Руководители бизнеса из различных отраслей продолжают рассматривать генеративный искусственный интеллект (ИИ) как преобразующую силу, способную перестроить операции, взаимодействие с клиентами и стратегические решения. Однако, несмотря на широко распространённый энтузиазм и быстрое внедрение после запуска ChatGPT три года назад, многие организации испытывают трудности с достижением значительной и постоянной отдачи от своих инициатив в области ИИ. Недавние опросы ведущих исследовательских компаний Forrester и Boston Consulting Group (BCG) показывают суровую реальность: лишь небольшая часть компаний — около 15% по данным Forrester и 5% по BCG — достигла значимых улучшений бизнес-результатов, связанных с их усилиями по использованию генеративного ИИ. Этот ограниченный успех обусловлен несколькими продолжающимися проблемами, с которыми сталкиваются технологии генеративного ИИ. Одна из основных проблем — склонность ИИ давать ответы, чрезмерно согласующиеся или упрощающие, часто не обладающие критической нюансировкой или не способные достаточно эффективно оспаривать полученные входные данные. Это снижает глубину и надёжность создаваемых ИИ инсайтов. Кроме того, неконсистентность в предоставлении точных результатов усложняет практическое применение, особенно при работе со сложными, длинными или узкоспециализированными документами. Реальные примеры иллюстрируют эти трудности: движок рекомендаций вина на базе ИИ CellarTracker испытывает трудности с точной интерпретацией предпочтений пользователей среди разнообразной терминологии и тонких различий в вине, а инструмент для суммирования правил безопасности Cando Rail сталкивается с задачами по поддержанию точности при обработке обширных регуляторных текстов. Обслуживание клиентов — одна из более зрелых сфер применения технологий чатботов. Такие компании, как Klarna и Verizon, используют ИИ-чатботы для решения рутинных запросов, что позволяет повысить операционную эффективность и снизить издержки.

Однако всё больше осознаётся, что полностью заменить человеческих сотрудников в обработке сложных, деликатных или нюансированных взаимодействий с клиентами ИИ не может. Отсутствие эмпатии, свойственной человеку, и неспособность уловить тонкие контекстуальные нюансы ограничивают эффективность ИИ в таких ситуациях, поэтому необходим постоянный человеческий контроль. Эксперты описывают текущее состояние генеративного ИИ как «неровную границу», отражая неравномерность его работы в различных сферах применения. Пока ИИ отлично справляется с задачами генерации текста и суммирования данных, ему трудно выполнять деятельность, требующую глубокого понимания контекста или специализированных знаний. Задачи, связанные с точной интерпретацией географических данных или разговорными выражениями, касающимися времени, подчёркивают необходимость дальнейших улучшений и доработок. Чтобы преодолеть эти препятствия и максимально использовать потенциал ИИ, компании активно инвестируют в тесное сотрудничество своих внутренний команд и поставщиков технологий ИИ. Лидеры отрасли, такие как OpenAI и Anthropic, а также инновационные стартапы, например Writer, внедряют своих инженеров прямо в организации клиентов для совместного создания настраиваемых решений на базе ИИ, адаптированных к конкретным бизнес-задачам и рабочим процессам. Общее мнение в бизнес- и технологических кругах заключается в том, что хотя генеративный ИИ обладает огромным потенциалом, реализация его полного вклада требует более целенаправленных приложений, постоянного участия человека и готовности кардинально пересматривать существующие процессы и навыки. Генеративный ИИ следует рассматривать скорее как мощный инструмент дополнения, чем как самостоятельное решение. Стратегически обдуманные усилия и последовательная работа позволят организациям перейти от начальных экспериментов к достижению измеримых результатов, а в конечном итоге — превратить ИИ в ключевой фактор конкурентных преимуществ в ближайшие годы.