Как Databricks и Glean внедряют ИИ в бизнес и почему LLM стали сырьем

В новом выпуске подкаста Bg2 Pod инвесторы и предприниматели обсудили текущее состояние и перспективы рынка корпоративного искусственного интеллекта. Сооснователи технологических гигантов Databricks и Glean, Али Годси и Арвинд Джейн, поделились инсайдами о том, как реально работает AI в бизнесе, почему высокая доля «неудач» при внедрении ИИ-проектов оправдана и как будет распределяться ценность между разработчиками моделей, поставщиками данных и создателями приложений. В центре дискуссии оказались вопросы окупаемости гигантских инфраструктурных затрат и будущее традиционного программного обеспечения.

📊 Реальность корпоративного ИИ: почему 95% «провалов» — это норма 1:02

На фоне стремительного взлета потребительского ИИ (таких продуктов, как ChatGPT и Perplexity) и инструментов для разработчиков (Cursor, Cloud Code) ситуация в корпоративном секторе выглядит неоднозначно . С одной стороны, базовые модели регулярно бьют рекорды в научных и инженерных бенчмарках . С другой стороны, отчеты авторитетных институтов, таких как MIT, утверждают, что до 95% пилотных корпоративных проектов в сфере ИИ заканчиваются неудачей .

Али Годси убежден, что высокий процент неудач на раннем этапе освоения технологии — это не кризис, а абсолютно естественный и даже необходимый процесс . По его мнению, если у компании успешны 100% экспериментов, это означает лишь то, что ее руководство действует слишком консервативно и боится пробовать новое . Высокая доля закрывающихся проектов свидетельствует о здоровом любопытстве рынка и желании нащупать реальные точки роста .

При этом Арвинд Джейн обращает внимание на то, что технологии ИИ не являются волшебной палочкой. Корпоративный ИИ остается сложной инженерной дисциплиной . Создание по-настоящему уникального бизнес-решения требует времени, качественных данных и слаженной работы ИТ-команды .

🚀 Успешные кейсы: от анализа отчетов до синтеза генома 3:12

Несмотря на статистику неудач, существует значительный пласт успешно работающих систем, которые приносят бизнесу измеримый экономический эффект. Али Годси привел несколько ярких примеров из практики Databricks в различных индустриях:

Финансовый сектор (Royal Bank of Canada): Специализированные ИИ-агенты автоматизировали работу аналитиков по подготовке отчетов после публикации квартальных результатов компаний . Система мгновенно собирает текущий отчет, исторические данные, документы конкурентов и новости рынка, формируя итоговую аналитику за 15 минут вместо стандартных для отрасли 2 часов .
Здравоохранение и фармакология (Merck): Компания создала трансформерную модель под названием Teddy (Transformer Enabled Drug Discovery) . Вместо предсказания слов модель анализирует структуру генома и способна прогнозировать последствия удаления отдельных генов, воссоздавая регуляторные сети . Это открывает принципиально новые возможности для разработки лекарств .
Розничная торговля (7-Eleven): Ритейлер использует ИИ-агентов для полной автоматизации своего маркетингового стека . Система проводит тонкую сегментацию аудитории и автоматически генерирует персонализированный контент для целевых групп, что ранее требовало огромных затрат ручного труда .

💡 Почему языковые модели стали коммодити 6:52

Один из ключевых тезисов дискуссии заключается в том, что сами по себе большие языковые модели (LLM) стремительно превращаются в «коммодити» — стандартизированный, взаимозаменяемый ресурс . Али Годси сравнивает современные LLM с бензоколонками: клиенту неважно, у какого бренда покупать топливо, если оно выполняет свою функцию, поэтому ключевым фактором выбора становится цена . На рынке постоянно меняется лидер, и гнаться за установкой «самой лучшей» базовой модели бессмысленно .

Настоящим источником конкурентного преимущества для бизнеса становятся собственные данные и уникальные внутренние процессы . Ни одна универсальная модель «из коробки» не знает специфики работы конкретного предприятия.

В подтверждение этого Арвинд Джейн рассказал о неудачных инженерных экспериментах внутри Glean и Databricks . Попытки глубокой тонкой настройки (fine-tuning) собственных моделей под узкие внутренние задачи зачастую проигрывали по эффективности и скорости использованию уже готовых открытых или облачных коммерческих моделей .

Джейн также поделился личным примером: его попытка внедрить ИИ-агента для автоматического составления и согласования еженедельных приоритетов сотрудников компании столкнулась с организационными сложностями и потребовала гораздо больше времени, чем планировалось изначально . Это доказывает, что ИИ — лишь один из инструментов разработчика, который не отменяет сложности проектирования ИТ-архитектуры .

