Строительная отрасль переживает цифровую трансформацию, и искусственный интеллект становится одним из ключевых инструментов. Но насколько активно ИИ применяют в реальных проектах и какие результаты он уже дал?

На основе опыта Webbee в разработке ML-систем для крупнейших российских застройщиков, мы готовы поделиться результатами реальных проектов, которые кажутся фантастикой, но работают в действительности:

Автоматическая генерация планировок квартир — одного из главных «болевых» моментов архитекторов. Теперь достаточно загрузить документацию проекта в систему на основе ИИ, и она автоматически генерирует более 90% планировок. Результат? Застройщик экономит огромные трудозатраты архитекторов, а время проектирования сокращается в разы.

Автоматический подсчёт стройматериалов из документации — система анализирует проектные документы и выдаёт точное количество бетона, арматуры, свай и других материалов. Никаких ошибок, никаких пересчётов.

Распознавание лиц для контроля рабочего времени — система отслеживает начало и окончание смены рабочих на площадках через анализ видео. Это не просто контроль, это инструмент оптимизации рабочих процессов.

Прогнозирование задержек строительства — модели ИИ предсказывают отклонения в графике работ на основе текущих данных, позволяя руководителям заранее принимать управленческие решения.

Контроль безопасности и соответствие ТБ — анализ видеопотоков для проверки наличия касок, светоотражающих жилетов и других мер безопасности на объектах.

Главное открытие: ИИ не заменяет человека, а становится его партнером. Один инженер, работающий в сотворчестве с искусственным интеллектом, сможет заменить собой целый отдел. Пример? В продуктах компании Autodesk уже внедрили MCP — технологию, позволяющую подключить ИИ к контексту проектирования. Теперь дизайнер может дать простой текстовый или голосовой запрос, и ИИ генерирует объекты, вносит правки, оптимизирует решения.

Но есть критическое препятствие для развития ИИ в строительстве — отсутствие публичных российских датасетов. Разработчикам ML-моделей нужны открытые данные с учётом российских ГОСТов и стандартов. Без них даже самые талантливые инженеры не смогут обучить алгоритмы эффективно.

Датасеты — это Архимедова точка опоры для развития ИИ. С качественными данными можно перевернуть всю отрасль, невыходя из дома.

Прогноз на будущее очевиден: те застройщики, которые прямо сейчас внедряют ИИ в свои процессы, обеспечивают себе место в грядущей эре искусственного интеллекта. Небольшие компании без собственных данных для обучения алгоритмов будут неизбежно отставать.

Полный анализ тенденций, детальные кейсы и разбор препятствий вы найдёте в статье на страницах Отраслевого журнала "Вестник" №3 (2025).

Внедрение технологий искусственного интеллекта уже в данный момент приносит свои плоды. По данным McKinsey компании, использующие ИИ в своих бизнес-процессах, сокращают затраты до 15% и увеличивают выручку на 5%. Российский рынок розничной торговли также подтверждает эффективность внедрения этих инструментов. Так, например, по утверждениям Wildberries, им удаётся получить рост продаж в 33% за счёт своей собственной рекомендательной системы, а X5 сообщают о росте оборота на 1,4% за счёт внедрения ИИ. При этом компании проводят трансформацию поэтапно: от алгоритмов прогнозирования спроса и ценообразования до контроля качества выкладки с помощью компьютерного зрения.

Возможность внедрения того или иного инструмента зависит от зрелости компании в сфере сбора и хранения данных. Трудно будет получить качественные предсказания продаж для товара, по которому за последний год было 2-3 продажи. С учетом этих очевидных ограничений пройдёмся по технологиям, которые сегодня внедряют в ритейле.

1. Системы прогнозирования спроса и управления складскими запасами

Одно из самых понятных и востребованных применений алгоритмов машинного обучения - прогнозирование спроса на тот или иной товар. Такие модели помогают привозить ровно столько товара, сколько удастся распродать до истечения срока годности. Для построения таких моделей используют не только исторические данные по продажам, но и учитывают погоду, акции, сезонность и т.д. X5 Retail Group прогнозируют запасы, строят маршруты и рассчитывают объем товара для каждого магазина. В аналитическом отчёте компании утверждается, что им удалось почти избавиться от списаний просрочки и сократить складские издержки на 15%.

