22 серпня, 2026, 11:40 185
AIN.UA
851 стаття
Антон Маруха, CEO CHI Software, у колонці для AIN.UA детально розглядає, як належним чином підготувати дані, операційні процеси та колектив до впровадження штучного інтелекту, аби оптимізувати робочі процеси, а не примножити існуючі помилки.
Надання штучному інтелекту неповної інформації призведе до того, що він все одно спробує надати вичерпну відповідь. Моделі бракує усвідомлення бізнес-контексту, і без відповідних обмежень вона заповнює прогалини власними здогадками. Саме тому одна й та сама технологія може принести одній компанії багаторазове прискорення, а іншій — лише допомогти швидше масштабувати помилки.
ШІ-асистенти поступово стають невід’ємним інструментом у розробці програмного забезпечення. Згідно з прогнозами Gartner, до 2028 року близько 75% корпоративних інженерів будуть активно використовувати їх у своїй роботі. Коли доступ до цієї технології перестане бути винятковим, ключову роль у здобутті переваги відіграватиме середовище, в яке вона інтегрована: якість даних, налагодженість процесів, чіткі правила контролю та готовність команди до впровадження змін у звичний спосіб роботи.
У CHI Software ми зробили стратегічну ставку на штучний інтелект, аналіз даних та машинне навчання ще до того, як ці напрямки стали загальновизнаними. Наш департамент, що займається даними та машиним навчанням, функціонує вже кілька років. Тому, коли з’явилася нова хвиля agentic-розробки, ми не зіткнулися з необхідністю перенавчати команду з нуля. Це дало нам змогу спостерігати обидва сценарії: завдання, які скорочуються в рази, та процеси, де автоматизація лише прискорює відтворення старих проблем.
Тож де саме ШІ демонструє реальний результат, де він лише прискорює настання хаосу, і що потрібно зробити, аби опинитися серед тих, хто досягає успіху?
Варто прочитати: Від фейків про Трампа до отрути в десертах: що таке AI poisoning та чому це стає нагальною проблемою
Штучний інтелект ефективний у рутинних завданнях
ШІ досягає найкращих результатів там, де одночасно виконуються три умови: наявність великого обсягу повторюваних завдань, достатній обсяг контекстної інформації та чіткий критерій для перевірки результату.
Класичним прикладом є тестування користувацьких інтерфейсів. За традиційною схемою, дизайнер створює макет, розробник верстає сторінку, а тестувальник порівнює її з макетом і створює завдання на виправлення в Jira. Після цього процес повторюється.
На сьогодні ШІ здатний порівняти сторінку з макетом з точністю до пікселя та самостійно вносити правки у верстку доти, доки результат не відповідатиме дизайну. Це дозволяє скоротити багаторазові передачі завдання між людьми до одного керованого процесу.
Ще одна сфера, де ШІ демонструє високу ефективність, – робота з великими обсягами застарілого коду.
Продукти, розроблені роками тому, можуть не мати актуальної документації та бути написані на технологіях, якими володіють лише одиниці. Ми мали справу з системою, що працювала на COBOL та старих Java-фреймворках. Раніше архітектори могли витрачати місяці на аналіз коду для відновлення його логіки. Зараз же агент аналізує кодову базу та створює зрозумілу для людини специфікацію з діаграмами. Завдання, що раніше займало місяць, тепер виконується за кілька днів.
Цей підхід ефективний не тільки в розробці. Перед першим дзвінком потенційному клієнту, раніше дослідник, копірайтер та менеджери окремо збирали інформацію про компанію, її діяльність та можливі проблеми. Зараз агент за лічені хвилини проводить первинний аналіз, готує попередню версію презентації та записує зібрані дані в CRM.
Також можна спочатку доручити ШІ швидкий огляд RFP або типового контракту за ключовими пунктами. Після цього юридичний відділ зможе зосередитися на тих аспектах, які дійсно потребують їхньої уваги.
Ми застосовуємо той самий принцип у розробці клієнтських продуктів.
Для однієї європейської фінансової компанії ми розробили ШІ-помічника для служби підтримки. Він ефективно обробляє великий потік однотипних запитів, використовує контекст з бази знань і надає результати, які можна перевірити. Це прискорило підготовку відповідей до 40%. Для британського медичного сервісу голосовий агент взяв на себе функцію запису пацієнтів, скоротивши середній час обробки дзвінка приблизно на 60%.
Виробник, чиї дані про продукцію були збережені в незручних XML-файлах і майже не використовувалися, отримав від нас розробленого агента. Він трансформував ці дані у функціональну базу знань, що допомогло зменшити кількість повторних звернень до служби підтримки на 50%.
У всіх цих випадках ШІ не визначав суть завдання з нуля. Він функціонував у межах існуючого процесу, де вже були доступні джерела даних, чітко визначені межі його повноважень та зрозумілі критерії для виявлення помилок. Саме така підготовка перетворює модель на ефективний робочий інструмент.
Швидкість помилок також піддається масштабуванню
Штучний інтелект скорочує цикл виконання завдань, що означає, що неправильно поставлене завдання може бути швидше впроваджене в продакшен і так само оперативно масштабоване.
Модель за замовчуванням не володіє знанням внутрішнього контексту компанії. Вона не зможе виправити суперечливі дані або самостійно визначити, який із двох бізнес-процесів є правильним. За браком достатнього контексту вона заповнює прогалини власними припущеннями.
