95% пилотов GenAI в бизнесе не дали измеримой прибыли: почему компании нуждаются в двух...
95% пилотов GenAI в бизнесе не дали измеримой прибыли: почему компании нуждаются в двух «мировых моделях» 💡 Парадокс современного корпоративного AI прост: инструменты внедрены повсеместно, но общая производительность не выросла. Согласно отчету MIT NANDA за 2025 год, 95% пилотных проектов генеративного AI не принесли измеримой финансовой отдачи. При этом более 90% сотрудников уже используют личные AI-инструменты, тогда как лишь 40% компаний приобрели официальные корпоративные подписки. Проблема не в отсутствии AI, а в том, что он застрял на индивидуальном уровне. Вопрос сместился с «нужен ли нам AI» на «какие активы нужно накопить, чтобы превратить AI в реальную продуктивность». ⚡ На форуме WTCC в Шанхае основатель Tezign Фан Линь предложил решение: бизнесу нужны не просто более мощные модели, а две «мировые модели». Первая — «субъективная мировая модель» (понимание клиента), которая отвечает на вопрос, почему клиент выбирает именно этот продукт и что может изменить его мнение. Вторая — «корпоративная мировая модель» (понимание компании), описывающая внутренние процессы, ресурсы, правила и неформальные знания. Эти две системы не заменяют друг друга: без понимания клиента агент может эффективно решать неправильные задачи, а без понимания компании он не сможет реализовать даже верное решение в рамках организационных ограничений. 🤔 Ключевая сложность корпоративной модели заключается в работе с неявными знаниями (tacit knowledge). В то время как явные знания легко формализовать в регламентах, неявные — такие как вкус, интуиция и границы допустимого — существуют только в контексте конкретных проектов. Простое «скармливание» документов AI не равно пониманию бизнеса. Необходима контекстная система, которая связывает данные из разных источников в структурированные объекты, доступные для агентов, и позволяет накапливать опыт для будущих решений. 📌 Что это значит на практике: Компаниям следует перейти от «аренды интеллекта» к «суверенному интеллекту», превращая экспертные суждения в тренировочные данные. Это требует создания замкнутого цикла Signal-Plan-Create-Evals, где внешние сигналы и внутренние ограничения интегрируются в работу долгосрочных агентов. 🚀 Фан Линь подчеркивает: «Агент доводит работу до 80 баллов, а человек — до 120». Это не замена, а разделение ролей: AI обрабатывает рутину, эксперты принимают финальные решения. Tezign запустила программу Agentic Transformation, объединяя университеты и бизнес для совместного развития этой архитектуры. Цель — превратить организационные суждения в накапливаемый цифровой актив, где точность симуляции поведения уже достигает 85%. Перевод и адаптация: AI Lab. Источник: QbitAI (量子位), https://www.qbitai.com/2026/10/505032.html #AI #EnterpriseAI #LLM #Tezign #AgenticAI #BusinessStrategy