40% ответов GPT оказались фантазией: как промышленная компания строила свою AI-команду с нуля

Компания ПСМ UNLIM (энергетическое оборудование) начинала с того же, с чего сейчас начинают тысячи руководителей — раздала сотрудникам подписки на ChatGPT и понадеялась на энтузиазм собственной ИТ-команды. Через год выяснилось: без выделенной AI-команды, чёткой архитектуры и честного разговора о рисках корпоративный ИИ либо превращается в игрушку, либо становится дырой в безопасности. Разбираем их путь как пошаговую инструкцию для тех, кто планирует то же самое.

Почему подписка на GPT для всех — не решение

Первый инстинкт любого руководителя, который сам обжёгся об GPT в хорошем смысле — распространить этот опыт на всю компанию. Логика простая: раз мне помогло, поможет и остальным, просто выдадим доступ.

Проблема в двух вещах. Во-первых, информационная безопасность — вы не можете отдать во внешний сервис контракты, чертежи и внутреннюю переписку без контроля. Во-вторых, личный успешный опыт CEO с ChatGPT (в кейсе ПСМ UNLIM это был анализ незнакомой производственной темы за пару вечеров вместо месяца поиска экспертов) не масштабируется автоматически на весь штат. Нужны навыки: правильно формулировать промпты, быстро проверять данные, использовать ИИ для конкретных бизнес-процессов, а не просто «спросить у чат-бота».

Здесь и рождается первая развилка. Либо компания продолжает раздавать подписки и получает хаотичное, небезопасное использование ИИ. Либо строит собственную инфраструктуру — локальный корпоративный сервис на базе языковой модели, размещённый на своих серверах.

Первая версия своего чат-бота почти всех разочаровала

ПСМ UNLIM выбрали второй путь и в 2025 году запустили корпоративный чат-бот на базе GPT в собственной серверной. Первая версия получилась, по словам основателя компании, «умилительно тупой».

Функционал первой итерации был узким:

• проверка входящих сообщений attention-ботом;
• риск-аналитика контрактов в юридической части;
• сравнение документов.

В свободном диалоге бот почти никому не помогал. Результат — усиление скепсиса. Часть сотрудников начала активно тестировать инструменты сама, часть попробовала и не разобралась, часть демонстративно осталась на стороне «естественного интеллекта».

Это нормальный этап, и его стоит закладывать в план заранее: первая версия корпоративного AI почти никогда не впечатляет. Если рассчитывать, что бот с порога заменит рутину для всей компании, разочарование неизбежно — и оно бьёт по доверию к проекту сильнее, чем технические баги.

Иллюзия экспертности — риск, который недооценивают

Отдельный урок из личного опыта CEO стоит вынести в отдельный чек-лист для любой команды, работающей с ИИ. Зимой 2025 года руководитель компании с помощью GPT за пару вечеров разобрался в незнакомой производственной цепочке для нового направления бизнеса (охлаждающее оборудование) и поехал на аудит производства с уверенностью эксперта. На месте выяснилось: около 40% «экспертизы», выданной моделью, оказались убедительно оформленной фантазией.

Вывод простой и жёсткий: ИИ очень быстро создаёт ощущение экспертности, но скорость погружения в тему — не то же самое, что глубина изучения. Модель без проверки фактов и жизненного опыта пользователя остаётся источником галлюцинаций, только красиво упакованных.

Практический вывод для команды:

1. Любой вывод модели по незнакомой для пользователя теме нужно верифицировать у живого эксперта до принятия решений с деньгами на кону.
2. GPT хорош как ускоритель поиска и структурирования, но плохо работает как единственный источник истины.
3. Обучение сотрудников должно включать не только «как писать промпт», но и «как быстро проверять выданные данные».

Почему аутсорс подрядчика не сработал

Следующий шаг — попытка нанять внешнего разработчика корпоративных AI-агентов. Рынок таких подрядчиков сегодня большой, но модель работы у всех одинаковая: компания пишет техзадание, подрядчик его принимает или уточняет, затем либо собирает команду сам, либо привлекает субподрядчика.

На практике это вылилось в потерю времени в квадрате: около 10 звонков в Zoom ушли на то, чтобы просто понять — разработка корпоративного AI силами внешнего подрядчика будет долгой, дорогой и с сомнительными гарантиями из-за большого числа посредников в цепочке.

После этого руководство компании вместе с ИТ-директором приняло решение: набирать собственную AI-команду и разрабатывать инструменты внутри, а не через внешний контур. Аргумент был не только про скорость и деньги — если компания уже вкладывает в ИИ столько ресурсов для себя, разработками можно будет поделиться с рынком, и заодно наглядно показать собственным сотрудникам ценность инструментов, которые раньше вызывали скепсис.

