В корпоративном ИИ есть разлом, который редко обсуждают. Публичные разговоры крутятся вокруг базовых моделей и тестов — GPT против Gemini, оценки рассуждений, мелкие приросты в возможностях. Однако на деле устойчивое преимущество кроется в структуре: кто владеет операционным слоем, где интеллект применяется, контролируется и развивается. Один подход видит ИИ как сервис по требованию; другой встраивает его в операционный слой — совокупность софта для рабочих процессов, сбора данных, циклов обратной связи и правил управления, расположенную между моделями и повседневной деятельностью, — который набирает силу с каждым применением.
Поставщики вроде OpenAI и Anthropic предлагают интеллект как услугу: задача есть — вызываешь API, получаешь ответ. Такой интеллект универсален, в основном без состояния и слабо связан с рабочими процессами, где принимают решения. Он мощный и все более взаимозаменяемый. Разница в том, сбрасывается ли интеллект с каждым запросом или накапливается со временем.
Крупные компании напротив могут позиционировать ИИ как операционный слой: инструментацию в процессах, петли обратной связи от решений людей, правила, превращающие разовые задачи в повторяемые политики. В такой схеме каждая оговорка, правка или утверждение — повод поучиться, и интеллект растет, когда платформа поглощает больше работы организации. Те, кто сумеет встроить интеллект в рабочие платформы и настроить их на генерацию полезных сигналов, определят будущее корпоративного ИИ.
Распространенный взгляд: ловкие стартапы обгонят гигантов, создав ИИ с нуля. Если ИИ — это в основном проблема модели, то да. Но во многих бизнес-сферах ИИ — системная задача: интеграции, права доступа, оценки, управление изменениями. Здесь выигрывают те, кто уже внутри потоков с большим объемом и рисками, превращая положение в обучение и автоматизацию.
Инверсия: ИИ выполняет, люди оценивают
Классические сервисные компании устроены просто: люди через софт делают экспертную работу. Операторы заходят в системы, проходят процессы, решают и обрабатывают кейсы. Технологии — инструмент. Человеческое суждение — результат.
Платформа на базе ИИ переворачивает это. Она принимает задачу, использует накопленные знания по домену, автономно решает то, в чем уверена на высоком уровне, и отправляет точечные подзадачи экспертам, когда нужны суждения, недоступные системе пока надежно.
Но переворот в взаимодействии человека и ИИ — не просто смена интерфейса, нужны ресурсы. Это работает, только если платформа опирается на экспертизу домена, данные поведения и знания операций, собранные годами.
Три актива, которые уже есть у инкумбентов и усиливаются
Стартапы с ИИ стартуют с чистого листа и двигаются быстро. Но им сложно создать сырье для защиты доменного ИИ в масштабе:
- Собственные операционные данные
- Большую команду экспертов по домену, чьи ежедневные решения дают сигналы для обучения
- Накопленный неявный опыт о том, как на деле выполняется сложная работа
Сервисные фирмы обладают всем этим. Но сами по себе они не дают преимущества. Они превращаются в силу, когда компания методично преобразует хаос операций в сигналы, готовые для ИИ, и знания учреждения — а потом возвращает итог в процессы для постоянного роста.
Преобразование экспертизы в повторяемые сигналы
В большинстве сервисных фирм экспертиза неявная и недолговечная. Лучшие операторы знают то, что трудно выразить: эвристики из лет практики, интуицию по редким случаям, распознавание шаблонов на подсознательном уровне.
В Ensemble для решения этой задачи применяют дистилляцию знаний — целенаправленное преобразование суждений экспертов и решений операций в сигналы, читаемые машинами.
Например, в управлении циклом доходов в здравоохранении системы стартуют с явных знаний по домену, а потом углубляют их через структурированные ежедневные взаимодействия с операторами. В реализации Ensemble система находит пробелы, ставит точные вопросы и сверяет ответы у нескольких экспертов, чтобы уловить согласие и нюансы редких случаев. Потом синтезирует это в живую базу знаний, отражающую ситуативное мышление на уровне экспертов.
Превращение решений в цикл обучения
Когда система достаточно ограничена для доверия, возникает вопрос: как она улучшается без годовых обновлений моделей. Каждый раз, когда опытный оператор решает задачу, он создает не просто завершенный кейс. Он генерирует помеченный пример — контекст плюс действие эксперта (иногда с исходом). В масштабе, с тысячами операторов и миллионами решений, этот поток питает контролируемое обучение, оценки и целевые формы усиления — обучая системы вести себя как эксперты в реальных условиях.
Допустим, фирма обрабатывает 50 000 кейсов в неделю и фиксирует всего три качественных точки решения на кейс — это 150 000 помеченных примеров еженедельно, без отдельных программ сбора данных.
Более продвинутый дизайн с человеком в цикле ставит экспертов внутрь процесса решений, чтобы системы учились не только правильному ответу, но и разрешению неоднозначностей. На практике люди вмешиваются на развилках — выбирают из вариантов ИИ, корректируют предположения, перенаправляют процесс. Каждое вмешательство — ценный сигнал для обучения. Когда платформа видит редкий случай или отклонение от нормы, она запрашивает краткое структурированное объяснение, фиксируя факторы без длинных свободных текстов.
Движение к усилению экспертизы
Цель — навсегда встроить знания, решения и рассуждения тысяч экспертов по домену в платформу ИИ, которая повышает возможности каждого оператора. При удаче это дает качество исполнения, недостижимое ни людьми, ни ИИ по отдельности: большую стабильность, рост пропускной способности, ощутимые улучшения операций. Операторы сосредотачиваются на ключевых задачах, опираясь на ИИ, который уже разобрал аналогию по тысячам прошлых случаев.
Для руководителей бизнеса вывод прост. Преимущества в ИИ не только от доступа к универсальным моделям. Они от способности фирмы захватывать, очищать и накапливать свои знания, данные, решения и операционные суждения, плюс контроль для рискованных сред. По мере перехода ИИ от экспериментов к инфраструктуре самое стойкое преимущество у тех, кто глубоко понимает работу, умеет ее инструментировать и превращать понимание в системы, растущие с практикой.