Глава 3

Бизнес

Как-то мне довелось пообщаться с представителем одной известной российской компании из автомобильной отрасли. Он поделился проблемой: российское законодательство постоянно меняется, из-за этого часто приходится менять инструкции к автомобилям. Это кропотливая рутинная работа, которую постоянно приходится повторять. «Вот бы появилась такая технология, – рассуждал он, – которая могла бы делать это за человека и за пару минут обновлять данные, сверившись с актуальным законодательством!» Когда мы общались, это казалось фантастикой. Сейчас в мире, где СhatGPT набирает стремительную популярность, это уже реальность. Модель в целом изменила отношение к словам «возможно» и «невозможно», позволив оптимизировать многие бизнес-процессы в самых разных областях.

Бизнес

Я вижу это по своей компании. Я занимаюсь обучением и большую ставку в бизнесе делаю на маркетинг. Пару лет назад мне пришла идея создать редакцию, которая бы создавала объясняющие тексты, которые рассказывают, зачем нужен и как устроен наш продукт и пр. В целом идея не нова, но работает хорошо. Мы смогли значительно повысить приток клиентов и стали думать, как можно оптимизировать работу команды и повысить результаты. Как раз в это время я впервые попробовал ChatGPT. Будучи языковой моделью, она лучше всего справляется с текстовыми задачами. Поэтому в качестве эксперимента я предложил нашим авторам использовать ее в работе. Результат оказался ошеломительным – продуктивность редакции выросла в разы: повторюсь, сейчас шесть человек выпускают не 30 лонгридов в месяц, а 300. Получается, что один человек в день в среднем можем написать 1–2 длинных текста. Такой скоростью может похвастаться редкий журналист, натренированный годами работы над срочными новостями.

Кейс Зерокодера

Есть несколько способов написать текст с помощью нейросетей. Первый – генерировать материал сплошным текстом с помощью одного промпта. Он может быть таким: «Я хочу, чтобы вы выступали в роли очень опытного [риелтора и высококлассного копирайтера], свободно говорящего и пишущего по-русски. Напишите текст длиною не менее [500 слов]. Стиль [деловой, информативный, с пользой и личным опытом]. Статья должны быть отформатирована, разбита на абзацы, иметь заголовки и при необходимости списки перечислений. Даю вам заголовок [ «Покупка квартиры в новостройке Костромы: гармония современного комфорта и древнерусского колорита»] Используйте в тексте непрямые вхождения следующих ключевых слов: [новостройка, Волга, квадратные метры]» . Что здесь важно? Мы указываем: 1) в какой роли выступает модель как автор статьи, 2) количество слов, 3) стиль, 4) заголовок и 5) ключевые слова. Получив текст, мы можем использовать другие промпты, чтобы поправить моменты, которые нас не устроили: например, увеличить или уменьшить количество символов или убрать повторяющиеся слова.

У этого способа есть недостатки. Генерируя большой текст, нейросеть зачастую перескакивает с одной темы на другую. Поэтому результат может не соответствовать поставленной задаче. Другой нюанс: ответ модели ограничен по знакам. Как только она достигает лимита, то останавливается. Чтобы модель продолжила, нужно ее об этом попросить. Но она не всегда продолжает с того места, где остановилась.

Текст более высокого качества можно получить, используя метод блочной генерации. Он подразумевает несколько этапов написания материала. На первом нужно попросить нейросеть сгенерировать структуру статьи. Для этого можно использовать следующий промпт: «Создай структуру статьи “Покупка квартиры в новостройке Костромы: гармония современного комфорта и древнерусского колорита”». После того как она выдаст «скелет» будущего материала, нужно выбрать подходящие разделы. Далее нужно попросить модель по очереди сгенерировать текст для каждого из них. Так как модель может галлюцинировать и генерировать несуществующие примеры, итоговый материал нужно обязательно проверить (провести фактчекинг). Далее можно проверить получившийся текст на актуальность, например, на портале text.ru, сделать скрины .

Причем нам удалось не только набрать темп, но и не потерять в качестве. Если судить по статистике, то количество отказов по статьям (число людей, которые не дочитали текст до конца), сгенерированным с помощью ИИ, сравнимо с написанными человеком. Процент отказов сравним со статьями, которые пишут живые авторы! Да, формулировки иногда могут быть кривыми, и люди на наших курсах довольно часто угадывают, кто что написал. Но в целом статистика доказывает, что такого качества достаточно, чтобы выполнять бизнес-задачи.

Безусловно, я – не первопроходец. Как я писал в прошлой главе, даже самые консервативные и известные редакции в мире пробуют нашумевшую технологию и с ее помощью оптимизируют свою работу. Это позволяет сократить издержки, например, за счет замены людей технологией. Мы пошли иным путем: модель стала для наших авторов тем самым ускорителем, о котором я неоднократно говорил в этой книге. Она позволяет как бы включить турборежим и писать тексты со скоростью света. Таким образом мы смогли нарастить трафик – на наш сайт заходят больше людей, которые впоследствии могут купить что-то из наших продуктов.

Если смотреть шире и говорить не только про генеративный искусственный интеллект, то ИИ в бизнесе – давно не новость. Первые попытки использовать ИИ в корпоративном секторе можно было наблюдать в середине ХХ века. Тогда появились экспертные системы, которые помогали компаниям принимать решения. Активно подобные технологии внедрялись в финансовом секторе. Там системы автоматизировали такие задачи, как кредитный скоринг и оценка рисков. Со временем пользу ИИ в экспертных системах осознали и в других секторах экономики. Производственные предприятия использовали ИИ для оптимизации процессов, контроля качества и профилактического обслуживания, сектор логистики – для улучшения планирования маршрутов и управления запасами, индустрия здравоохранения углубилась в экспертные системы для медицинской диагностики и рекомендаций по лечению. Первоначальное внедрение ИИ в этих секторах заложило основу для последующих волн инноваций, продемонстрировав ощутимые преимущества интеграции интеллектуальных технологий в различные сферы бизнеса.

