AI в корпорациях
Перевод: AI in the Enterprise

Новый способ работы

Как исследовательская компания и разработчик в области ИИ, OpenAI стремится сотрудничать с крупнейшими мировыми компаниями, поскольку модели OpenAI особенно эффективны в сложных рабочих процессах и системах.
Мы наблюдаем существенные и измеримые улучшения по трём направлениям: ​
  • Повышение производительности сотрудников
    Помогает людям выдавать результаты более высокого качества за меньшее время.
  • Автоматизация рутинных операций
    Освобождает людей от повторяющихся задач, чтобы они могли сосредоточиться на создании ценности.
  • Усиление продуктов
    Обеспечивает более релевантный и отзывчивый клиентский опыт.

Наш подход: итеративная разработка

Однако использование ИИ — это не то же самое, что разработка программного обеспечения или развёртывание облачных приложений. Наибольших успехов добиваются компании, которые рассматривают ИИ как новую парадигму. Это формирует экспериментальное мышление и итеративный подход, позволяющий быстрее получать ценность и добиваться большего вовлечения со стороны пользователей и удовлетворенность стейкхолдеров.
Наш подход: итеративная разработка
OpenAI организована вокруг трёх команд.
  • Research Team развивает основы ИИ, создавая новые модели и возможности.
  • Applied Team превращает эти модели в продукты, такие как ChatGPT Enterprise и API.
  • Deployment Team внедряет продукты в компаниях, решая их наиболее насущные задачи.
Мы применяем итеративное развёртывание, чтобы быстро учиться на реальных кейсах клиентов и ускорять улучшения в продуктах. Это означает регулярные обновления, сбор обратной связи и постоянное повышение производительности и безопасности.
Результат: пользователи раньше получают доступ к новым достижениям в области ИИ, а их фидбек формирует будущие продукты и модели.

Семь уроков по внедрению ИИ в корпорации

Урок 1: Начинайте с оценок (evals)

Как Morgan Stanley добилась качества и безопасности
Будучи мировым лидером в сфере финансовых услуг, Morgan Stanley — это, прежде всего, бизнес взаимоотношений. Неудивительно, что по всей компании возникали вопросы о том, какую ценность ИИ способен привнести в работу, столь личную и чувствительную по своей природе.
Ответом стало проведение тщательных оценок (evals) для каждого предлагаемого приложения. Eval — это строгий, структурированный процесс измерения того, как модели ИИ реально работают по сравнению с бенчмарком в конкретном сценарии использования. Это также способ непрерывно улучшать процессы, основанные на ИИ, получая экспертную обратную связь на каждом этапе.
Как всё начиналось
Первая оценка Morgan Stanley была сосредоточена на повышении эффективности и результативности их финансовых консультантов. Идея проста: если советники смогут быстрее получать информацию и меньше времени тратить на повторяющиеся задачи, они смогут предлагать клиентам лучшие идеи в большем количестве.
Они начали с трёх оценок модели:
  • Перевод текста. Измерение точности и качества переводов, создаваемых моделью.
  • Суммаризация. Оценка того, как модель сжимает информацию, используя согласованные метрики точности, релевантности и связности.
  • Сравнение с экспертами. Сопоставление результатов ИИ с ответами опытных консультантов, выставление оценок за точность и релевантность.
Эти и другие оценки придали Morgan Stanley уверенности начать внедрение в продакшен.
Как дела обстоят сейчас
Сегодня 98 % консультантов Morgan Stanley ежедневно используют OpenAI; доступ к документам вырос с 20 % до 80 %, время на поиск резко сократилось; консультанты проводят больше времени в общении с клиентами благодаря автоматизации задач и более быстрой генерации идей.
Отзывы консультантов чрезвычайно положительные. Они активнее взаимодействуют с клиентами, а действия, на которые раньше уходили дни, теперь выполняются в течение нескольких часов.
Кэйтлин Эллиотт, Руководитель по генеративным ИИ‑решениям на уровне всей фирмы

Что такое evals?

Оценка — это процесс проверки и тестирования результатов, которые выдаёт ваша модель. Строгие оценки приводят к более стабильным и надёжным приложениям, устойчивым к изменениям.
Evals строятся вокруг задач, измеряющих качество вывода модели по сравнению с контрольным ориентиром (бенчмарком): стало ли точнее? более соответствующим нормам? безопаснее? Ключевые метрики зависят от того, что наиболее важно для каждого сценария использования.

