Как искусственный интеллект и современные технологии работы с данными меняют принципы создания приложений, ведения продаж и обучения сотрудников? В рамках панели на конференции SaaStr основатель Theory Ventures Томас Тунгуз обсудил эти вопросы с лидерами индустрии из OpenAI, MotherDuck и Lamini. Участники дискуссии поделились инсайдами о запуске ChatGPT Enterprise, тонкостях файнтюнинга моделей для бизнеса и будущем распределения ролей в ИТ-командах.
📊 Демократизация данных и новые парадигмы разработки 0:00
Индустрия разработки программного обеспечения переживает фундаментальный сдвиг. Как отмечает основатель венчурного фонда Theory Ventures Томас Тунгуз , за последние полгода темпы инноваций в сфере больших языковых моделей (LLM) кардинально изменили то, как люди взаимодействуют с софтом. Сдвиг начинается на самом базовом уровне — уровне управления данными.
Джордан Тигани, сооснователь и CEO компании MotherDuck (разрабатывающей высокопроизводительную аналитическую платформу на базе встраиваемой СУБД DuckDB) , признается, что изначально скептически относился к влиянию искусственного интеллекта на сферу баз данных . Однако его мнение изменилось после общения с преподавателем Принстонского университета, который вел курс по аналитическому мышлению . Профессор обучал студентов импорту, обработке и визуализации данных, совершенно не касаясь традиционного программирования или написания SQL-запросов. Вместо этого студенты использовали ChatGPT для генерации кода на Python и SQL-команд «на лету» .
По мнению Тигани, этот кейс демонстрирует важнейший тренд — демократизацию технологий. Значительное число людей, не обладавших ранее глубокими техническими навыками, теперь могут получать ответы на сложные аналитические вопросы без необходимости тратить от 3 до 12 месяцев на изучение языков программирования .
В то же время меняется и сам стек разработки:
- Первая волна (V1): На рынке доминируют векторные базы данных (Vector Databases), обеспечивающие быстрый семантический поиск для ИИ-приложений .
- Вторая волна (V2): Индустрии еще только предстоит понять, как эффективно связать классические структурированные хранилища данных с результатами работы языковых моделей .
🏢 Корпоративные LLM: Безопасность, файнтюнинг и экспертиза доменов 4:16
По мере того как компании начинают внедрять ИИ, встает вопрос об эффективном управлении этими технологиями. Согласно данным Томаса Тунгуза, количество корпоративных клиентов, использующих ИИ-инструменты от Microsoft и OpenAI, выросло в три раза всего за один квартал .
Шэрон Сяо, сооснователь и CEO платформы Lamini (бывший преподаватель Стэнфорда в области генеративного ИИ, защитившая PhD под руководством Эндрю Ына) , утверждает, что индустрия стремительно приближается к моменту, когда общедоступные публичные данные для обучения моделей просто закончатся . В этих условиях следующим драйвером развития ИИ станут корпоративные LLM, обученные на внутренних закрытых данных компаний .
Главной технологией адаптации ИИ под нужды конкретного бизнеса становится файнтюнинг (тонкая настройка моделей). Сяо отмечает, что передовые компании внедряют этот метод для персонализации моделей под каждого конкретного пользователя . При этом критически важно соблюдать требования безопасности: корпоративные данные не должны «утекать» между клиентами, а сама модель обязана строго следовать внутренним правилам разграничения доступа .
В ИТ-сообществе ведется дискуссия о том, кто должен отвечать за оптимизацию моделей — сторонние вендоры или внутренние эксперты компании . Сяо выражает уверенность в том, что ключевую роль в создании лучших ИИ-решений будут играть именно предметные (доменные) эксперты, а не узкие специалисты по ИИ :
- Для базового обучения передовых моделей (таких как GPT-4) действительно требуются усилия сотен лучших ИИ-исследователей мира .
- Однако конечную траекторию развития модели и ее ценность для бизнеса определяют люди, глубоко понимающие специфику своей индустрии.
- Развитие инфраструктуры программирования приведет к тому, что типичные разработчики (как бэкенд, так и фронтенд-инженеры) смогут легко управлять процессами файнтюнинга, не погружаясь в сложные математические алгоритмы .
🚀 Запуск ChatGPT Enterprise и уроки работы с корпоративным сектором 7:22
Опыт коммерциализации массовых ИИ-продуктов для крупного бизнеса детально описала Мэгги Хотт, представитель руководства OpenAI, отвечающая за вывод на рынок ChatGPT Enterprise . Продукт был официально представлен в конце августа 2023 года .
