KARPOV.CONF 2026: переходим от теории ИИ к практике
28 апреля 2026 года во второй раз прошла масштабная онлайн-конференция школы karpov.courses. На этот раз тема мероприятия была максимально прикладная — выступления были посвящены реальным задачам, которые удалось успешно решить с помощью ИИ-инструментов. Спикеры из Авиасейлс, AvitoTech, Т-Банка, Сбера, Cloudꓸru, TripleTen и других крупных компаний поделились собственными кейсами с цифрами и результатами — запись конференции и сводный конспект выступлений доступны на сайте мероприятия всем желающим.
А в этой статье мы хотим пройтись по основным тезисам конференции и дать емкий ответ на ее главный вопрос — что же нужно для того, чтобы ИИ действительно работал на бизнес?
Где ИИ реально работает
На конференции были представлены кейсы из абсолютно разных сфер — наглядное подтверждение тезиса «ИИ нужен всем».
- В работе аналитика ИИ можно использовать для факторного анализа, а также пред- и пост-аналитики в запуске A/B-тестов. Эти инструменты уже опробовали в Т-Банке, и при полноценном внедрении с их помощью можно сэкономить до 240 человекочасов в год.
- Маркетинговые ИИ-инструменты находят широкое применение в TripleTen — для постоянной оценки каналов продвижения, анализа рекламных кампаний, подбора наиболее выигрышных креативов и запуска посадочных страниц под новые продукты с помощью вайб-кодинга.
- Команды техподдержки также уже используют инструменты искусственного интеллекта. В Cloudꓸru ИИ-система собственной сборки отвечает на вопросы пользователей в чате, помогает использовать функционал платформы в личном кабинете и решает внутренние задачи самой команды инженеров поддержки. А в Т-Банке тестируют ИИ-ассистента на базе LLM, который исследует клиентские запросы и формирует готовые ответы с решением проблемы по каждому из них.
- В ритейле (MAGNIT.TECH) ИИ-инструменты, встроенные в процесс обработки претензий в онлайн-заказах, позволяют быстро распознавать товары и штрихкоды, проверять качество и срок годности, выявлять дубликаты фото и определять дефекты; система уже сейчас обрабатывает около 55% всех заявок.
ИИ показывает максимальную эффективность там, где:
- необходимо обрабатывать большие объемы данных;
- процессы повторяются — их можно отследить, проанализировать и сделать выводы;
- есть четкая инструкция для выполнения задачи и четкие правила принятия решений.
Для чего нужны ИИ-агенты, и что нужно учитывать в работе с ними
Большое количество готовых решений позволяет создавать ИИ-агентов буквально для любой задачи.
В TripleTen агент-аналитик на базе Plurio помогает команде маркетинга принимать решения о том, какие каналы нужно масштабировать, а от каких отказываться; в Theonaꓸai ИИ-агенты для HR помогают оценивать кандидатов на каждом этапе отбора; в Авиасейлс с 2025 года работают сразу два агента — для поиска по корпоративным знаниям всей компании и для бизнес-аналитики.
Однако для того чтобы агент приносил пользу, важно четко понимать, какие задачи он должен решать, и создавать необходимые условия для его корректной работы.
1. Качество данных для обработки — первостепенно
Например, если вы создаете агента для генерации или валидации новых гипотез, ему обязательно нужен будет исторический корпус данных прошлых экспериментов с развернутыми вердиктами. При отсутствии такой базы агент будет выдавать неверные решения, и эффект от его внедрения будет нулевым — хотя формально он будет работать.
Подробнее о том, как это работает, рассказал на конференции Виталий Черемисинов, руководитель Trisigma.io (AvitoTech).
2. MCP как стандарт взаимодействия
MCP как универсальный «коннектор» для систем искусственного интеллекта обеспечивает единообразие подключений LLM к внешним данным. Вы можете использовать готовые решения, которых достаточно на рынке, либо разрабатывать и развивать свои собственные, но без «поддержки» агент просто не сможет работать. Главные принцип при разработке собственных систем интеграции — ориентироваться на бизнес-процессы и задачи компании, а не на API-функционал.