Урок 2: Встраивайте ИИ в свои продукты

Как Indeed делает поиск работы более человечным
Когда ИИ используется для автоматизации и ускорения рутинных задач, сотрудники могут сосредоточиться на том, что под силу только людям. А поскольку ИИ способен обрабатывать огромные объёмы данных из множества источников, он создаёт пользовательский опыт, который ощущается более человечным — потому что он более релевантен и персонализирован.
Indeed, веб‑сайт № 1 в мире по поиску работы, применяет GPT‑4o mini, чтобы по‑новому сопоставлять соискателей и вакансии.
Сила «почему»
Отличные рекомендации вакансий — это лишь начало опыта Indeed. Соискателю также нужно объяснить, почему именно эта работа рекомендована ему.
Indeed использует аналитические и естественно‑языковые возможности GPT‑4o mini, чтобы формировать эти «почему‑сообщения» в электронных письмах и уведомлениях. С помощью ИИ популярная функция «Пригласить к отклику» также разъясняет, почему работа подходит кандидату на основе его прошлого опыта или образования.
Команда Indeed протестировала прежний механизм сопоставления вакансий в сравнении с новой версией на базе GPT, дополненной контекстом. Рост производительности оказался значительным:
  • 20 % — увеличение количества начатых заявок на вакансии.
  • 13 % — рост downstream‑успеха: больше кандидатов не только подают заявки, но и нанимаются работодателями.
Когда Indeed рассылает более 20 миллионов сообщений соискателям в месяц и получает 350 миллионов визитов на сайт, такие улучшения превращаются в значительный бизнес‑эффект.
Однако масштабирование также означало расход большего числа токенов. Чтобы повысить эффективность, OpenAI и Indeed вместе дообучили меньшую модель GPT, которая смогла обеспечить схожие результаты, потребляя на 60 % меньше токенов.
Мы видим большой потенциал продолжать инвестировать в эту новую инфраструктуру так, чтобы она помогала нам наращивать выручку.
Крис Хайэмс, Генеральный директор

Урок 3: Начните сейчас

Как Klarna извлекает выгоду из «накопительного эффекта» знаний ИИ
ИИ редко бывает решением «из коробки» — сценарии применения становятся более сложными и значимыми через несколько итераций. Чем раньше вы начнёте, тем больше ваша организация выиграет от накопительного эффекта улучшений.
Klarna, глобальная платёжная сеть и шопинг‑платформа, представила нового ИИ‑ассистента, чтобы оптимизировать работу службы поддержки клиентов. Уже через несколько месяцев ассистент обрабатывал две трети всех чатов — выполняя работу сотен операторов и сократив среднее время решения запросов с 11 минут до всего 2. Ожидается, что эта инициатива принесёт увеличение прибыли на 40 млн долларов, сохраняя при этом уровень удовлетворённости клиентов на уровне человеческой поддержки. Эти результаты появились не за один день: Klarna добилась их путём постоянного тестирования и улучшения ассистента.
Не менее важно, что 90 % сотрудников Klarna теперь используют ИИ в ежедневной работе. Расширение «знакомства» с ИИ внутри компании позволяет Klarna двигаться быстрее, запускать внутренние инициативы эффективнее и непрерывно совершенствовать клиентский опыт. Инвестируя рано и стимулируя широкое внедрение, Klarna видит, как выгоды от ИИ накапливаются — принося отдачу по всему бизнесу.
Этот прорыв в области взаимодействия с клиентами означает более качественный опыт для наших покупателей по лучшим ценам, более интересные задачи для наших сотрудников и большую доходность для инвесторов.
Себастиан Семиатковски, Со‑основатель и генеральный директор

