Логистика с ее сложными процессами и огромными массивами данных — одна из тех отраслей, где искусственный интеллект способен изменить саму архитектуру бизнеса. Однако произойдет это не благодаря появлению очередной языковой модели. Рассмотрим, из каких уровней складывается ИИ-инфраструктура и какие ограничения сегодня существуют на каждом из них.
ИИ как инфраструктура
Сегодня искусственный интеллект воспринимается бизнесом скорее как отдельный продукт, и разговор о нем обычно сводится к сравнению моделей. Но на самом деле смотреть стоит гораздо шире. Бизнес начинает получать ощутимый эффект только тогда, когда одновременно развиваются три компонента:
- наличие самих моделей искусственного интеллекта;
- компетенции людей;
- наличие качественных данных.
Но и это лишь фундамент. Если представить эту систему в виде пирамиды, то в ее основании находятся именно эти три компонента. Следующий уровень — ИИ-агенты и коннекторы, которые позволяют им взаимодействовать между собой и с внешними системами. И на вершине этой пирамиды находится бизнес-эффект — возможность быстрее, точнее и с меньшими затратами решать реальные задачи.
Именно поэтому бизнесу сегодня стоит сосредоточиться не столько на вопросе, какая модель окажется сильнее, сколько на том, насколько быстро удастся построить всю пирамиду — инфраструктуру вокруг ИИ.
Проблемы российских моделей
С точки зрения моделей ситуация в России остается сложной. Наиболее качественные и развитые мировые решения, такие как Claude от Anthropic и ChatGPT, находятся фактически вне легального контура использования для российского бизнеса. Бизнес не может официально приобрести модель, оплачивать ее использование, учитывать эти расходы в финансовом контуре и выстраивать полноценную корпоративную инфраструктуру вокруг нее.
Российские модели пока уступают мировым по возможностям. Пока развитие отечественных решений сосредоточено преимущественно на пользовательских чат-ботах. Например, GigaChat получил инструменты для создания ИИ-агентов совсем недавно, тогда как у OpenAI и Anthropic они появились значительно раньше. За это время вокруг зарубежных моделей успела сформироваться зрелая экосистема инструментов, интеграций и практических сценариев внедрения, тогда как российские решения только проходят этот этап.
Даже идеальная нейросеть бесполезна без данных
Однако основная проблема с внедрением ИИ в России сегодня не в моделях и не в людях, которые пока только начинают накапливать практический опыт работы с нейросетями. Самый ценный ресурс — понятные, структурированные данные: это основа для принятия решений и одновременно материал, на котором обучаются сами модели.
Например, кажется, что подготовить коммерческое предложение перевозчику — типичная задача для человека. На самом деле это практически идеальный кейс для ИИ. Но чтобы агент мог рассчитать тариф, ему нужна информация:
- собственная база тарифов и алгоритмы, которые описывают, как формируется стоимость перевозки;
- исторические данные: количество рейсов с конкретным перевозчиком и клиентом, качество работы, платежную дисциплину, возникавшие проблемы и претензии — возможно, эти риски необходимо закладывать в тариф заранее;
- система также должна учитывать будущие тренды: изменение стоимости топлива, инфляцию, динамику заработных плат водителей;
- еще один важный элемент — рыночные данные. Целевая маржинальность на рынке может составлять 5, 15 или 30% — и выбор зависит от текущего баланса спроса и предложения по конкретному направлению. Для этого нужны дополнительные коэффициенты и отраслевые базы данных.
Фактически сейчас человек выполняет всю эту работу самостоятельно: он держит множество факторов в голове, опирается на опыт и часто интуитивно формирует предложение. Это как раз задача, где искусственный интеллект может быть особенно эффективен, но без качественных данных он будет решать ее ограниченно.
И здесь у российской логистики есть серьезная проблема. Рынок автологистики в России сильно деконсолидирован, и даже крупнейший игрок занимает всего около
Кто станет владельцем инфраструктуры данных
Если данные — главное топливо для искусственного интеллекта, то кто будет владеть этим ресурсом?
Мы видим, что государство уже формирует базовую цифровую инфраструктуру, вводя обязательный электронный документооборот. В перспективе такая система способна аккумулировать информацию о значительной части перевозок на рынке. Это может стать серьезной основой для дальнейшего применения искусственного интеллекта в логистике, однако остается открытым вопрос: насколько эти данные будут доступны бизнесу для практического использования.
Если регуляторные требования помогают сформировать единое информационное пространство и накапливать данные, то бизнес способен наполнить его практической ценностью, создавая сервисы на основе этих данных. Хороший пример — компания ATI, которая собирает данные по ставкам на перевозки в России. Сейчас это один из основных источников информации по тарифам на рынке. Модель построена на добровольной основе: компания платит участникам за предоставление данных, консолидирует их и затем предоставляет бизнесу в удобном формате.
