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://media.bm-it.ru/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://media.bm-it.ru/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://media.bm-it.ru/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://media.bm-it.ru/IndustrialAIprojects

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

«Мы запретили сотрудникам ChatGPT, а они всё равно используют его для работы, но с личного телефона, где уже никакого контроля нет»

Это мне на прошлой неделе рассказал закупщик одного крупного промышленного холдинга, и я по-настоящему удивился. В общем, у них выдали доступ к ChatGPT только узкому кругу лиц, а остальным - не выдали, «не доверяют». Звучит как здравое решение с точки зрения информационной безопасности. Но проблема в том, что те, кому доступ НЕ дали, работать удобнее НЕ перестали. Они пользуются ИИ на личных телефонах мимо всякого контроля, мимо любой корпоративной политики 🙂

Сотрудники всегда найдут обходной путь, это предсказуемо, ну и бог с ним)) Поразило меня другое - крупная, зрелая компания с огромной выручкой живёт с такой дырой в безопасности и до сих пор её не закрыла.

Причем их безопасник уже ищет решение полгода с маскированием данных, чтобы перед отправкой в модель из текста автоматически вырезались имена, реквизиты, номера договоров и прочая чувствительные данные. То есть решение, при которой ИИ-модель видит обезличенный запрос, пользу приносит ту же, но на внешние сервера не уходит ничего, что запрещает ИБ. Непонятно, почему до сих пор не нашел такое решение, но отличная новость (и для клиента, и для нас) в том, что у нас такое решение есть. Значит дыру скоро закроем 😎

Корпоративные ассистенты красиво пересказывают PDF, но виснут на вопросе:

«Кто отвечает за риск и как он связан с поставщиками?»

Классический RAG видит только куски текста, он не знает, что «этот контрагент» в договоре и «этот поставщик» в WMS - одна и та же сущность, связи между данными теряются. Вы получаете красивый пересказ вместо управленческого инсайта, а цена ошибки - затоваренные склады, штрафы и потерянная выручка

Что делать? Нужен не просто поиск по документам, а знания, где сущности и связи живут в единой модели

Полный разбор читайте тут:
https://media.bm-it.ru/vector-search-technology

А у вас ассистент уже приносит пользу или пока только создает видимость умной работы, поделитесь в комментариях 👇🏻