клиенты получают мгновенные, точные и персонализированные ответы в любое время суток, а операторы освобождаются от рутины и могут сосредоточиться на сложных, нестандартных случаях. Такая комбинация искусственного интеллекта и человеческого участия даёт наилучшие результаты по удовлетворённости клиентов.

Дмитрий Медведев (ЛАНИТ-ТЕРКОМ): Использование генеративных нейросетей и LLM позволяет обрабатывать стандартные запросы через чат-боты, формируют персональные рекомендации на основе истории прошлых покупок. Интеграция с CRM-системами позволяет предсказывать запросы — некоторые сервисы внедряют ИИ для автоматической категоризации обращений. Однако сложные случаи по-прежнему требуют человеческого вмешательства, а качество ответов зависит от обучения модели. Но базовые сценарии уже закрыты — это снижает затраты и повышает скорость обслуживания.

Дмитрий Демидов (НОРБИТ): Генеративный ИИ активно применяется в самых разных областях: от продаж до юриспруденции и медицины. В последнее время мы видим смещение фокуса в сторону все большего прикладного использования нейросетевых технологий. «Умные» инструменты встраивают в программные продукты, значительно повышается скорость принятия решений. В прикладном применении ИИ лидируют клиентский сервис (банкинг, розничная торговля, электронная коммерция), маркетинг и продажи. LLM позволяют персонализировать предложения для каждого клиента, подобрать наиболее подходящий продукт или создать потребность в нем.

В целом нейросети помогают бизнесу повышать качество сервиса и предоставляемых услуг, улучшать пользовательский опыт, растить метрики лояльности и сокращать расходы. Коллеги из Яндекса отмечают, что в совокупности благодаря внедрению LLM бизнес экономит миллионы рублей на процессах, а клиентские e-comm сервисы – порядка 15 %. Сфера услуг заинтересована в прикладных ИИ-продуктах, плюс сейчас бум решений со встроенными алгоритмами языковых моделей, так что рынок и дальше будет масштабироваться, охватывая новые отрасли.

Юрий Воеводко (Рексофт): Клиентский сервис стал ключевым направлением внедрения LLM-технологий в банковском секторе, авиаперевозках, телекоммуникациях, ритейле — отраслях с миллионами ежедневных обращений. Современные решения на базе генеративного ИИ кардинально превосходят традиционные системы: если обычные чат-боты часто работают по ключевым словам, не понимая суть проблемы (например, когда клиент не может снять деньги в банкомате, непонятно — проблема в карте, счете или устройстве), то LLM анализируют полный контекст запроса, историю взаимодействия с клиентом и способны персонализировать общение. Они позволяют оперативно и качественно отвечать на запросы клиентов 24/7, сокращая время обработки запроса с 7-10 минут до секунд. Хотя работающих проектов в этом направлении пока немного (например, Т-Банк), очевидно, что LLM кардинально трансформируют подходы к клиентскому сервису, сделав его более персонализированным и удобным.

Одним из перспективных направлений развития LLM являются «умные суфлеры» для операторов поддержки — например, сервис Яндекса, который анализирует запросы клиентов и мгновенно подсказывает операторам релевантные ответы из базы знаний. Однако полностью заменить человеческий сервис LLM пока не смогут — во-первых, из-за дороговизны вычислений, во-вторых, они не всегда способны проявлять эмпатию.

Дмитрий Зборошенко (Softline Digital): Применение нейросетей и LLM уже довольно широкое. Например, виртуальные ассистенты (чат-боты и голосовые боты) начинают заменять традиционные каналы обслуживания. Такие модели помогают клиентам получать информацию о продуктах и услугах, могут автоматизировать обработку запросов, генерацию ответов первой линии поддержки и даже анализировать обратную связь из соцсетей и других источников.

Еще одна перспективная область — омниканальные интерфейсы. Благодаря им, клиент может начать коммуникацию через email, продолжить ее через чат на сайте или мессенджер, и LLM обеспечит непрерывность и качество взаимодействия, помня историю предыдущих обращений.

Александр Борисов (Ramax): Массовое клиентское обслуживание с применением интеллектуальных чат-ботов на базе LLM фактически уже является распространенной «лучшей практикой» для крупных B2C-компаний. При этом намечается постепенный переход от подхода «чат-бот вместо сотрудника поддержки» к «чат-бот как способ повышения эффективности сотрудника поддержки». Финтех-компания Klarna, в 2022 году уволившая всех сотрудников поддержки и заменившая их чат-ботами от OpenAI, в 2025 году частично нанимает их обратно, столкнувшись со снижением качества сервиса. Яндекс в мае 2025-го выпускает решение Yandex Neurosupport, которое может применяться не только в крупных компаниях, но и в контакт-центрах для МСБ. Таким образом, LLM сейчас наиболее эффективны как средство оптимизации бизнес-процессов в клиентском обслуживании, а не как способ реализации новых подходов для поддержки. Несомненно, самые простые кейсы обслуживания, такие как «узнать статус заказа» или «рассказать о продукте», уже доступны в реализациях через чат-бота на базе LLM, и показывают достаточное качество сервиса.

