В погоне за максимальной эффективностью велик соблазн отказаться от унаследованных технологий, однако именно эти системы хранят уникальные данные и инсайты, которые невозможно воспроизвести конкурентам, пишет на портале InformationWeek Джон Низли, директор по управлению ценностью ИИ-решений компании ABBYY.

Спортивные команды с богатой историей не разрушают всё, что работает, лишь потому, что на арене появляются новые соперники. Ferrari продолжает побеждать в гонках — не отказываясь от накопленного десятилетиями инженерного опыта, а дополняя проверенную базу новыми талантами, технологиями и более совершенной аналитикой. Почему же в Кремниевой долине к унаследованным корпоративным системам относятся как к чему-то постыдному?

На протяжении многих технологических циклов я наблюдаю один и тот же сценарий: вам говорят, что ваши основные системы, работающие десятилетиями, — это причина, по которой буксуют ваши цифровые амбиции. Совет всегда один: выбросить их, заменить и начать с чистого листа.

Такой подход ошибочен. Унаследованные системы хранят многолетнюю историю транзакций, алгоритмы обработки нестандартных ситуаций и логику соблюдения нормативных требований — всё то, что не может синтезировать ни один стартап и что нелегко воспроизвести стороннему поставщику. Ваш опыт — это конкурентное преимущество, которое невозможно купить, а не якорь, тянущий вас на дно.

Секрет успеха заключается в том, чтобы использовать эти активы в рамках вашей ИИ-стратегии и дать им новую жизнь, а не избавляться от них вовсе.

Проблема «последней мили», которую не могут решить универсальные LLM

Сложность в том, что эти ценные унаследованные активы зачастую еще не оптимизированы для использования в процессах ИИ. Ключевым фактором, определяющим успех или провал ИИ-проектов, становится последний неавтоматизированный участок корпоративного рабочего процесса — неструктурированные данные. Десятилетия договоров, претензий, счетов, медицинских карт и деловой переписки формируют накопленную историю деятельности вашего бизнеса. Однако эти данные хранятся в виде отсканированных PDF-файлов, факсов и форматов, предназначенных для чтения людьми, а не для обработки моделями ИИ.

Кроме того, существует проблема перехода от пилотного проекта, где аналитик вручную проверяет несколько тысяч специально отобранных документов, к полномасштабному промышленному внедрению. На этом этапе часто выявляются проблемы, неочевидные в лабораторных условиях. Результаты извлечения данных могут варьироваться от запуска к запуску, а отсутствие сигнала неуверенности не позволяет вовремя направлять сомнительные случаи на проверку человеку. Сама по себе интеграция большой языковой модели (LLM) приводит к выдаче уверенных и правдоподобных, но зачастую неверных ответов, при этом у команд комплаенса отсутствует «аудиторский след», позволяющий проследить, как именно был сформирован результат. Возникающий в такой ситуации разрыв между пилотным проектом и промышленной эксплуатацией может иметь катастрофические последствия.

Именно здесь критически важной становится проверенная корпоративная архитектура ИИ. Организациям вовсе не обязательно заставлять LLM «читать» каждое слово в документе; уже существуют специализированные ИИ-приложения, решающие подобные сложные задачи: они способны извлекать смысл из документов со сложной структурой, сохранять контекст и форматирование, а также подготавливать информацию для использования другими ИИ-системами. Предприятия, упорядочившие свои унаследованные данные, могут использовать LLM как дополнительный уровень обогащения информации, которая уже была извлечена и структурирована.

В результате мы получаем более эффективный гибридный сценарий использования ИИ: точность повышается, расход токенов и затраты на обработку снижаются, а для каждой конкретной задачи подбирается наиболее подходящая технология.

Миф об окупаемости при полной замене систем

Также важно учитывать экономические аспекты стратегии «полной замены» (rip-and-replace) — распространенного подхода к модернизации устаревших технологий.

