От экспериментов в массы: почему в эпоху открытого ИИ победит продукт

ИИ выходит в массы

Долгое время создание мощных нейросетей требовало огромных вложений: сотен миллионов долларов на исследования, больших команд специалистов высокого уровня и колоссальных вычислительных мощностей. Все изменилось с появлением открытых моделей вроде Qwen, DeepSeek и Mistral — они доступны любому разработчику бесплатно. По качеству такие модели уже сопоставимы с решениями крупнейших игроков, а возможность дообучения на собственных данных снимает зависимость от внешних вендоров и позволяет сохранять контроль над процессом.

При этом сама по себе доступность технологии не означает появление устойчивых бизнес-результатов. 2025 год стал точкой перехода от экспериментов к массовым решениям, где на первый план выходит не наличие генеративного ИИ как такового, а продукт, его экономика и практическая ценность для пользователя. Генеративные модели требуют более серьезных затрат на разработку и внедрение, чем классические ML-подходы, и сопровождаются заметно более высокими ожиданиями со стороны бизнеса и аудитории. Это заставляет компаниям иначе подходить к принятию решений и оценке целесообразности ИИ-инициатив.

От экспериментов к реальным процессам

Одной из самых распространенных ошибок остается внедрение ИИ без четкой стратегии. Во некоторых компаниях генеративный ИИ становится частью продукта еще до того, как определены его роль, сценарии использования и экономическая логика. При этом часто ту же задачу можно было бы решить классическим машинным обучением или простой автоматизацией. В результате экономика проекта не сходится, а пользователь не видит в новых функциях ощутимой ценности.

Для устойчивого внедрения генеративного ИИ точечных изменений недостаточно — требуется полностью пересмотреть подход к работе компании. При попытке масштабирования решений становится заметно, что разрозненные ИИ-инициативы начинают выпадать из общей операционной модели компании. В Авито мы выбрали модель программного управления, при которой развитие продуктов на генеративном ИИ выстраивается как единая программа с выделенным лидером. Такой подход позволяет координировать работу автономных команд, задавать общие приоритеты и снижать риск дублирования решений.

При правильной постановке задач генеративный ИИ становится не только инструментом оптимизации издержек. Он создает основу для появления новых продуктов и сценариев, которые повышают вовлеченность пользователей и точнее закрывают их потребности. Это напрямую отражается на финансовых показателях компании. Максимальный эффект достигается тогда, когда задачи распределяются между человеком и ИИ с учетом сильных сторон каждого.

Эффективное внедрение требует выстраивания процессов под возможности технологии. Попытка автоматизировать существующие, но часто неоптимальные алгоритмы работы, как правило, приводит к тому, что ИИ масштабирует уже накопленные ограничения. Поэтому задача специалистов по ИИ заключается не только в разработке решений, но и в определении того, какие процессы действительно имеют смысл автоматизировать и какие требуют пересмотра. Для этого необходима кросс-функциональная команда, в которой экспертиза в бизнесе и процессах дополняется глубоким пониманием возможностей современных моделей.

Как тестировать инновации и оценивать результат

В Авито мы тестируем новые решения в так называемом «инкубаторе» — гипотезы проверяются на минимальных прототипах в сжатые сроки. Цель — понять, насколько нужно вкладываться в то или иное нововведение, принесет ли оно ценность пользователям и нашему бизнесу. На первом этапе оценивается технологическая реализуемость решения с учетом текущих возможностей и бюджета. Иногда это означает и осознанный отказ от направлений, которые выглядят технологически привлекательно, но не имеют экономического смысла в конкретном контексте. Например, разработка собственной модели генерации видео уровня Veo от Google потребовала бы инвестиций, сопоставимых с крупнейшими мировыми игроками, и при этом не дала бы соразмерного эффекта для нашего рынка.

Далее проверяется продуктовая гипотеза и потенциальная аудитория. Такой подход позволяет масштабировать только те решения, эффективность которых подтверждена метриками. Универсального момента, когда эксперимент следует завершать, не существует — решения принимаются на основе конкретных показателей и их динамики, а не формального прохождения этапов.

В пользовательских продуктах эффект от внедрения ИИ относительно просто измерить. Авито — платформа для покупок, и рост их количества напрямую отражает влияние новых функций. Например, внедрение быстрых ответов на базе ИИ в мессенджере привело к увеличению числа сделок примерно на 1%. В масштабах платформы это тысячи дополнительных транзакций ежедневно.

Сложнее оценивать эффект при автоматизации внутренних процессов, особенно в нерегламентированных профессиях. С модераторами или операторами колл-центра все прозрачно: каждое действие фиксируется в системе, есть четкие регламенты, можно точно рассчитать временные затраты на каждый шаг. Но как оценить работу юриста или аналитика, если они не документируют каждое действие и не работают в системах с детальным логированием? Даже если нейросеть даст ответ лучше среднего специалиста, это не означает, что ее внедрение принесет реальный рост эффективности компании.

Важно, чтобы ИИ повышал продуктивность специалистов, а не подменял их работу. Это требует изменений в корпоративной культуре и более высокого уровня ответственности за результат. Без такой трансформации даже самые продвинутые технологии не дают ощутимого эффекта.

Как в ИИ-гонке побеждает человек

Практика показывает, что успех внедрения ИИ определяется не качеством моделей, а готовностью компаний и команд меняться. Открытые решения уравняли технологические возможности, и конкурентное преимущество все чаще формируется за счет скорости трансформации. Способность работать кросс-функционально, пересматривать управленческие метрики и выстраивать культуру быстрого тестирования гипотез играет более важную роль, чем выбор конкретной нейросети.

Генеративный ИИ становится частью операционной модели бизнеса и влияет на то, как принимаются решения, строятся продукты и распределяется ответственность. Компании, которые сегодня перестраивают процессы под возможности технологии, через два года окажутся в другой лиге. Как интернет когда-то разделил бизнес на digital и остальных, так сейчас формируется новая граница — между теми, кто встраивает ИИ в операционную модель, и теми, кто использует его фрагментарно.