2. Рекомендации и персонализация

Системы искусственного интеллекта, внедряемые в современный ритейл, могут анализировать активность каждого пользователя, находить общие закономерности, подбирать персональные предложения. Благодаря этому на финальном этапе оформления заказа покупателю показывают именно те товары, которые он с высокой вероятностью добавит в корзину.

Помимо увеличения среднего чека, рекомендательные системы можно использовать также и для того, чтобы составлять персонализированные промо-предложения. В этом же контексте интересной задачей является также задача возвращения "спящих" клиентов: внимательно проанализировав историю, можно предложить скидку на товар, который с наибольшей вероятностью заинтересует человека, и таким образом аккуратно напомнить ему о магазине.

3. Автоматизация общения с клиентами и анализ полученной обратной связи

ИИ позволяет оперативно реагировать на возникшие у клиента трудности. За последние несколько лет голосовые и чат-боты научились гораздо лучше помогать решать проблемы, но при этом важно не переусердствовать: сначала внедряют автоматическую классификацию тем обращений, а затем уже переходят к более сложным диалоговым агентам.

Конечно, лучше вовсе не допускать негатива, нежели реагировать на него. Поэтому, если у товаров есть отзывы, их тональность обязательно анализируют с помощью ИИ. Такой подход позволяет отслеживать общий настрой покупателей по отношению к конкретным товарам и своевременно замечать негативные тенденции, которые могут указывать на появление скрытой проблемы.

4. Оптимизация подвоза запасов и логистики

Иногда прогнозирование спроса требуется не для планирования закупок у поставщика, а для того, чтобы вовремя подвезти товары из сортировочного пункта. В таком случае, как правило, просят предсказать ежедневные продажи на горизонте до трёх месяцев. Крупные сети, обладая большим числом точек и высокой цифровизацией процессов, могут улучшить не только своевременный подвоз товаров, но и эффективно перераспределять товары между магазинами, а онлайн-заказы - между курьерами.

5. Контроль выкладки и качества товаров

Упомяну, пожалуй, одно из неочевидных направлений, которые недавно попросили реализовать коллеги из FMCG-сегмента - контроль качества за выкладкой товаров. Проверяющий отправляет фото работы мерчендайзера, а алгоритмы компьютерного зрения анализируют правильность расположения товаров, их количество и товарный вид, автоматически формируя отчёт по качеству и полноте выкладки.

Анализ изображений также используется для того, чтобы сигнализировать о несвежести продуктов, а также в умных весах, которые с помощью камеры автоматически распознают, какой товар на них лежит.

6. Генерация контента

В последнее время всё чаще и чаще на улицах города и в сети можно увидеть пометки о том, что тот или иной постер был сгенерирован с помощью ИИ. Генерация проходит за секунды, а этапы согласования ТЗ и правки просто исчезают. Очевидные преимущества перед тем, чтобы держать в штате дизайнера.

Теперь, когда мы определились с тем, какие задачи бывают, давайте определимся с приоритетами. Общая канва будет одинакова для любого направления вне зависимости от нюансов.

1. Определение правильного бизнес-процесса

Коротко скажу, что не всё что угодно можно скинуть на ИИ, если важен качественный результат. Под ИИ-автоматизацию не подойдут творческие процессы или задачи, где необходимо совмещать множество контекстов. На входе и на выходе должен быть цифровой артефакт - изображение, таблица, текст. Например, если цель убрать ручную проверку выкладки товаров, то на вход подаются эталонное изображение и фото того, что получилось, а на выходе отчёт с указанием ошибок.

2. Декомпозиция

Важно отметить, что далеко не все задачи решаются в лоб. Так, например, при контроле выкладки на самом деле под капотом будет набор из алгоритмов компьютерного зрения. Они находят товар, сопоставляют с БД, проверяют соответствие внешнего вида, правильность расположения, число упаковок на полке...

Другими словами, одного "умного ИИ-мозга" в системе нет, а значит, чтобы справиться со сложной задачей, её следует разбить на несколько простых. Такая декомпозиция повышает качество результата и прозрачность процесса.

3. Выбор инструмента или партнёра

Существует множество готовых ML-решений. Однако, в раде случаев они не подходят: из-за отсутствия возможности размещения в закрытом контуре или отсутствия возможности интеграции с корпоративными системами. В таком случае придётся обратиться к кастомной разработке. Важно, чтобы у подрядчика был опыт схожих проектов - стоит запросить у него возможные варианты решения и примерные сроки реализации.