Урок 4: Настраивайте и дообучайте свои модели

Как Lowe’s улучшает поиск товаров
Предприятия, которые добиваются наибольшего успеха при внедрении ИИ, часто те, кто вкладывает время и ресурсы в кастомизацию и обучение собственных моделей. OpenAI серьёзно инвестировала в наш API, чтобы упростить настройку и дообучение моделей — будь то в самостоятельном режиме или с использованием наших инструментов и поддержки.
Мы тесно работали с компанией Lowe’s — входящей в список Fortune 50 сетью товаров для дома — чтобы повысить точность и релевантность её функции поиска в электронной коммерции. При тысячах поставщиков Lowe’s часто сталкивается с неполными или несогласованными данными о товарах.
Ключ к успеху — точные описания товаров и теги. Но необходимо также понимать, как покупатели ищут, а это динамика, меняющаяся в зависимости от категории товаров. Здесь и помогает дообучение (fine‑tuning).
Благодаря дообучению моделей OpenAI команда Lowe’s смогла повысить точность тегирования товаров на 20 %, а выявление ошибок — на 60 %.
Волнение команды было ощутимым, когда мы увидели результаты дообучения GPT‑3.5 на наших данных о товарах. Мы сразу поняли, что держим в руках победное решение!
Нишант Гупта, Старший директор по данным, аналитике и AI

Что такое fine‑tuning?

Если модель GPT — это костюм, купленный в магазине, то fine‑tuning — это вариант напрокат, с индивидуальной подгонкой: способ настроить модель под конкретные данные и потребности вашей организации.
Почему это важно
  • Улучшенная точность. Обучаясь на ваших уникальных данных — например, товарных каталогах или внутренних FAQ, — модель выдаёт более релевантные результаты, соответствующие бренду.
  • Отраслевая экспертиза. Дообученные модели лучше понимают терминологию, стиль и контекст вашей сферы.
  • Единый тон и стиль. Для ритейлера это означает, что каждое описание товара соответствует Tone-of-Voice бренда; для юридической фирмы — что ссылки и цитаты всегда оформлены правильно.
  • Быстрые результаты. Меньше ручного редактирования и проверок — команды могут сосредоточиться на задачах с высокой добавленной стоимостью.

Урок 5: Передайте ИИ в руки экспертов

BBVA использует экспертно‑ориентированный подход к ИИ
Ваши сотрудники ближе всех к процессам и проблемам и часто лучше других находят решения на базе ИИ. Дать этим экспертам доступ к технологии бывает куда эффективнее, чем пытаться строить универсальные, «горизонтальные» решения.
BBVA, глобальный банковский лидер с более чем 125 000 сотрудниками, решила предоставить ИИ каждому работнику — тесно сотрудничая с юристами, комплаенсом и IT‑безопасностью, чтобы обеспечить ответственное использование. Компания глобально развернула ChatGPT Enterprise и позволила людям самим открывать для себя сценарии применения.
«Обычно в нашем бизнесе даже создание прототипа требует технических ресурсов и времени, — говорит Элена Альфаро, руководитель глобального внедрения ИИ в BBVA. — С помощью custom GPT любой может создать приложение для решения уникальной задачи — это очень просто».
За пять месяцев сотрудники BBVA создали более 2 900 собственных GPT, некоторые из которых сокращают сроки проектов и процессов с недель до часов. Эффект ощутили многие подразделения:
  • Команда кредитных рисков — использует ChatGPT для быстрого и точного определения кредитоспособности.
  • Юридический отдел — отвечает с его помощью на ≈ 40 000 запросов в год по политикам, комплаенсу и т. д.
  • Служба клиентского опыта — автоматизирует анализ тональности отзывов NPS.
Победы продолжают распространяться на маркетинг, риск‑менеджмент, операции и другие области — всё потому, что ИИ оказался в руках людей, знающих, как применить его в своей дисциплине.
Мы рассматриваем инвестиции в ChatGPT как инвестиции в наших людей. ИИ расширяет наш потенциал и помогает нам быть более эффективными и креативными.
Элена Альфаро, Руководитель глобального внедрения ИИ
Функция Deep Research позволяет ChatGPT работать автономно. Дайте ему запрос — он проанализирует сотни источников в сети и создаст развёрнутый, «диссертационный» отчёт. Это высвобождает продуктивность сотрудников: в внутреннем тестировании специалистов из разных областей глубокое исследование экономило в среднем 4 часа на сложную задачу.