Денис Романов («Базис»): В клиентском сервисе эффективность LLM напрямую зависит от качества исходных данных, правильной настройки контекста и участия человека. Наш опыт показывает, что ключ к успеху — структурированные данные и адаптация процессов их обработки. Компании, которые грамотно совмещают технические возможности ИИ с системным подходом, получают реальные конкурентные преимущества. Однако успех зависит от решения этических вопросов, снижения затрат и глубокой интеграции моделей в бизнес-процессы.

Александр Жижанков (CESCA): Нейросети и LLM уже обширно используют во многих сферах:

• Чат-боты – отвечают на вопросы, помогают с заказами.
• Голосовые ассистенты – обрабатывают звонки, распознают речь.
• Анализ жалоб – автоматически сортируют обращения, выявляют проблемы;
• Колл-центры – обработка запросов, навигация, обзвон клиентов с персонализированной информацией.

Тем не менее, пока не всегда такие системы справляются со сложными запросами и часто требуют контроля человека.

Дмитрий Юдин (Cloud.ru): AI и LLM уже широко используются в российских компаниях. В телеком-отрасли и крупных банках, по данным экспертов, до 80 % обращений в чатах и колл-центрах уже обрабатываются с участием ИИ. Более половины маркетинговых агентств в России в 2024 году уже внедрили LLM в продакшен — от генерации контента до персонализации медийных стратегий. Наконец, малый и средний бизнес используют low-code решения на базе opensource-моделей — часто с помощью no-code-платформ и готовых Telegram-ботов для поддержки и продаж.

Кирилл Тимофеев («ОБИТ»): LLM уже находят практическое применение в клиентском сервисе. Так, интеллектуальные суфлеры способны анализировать входящие обращения в режиме реального времени и, обученные на базе знаний компании, предлагать наиболее точные и релевантные варианты ответов. Суфлеры необходимы для повышения эффективности работы операторов и снижения вероятности некорректной консультации клиента. Цифровые тренажеры, в свою очередь, способны эмулировать поведение человека и могут использоваться, например, для симуляции и отработки сценариев общения с потенциальными клиентами. Инструмент качественно ускоряет онбординг и процесс адаптации новых сотрудников. Еще одним направлением является ИИ-база знаний — технология собирает и анализирует большие объемы информации с разных ресурсов в компании и предоставляет точное резюме в простой текстовой форме по конкретному запросу сотрудника. Эти инструменты у нас уже запущены в пилотном режиме в ряде компаний.

ICT-Online.ru: Каким вам видится дальнейшее развитие и применение LLM?

Олег Сажин (Content AI): Динамика развития технологий позволяет предположить, что через 2-3 года LLM станут таким же стандартом бизнес-процессов, как теперь CRM-системы. Уже сейчас во многих отраслях невозможно представить работу без автоматизированных решений на основе искусственного интеллекта. Компании, внедряющие эти решения, получают существенное конкурентное преимущество за счет скорости обработки информации и персонализированного подхода к клиентам.

Мы считаем, что LLM станут стандартным инструментом в корпоративных процессах, но их развитие пойдет по пути специализации. Универсальные модели вроде ChatGPT полезны для широкого круга задач, но бизнесу нужны решения, заточенные под конкретные отрасли — с пониманием терминологии, нормативов и бизнес-логики. Например, в юриспруденции LLM будут не просто искать совпадения в текстах, но и анализировать судебную практику, а в медицине — проверять назначения на соответствие клиническим рекомендациям.

Еще один тренд — гибридные системы, где LLM работают в связке с другими инструментами автоматизации: программными роботами, OCR-и IDP-решениями и различными корпоративными системами -  CRM, СЭД\ECM, HRM и так далее. Мы в Content AI именно в этом ключе развиваем свою IDP-платформу ContentCapture. Синергия новых технологий и традиционных систем автоматизации дадут компаниям качественный скачок в эффективности.

Денис Харченко (Artezio): Я убежден, что мы находимся лишь в начале пути применения больших языковых моделей в бизнесе. В ближайшие годы мы увидим несколько значимых трендов в развитии этой технологии. Прежде всего, произойдет углубление специализации LLM по отраслям и задачам. Универсальные модели уступят место решениям, оптимизированным под конкретные домены — медицину, юриспруденцию, инженерное дело. Такие специализированные модели будут демонстрировать гораздо более высокую скорость, точность и полезность для профессионалов.