Тому майже кожен серйозний проєкт зі штучним інтелектом рано чи пізно стикається з фундаментальними питаннями. Де зберігаються необхідні дані? Наскільки вони повні? Хто відповідає за їх оновлення? Яке джерело слід вважати актуальним? За якими критеріями результат вважатиметься правильним?
Аналогічна ситуація стосується й розробки. ШІ може оперативно генерувати програмний код, але хтось повинен визначити архітектуру, встановити правила безпеки та критерії якості, а потім верифікувати отриманий результат. Чим більше роботи автоматизовано, тим вищою стає ціна помилки: збій агента масштабується разом з його продуктивністю.
Саме тому швидкість виконання не слід розглядати ізольовано від процесу контролю. Якщо ШІ скорочує термін виконання завдання з місяця до кількох днів, компанія повинна так само оперативно перевіряти, чи система рухається у правильному напрямку.
Що має бути підготовлено до впровадження ШІ
З нашого досвіду, різницю між реальним прискоренням роботи та масштабуванням помилок визначають кілька конкретних рішень.
Перш за все, впорядкуйте дані, а потім впроваджуйте ШІ
Компанії часто прагнуть розпочати з вибору конкретної моделі або інструменту, хоча основою для будь-якого ШІ є якісні дані.
Наприклад, у CHI Software системи CRM, фінансів, HR, тайм-трекінгу та управління проєктами інтегровані в єдиний контур. Це дозволяє агенту отримувати необхідний контекст і виконувати наскрізні завдання. Якщо ж дані розкидані між десятками таблиць, електронних листів і локальних файлів, навіть найпотужніша модель не зможе вирішити цю проблему.
Встановіть для команд вимірювані цілі
Заклик “використовуйте ШІ” є надто абстрактним. Команді необхідний чіткий показник, за яким можна було б оцінити досягнутий результат.
На початку року ми поставили перед кожним департаментом завдання досягти зниження витрат щонайменше на 10% завдяки впровадженню ШІ. За пів року цей показник вже було перевищено. Конкретна цифра стимулює команди самостійно знаходити процеси, де ця технологія дійсно може принести значний ефект.
Навчіть людей, а не просто надайте їм інструменти
Ліцензії є необхідними, але самі по собі вони майже нічого не змінюють. Співробітники повинні розуміти, які завдання доцільно автоматизувати, як правильно формулювати вимоги та за якими критеріями перевіряти отриманий результат.
Ми започаткували спеціалізоване навчання для технічних спеціалістів, і зараз проходить уже четвертий потік. Навчання також доступне для нетехнічних команд. Керівники департаментів без технічної освіти, пройшовши дводенний курс, здатні самостійно створювати агентів. Це змінює їхнє ставлення до роботи. Ручна таблиця, яку раніше щотижня пересилали електронною поштою, тепер сприймається як процес, що підлягає оптимізації.
Створіть систему контролю ще до виведення в продакшен
Перед запуском необхідно чітко визначити, до яких даних агент матиме доступ, які дії він може виконувати самостійно, а де буде потрібне підтвердження від людини.
Система повинна зберігати історію прийнятих рішень, контролювати доступ, фіксувати помилки та витрати, а також передбачати резервний сценарій на випадок збою моделі. Необхідні також механізми перевірки згенерованих відповідей, що допомагають виявляти потенційно неточні результати.
Саме цей рівень підготовки відрізняє ефектне демо від стабільно працюючої системи.
Налаштуйте мультиагентність
У наших поточних проєктах один розробник може керувати кількома агентами одночасно. Один пише код, другий його перевіряє, третій відповідає за розгортання, четвертий створює юніт-тести, а п’ятий координує їхню роботу. Інженер, своєю чергою, керує цим агентом-координатором.
Однак, така система буде ефективною лише тоді, коли кожен агент матиме чітко визначені повноваження, доступ до необхідного контексту та зрозумілий механізм перевірки. Без цього, взаємодія кількох агентів може призвести до більшої кількості помилок і “шуму”, ніж робота одного.
Саме тому між демонстрацією можливостей мультиагентної системи та її стабільною роботою в реальному продукті залишається значний розрив.
Різницю створює не сама модель
Сьогодні доступ до потужних моделей штучного інтелекту мають майже всі, тому вибір конкретної моделі рідко стає стійкою конкурентною перевагою. Результат визначається всією екосистемою навколо неї: даними, процесами, інтеграціями, правилами контролю та рівнем компетенції команди.
Штучний інтелект може значно зменшити обсяг рутинної роботи між постановкою завдання та отриманням готового результату. Чим швидше він проходить цей шлях, тим вагомішою стає якість рішень, прийнятих на його початку.
Тому впровадження варто починати не з переліку доступних моделей, а з детального аналізу існуючих процесів. Де команда виконує однотипні дії? Де вже накопичено достатньо якісних даних? Який результат може бути об’єктивно перевірений? Де помилка потребує людського втручання?
Відповіді на ці питання дозволять точніше оцінити потенціал ШІ, ніж будь-яка демонстрація. Вони також допоможуть визначити, які аспекти вашої роботи вже готові до прискорення, а що потребує попереднього впорядкування.
Також цікаво: Заміна розробників, помічник чи агент? ШІ вже давно в IT — розповідаємо, як він змінив ринок