🤖 Эволюция автоматизации: почему AI — это не новый RPA 11:00

Ведущий Брэд Герстнер поднял важный для инвесторов вопрос: не является ли нынешний бум ИИ повторением истории с технологиями RPA (Robotic Process Automation), которые несколько лет назад вызвали колоссальный ажиотаж, но в итоге не оправдали возложенных надежд ?

Собеседники категорически не согласились с таким сравнением. Арвинд Джейн пояснил, что RPA-системы строились исключительно на жестких правилах (алгоритмах «если-то-иначе») . Они были крайне хрупкими: малейшее изменение интерфейса или неожиданное событие на экране пользователя приводило к сбою всей цепочки . Системы RPA никогда не учились на своих ошибках .

ИИ-системы, напротив, обладают способностью к обобщению информации, распознаванию паттернов и непрерывному обучению . Али Годси добавил, что индустрия еще не до конца освоила прямое управление компьютером через ИИ (computer use), но вектор движения от жестких алгоритмов к гибким обучающимся агентам очевиден .

В качестве практического совета для ИТ-директоров (CIO), планирующих бюджеты на ИИ, Арвинд Джейн порекомендовал:

Экспериментировать с широким кругом поставщиков программного решения .
Заключать максимально короткие контракты на пилотные проекты .
Выбирать продукты, которые легко и быстро развернуть для тестирования, избегая интеграций длиной в полгода без гарантированного результата .

💰 Уравнение окупаемости: куда денутся триллионы долларов CAPEX 15:56

Инвесторов беспокоит гигантский объем капитальных затрат (CAPEX) на покупку чипов Nvidia и строительство дата-центров . Если совокупные расходы на инфраструктуру составят около $500 млрд, то для их окупаемости индустрия ИИ должна генерировать около $1 трлн выручки . Для сравнения, весь мировой рынок программного обеспечения сегодня оценивается примерно в $400 млрд .

Арвинд Джейн считает, что ИИ не просто расширяет рынок софта, а претендует на бюджеты гигантской индустрии профессиональных услуг (консалтинг, аутсорсинг, поддержка), которая в 25 раз больше рынка ПО . Деньги, которые раньше уходили на оплату ручного труда подрядчиков, теперь будут конвертироваться в доходы ИТ-компаний .

Али Годси разделил участников ИИ-рынка на три лагеря, чтобы объяснить логику трат :

Лагерь искателей суперинтеллекта (Frontier Labs): Крупнейшие лаборатории верят в «законы масштабирования» (scaling laws) — победит тот, у кого больше чипов и электричества . Они стремятся к созданию божественного ИИ, способного к рекурсивному самосовершенствованию . С этой точки зрения любые текущие затраты ничтожны по сравнению с экономическим эффектом от технологии, способной победить рак или кратно увеличить мировой ВВП .
Лагерь скептиков-ученых: Создатели фундаментальных технологий машинного обучения (лауреаты премии Тьюринга, такие как Ян Лекун) считают подход первого лагеря тупиковым . По их мнению, авторегрессионное предсказание следующего токена не имеет ничего общего с тем, как учатся люди и животные . Они прогнозируют появление реального интеллекта общего уровня только через 20 лет научных изысканий .
Прагматический лагерь (Databricks, Glean): Сторонники этого подхода считают, что ИИ общего уровня (AGI) уже создан, если оценивать его по академическим стандартам 2009 года . По словам Годси, индустрия просто постоянно сдвигает планку требований . Для решения прикладных задач бизнеса суперинтеллект не нужен — достаточно эффективно применить имеющиеся технологии для автоматизации рутины .

🏗️ Битва за ценность: данные, модели и приложения 22:39

При анализе трех основных технологических уровней — данных, моделей (интеллекта) и приложений — спикеры разошлись во мнениях относительно того, где осядет основная прибыль в ближайшие 5 лет .

Арвинд Джейн полагает, что прослойка интеллекта останется достаточно мощной и заберет себе до половины всей корпоративной ценности . Али Годси, напротив, уверен, что разработчики чистых моделей окажутся в положении фабрик-подрядчиков (по аналогии с TSMC) . Пользователи легко меняют базовые LLM за один день, чего никогда не происходило с операционными системами или офисными пакетами .

Основная долгосрочная ценность, по мнению Годси, сосредоточена в двух точках:

Уникальные данные компаний: Без доступа к реальной внутренней информации любые системы (включая Glean) бесполезны .
Уровень безопасности, управления и комплаенса: Бизнесу критически важно контролировать, какие данные видит модель, не утекают ли они конкурентам и соблюдаются ли права доступа сотрудников .