После феноменального запуска ChatGPT в декабре 2022 года миллионы офисных сотрудников начали использовать его на рабочих местах для автоматизации рутинных задач . Это спровоцировало жесткое сопротивление со стороны ИТ-директоров и служб безопасности, опасавшихся утечки интеллектуальной собственности и конфиденциальной информации в обучающие выборки OpenAI .
В ответ на эти опасения OpenAI создала версию Enterprise, которая гарантирует корпоративным клиентам:
- Полное отключение использования их данных для обучения моделей .
- Интеграцию единой точки входа (SSO) и управления учетными записями (SCIM) .
- Соответствие стандартам безопасности SOC 2, требованиям конфиденциальности CCPA и GDPR .
Для тестирования ранней версии продукта OpenAI привлекла широкий пул дизайн-партнеров из разных отраслей: фармгиганта Amgen, аудиторов PwC, консалтинговую фирму Bain & Company и технологическую компанию Samsara . Это позволило разработчикам понять, как именно ИИ может применяться в здравоохранении, консалтинге и финансах.
По словам Хотт, ключевым инсайтом периода закрытого тестирования стала необходимость инвестирования в клиентский успех (Customer Success) на самых ранних этапах . Компаниям недостаточно просто дать доступ к технологии — им нужны готовые сценарии использования, адаптированные под конкретные отделы и должностные обязанности .
В планах OpenAI на ближайшее будущее значатся два ключевых направления:
- Кастомизация глубокого уровня: возможность интеграции всего корпуса корпоративных данных пользователя прямо в интерфейс ChatGPT для интеллектуальных запросов (например, для быстрого анализа трендов по прошлым сделкам команды продаж) .
- Версия для малого бизнеса (SMB): создание упрощенной Self-Serve версии продукта для небольших команд и стартапов, которым не требуются тяжелые корпоративные функции администрирования .
Особый акцент Хотт сделала на инструменте Advanced Data Analytics (ранее известном как Code Interpreter) . Она назвала его самым мощным калькулятором в мире, способным за секунды анализировать таблицы с сотнями тысяч строк, выявлять причины побед и поражений в сделках и генерировать идеальные персонализированные письма клиентам на основе транскриптов их звонков из системы Gong .
🛠️ Слияние ролей: Разработчики против инженеров машинного обучения 12:30
Развитие генеративного ИИ стирает границы между профессиями, которые исторически существовали обособленно. Томас Тунгуз напоминает, что еще 10 лет назад классический стек данных делился на четкие зоны ответственности: системы-источники данных, хранилища (Data Warehouses) и три изолированные группы потребителей — BI-аналитики, исследователи данных и инженеры машинного обучения (ML) . Сегодня же ИИ-функционал встраивается непосредственно в рабочие процессы приложений, что заставляет ML-специалистов работать бок о бок с продуктовой разработкой .
Шэрон Сяо делится показательным примером из практики своего знакомого, который руководил разработкой в компании Uber (команда более чем в 1000 инженеров) . Исторически ML-инженеры строили свои модели в изолированных ноутбуках на Python (Jupyter), после чего передавали их производственной команде для ручного переписывания в продакшн-код . Однажды из-за высокой скорости процессов и увольнения одного из сотрудников компании пришлось физически искать его личный рабочий ноутбук, запускать Python-скрипты, обновлять модель для нескольких ключевых штатов и в спешном порядке внедрять эти изменения, чтобы приложение на смартфонах пользователей не перестало работать . По мнению Сяо, этот процесс был невероятно хрупким.
Вторая проблема традиционного разделения команд заключается в разном понимании эффективности (performance):
- Для ИИ-исследователей эффективность — это точность ответов модели на абстрактных академических тестах (например, вопросах по науке за 6 класс) .
- Для продуктовых разработчиков критически важны скорость работы приложения и задержка (latency) . Модель с выдающейся точностью бесполезна, если она замедляет работу функции автозаполнения поисковой строки в 100 раз .
Слияние этих ролей неизбежно. Как отмечает Джордан Тигани, языком общения между ИТ-специалистами и бизнес-пользователями становится обычный английский (естественный язык) . Если раньше для извлечения данных из корпоративных систем сотрудникам требовалось писать сложные скрипты на VBA или SQL, то теперь естественный язык открывает доступ к информации на порядок большей аудитории .