4. Обучать свою модель или брать готовую?

Если повезёт, рядом окажется инженер, который не позволит тратить силы на обучение собственных алгоритмов там, где уже существуют качественные готовые решения. Как правило, для MVP чаще всего достаточно найти уже готовую модель или вовсе использовать API.

При работе через API важно логировать все запросы, так как чуть позже возможно на ответах условного ChatGPT обучить свою миниатюрную модель и больше не платить за запросы. Кстати, по слухам, похожим образом поступили разработчики DeepSeek. Такой подход, при котором компактная модель обучается на выходах большой, называется "дистилляция" модели.

ИИ — не волшебная палочка и не серебряная пуля. Это инструмент со своими ограничениями. И прежде чем внедрять машинное обучение в ваш процесс, нужно честно ответить на вопрос: а это вообще сейчас нужно?

Четыре критерия, по которым понять, подходит ли процесс для автоматизации:

1. Рутинность и повторяемость — если сотрудники ежедневно составляют одинаковые письма, оформляют типовые документы или проверяют товары по фотографиям, это идеальные кандидаты. ИИ выполнит эту работу мгновенно, экономя человеко-часы.

2. Наличие данных — попытка внедрить ИИ без исторических данных — как строить кирпичный дом без кирпича. Процесс должен быть оцифрован и выполняться некоторое время человеком. Идеальны логи, электронные документы, журналы заявок. И помните: garbage in — garbage out. Если данные ненадёжны, модель будет давать неточные результаты.

3. Высокие затраты времени и склонность к ошибкам — нейросети уже сейчас превосходят врачей в определении рака кожи по снимку. LLM-модели помогают операторам службы поддержки генерировать варианты ответов, экономя время и снижая раздражение клиента.

4. Формализованность процесса — если процесс настолько чётко прописан, что его можно заменить простой программой или формулой, ИИ вам не нужен. Это излишний усложнение.

Разложите его на части. На примере скрининга резюме: вместо того чтобы запихивать весь процесс в одну нейросеть, мы выделили три ключевых компонента — технологии, опыт и релевантные проекты — и обучили узкоспециализированные модели для каждой части. Результат: высокая точность с минимальными затратами на разметку данных и полная прозрачность оценки.

Когда отказаться от ИИ

Процессы, где ошибка стоит человеческую жизнь, имеет юридические последствия или грозит крупными убытками, нельзя полностью отдавать машине. Всегда должна быть проверка человеком.

Также ИИ плохо справляется с задачами, требующими абстрактного мышления, эмпатии и творчества. Переговоры с ключевым клиентом, мотивация команды, стратегическое планирование — это всё остаётся за человеком.

Не пытайтесь встроить новомодный ИИ куда-нибудь просто так. Сначала поймите структуру своей деятельности, специфику операций. Затем задайте себе четыре вопроса: рутинно ли, есть ли данные, высоки ли риски ошибок, чёткие ли правила? Если вы выделяете операцию с данными на входе и выходе (текст, изображения, числа) и есть исторический датасет — это сигнал хорошего кандидата для автоматизации.

Остаётся просто прийти с этими данными к вашему ML-инженеру.

Полную статью с кейсами и подробным анализом читайте:

📖 Карта возможностей. Определение процессов, пригодных для автоматизации с помощью ИИ

Почему нас пугает то, что мы сами создаем?

Каждый технологический скачок в истории не всегда сопровождался радостными криками общества, чаще всего он поднимает внутренние вопросы и обнажает страхи перемен. Стремительный прогресс вызывает у людей чувство нестабильности и страх остаться ненужными. На этой почве возникают пугающие образы “суперинтеллекта” - гипотетического сверхразумного ИИ, который будто бы выйдет из-под контроля и лишит нас работы. История же показывает, что прогресс невозможно остановить, его можно только направить.

Моя профессия заключается в обучении ИИ под конкретные задачи бизнеса и проведении исследований в этой области. Может быть поэтому я и не испытываю опасений, относительно прогресса, так как я вижу его изнутри. То, что маркетологи называют "ИИ" - это всего лишь математика и статистика, упакованная в компьютерную программу, а не волшебный джин, который неожиданно выскользнет из бутылки. Да, нейросети уже научились распознавать лица на фотографиях, писать осмысленные тексты, управлять автомобилями. Но у этих алгоритмов нет сознания или собственных целей - он действует только в рамках задач, которым его обучили люди.