Урок 6: Развяжите руки разработчикам

Mercado Libre создаёт ИИ‑приложения быстрее и стабильнее
Дефицит разработчиков — главный блокер и тормоз роста во многих организациях. Когда инженерные команды перегружены, инновации замедляются, а очередь идей и приложений становится непреодолимой.
Mercado Libre, крупнейшая в Латинской Америке e‑commerce‑ и финтех‑компания, совместно с OpenAI создала промежуточный слой разработки под названием Verdi, основанный на GPT‑4o и GPT‑4o mini. Сегодня он помогает 17 000 их разработчиков унифицировать и ускорять создание ИИ‑решений.
Verdi объединяет языковые модели, Python‑ноды и API, формируя масштабируемую, согласованную платформу, где естественный язык является центральным интерфейсом. Теперь разработчики быстрее создают стабильно качественные приложения, не углубляясь в исходный код — безопасность, guardrails и маршрутизация встроены по умолчанию.
В результате разработка ИИ‑приложений резко ускорилась, помогая сотрудникам Mercado Libre добиваться впечатляющих результатов, в частности:
  • Увеличение складских мощностей. GPT‑4o mini Vision размечает и завершает карточки товаров, позволяя каталогизировать на 100 × больше позиций.
  • Выявление мошенничества. Анализирует данные миллионов объявлений ежедневно, повышая точность выявления фрода почти до 99 % для проверяемых товаров.
  • Локализация описаний. Переводит названия и описания товаров, учитывая тонкости испанских и португальских диалектов.
  • Рост заказов. Автоматизирует сводки отзывов, чтобы пользователи быстрее понимали обратную связь.
  • Персонализированные уведомления. Настраивает push‑уведомления, повышая вовлечённость и улучшая рекомендации товаров.
Далее — использование Verdi для оптимизации логистики, сокращения поздних доставок и решения более значимых задач по всей организации.
Мы создали нашу идеальную AI‑платформу на GPT‑4o mini, сосредоточившись на снижении когнитивной нагрузки и возможности всей компании итеративно разрабатывать и внедрять инновационные решения.
Себастиан Барриос, Старший вице‑президент по технологиям

Урок 7: Ставьте смелые цели по автоматизации

Как мы автоматизируем собственную работу в OpenAI
В OpenAI мы ежедневно работаем бок о бок с ИИ, поэтому постоянно замечаем новые способы автоматизировать наши процессы.
Пример: наши службы поддержки увязали в рутинных задачах: доступ к системам, поиск контекста, подготовка ответов и совершение правильных действий для клиентов.
Поэтому мы построили внутреннюю платформу автоматизации. Она работает поверх существующих рабочих процессов и систем, автоматизируя механическую работу и ускоряя получение инсайтов и принятие мер.
Первый сценарий: работа поверх Gmail для создания ответов клиентам и запуска нужных действий. Используя платформу автоматизации, команды мгновенно получают данные о клиенте и релевантные статьи базы знаний, затем включают результаты в ответные письма или в конкретные действия — например, обновление учётных записей или открытие заявок в поддержку.
Встраивая ИИ в существующие рабочие процессы, мы делаем команды более эффективными, отзывчивыми и ориентированными на клиента. Платформа обрабатывает сотни тысяч задач каждый месяц, высвобождая людей для более значимой работы. Неудивительно, что система уже распространяется на другие подразделения.
Это стало возможным, потому что мы сразу поставили смелые цели по автоматизации, а не смирились с неэффективными процессами как с издержками ведения бизнеса.

Заключение: Учимся друг у друга

Как показывают предыдущие примеры, в каждом бизнесе есть множество возможностей использовать силу ИИ для улучшения результатов. Сценарии могут различаться по компаниям и отраслям, но уроки применимы к любому рынку.
Общая мысль: внедрение ИИ выигрывает от открытого, экспериментального мышления, подкреплённого строгими оценками и защитными барьерами безопасности. Успешные компании не бросаются впрыскивать модели ИИ во все процессы. Они выбирают кейсы с высокой отдачей и низкими затратами, учатся итерационно, затем переносят знания в новые области.
Результаты ясны и измеримы: процессы становятся быстрее и точнее; клиентский опыт — более персонализированным; а работа сотрудников — более удовлетворяющей, поскольку люди сосредотачиваются на том, что лучше всего удаётся именно человеку.
Мы уже видим, как компании интегрируют ИИ‑процессы, чтобы автоматизировать всё более сложные задачи — часто используя инструменты, ресурсы и других агентов для выполнения работы.