📈 Как ИИ трансформирует продажи и маркетинг в B2B 18:13
Влияние искусственного интеллекта на коммерческие службы предприятий носит революционный характер. Мэгги Хотт, опираясь на свой многолетний опыт работы в Slack и Webflow, описывает эволюцию подходов к продажам за последние годы :
- В 2017–2018 годах поиск потенциальных клиентов (prospecting) был достаточно простым процессом .
- Затем появление платформ Salesloft и Outreach автоматизировало этот процесс, сделав массовые рассылки стандартным инструментом .
- В ответ на это возникла потребность в персонализации писем (поиск информации о вузе клиента, общих интересах и т.д.) .
- Сегодня благодаря LLM сбор информации и детальная персонализация писем под каждого адресата занимают менее одной минуты .
Это означает, что сейлз-менеджер больше не может завоевать доверие клиента простым списком стандартных вопросов для выявления потребностей . Он должен приходить на встречу с готовой ценностной гипотезой и глубоким пониманием болей клиента. ChatGPT помогает сократить время на предварительное исследование бизнеса заказчика с 2–3 часов до 20 минут, выполняя роль виртуального спарринг-партнера для репетиции переговоров .
Участники панели поделились личными примерами применения генеративного ИИ в повседневной работе:
- Джордан Тигани (MotherDuck): активно использует инструмент Midjourney для создания иллюстраций к постам в корпоративном блоге и соцсетях . Анализ данных компании показал, что добавление качественных картинок увеличивает вовлеченность аудитории в 10 раз . Тигани шутит, что инвестиции времени в работу с Midjourney окупаются лучше, чем написание самого текста статьи .
- Томас Тунгуз (Theory Ventures): подтверждает важность генерации изображений личным опытом. Ранее он использовал картинки из Google с фильтром Creative Commons, но все равно столкнулся с судебным иском о нарушении авторских прав . Переход на генеративный ИИ полностью защитил его публикации от юридических рисков . Кроме того, Тунгуз использует LLM для генерации вариантов заголовков к статьям, что повысило показатель кликабельности (CTR) материалов в 3–4 раза . Также в его фонде ИИ транскрибирует встречи со стартапами, анализирует данные и даже подготовил первый черновик инвестиционного меморандума .
- Мэгги Хотт (OpenAI): выделила три главных инструмента в своей ежедневной практике — ChatGPT Enterprise, Slack и Gong . Возможность брать короткие аудио- и видеофрагменты звонков из Gong и напрямую транслировать запросы клиентов продуктовым командам кардинально ускорила цикл разработки новых функций.
🔮 Будущее через 3 года: Перестановка ролей и революция в образовании 26:41
Отвечая на вопрос Томаса Тунгуза о том, как индустрия изменится в трехлетней перспективе, спикеры разошлись во взглядах на будущую траекторию, но согласились с масштабом предстоящих перемен.
Джордан Тигани указывает на высокую степень неопределенности . До появления ChatGPT основатели стартапов могли планировать дорожную карту на пять лет вперед. Сейчас же на индустрию опустился плотный туман, и горизонт видимости сократился до пяти футов . Постоянные релизы от OpenAI могут в любой момент сделать неактуальными целые классы технологических стартапов. Очевидным трендом Тигани считает размытие границ между устоявшимися ролями: инженеры данных, аналитики и специалисты по DBT будут вынуждены переосмыслить свои функции по мере того, как все больше рутинных задач будет выполняться через текстовые подсказки (промпты) .
Шэрон Сяо прогнозирует, что в течение трех лет каждое предприятие создаст свои собственные уникальные языковые модели . Эти ИИ превратятся в масштабируемых доменных экспертов, способных предоставлять персонализированные консультации тысячам клиентов одновременно без потери качества, что радикально изменит структуру найма сотрудников в корпоративном секторе .
Наиболее эмоциональный прогноз сделала Мэгги Хотт, выделив сферу образования как отрасль, которая подвергнется тотальной перестройке . Ссылаясь на свои встречи с ИТ-директором Университета штата Аризона (ASU), она рассказала о масштабных планах по внедрению персонализированных ИИ-тьюторов для каждого студента . Это должно обеспечить равный и справедливый доступ к качественному обучению для людей в любой точке планеты .
Томас Тунгуз полностью соглашается с этой гипотезой, подчеркивая, что главное преимущество LLM в роли наставника — их бесконечное терпение и мгновенная обратная связь при освоении любых новых дисциплин, будь то высшая математика, биология, SQL или программирование на Bash .
