Блок A · Стратегия и управление
A1. AI-стратегия и технологическое лидерство Насколько ИИ интегрирован в стратегию и определяет технологическое развитие компании?
ИИ не является стратегическим приоритетом; нет чёткого видения или дорожной карты. Используем только стандартные готовые IT-решения; нет экспериментов с ИИ. Есть общее понимание важности ИИ, но стратегия фрагментарна и слабо связана с бизнес-целями. Проводятся разовые эксперименты с новыми технологиями (GenAIGenAI Генеративный искусственный интеллект. ИИ-системы, которые создают новый контент: тексты, изображения, код, видео. Примеры: ChatGPT, Midjourney, Claude. , ML), но без системного подхода. Разработана чёткая AI-стратегия с измеримыми целями по снижению затрат и росту выручки на 3–5 лет. Существует системный процесс тестирования и внедрения технологических инноваций. AI-стратегия является ядром корпоративной стратегии; топ-менеджмент ставит амбициозные многолетние цели по трансформации бизнес-модели и изобретению новых источников дохода. Компания является отраслевым лидером по внедрению передовых AI-решений, включая агентный ИИ, для создания новых продуктов и услуг.
A4. Ответственный ИИ Как компания управляет рисками и этикой ИИ?
Вопросы этики, предвзятости и ответственности ИИ не обсуждаются. Существуют неформальные принципы использования ИИ без механизмов контроля. Разработаны политики Responsible AIResponsible AI (RAI) Ответственный ИИ. Подход к разработке и использованию ИИ с учётом этики, безопасности, справедливости и соблюдения прав человека. Включает контроль предвзятости, прозрачность решений, защиту данных. , проводится оценка рисков для ключевых проектов. Внедрена комплексная система RAIResponsible AI (RAI) Ответственный ИИ. Подход к разработке и использованию ИИ с учётом этики, безопасности, справедливости и соблюдения прав человека. Включает контроль предвзятости, прозрачность решений, защиту данных. с автоматизированным контролем предвзятости, прозрачности, комплаенса и guardrails для LLMGuardrails для LLM Защитные ограничения для больших языковых моделей. Механизмы, которые предотвращают нежелательное поведение ИИ: токсичные ответы, утечку конфиденциальных данных, выход за рамки допустимых тем. .
A5. Измерение ценности ИИ Как компания измеряет отдачу от инвестиций в ИИ?
Эффект от ИИ не измеряется; нет KPIKPI Key Performance Indicators, ключевые показатели эффективности. Измеримые метрики для оценки достижения целей (например, рост выручки на 15%, сокращение времени обработки заявок на 30%). . Оцениваются только прямые затраты на IT-инфраструктуру. Внедрены KPIKPI Key Performance Indicators, ключевые показатели эффективности. Измеримые метрики для оценки достижения целей (например, рост выручки на 15%, сокращение времени обработки заявок на 30%). для оценки ROIROI Return on Investment, окупаемость инвестиций. Показывает, сколько выгоды получено на каждый вложенный рубль. Формула: (Прибыль − Затраты) / Затраты × 100%. отдельных AI-проектов. Существует комплексная система измерения финансовой (выручка, маржа, TSRTSR Total Shareholder Return, совокупная доходность акционеров. Показатель роста стоимости компании для инвесторов с учётом дивидендов и изменения цены акций. ) и нефинансовой (удовлетворённость, инновации) ценности ИИ на уровне всей компании.
Блок B · Операционная модель
Блок C · Таланты и навыки
Блок D · Культура и управление изменениями
Блок E · Данные и алгоритмы
E1. Качество данных и аналитические возможности Насколько данные готовы для ИИ и как используются для принятия решений?
Данные низкого качества, труднодоступны, хранятся в разрозненных системах. Решения принимаются преимущественно интуитивно, без опоры на данные. Созданы хранилища данных (Data Lakes / WarehousesData Lakes / Warehouses Хранилища данных. Data Lake — хранилище сырых данных в исходном формате для будущей обработки. Data Warehouse — структурированное хранилище очищенных данных, готовых для анализа. ), но доступ к ним ограничен. Используется ретроспективная аналитика (отчёты, дашборды). Данные очищены, структурированы и доступны через APIAPI Application Programming Interface, программный интерфейс приложения. Позволяет системам автоматически обмениваться данными без участия человека (например, сайт запрашивает данные о погоде у сервиса через API). для аналитики и ML. Внедрена предиктивная аналитикаПредиктивная аналитика Прогнозная аналитика. Использует исторические данные и ML для предсказания будущих событий (например, вероятность оттока клиента, прогноз спроса на следующий квартал). для прогнозирования ключевых бизнес-показателей. Единые корпоративные модели данных; высококачественные структурированные и неструктурированные данные доступны в реальном времени с централизованным управлением. Предписывающая аналитикаПредписывающая аналитика Аналитика, которая не только прогнозирует будущее, но и рекомендует конкретные действия для достижения цели (например, «повысьте цену на 7% и отправьте скидку этим 200 клиентам для максимизации прибыли»). и AI-рекомендации интегрированы в операционные решения в реальном времени.
