ИИ в продукте или ИИ в презентации: как отличить

На рынке сейчас две категории продуктов с одинаковым описанием: те, где искусственный интеллект действительно меняет результат работы, и те, где к обычной программе добавили окно чата поверх готовой модели. Отличить их можно за одну встречу тремя вопросами — про данные, про ошибки и про то, что происходит, когда модель отвечает неправильно. Продавцу это нужно не для разоблачения конкурентов, а для себя: если вы не знаете, к какой категории относится ваш продукт, вы не сможете ответить техническому директору, а он спросит.

Четыре уровня, за которыми стоит разная цена

Обёртка. Интерфейс поверх чужой модели, доступной всем. Ценность — в удобстве и в том, что кто-то собрал промпты и подключил к данным. Это нормальный продукт, но обосновывать его цену «нашим ИИ» не стоит: клиент проверит за вечер и обидится.

Модель плюс ваши данные. К общей модели подключён контекст компании: документы, база знаний, история обращений. Ответы становятся про клиента, а не вообще. Здесь появляется настоящая ценность и настоящая работа — по подготовке и обновлению данных.

Дообученная модель. Модель адаптирована под конкретную область и стиль. Дороже, требует размеченных данных, оправдана там, где общая модель систематически ошибается в специфике.

Собственная модель. Обучена с нуля на отраслевых данных. Дорого, долго и оправдано в узких задачах, где нет ничего готового. В корпоративных продажах встречается редко — и заявление о собственной модели стоит проверять вопросом про объём обучающих данных.

Вопрос, который сразу расставляет всё по местам: «На чём именно основаны ответы — на общедоступной модели, на наших документах или на модели, обученной под нас?» Ответ определяет и цену, и риски, и то, что вообще можно обещать. Уклончивый ответ — сам по себе ответ.

Три вопроса, которые надо задать своему продукту

Откуда берутся данные и кому они принадлежат? Уходят ли запросы клиента к внешнему поставщику модели, используются ли для обучения, где хранятся. Это первый вопрос службы безопасности, и он задаётся всегда.

Что происходит, когда модель ошибается? Модели уверенно выдают неверное — это называется галлюцинацией. Вопрос не «бывает ли», а «как устроена проверка»: показываются ли источники, есть ли подтверждение человеком на важных действиях, видно ли, что ответ ненадёжен.

Как измеряется качество? Если ответ — «пользователям нравится», управляемого улучшения нет. Зрелый продукт имеет набор проверочных примеров и измеряет, стало лучше или хуже после каждого изменения.

Эти три вопроса задаст любой опытный технический директор. Прийти на встречу без ответов — потерять её.

Как об этом говорить с клиентом

Не «на базе искусственного интеллекта», а «сокращает время на подготовку ответа с сорока минут до пяти». Упоминание технологии в описании ценности выдаёт отсутствие ценности.

Не «точность 95 процентов», а «в этих сценариях работает, в этих требует проверки человеком». Честная граница применимости вызывает больше доверия, чем высокий процент без контекста.

Не «заменит сотрудников», а «снимет рутину, люди займутся исключениями». Первая формулировка вызывает сопротивление у тех, кто будет пользоваться, — а именно они решают судьбу внедрения.

Не «обучается на ваших данных», без уточнения. Эта фраза для службы безопасности означает «наши документы уйдут наружу». Если это не так, надо сказать явно; если так — тем более.

Где вендоры преувеличивают

Демонстрация. Показывают на подготовленных примерах, где всё работает. Просите провести демонстрацию на данных клиента и с вопросами клиента — разница бывает драматической, и лучше узнать о ней до внедрения.

«Точность 95%». Вопрос не в числе, а в том, на каких данных считали и что считается ошибкой. И главное — что происходит в оставшихся процентах: если ошибка стоит дорого, пять процентов могут быть неприемлемы.

«Не нужны технические специалисты». Для запуска — возможно. Для подготовки данных, настройки под задачу и разбора ошибок — нужны. Эта работа не исчезает, она переезжает.

«Работает с любыми документами». С хорошо структурированными — да. Со сканами низкого качества, таблицами внутри изображений и документами со сложной вёрсткой — заметно хуже. Стоит проверять на реальных файлах клиента.

«Полностью автономно». Автономность — это ответственность. Спрашивать надо, какие действия система совершает без подтверждения человеком и как это откатывается.

Что спросить у своего инженера перед встречей

1. На какой модели мы работаем, где она размещена и уходят ли данные клиента наружу?
2. Что мы делаем с ошибочными ответами: показываем источники, требуем подтверждения, ограничиваем область?
3. Как мы измеряем качество и что покажем клиенту в подтверждение?
4. Сколько стоит один запрос и от чего зависит счёт при росте использования?
5. Что нужно от клиента, чтобы это заработало: какие данные, в каком виде, кто их готовит?

Красные флаги на стороне клиента

• Хотят «внедрить ИИ», без задачи. Проект без измеримой задачи закроют при первой смене приоритетов. Помочь выбрать одну задачу — самая полезная работа на этом этапе.
• Данные в беспорядке. Модель воспроизводит качество того, что ей дали. Проект по данным логично идёт первым, и это честный аргумент, а не способ продать больше.
• Ожидание полной автоматизации. Если в плане нет человека, проверяющего результат, первая же заметная ошибка остановит проект целиком.
• Служба безопасности не в курсе. Узнают на этапе внедрения и остановят. Приводить их в разговор надо рано, а не в конце.

Вопросы, которые задаст технический директор

«Где обрабатываются наши данные?» — размещение модели и путь данных. Ответ должен быть точным.

«Что если поставщик модели изменит её поведение?» — реальный риск: обновление модели может изменить ответы. Зрелый продукт имеет проверочные примеры и фиксирует версии.

«Как мы объясним клиенту решение, принятое системой?» — вопрос про объяснимость, критичный там, где решения касаются людей и денег.

«Сколько это будет стоить при десятикратном росте использования?» — про экономику. Плата за запрос делает счёт зависимым от успеха внедрения, и это стоит показать заранее.

Отпечаток текста 972dd6e56215… · проверить подлинность