ChatGPT в переговорной: вопросы, которые теперь задают собственники
Волна интереса к ChatGPT приносит в переговорные комнаты конкретные вопросы об ИИ. Разбираю, что за ними стоит и с чего на самом деле начинать.
С конца 2022 года разговоры с клиентами изменились. Если раньше ИИ появлялся в повестке как "нам бы тоже что-то такое", то сейчас собственники приходят с конкретными вопросами. ChatGPT они попробовали сами. Это меняет характер диалога.
Я заметил, что за разными вопросами скрывается одна и та же развилка. Её полезно назвать явно.
Три вопроса, которые звучат чаще всего
Первый: "Можно ли сделать такое же, но на наших данных?" Это вопрос о корпоративном поиске, о внутреннем ассистенте, о чат-боте для поддержки. Технически - да, можно. Вопрос в том, что считать "нашими данными" и в каком они состоянии.
Второй: "Почему наши аналитики не могут отвечать на вопросы так быстро?" Это не вопрос об ИИ. Это вопрос об архитектуре данных и о том, насколько доступны данные внутри компании.
Третий: "Сколько это стоит и как быстро можно запустить?" Это самый сложный вопрос, потому что правильный ответ сильно зависит от того, что уже есть.
Что стоит за этими вопросами
За первым вопросом стоит надежда на быстрый результат. Модели, которые умеют работать с текстом, действительно существуют. Но между публичным демо и внутренним корпоративным инструментом - большая дистанция. Корпоративные данные разрознены, не размечены, не стандартизированы. Модель будет такой же хаотичной, как данные, на которых она работает.
За вторым вопросом стоит реальная проблема доступности данных. Если аналитик тратит три дня на то, чтобы собрать цифры для ответа на один вопрос руководителя - это не проблема аналитика. Это проблема инфраструктуры данных.
За третьим вопросом стоит непонимание того, что работа начинается задолго до модели.
Где реально начинать
Я предлагаю клиентам пройти три шага перед тем, как говорить о технологии.
Первый шаг - инвентаризация данных. Какие данные есть, где они лежат физически, кто за них отвечает. Это неинтересная работа, и именно поэтому она почти никогда не сделана.
Второй шаг - оценка качества. Не в смысле "правильные ли цифры", а в смысле структуры: одинаково ли называются одни и те же сущности в разных системах, есть ли история, есть ли связи между объектами.
Третий шаг - определение конкретного сценария. Не "давайте сделаем ИИ", а "вот эта задача, вот эти пользователи, вот это решение они должны получать быстрее".
Только после этого имеет смысл говорить о том, какая технология подойдёт.
Полезные вопросы для проверки готовности
Прежде чем двигаться дальше, стоит честно ответить:
- Если бы завтра к нам пришёл специалист по данным - смог бы он разобраться в наших источниках без месяца погружения?
- Есть ли у нас документация на данные, которые мы хотим использовать для ИИ?
- Кто в компании сможет проверить, правильно ли ИИ-система отвечает на вопросы?
- Что произойдёт, если ИИ даст неверный ответ - кто и как это обнаружит?
Если ни на один из этих вопросов нет уверенного ответа - начинать нужно не с модели.