GenAI что это и на каких задачах генеративный ИИ окупается

GenAI что это, видно по тому, что программа отдаёт на выходе. Генеративный ИИ создаёт по запросу новый текст, изображение, код или звук, а привычные компаниям модели выбирают ответ из известных вариантов. В Национальной стратегии развития искусственного интеллекта такие системы с 2024 года названы большими генеративными моделями, которые интерпретируют и создают тексты, изображения и видео на уровне, сопоставимом с работой человека.

Модель, которая сочиняет гладкий текст, тем же устройством сочиняет и факты, поэтому собственнику остаётся выбрать задачи, где её черновик проверить дешевле, чем написать самому.

Разберу, как модель собирает ответ, почему ошибается и где окупается. А в конце покажу, как превратить это в деньги, какие вопросы задать себе о повторяющейся работе компании, как на них ответить и как дальше отвечать быстрее, отдав подсчёт нейросети.

Чем генеративный ИИ отличается от предсказательного

В российских компаниях ИИ чаще всего работает с изображениями, а с текстом заметно реже. По бюллетеню ВШЭ о 15 174 крупных и средних организациях, применявших ИИ в 2024 году, изображения обрабатывают 66,3 % из них, поддержку решений ведут 50,2 %, а с текстом работают 35,6 %. Генеративный ИИ обследование отдельно не выделяет, так что его долю по этим числам не вывести.

Граница между двумя семействами проходит по выходу. Предсказательную модель учат на размеченных примерах, и отвечает она выбором или числом, будь то брак на фото, вероятность ухода клиента или прогноз продаж. Генеративная модель учится продолжать тексты и картинки, поэтому на выходе у неё новая вещь, которой в данных не было. Отдельно стратегия выделяет большие фундаментальные модели, на которых строят разные программы, и ставит им порог от миллиарда параметров.

Генеративной модели место там, где её работа приходит черновиком и человек читает его перед отправкой. Где нужно число или метка, генеративная модель только прибавит работы проверяющему (а уверенности ей не занимать).

Почему генеративная модель уверенно выдумывает

Модель выдумывает факты тем же устройством, которым пишет гладкий текст. В разборе OpenAI от сентября 2025 года это объяснено обучением, где модель предсказывает следующее слово в огромных массивах текста и не видит пометок «правда» или «ложь». Орфография подчиняется закономерностям и с ростом модели выправляется, а редкий факт вроде даты рождения из закономерностей не выводится, и модель достраивает правдоподобную подробность.

Вторую причину OpenAI видит в экзаменах, на которых модели сравнивают. Ответ наугад иногда попадает, а «не знаю» гарантирует ноль, вот модели и учатся угадывать. На проверочном наборе SimpleQA старая o4-mini почти не отказывалась отвечать и ошиблась в 75 % вопросов, а более новая модель отказывалась в 52 % случаев и ошибалась в 26 %. Верных ответов у обеих почти поровну, 24 % и 22 %.

Шесть судебных решений, которых не было

Цена угаданного факта бывает вполне денежной. В июне 2023 года окружной суд Нью-Йорка оштрафовал юристов по делу Mata против Avianca на 5 000 долларов. Они подали шесть несуществующих решений с выдуманными цитатами, которые написал ChatGPT, и продолжали на них настаивать после вопросов суда. Судья отдельно отметил, что пользоваться надёжным инструментом ИИ нормально, а за точность поданного отвечает юрист.

Собственник хочет модель, которая отвечает на любой вопрос, и как раз такая модель ошибается чаще всех. Противоречие снимает порядок работы. Модели разрешают говорить «нет данных», просят источник к каждому числу и сверяют с ним всё, что уходит клиенту.

Где генеративный ИИ окупается, а где нужна формула

Генеративный ИИ окупается там, где черновик проверить быстрее, чем написать с нуля. По отчёту Стэнфорда AI Index 2025 ответ системы уровня GPT-3.5 подешевел больше чем в 280 раз, а в Yandex AI Studio на октябрь 2026 года тысяча токенов вопроса (кусочков слов, которыми модель меряет текст) у Alice AI LLM стоит 0,5 рубля, ответа 1,2 рубля, у DeepSeek V4.1 Flash 0,3 и 0,5 рубля.

Учебный расчёт с условными объёмами. Письмо клиента вместе с инструкцией занимает 1 500 токенов, ответ 500, и черновик на Alice AI LLM обойдётся в 1,35 рубля, на DeepSeek в 70 копеек, а тысяча писем в месяц в 1 350 и 700 рублей. Дороже модели здесь обходится время сотрудника на проверку.