Блок F · Технологии и платформы
F2. Безопасные ML/LLM операции Как компания обеспечивает безопасность AI-систем в продакшене?
Развёртывание моделей происходит вручную, без проверок безопасности. Базовое тестирование моделей перед внедрением. Внедрены практики MLOpsMLOps Machine Learning Operations. Набор практик для автоматизации разработки, тестирования, развёртывания и мониторинга ML-моделей. Как DevOps, но для машинного обучения. с автоматизированным тестированием. Комплексный MLSecOpsMLSecOps ML Security Operations. Практики обеспечения безопасности систем машинного обучения на всех этапах: от разработки до эксплуатации. Включает защиту от атак на модели, контроль доступа к данным, мониторинг аномалий. : непрерывный мониторинг на предмет атак (prompt injectionPrompt injection Атака через внедрение инструкций в промпт. Злоумышленник добавляет скрытые команды в запрос к LLM, чтобы заставить модель выполнить нежелательные действия или раскрыть конфиденциальную информацию. , data poisoningData poisoning Отравление данных. Атака, при которой злоумышленник намеренно искажает обучающие данные, чтобы модель обучилась неправильному поведению (например, пропускала мошеннические транзакции). ), дрифта данныхДрифт данных Data drift. Изменение характеристик входящих данных со временем. Модель, обученная на старых данных, начинает давать менее точные предсказания на новых (например, модель кредитного скоринга, обученная до пандемии, может плохо работать после неё). и галлюцинаций LLMГаллюцинации LLM Ситуация, когда языковая модель генерирует правдоподобно звучащую, но фактически неверную информацию. Модель «выдумывает» факты, цитаты, источники, которых не существует. .
Блок G · AI Delivery и создание ценности
G4. Изобретение новых бизнес-моделей Использует ли компания ИИ для создания принципиально новых продуктов и услуг?
ИИ используется только для повышения эффективности существующих процессов. Рассматриваются возможности создания новых AI-продуктов, но конкретных инициатив нет. Реализуются пилотные проекты по созданию новых AI-native продуктовAI-native продукты Продукты и услуги, которые невозможны без ИИ. ИИ — не дополнение, а фундамент продукта (например, персонализированный AI-тренер, генератор дизайнов по описанию, автоматический аналитик данных). или услуг. ИИ является ключевым инструментом для изобретения новых бизнес-моделей и создания AI-native предложенийAI-native продукты Продукты и услуги, которые невозможны без ИИ. ИИ — не дополнение, а фундамент продукта (например, персонализированный AI-тренер, генератор дизайнов по описанию, автоматический аналитик данных). , формирующих новые рынки.
G5. Внедрение агентного ИИ Насколько компания использует автономные AI-агенты?
Агентные системы не рассматриваются и не планируются. Изучение концепции AI-агентовАгентный ИИ / AI-агенты Автономные ИИ-системы, которые самостоятельно выполняют сложные многошаговые задачи: планируют действия, используют инструменты (API, базы данных, браузер), принимают промежуточные решения и адаптируются к ситуации. ; планирование первых пилотов. Тестирование AI-агентовАгентный ИИ / AI-агенты Автономные ИИ-системы, которые самостоятельно выполняют сложные многошаговые задачи: планируют действия, используют инструменты (API, базы данных, браузер), принимают промежуточные решения и адаптируются к ситуации. для выполнения многошаговых задач под контролем человека. Активное использование автономных AI-агентовАгентный ИИ / AI-агенты Автономные ИИ-системы, которые самостоятельно выполняют сложные многошаговые задачи: планируют действия, используют инструменты (API, базы данных, браузер), принимают промежуточные решения и адаптируются к ситуации. в ключевых процессах; на агентный ИИ выделяется значительная доля AI-бюджета (до 15%).