Как формировать свою AI-команду: компетенции важнее энтузиазма

Ключевая ошибка на старте — расчёт на то, что имеющаяся ИТ-команда «разберётся», потому что с ChatGPT справится и ребёнок. Корпоративный AI-сервис на порядок сложнее личного чат-бота: нужна инфраструктура (о ней ПСМ UNLIM писали отдельно — AI ready инфраструктура и её железная основа), информационная безопасность, и специалисты, понимающие архитектуру языковых моделей, а не только пользовательский интерфейс.

Прежде чем расширять корпоративный AI дальше на всю компанию, ПСМ UNLIM сформулировали для себя два вывода:

• Вкладываться в ИИ только ради офисной рутины для промышленной компании бессмысленно — нужны инструменты под конкретное производство: контроль конструкторской документации, видеоаналитика на производстве, база знаний.
• Своими силами ИТ-отдел с такими задачами не справится — нужна выделенная команда с профильными компетенциями, а не общий ИИ-энтузиазм сотрудников.

Отсюда практический алгоритм для тех, кто планирует то же самое:

1. Зафиксируйте бизнес-задачи, которые ИИ должен решать
   (не "внедрить ИИ", а конкретно: контроль документации,
   видеоаналитика, риск-анализ контрактов и т.д.)
2. Проверьте личным пилотом (CEO или руководитель направления
   тестирует ИИ на реальной задаче до масштабирования)
3. Оцените, хватит ли текущей ИТ-команды по компетенциям
   (архитектура, ИБ, работа с моделями) — обычно не хватает
4. Сравните найм своей команды vs подрядчика по срокам
   и числу посредников в цепочке
5. Запустите первую урезанную версию сервиса и будьте готовы
   к скепсису — это нормальный этап, а не провал

Где ломается процесс

Самая частая точка провала — попытка сэкономить на этапе 2 и сразу масштабировать личный опыт руководителя на всю компанию. То, что сработало для одного человека с хорошей насмотренностью и возможностью проверить факты, не работает для сотрудников без такого опыта.

Вторая точка — недооценка информационной безопасности. Массовые подписки на внешние сервисы для сотрудников, работающих с контрактами и конструкторской документацией, создают риск утечки раньше, чем компания успевает выстроить контроль.

Третья — расчёт на то, что подрядчик сделает быстрее и дешевле. На практике переговоры и согласования съедают время сопоставимое со сбором собственной команды, а гарантии при этом слабее.

Что попробовать дальше

Если вы на старте того же пути, начните не с найма AI-команды, а с личного пилота на реальной бизнес-задаче — так, как это сделал руководитель ПСМ UNLIM с анализом нового производственного направления. Это даст представление о реальных возможностях и ограничениях модели до того, как вы вложите деньги в инфраструктуру и людей.

Параллельно зафиксируйте список конкретных бизнес-процессов, которые действительно требуют ИИ — не «всё подряд», а измеримые задачи вроде контроля документации или анализа контрактов. И заранее готовьтесь к тому, что первая версия корпоративного сервиса разочарует часть сотрудников — это управляемый этап, а не сигнал сворачивать проект.

FAQ

Стоит ли начинать с подписки на ChatGPT для всех сотрудников?

Нет, если компания работает с конфиденциальными документами. Массовые внешние подписки создают риск для информационной безопасности раньше, чем дают реальную пользу — лучше протестировать личным пилотом и потом строить контролируемую корпоративную инфраструктуру.

Можно ли доверять первым ответам ИИ по незнакомой теме?

Нет без проверки. В описанном кейсе около 40% «экспертных» ответов GPT по новой для руководителя теме оказались правдоподобно оформленными ошибками. Любой вывод модели по незнакомой сфере нужно сверять с живым экспертом до принятия решений с деньгами.

Почему своя ИТ-команда не справилась с корпоративным AI?

Потому что корпоративный сервис сложнее личного чат-бота на порядок: нужны инфраструктура, информационная безопасность и специалисты, понимающие архитектуру моделей, а не только пользовательский интерфейс. Общий ИТ-энтузиазм этих компетенций не заменяет.

Почему подрядчики оказались медленнее, чем собственная команда?

Из-за цепочки посредников: техзадание, его согласование, сбор проектной команды или субподряд — каждый этап добавляет время. В кейсе ПСМ UNLIM около 10 переговоров ушли только на то, чтобы понять, что внешняя разработка будет долгой и дорогой.

Что делать, если сотрудники не верят в пользу ИИ после первого запуска?

Считать это нормальным этапом. Первая версия корпоративного бота почти всегда выглядит слабее ожиданий. Скепсис снижается не убеждением, а расширением реальных возможностей инструмента под конкретные рабочие задачи сотрудников.

Источники

• Habr AI: От подписки к корпоративному AI: как мы собирали команду ИИ-разработчиков и преодолевали скепсис сотрудников