Где ответ считается по правилу, генеративная модель лишняя, и цену по прайсу надёжнее считает формула. С чего начинать, разобрано в статье про внедрение ИИ в бизнес, а работу с документами руководителя описывает материал о том, что умеет ИИ ассистент.

Что я отдаю генеративной модели, а что решаю сам

Генеративной модели я отдаю поиск и первый черновик, а выбор оставляю себе. По моему опыту, главная ошибка сидит в постановке задачи. Собственник приходит с готовой догадкой вроде «сделай прайс с наценкой тридцать процентов» и получает аккуратное исполнение этой догадки, ведь поле решений он сузил заранее.

Работает обратный порядок. Сначала описываю проблему, историю попыток и ограничения, скажем маржа падает третий квартал, скидки пробовали, поднимать цены постоянным клиентам не хочу. Отдельной строкой пишу, чего не понимаю. Если об этом промолчать, модель возведёт решение поверх моего мнимого знания, а я буду кивать.

Потом прошу задать мне вопросы и только после них принести варианты. Опасна модель там, где её вариант принимают целиком и молча, и собственник из заказчика превращается в исполнителя у собственной нейросети. Варианты отбираю по себе, потянет ли их компания, а числа, на которых решаю, и обещания клиентам проверяю сам.

Промпт: какие задачи компании отдать генеративному ИИ

На вход идёт список повторяющихся задач за обычную неделю из таск-трекера или CRM, а можно и по памяти, кто что делает, сколько раз и сколько минут. Имена и названия замените метками, персональные данные и коммерческую тайну в публичный чат не вставляйте. Подойдёт любая крупная модель, DeepSeek работает бесплатно и без VPN, ChatGPT и Claude мощнее, но с ограничениями доступа из России, а что доступно по счёту, разобрано в статье о том, какие ИИ-агенты доступны в России.

Роль. Ты аналитик операционной работы компании и опираешься только на то, что я пришлю.

Результат. Таблица повторяющихся задач компании: класс задачи, часы в месяц сейчас, минуты на проверку черновика, часы в месяц, которые вернёт генеративная модель. Итог: доля часов каждого класса, сумма возвращённых часов и расхождение с моей оценкой.

Зачем. Хочу понять, сколько рабочего времени стоит отдать генеративной модели, и начать с задач, где проверка черновика быстрее работы руками.

Подзадачи строго по порядку, к следующей не переходи, пока не закрыта предыдущая.
1. Попроси список задач. По каждой уточни, кто делает, сколько раз в неделю и сколько минут занимает один раз.
2. Спроси, какую долю часов этих задач я сам считаю возможным отдать нейросети. Запомни число.
3. Отнеси каждую задачу к классу: генеративная модель (на выходе текст или сводка, которую прочитает человек), предсказательная модель (прогноз или метка по прошлым данным), формула (ответ однозначно считается), человек (решение, обещание, переговоры). Спроси, согласен ли я.
4. По задачам генеративного класса спроси, сколько минут займёт проверка одного черновика.
5. Посчитай по каждой строке часы в месяц: раз в неделю × минуты × 4,3 / 60, возвращённые часы: раз в неделю × (минуты сейчас минус минуты проверки) × 4,3 / 60. Покажи арифметику.
6. Посчитай долю часов каждого класса, сумму возвращённых часов и их долю от часов всех задач списка. Сравни с моим числом из пункта 2 и назови расхождение в процентных пунктах.
7. Под каждой задачей генеративного класса напиши одну фразу для сотрудника: что готовит модель и что он проверяет перед отправкой.

Нюансы. Задавай по одному вопросу. Если минут на задачи у человека выходит больше его рабочих часов, покажи это и спроси, где ошибка.

Рамки. Не выдумывай задач, частот и минут, которых я не называл, на их месте ставь пометку [нет данных]. Не оценивай сотрудников. Мотивационные речи и рассуждения о важности опусти полностью.

Коротко: главное из статьи

• GenAI, генеративный искусственный интеллект, создаёт по запросу новый текст, изображение, код или звук, а предсказательные модели выбирают ответ из известных вариантов.
• Среди 15 174 российских организаций, применявших ИИ в 2024 году, изображения обрабатывали 66,3 %, текст 35,6 %.
• Модель выдумывает факты, потому что учится предсказывать следующее слово и получает награду за угаданный ответ, и на SimpleQA старая модель OpenAI ошиблась в 75 % вопросов.
• Генеративный ИИ окупается там, где черновик проверить быстрее, чем написать, а цены, остатки и наценку считает формула.
• Числа, ссылки на законы и обещания клиентам из ответа модели сверяют с первоисточником до отправки.

Частые вопросы