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.

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.

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.

«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.

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.