Также мы увидим более тесную интеграцию языковых моделей с корпоративными системами и бизнес-процессами. LLM станут неотъемлемой частью ERP, CRM и других корпоративных платформ, значительно повышая их ценность через интеллектуальную обработку данных и предиктивную аналитику.

Важным направлением будет дальнейшее развитие мультимодальности — способности моделей работать одновременно с текстом, изображениями, голосом и другими типами данных. Это уже открывает совершенно новые сценарии использования, особенно в таких областях, как маркетинг, клиентская работа, создание контента.

Нельзя не отметить и тренд на децентрализацию и демократизацию LLM. Появляются компактные модели, способные работать на конечных устройствах без постоянного подключения к облаку, что расширит способ и географию их применения и снизит стоимость владения.

При этом одним из ключевых факторов успешного применения LLM в будущем станет развитие методологий их безопасного и этичного использования. Вопросы конфиденциальности данных, предотвращения дезинформации и обеспечения прозрачности работы алгоритмов выйдут на первый план.

В Artezio мы активно следим за этими тенденциями и уже сейчас закладываем в наши решения возможности для быстрой адаптации к меняющемуся ландшафту технологий искусственного интеллекта. Мы верим, что будущее за интегрированными системами, где LLM гармонично дополняют человеческий опыт и интуицию, создавая принципиально новый уровень эффективности бизнес-процессов.

Дмитрий Медведев (ЛАНИТ-ТЕРКОМ): Развитие LLM сместится в сторону глубокой специализации, модели научатся точнее работать с узкими отраслями. Бизнес-процессы станут более гибкими, а интеграция с IoT-устройствами позволит управлять производством в автоматическом режиме. Персонализация достигнет нового уровня — клиенты получат сервисы, адаптированные под их привычки.

Один из трендов — переход от универсальных моделей к инструментам, решающим конкретные задачи бизнеса дешевле и быстрее человеческих команд.

Дмитрий Демидов (НОРБИТ): Повышение производительности труда сотрудников, снижение трудозатрат на рутинные операции и улучшенная бизнес-аналитика – уже не заоблачные перспективы, а реальные результаты внедрения больших языковых моделей в бизнес-процессы. Спрос на подобные цифровые решения будет активно расти, продолжатся инновационные разработки, появятся новые игроки: как вендоры, так и интеграторы.

Но и здесь не все так гладко: высокая стоимость разработки и внедрения, а также скептицизм сотрудников и руководства будут сдерживать переход многих компаний на инструменты со встроенными технологиями LLM. Во многих случаях, кстати, такое отношение бывает вполне оправдано – модели, обученные на некачественных или плохо структурированных данных, могут нанести серьезный урон бизнесу, «галлюцинировать» и выдавать недостоверную информацию. Есть опасения, связанные и с безопасностью данных. Работу LLM нужно контролировать, особенно внимательно там, где есть высокие риски, например, в финансовой сфере или в здравоохранении. В целом, в ближайшей перспективе ИИ продолжит выполнять скорее функции консультанта, давать рекомендации и автоматизировать рутину. На мой взгляд, принятие ключевых решений в компаниях еще не скоро будет им передано.

Если же смотреть дальше, в будущее развитие генеративных технологий, то там уже видны ИИ-агенты, которые в проактивном режиме выполняют не только рутинные, атомарные процессы, а еще и проводят более сложные операции, имеющие конечную бизнес-ценность и состоящие из десятков шагов со сложной логикой. Все быстрее приближается момент, когда роботы смогут полноценно брать на себя задачи, снимая нагрузку с людей.

Юрий Воеводко (Рексофт): Одной из ключевых перспектив LLM я считаю развитие промышленного слоя генеративного ИИ, который объединит инженерные данные, эксплуатационные параметры и сервисные знания в единую интеллектуальную среду. Такие системы смогут не только генерировать PLC-код и визуализации HMI, но и предоставлять персоналу пошаговые рекомендации на естественном языке, устраняя разрыв между цифровыми «двойниками» и реальным оборудованием.

Следующим логичным этапом станет переход от анализа данных и генерации ответов к автономному принятию решений. Вместо промежуточных решений, которые лишь имитируют ручные операции, появятся комплексные системы, где LLM в сочетании с компьютерным зрением смогут напрямую управлять процессами. Это особенно актуально для таких задач, как контроль технологических процессов или автоматизация рутинных операций.

Стоит выделить особую перспективу в развитии гибридных систем «человек+ИИ», где модели ИИ будут усиливать экспертов, а не заменять их. Такой подход уже доказал свою эффективность в медицине, финансах и образовании, где LLM выступают в роли интеллектуальных ассистентов. В ближайшие годы ключевым прорывом станет повышение способности ИИ к самостоятельному контекстному обучению и адаптация к изменяющимся условиям непосредственно в процессе работы.