По мере эволюции ИИ его функции в бизнесе расширялись. Росла сложность приложений, широта его использования. В 1980-х и 1990-х годах алгоритмы машинного обучения позволили предприятиям использовать данные для прогнозной аналитики, управления взаимоотношениями с клиентами и пр. В ХХI веке широкую популярность в бизнесе приобрели рекомендательные системы. Даже если вы не разбираетесь в технологиях, то должны знать, о чем я: рекомендательные системы стоят за рекламой фильмов, постов, которые могут вам понравится, и пр. Впервые подобную технологию упомянул  шведский ученый Юсси Карлгрен, описав ее как как «цифровую книжную полку». Использовать ее активно начали уже в 2000-х годах. Тогда, например, алгоритмы рекомендаций начали проникать в сферу электронной коммерции. Одним из пионеров в этой области является онлайн-ритейлер Amazon. Рекомендательные системы популярны на стриминговых площадках, которые предлагают пользователям фильмы по запросу. В 2006 году один из лидеров рынка Netflix (тогда компания по прокату DVD-дисков по подписке) даже запустила  конкурс на лучший рекомендательный алгоритм. Чтобы получить приз – $1 млн – независимым разработчикам требовалось повысить точность алгоритма рекомендаций на 10 %. В 2009 году, спустя три года после старта соревнования, приз вручили команде BellKor’s Pragmatic Chaos. Параллельно компании внедряли чат-ботов для обслуживания клиентов, аналитику на основе искусственного интеллекта – для принятия решений на основе данных и исследовали потенциал нейронных сетей в решении сложных задач. Повсеместная доступность облачных вычислений и возросшая вычислительная мощность еще больше ускорили интеграцию искусственного интеллекта в бизнес-операции. Сегодня искусственный интеллект используется повсеместно и помогает оптимизировать цепочки поставок, персонализировать маркетинг и многое другое.

Генеративные нейросети, безусловно, открыли перед бизнесом новые возможности. Они могут создавать не только длинные связные тексты, но и код для разработчиков, проверять документы за юристов и т. д. То есть по сути, ИИ может оптимизировать работу почти любого специалиста: от копирайтера до программиста. Кроме того, существуют десятки типов коммерческого применения ИИ, которые пока не стали массовыми. Технологию используют в парфюмерии : ИИ анализирует данные и предлагает формулы для духов, о которых человек сам бы никогда не подумал. Схожим образом они применяются в кулинарии  и в других сферах, и это открывает огромные перспективы для бизнеса в самых разных индустриях. По оценкам компании стратегического консалтинга «Яков и партнеры», экономический потенциал от применения технологий ИИ в России к 2028 году может составить 22–36 трлн рублей. «Реализованный эффект на рост выручки и сокращение затрат компаний может составить 4,2–6,9 трлн рублей (среднее внедрение [генеративного] ИИ среди компаний России – около 20 %), что эквивалентно влиянию на ВВП до 4 %. Эффект от генеративного ИИ составит от этого значения 0,8–1,3 трлн рублей», – сказано в исследовании. По мнению аналитиков, около 70 % экономического потенциала приходится на транспортную, банковскую и IT-отрасли, ритейл и производство потребительских товаров, а также, к моему удивлению, на добывающую промышленность.

Первыми, как это часто бывает, инновации адаптируют под себя крупные компании. Например, гигант Microsoft, один из крупных инвесторов OpenAI, интегрировал ChatGPT в свой поисковик Bing. Это позволило сделать поиск более интерактивным и «человечным». Теперь вместо набора ссылок можно получать информацию в поисковике через беседу. Так же поступили разработчики популярного приложения для изучения языков Duolingo. Компания использовала продвинутую версию чата GPT‑4 и на ее основе создала Duolingo Max. С этим сервисом можно общаться, как с репетитором: благодаря языковой модели он может отвечать на вопросы студентов, объяснять их ошибки или хвалить за правильные ответы, как делал бы это человек. Другая функция позволяет студентам отрабатывать свои языковые навыки. Приложение меняется, как хамелеон, благодаря генеративной модели и выступает то бариста в парижском кафе, то продавщицей в цветочной лавке и т. д.

Создатели популярного приложения для мгновенного обмена сообщениями Snapchat тоже встроили ИИ в свой продукт. Бот под названием My AI отображается как обычный контакт в списке друзей пользователя. В любой момент ему можно написать и попросить о помощи или просто ради развлечения. Сервис подскажет идеальный подарок на день рождения, поможет спланировать длинные выходные, предложит рецепты блюд на ужин и пр. Платформа для совместной работы Slack тоже не осталась в стороне и выпустила приложение на основе ChatGPT. Оно помогает управлять рабочими процессами и повышать производительность. У пользователей плагина всегда есть помощник, который ответит на рабочие вопросы или подскажет нестандартное решение задачи. Экономический эффект таких продуктов пока неизвестен, но он демонстрирует широту применения ИИ в бизнесе.

Возможности нейросетей исследуют компании за пределами технологического сегмента. Среди них – Coca-Cola. Производитель безалкогольных напитков заключил партнерство с консультантами Bain & Company с целью использования ChatGPT для помощи в маркетинге и создании персонализированного обслуживания клиентов. Согласно пресс-релизу, компания планирует использовать эту технологию вместе с инструментом генерации изображений DALL-E для создания персонализированных рекламных текстов, изображений и сообщений.