Если хотите попробовать, сориентироваться помогут запись и конспект выступления Евгения Ермакова и Никиты Юрасова из iJKos & Partners ltd. Также о разработке MCP на собственной платформе рассказал Руслан Сиражетдинов — инженер машинного обучения в Авиасейлс.
Почему важно пробовать разные решения, и как это делать правильно
Искусственный интеллект еще долго будет огромным полем для эксперимента, и это нужно использовать. Но ресурсы компаний, как правило, не столь безграничны — возможности тестировать каждую потенциально хорошую идею просто нет.
Руководитель аналитики Города в Т-Банке и лид стрима ИИзации аналитики Данила Недбаев рекомендует нанимать молодых замотивированных стажеров, чтобы иметь возможность запускать максимальное количество новых моделей, не раздувая штат компании.
Такой подход позволил запустить на задачах Т-Банка уже шесть рабочих инструментов; пока все они находятся на этапе proof of value, но при желании любой можно продолжать встраивать в процессы и развивать.
Но если бы не было возможности протестировать каждую из идей, то не было бы и этих возможностей для развития.
Как гибкость подхода позволяет находить оптимальные решения
На конференции спикеры делились не только успехами, но и первыми пробными решениями, которые не работали, были недостаточно стабильны или обходились слишком дорого.
Так, команда GigaChat столкнулась с проблемой при оценке качества обучения языковой модели: делать это вручную, с помощью ассесоров, или использовать GPT-4 оказалось нецелесообразно. Зато отлично сработало решение с использованием локальных LLM-as-a-judge — несмотря на необходимость донастройки и определенную предвзятость моделей.
Подробнее о том, как тестировали разные решения, на конференции рассказал исполнительный директор Сбера Даниил Смирнов.
Почему в 95% случаев ИИ не дает ожидаемого результата
ИИ-решения во многих случаях все еще воспринимаются как «волшебная таблетка» с невероятным эффектом. Но на самом деле задачи, которые можно и нужно решать с помощью искусственного интеллекта, прагматичны и просты: либо сокращать затраты, либо обеспечивать прирост прибыли.
На сегодняшний день в лучшем случае 5% проектов позволяют получить один из этих двух необходимых эффектов — остальные 95% остаются на уровне эксперимента. В своем выступлении директор департамента ИИ в Cloudꓸru Дмитрий Юдин называет пять ключевых причин того, почему так происходит.
- Отсутствие бизнес-ценности: Распыление ресурсов на инициативы без четких метрик успеха.
- Неготовность данных: Плохое качество данных влияет на каждый отдел и приводит к ненадежным выходам.
- Растущие затраты (TCO): Затраты на токены становятся кошмаром бюджета при масштабировании.
- Ответственный ИИ как afterthought: Игнорирование рисков безопасности, галлюцинаций и приватности.
- Плохое управление изменениями: Даже технически отличные решения остаются неиспользованными из-за сопротивления.
К тому же бывают процессы, в которых ИИ просто не нужен.
Когда ИИ точно не нужен
Никакое самое совершенное (в теории) решение для автоматизации процессов не будет работать, если:
- у вас нет и в перспективе не будет качественных данных;
- у процесса нет истории (например, экспериментов);
- задачи не повторяются и постоянно меняются;
- результат работы модели никак нельзя измерить и оценить в контексте конкретного процесса;
- ROI внедрения ИИ неочевиден.
Ключевая задача бизнеса сегодня — не просто внедрять что угодно ради того, чтобы в компании «работали ИИ-решения», а тестировать в большом (насколько это возможно) количестве, отбирать и масштабировать технологии, которые действительно приносят пользу.
Если хотите глубже погрузиться в тему практического применения ИИ-инструментов в современных реалиях бизнеса, заходите на сайт KARPOV.CONF 2026, где бесплатно доступны записи и конспекты всех выступлений спикеров с реальными данными и цифрами.