Призывы ограничить ИИ

Авторы письма предлагают временно запретить исследования, направленные на разработку сверхразумного ИИ (которого пока не существует), по крайней мере до тех пор, пока не появится уверенность, что такая технология будет безопасной, полностью контролируемой и публичной. Подписавших можно понять, но возможно, стоит говорить не о запретах, а том, как мы можем использовать, направить новые возможности и сделать это безопасно.

Будущее профессий в эпоху ИИ

Цифровизация уже изменила почти все стороны нашей жизни от работы до быта. У каждой профессии, у каждого процесса теперь есть свой цифровой след, на основе которого можно обучать алгоритмы. Прежде всего, ИИ будет брать на себя однообразные, шаблонные задачи, освобождая людям время для более творческой и сложной работы.

На сегодняшний день более 46% промышленных компаний уже используют ИИ в работе, в финтехе - более 65% компаний, в ритейле около 40% используют ИИ для прогнозирования спроса и анализа покупателей (данные ВЦИОМ и Деловой профиль). При этом, искусственный интеллект не вытесняет человека, а усиливает его возможности. Он автоматизирует рутину и делает работу точнее и быстрее.

Если говорить про профессии, то юристы, программисты и психологи ещё надолго с нами, а вот условные водители такси неизбежно будут заменены ИИ на горизонте ближайших десятилетий. Стоит отметить, что граница замещения человеческого труда будет проходить внутри каждой профессии, отделяя творческое от рутинного. Другими словами, среди юристов не задержатся те, кто умеют только составлять типовые договоры.

Без риска не будет прогресса

Новые технологии требуют не запретов, а ответственности. Вызовы, связанные с развитием ИИ, нужно обсуждать открыто: разрабатывать этические нормы, внедрять механизмы контроля, убеждаться, что достижения технологий служат на благо. И не менее важно не поддаваться панике и не тормозить прогресс лишь из страха перед неизвестным.

История давно показала: попытки остановить технический прогресс редко заканчиваются успехом. Вместо запретов лучше направить энергию на безопасное освоение новых возможностей. В наших силах сделать так, чтобы ИИ работал на благо общества. Он способен облегчить жизнь людям и открыть новые горизонты творчества, не превращаясь в угрозу, если, конечно, развивать его продуманно и осознанно. Сохраняя баланс между осторожностью и стремлением вперёд, страх постепенно уступит место разумному оптимизму.

В эпоху цифровизации важно не убрать людей из процессов, а понять, где без них нельзя обойтись. Нейросети отлично квалифицируют лиды и решают типовые запросы, но есть ситуации, где ИИ только навредит.

1. Крупные B2B-сделки

ИИ квалифицирует лиды с высокой точностью, готовит КП и подбирает время звонка. Но многомесячные переговоры требуют гибкости, чтения интонаций и построения доверия. Gartner прогнозирует: к 2030 году 75% B2B-клиентов предпочтут живого продавца. ИИ — помощник, но не замена.

2. Жалобы и конфликты

Разъярённый клиент с нетиповой проблемой не простит «петли» в чат-боте. Эмоциональный интеллект, искренние извинения и нестандартные решения — прерогатива человека. Решение: чёткие триггеры эскалации (2 негативных сообщения подряд, прямая просьба оператора).

3. VIP-клиенты

Для премиум-сегмента личное внимание — часть опыта. Чат-бот равносилен «понижению в статусе». Исследование Норвежской школы экономики подтверждает: VIP-клиенты хотят живого представителя. Решение: персонализированный канал или деликатная автоматизация.

4. Риски ошибок ИИ

Галлюцинации LLM, токсичные ответы (как чат-бот Tay от Microsoft, который за 16 часов стал антисемитом) и обещания невыполнимого — реальные угрозы репутации и судов.

Гибридная модель human-in-the-loop

Идеал: ИИ берёт рутину (первичная классификация, черновики ответов), человек — ключевые моменты. Триггеры эскалации:

• Уверенность ИИ <85%;
• 2+ негативных сообщения подряд;
• Прямая просьба оператора;
• VIP-клиент или критическая тема.

Такая система ускоряет типовые запросы и сохраняет контроль в сложных ситуациях.

Полную статью с примерами, статистикой и практическими рекомендациями читайте:

📖 Где человеку нельзя выходить из контура