Меня зовут Иван Кузнецов, начинал программистом, а ИИ увлекался всю жизнь, ещё когда это было совсем не модно. Писал на Lisp и Prolog, защитил кандидатскую по интеллектуальной автоматизации аппаратно-программных комплексов, потом занимался ML. А когда появились сильные языковые модели, я, кажется, увидел будущее - уж очень быстро они умнеют и проникают во все сферы жизни.

В какой-то момент я ушёл из разработки в развитие бизнеса. Оставаться только технарём мне стало не так интересно, я почувствовал, что теряю широту взгляда. Хотелось видеть, как софт внедряется и реально работает в бизнесе.

Сейчас веду ИИ-направление в БизнесМатике. Мы внедряем языковые модели в средних и крупных компаниях. Собираем чат-ботов и голосовых помощников для контакт-центров, учим ИИ разбирать договоры и документы, строим поиск и ассистентов по внутренним базам знаний и многое другое.

Здесь, в канале, пишу про ИИ в бизнесе без хайпа. Про то, где он приносит деньги, где сжигает бюджет, что у него под капотом и почему одни проекты взлетают, а другие тихо умирают еще на стадии пилота. Иногда ухожу в сторону, в бизнес, технологии и людей вообще. Наблюдения практика, как есть.

Если вы уже внедряете ИИ или только собираетесь, подписывайтесь на канал. А обсудить или поспорить можно со мной лично. Пишите на @kuznetsov_bm

Какая модель зрелости ИИ полезнее для руководства - академическая или управленческая? Сравнил MIT CISR и простую схему со слайда Global Tech Forum. Получился вот такой разбор без заезженного “внедрить ИИ” https://vc.ru/ai/2846197-zrelost-ii-v-biznese-prostaya-model-protiv-mit

Почему 7 из 10 пилотов в ритейле не доходят до продакшена?

Я наткнулся на свежую статистику: российский бизнес свернул или заморозил 9 из 10 ИИ‑проектов. Слишком знакомые цифры, если смотреть на то, что происходит внутри ритейла

Бюджеты на ИИ есть, пилоты есть, а решения по запасам, планированию и ценам всё так же принимают по Excel и ощущениям категорийщиков. В итоге 7 из 10 пилотов даже не получают шанса стать промышленной системой и как‑то повлиять на P&L

ИИ‑пузырь в ритейле — это не «плохие модели», а отсутствие фундамента: интеграции с ERP/WMS/TMS, ИБ‑контуров и витрин данных под запасы и спрос

Полный разбор: https://bm-it.ru/media/proval-ii-proektov-v-ritele

Интересно, на каком этапе вы сейчас: пилоты или уже пром, давайте обсудим в комментариях👇

Я снова поймал себя на мысли: ассистенты, которые живут только на векторном поиске, очень быстро упираются в потолок…
Они идеально пересказывают документы, но в реальных связях между поставщиками, SKU, акциями, инцидентами и ответственными просто не ориентируются

В живом бизнесе вопрос звучит не «GraphRAG или RAG?», а «когда векторного поиска уже недостаточно и сколько будет стоить ошибка в этих связях». Я на это смотрю через ROI и зрелость данных: граф знаний нужен там, где цена промаха выше, чем стоимость всей этой истории.

👉🏻 GraphRAG уместен, когда вопросы про цепочки влияния: supply chain, риск, customer 360, комплаенс
👉🏻 Во многих сценариях (FAQ, регламенты, helpdesk) честно хватает нормально сделанного RAG или гибридного RAG
👉🏻 Без MDM, онтологии и владельцев данных граф просто аккуратно консервирует ваш хаос, а LLM начинает додумывать связи там, где на кону выручка и штрафы

Полный разбор сделал тут: https://bm-it.ru/media/rag-korporativnyh-dannyh

Интересно, где у вас ассистенты уже упёрлись в потолок RAG - можно обсудить в комментариях 👇

AI может приносить миллиарды долларов в год?
Да, только в российских компаниях эти деньги почти не видны😐
Пилоты, чат-боты, демо есть у многих, а вот карточки товаров, отчёты, договоры, ответы клиентам всё равно делают руками. Для меня LLM – это не игрушка, а слой операционной эффективности: пока он не пришит к данным, процессам и метрикам, всё останется на уровне презентаций

Деньги лежат в десятках скучных операций, от ответа клиенту до маршрута согласования, а не в самой цифре. Ритейл и FMCG уже умеют зарабатывать на ML, и задача LLM – нормально усиливать эти контуры, а не жить отдельным чат-ботом без доступа к данным. Пока в компании десять разрозненных пилотов без общего LLM-слоя и фабрики решений, вы платите за хобби, а не за трансформацию

Здравый вход в тему - начать с ИИ-аудита: честно померить зрелость, выбрать 3–5 сценариев с понятным эффектом и только потом спорить про RAG и импортозамещение

Полный разбор смотрите тут: https://bm-it.ru/media/generativnyi-ii-v-korporatsiyah

Интересно, где у вас сейчас больше всего тонут решения, давайте разберём это в комментариях 👇🏻

5 причин, почему Industrial AI с западных презентаций не запускается у вас

Смотрю на западные кейсы по предиктивному обслуживанию с их «минус 20–30% простоев» и ростом и хорошо понимаю, насколько это не похоже на будни российских заводов

К тому же из-за санкций привычное западное оборудование и программы теперь - это риск в деньгах. А в цеху вместо красивой картинки набор реальности: разные SCADA, местами полумёртвый MES, лоскутные АСУТП и Excel‑отчёты по простоям, где каждая смена пишет свою правду

В такой ситуации проект по Industrial AI на инвесткомитете очень быстро проигрывает. Я отношусь к таким историям как к инвестициям, а не к «демонстрации цифровой зрелости»: если не сходится P&L, данные и стек, честнее стопнуть идею, чем запускать ещё один пилот ради красивого отчёта.

Главный барьер не в «плохом ИИ в России», а в том, что западные кейсы опираются на данные и процессы, которых у нас часто просто нет. Копировать целиком чужой кейс бессмысленно, надо понимать логику: ИИ‑слой поверх ваших MES/SCADA/ERP, который переживёт и смену вендоров, и новые ограничения

Полный разбор читайте тут: https://bm-it.ru/media/IndustrialAIprojects

Интересно, где ваши Industrial AI‑проекты ломаются чаще всего: в санкционном стеке, данных или экономике, можно обсудить в комментариях👇