Недавнее исследование компании Publicis Sapient показало, что 75% из 1550 опрошенных предприятий регулярно используют ИИ, однако лишь 10% считают его по-настоящему ключевым элементом своей деятельности. Это указывает на разрыв между наличием инструментов и их эффективным применением: компании обладают необходимыми средствами, но им сложно заставить уже имеющиеся системы и данные работать с максимальной отдачей.

Замена проверенной в деле основной системы — это многомиллионные инвестиции с длительным сроком окупаемости и реальными операционными рисками. Речь идет не просто о смене ПО: приходится переобучать персонал, перестраивать интеграции и рисковать тем, что новый технологический стек сам станет проблемой в будущем.

Именно поэтому я рекомендую итеративный подход к внедрению ИИ. Он предполагает альтернативный путь: наслоение специализированных интеллектуальных функций поверх систем, уже обеспечивающих работу бизнеса, что позволяет получить отдачу за месяцы, а не за годы. Это выбор не между унаследованными технологиями и ИИ, а выбор в пользу их наиболее эффективного сочетания. ИИ способен сократить объем ручной проверки при урегулировании страховых претензий, ускорить процесс онбординга клиентов за счет автоматической обработки документов, а также оптимизировать анализ договоров и обработку счетов в финансовом секторе. Каждый из этих сценариев использования обеспечивает измеримый возврат инвестиций (ROI), сохраняя при этом надежность и предсказуемость затрат, свойственные унаследованным протоколам.

Практическое руководство по извлечению выгоды из унаследованных систем

«Унаследованное» не означает устаревшие подходы или ограниченные возможности. Это проверенные временем технологии, которые годами выдерживает аудиты, всплески нагрузки, пристальное внимание регуляторов и реальные запросы клиентов.

Чтобы получить преимущество, нужно предпринять пять тактических шагов.

  1. Начните с процессов, а не с продуктов. Мы любим приобретать технологии для решения проблем, но настоящим препятствием почти всегда становятся процессы и люди. Прежде чем что-либо автоматизировать, разберитесь в текущей операционной деятельности на уровне конкретных задач.
  2. В первую очередь приведите в порядок фундамент данных. Целенаправленно структурируйте неструктурированные данные. Это инвестиция с самой высокой отдачей, которую можно сделать перед масштабированием ИИ.
  3. Внедряйте ИИ там, где реально выполняется работа, а не там, где проводилась демонстрация. Выбирайте рабочие процессы, в которых ИИ приносит наибольшую пользу, и интегрируйте его именно туда. Сохраняйте системы, которые уже работают.
  4. Оценивайте результаты в сравнении с процессом, который вы заменяете. ИИ, внедренный поверх существующей системы, создает динамическую базу для сравнения с исходным рабочим процессом, позволяя оценивать стоимость транзакции, длительность цикла и частоту возникновения исключительных ситуаций. Если вы не можете измерить показатели, вы не сможете их спрогнозировать или обосновать, а предсказуемость затрат имеет значение.
  5. Четко понимайте, когда действительно необходима полная замена системы. Если платформа больше не поддерживается, поставщик ушел с рынка или требования регулятора невозможно выполнить ни на одном уровне поверх базовой системы — значит, пришло время двигаться дальше. Не привязывайтесь к конкретным технологиям; формируйте свой стек, выбирая лучшие инструменты для каждой задачи, а не ту платформу, на которую вас «подсадил» поставщик.

Перестаньте извиняться за то, что уже работает

Лидерами становятся не те компании, которые гонятся за каждой новой моделью. Побеждают те, кто понял, что проблема была вовсе не в модели, и решил заставить существующие системы работать эффективнее, быстрее и «умнее».

Ваши унаследованные системы — доказательство того, что вы создали нечто надежное. Дополните этот фундамент целенаправленным, хорошо управляемым ИИ — и вы сможете добиться точности и скорости, недоступных конкурентам, пытающимся выстроить всё с нуля.