Дмитрий Зборошенко (Softline Digital): Эволюцию применения LLM можно сравнить с их использованием в программировании. Если изначально они применялись для автодополнения кода, то сегодня уже можно писать запросы на естественном языке и получать готовые решения. Со временем роль человека в таких процессах будет минимизироваться, оставляя ему только контроль и валидацию результата.

Сейчас происходит технологическая революция. Компании, которые уже начинают внедрять LLM, получают значительное конкурентное преимущество. Изменения идут стремительно, и те, кто быстрее адаптируются, будут впереди остальных.

Максим Милков (Softline Digital): LLM станут якорной технологией для так называемых интеллектуальных агентов, которые смогут управлять целыми бизнес-процессами, аналогично системам АСУТП в промышленности. Человек в таких системах будет настраивать только макропараметры и стратегические цели, а операционная работа будет полностью автоматизирована.

Со временем появятся стандарты и законодательное регулирование внедрения таких систем, что даст дополнительный импульс для их широкого распространения.

Денис Романов («Базис»): В ближайшие годы развитие LLM будет идти сразу по нескольким направлениям. Во-первых, это персонализация — модели все чаще адаптируются под конкретные отрасли, бизнес-задачи и индивидуальные потребности клиентов. Во-вторых, усиливается интеграция LLM с другими технологиями, такими как Интернет вещей, дополненная и виртуальная реальность, блокчейн — это открывает совершенно новые сценарии применения. Важным вектором остается снижение издержек: в фокусе — энергоэффективные архитектуры и перенос вычислений ближе к периферии (edge computing). Одновременно с этим растет значимость этических и регуляторных аспектов: борьба с предвзятостью, защита данных, соответствие законодательству. И, наконец, LLM становятся все более специализированными — появляются решения, изначально заточенные под медицину, финансы, юридическую сферу и другие высокорегулируемые отрасли.

Александр Жижанков (CESCA): Можно выделить четыре основных глобальных направления: большая автоматизация, интеграция, оптимизация, трансформация бизнес моделей.

• Автоматизация – от написания кода до полной замены некоторых специалистов.
• Интеграция – в повседневные сервисы: поисковики, соцсети, корпоративные системы, персональные ИИ-ассистенты для работы и жизни.
• Оптимизация – энергопотребление будет снижаться, но, к сожалению, не так быстро, как растут аппетиты моделей. Оптимизация чипов и алгоритмов даст 2-5-кратный выигрыш в ближайшие годы, но радикальный прорыв, скорее всего, потребует разработки и внедрения новых физических принципов для работы вычислительных систем.
• Трансформация бизнес моделей – генеративные модели упрощают жизнь пользователям, но ломают старую модель Интернета, где сайты живут за счет рекламы и переходов. Проблема становится всё более актуальной. С одной стороны, сайты, закрывающие доступ к контенту, с другой – поисковики, начинающие платить за такой контент, как OpenAI. Но такая схема не сможет долго существовать.

Кроме того, есть ещё две важные и критические задачи, которые предстоит решить: ошибки и «галлюцинации», проработать вопросы безопасности данных.

Дмитрий Юдин (Cloud.ru): Трендов несколько, во-первых, переход от LLM к AI-агентам. Бизнесу недостаточно просто «ответить на вопрос», нужен агент, который выполнит задачу: сформирует КП, отправит письмо, найдет файл, вызовет API – это и есть переход к Agentic AI. Во-вторых, использование мультиагентных систем: появляются реальные сценарии, где один агент анализирует поведение клиента, второй — генерирует предложение, третий — инициирует процесс в CRM. Эти архитектуры строятся на базе opensource-стеков. В-третьих, я бы отметил автономные отделы продаж. Уже сейчас тестируются решения, где по данным экспертов до 90 % цикла продаж на inbound-заявках закрывает AI-агент, а менеджер включается только на финальном этапе. В тестах такие агенты обеспечивают лидогенерацию в 3 раза дешевле, чем классические каналы.

Кирилл Тимофеев («ОБИТ»): Сфера развивается семимильными шагами. LLM в ближайшем будущем станут стандартной составляющей корпоративных ИТ-решений. Уже сейчас появляются ИИ-агенты, заточенные под конкретную задачу. Мы также ожидаем появления отраслевых моделей в виде стандартов, специально обученных на данных из медицины, юриспруденции, энергетики и других сфер.

В перспективе LLM превратятся из инструмента автоматизации в полноценного цифрового ассистента внутри бизнес-процессов — умеющего работать в команде, быстро учиться и демонстрировать эффективный результат.

ICT-Online.ru: Большое спасибо всем за беседу!