Годси прогнозирует, что львиная доля финансовой ценности достанется прикладным сервисам и платформам приложений . В качестве аналогии он привел эпоху раннего интернета конца 1990-х: тогда инвесторы ставили на инфраструктуру (роутеры Cisco) и веб-порталы . Но настоящими гигантами в итоге стали прикладные платформы, появившиеся позже — Uber, Airbnb, Facebook .

Огромный потенциал таких платформ, как Glean, заключается в сокращении так называемых «координационных расходов» внутри корпораций . Огромная часть рабочего времени сотрудников тратится на совещания, написание отчетов и пересылку документов просто для того, чтобы синхронизировать действия разных отделов . ИИ способен взять эту рутину на себя .

🧬 Смерть SaaS и будущее «Crud-приложений» 28:27

Участники дискуссии прокомментировали популярный в Кремниевой долине тезис о том, что эпоха традиционного софта (SaaS-систем вроде Salesforce и ServiceNow) подходит к концу, и они превратятся в обычные базы данных, поверх которых ИИ будет на лету генерировать интерфейсы .

Арвинд Джейн считает это утверждение опасным упрощением . Успешные ИТ-гиганты представляют собой не просто таблицы с данными, а сложные экосистемы бизнес-процессов и сценариев интеграции . Идея о том, что рядовой бизнес сможет силами ИИ генерировать удобные и эффективные интерфейсы для сотрудников с нуля, утопична — профессиональные разработчики софта гораздо лучше понимают психологию пользователя и эргономику работы с данными .

В то же время методы взаимодействия с софтом изменятся радикально. Али Годси считает главным узким местом современных систем необходимость ручного ввода информации через клавиатуру . Идеальным интерфейсом будущего станет голос . В этом контексте неожиданным бенефициаром эпохи ИИ может стать Zoom . Если Zoom интегрирует ИИ-агентов (например, решения от Glean), то система сможет автоматически извлекать договоренности из устных разговоров сотрудников и мгновенно обновлять записи в условной Salesforce, полностью избавив людей от рутины .

👥 Личный опыт CEO: как ИИ меняет рабочие привычки 32:20

Руководители Databricks и Glean активно используют инструменты ИИ в своей повседневной управленческой практике.

В компании Databricks внедрено множество специализированных внутренних ИИ-агентов. Например, агент Raffi помогает генеральному директору мгновенно готовиться к выступлениям и встречам . Али Годси может перед выходом на сцену запросить у агента подборку успешных кейсов внедрения в финансовом секторе конкретной страны с учетом конкурентного окружения клиента, и система выдает структурированный ответ за секунды .

Кроме того, в Databricks полностью перестроили работу финансового департамента — сотрудники практически отказались от Excel в пользу аналитики на Python .

Арвинд Джейн выделил два основных сценария использования ИИ в своей работе:

Агент ежедневной подготовки (Daily Prep Agent): Каждое утро формирует для руководителя детальный контекст по всем предстоящим встречам, собирая историю переписки и документы .
Изменение управленческих привычек: Раньше при возникновении любого аналитического вопроса директор поручал задачу подчиненным, что запускало длинную цепочку совещаний и отвлекало ресурсы десятков людей . Теперь Джейн сначала адресует вопрос поисковому ИИ Glean, который в большинстве случаев выдает точный ответ мгновенно .

⚡ Блиц-опрос: пузырь, фавориты и будущее Glean 37:21

В финальной части беседы спикеры ответили на серию быстрых вопросов о рынке и будущем своих проектов:

Капитализация лидеров (OpenAI и Anthropic): Оба руководителя ожидают роста этих компаний в 12-месячной перспективе за счет стремительного роста выручки от ChatGPT и инструментов автоматизации кодинга .
Наличие пузыря: Али Годси подтвердил наличие пузыря, указав на абсурдные оценки стартапов с нулевой выручкой в $10–30 млрд . Однако компании, сфокусированные на извлечении реальной ценности без гигантских трат на покупку оборудования, защищены от этого перегрева.
Прогнозы (Long/Short): Али Годси делает ставку (Long) на развитие речевых интерфейсов, которые полностью уничтожат клавиатуры , и скептически настроен (Short) к текущему уровню хайпа вокруг полной автоматизации написания кода и служб поддержки . Арвинд Джейн верит в развитие проактивного ИИ, который будет сам приходить к пользователю с решениями до того, как тот введет запрос .

Компания Glean недавно преодолела важный рубеж — $200 млн годовой регулярной выручки (ARR) . Описывая путь компании к миллиардному обороту, Арвинд Джейн сформулировал видение продукта как доверенного, абсолютно конфиденциального персонального компаньона для каждого сотрудника . Этот агент будет знать цели, график, сильные и слабые стороны специалиста и проактивно выполнять за него рутинную работу, выводя личную продуктивность на принципиально новый уровень .