Потенциал у такого подхода действительно большой. Если в России развитие пойдет ближе к китайской модели, где участников рынка стимулируют работать через цифровые платформы, а сами платформы создают полезные сервисы для бизнеса, эффект, вероятно, будет очень высоким. В такой модели компании заинтересованы в использовании платформ не только из-за требований регуляторов, а потому что понимают, какую конкретную пользу получают от обмена этой информацией.
Настоящая революция начнется в эпоху ИИ-агентов
Итак, для построения полноценной ИИ-инфраструктуры требуются три элемента: сами модели, люди с компетенциями и качественные данные. Хотя на каждом из этих уровней пока есть свои ограничения, фундамент для будущей ИИ-инфраструктуры уже постепенно формируется. По мере его развития будут появляться новые классы решений.
Именно следующий этап — появление большого количества специализированных агентов, которые смогут работать поверх этой инфраструктуры, взаимодействовать между собой и самостоятельно выполнять бизнес-задачи — может стать настоящим прорывом с точки зрения повышения эффективности бизнеса.
В перспективе можно представить ситуацию, когда в логистической компании из 20 сотрудников, условно, 17 цифровых агентов будут закрывать рутинные процессы, а люди будут заниматься более сложными задачами, требующими экспертизы и стратегических решений.
При этом сами агенты будут развиваться в двух основных направлениях.
Первое — внутренние агенты. Это системы, которые помогают решать задачи внутри компании: формировать дополнительные соглашения, создавать должностные инструкции, готовить коммерческие предложения. Подобные решения уже начинают появляться во многих отраслях, и первые результаты подтверждают их эффективность. Так, согласно свежему исследованию McKinsey «The Future of B2B Sales», 59% компаний-лидеров роста сообщили, что благодаря ИИ повысилась эффективность работы их отделов продаж, а внедрение ИИ-агентов хотя бы в один из ключевых процессов способно высвободить дополнительно около 10% времени продавцов.
Однако прорыв, вероятнее всего, будет связан со вторым типом — агентами, которые смогут взаимодействовать не только с внутренними системами компании, но и с внешним рынком. Например, внешний агент сможет искать подходящий транспорт не только из парка компании, а среди всех доступных участников рынка. Или готовить коммерческое предложение, анализируя тендеры и взаимодействуя с внешними торговыми площадками.
Однако потребуется еще один важный элемент — коннекторы. Сегодня люди взаимодействуют через привычные каналы: мессенджеры, электронную почту, видеосвязь. Но человеку достаточно получить сообщение, а дальше он сам найдет нужные данные, вспомнит контекст, проверит информацию, оценит риски и примет решение. Для ИИ-агента такой подход неэффективен. Ему недостаточно просто передать сообщение — вместе с ним необходимо предоставить структурированные данные, бизнес-контекст, правила принятия решений и возможность выполнить нужное действие в другой системе.
Именно поэтому в будущем будут развиваться специальные коннекторы — цифровые каналы взаимодействия ИИ-агентов. Коннектор можно сравнить с мессенджером для ИИ-агентов, однако его роль выходит далеко за рамки обмена сообщениями. Это среда, которая обеспечивает агенту доступ к данным, контексту и инструментам, необходимым для принятия решений и выполнения действий. В логистике это может быть поиск перевозчика, расчет тарифа, проверка контрагента или оформление документов; в других отраслях — свои специализированные сценарии.
Победят не те, у кого лучше нейросеть
Сегодня рынок по-прежнему сосредоточен на сравнении языковых моделей: какая лучше и сильнее. Однако конкурентное преимущество будут создавать не сами модели, а вся инфраструктура вокруг них.
В логистике это приобретает особое значение. Сегодня, чтобы найти подходящий транспорт, специалист иногда обзванивает десятки перевозчиков, выясняя, у кого есть свободная машина на нужном направлении. Теоретически эту задачу мог бы выполнять ИИ-агент — быстрее, дешевле и точнее. Но для этого ему нужен доступ к данным обо всем рынке, а не только к информации одной компании. Пока такой системы нет, даже самые совершенные модели не способны раскрыть свой потенциал.
В конечном счете главным фактором развития станет уже не сама языковая модель, а инфраструктура вокруг нее. Когда появятся качественные данные, механизмы их обмена, специализированные коннекторы и экосистема ИИ-агентов, искусственный интеллект сможет решать задачи не отдельных компаний, а всей отрасли. Именно этот этап и станет настоящим переломным моментом — будь то для логистика или любая другая сфера.
