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

Источник: https://www.youtube.com/watch?v=jA8ZQfq_Hzs
Канал: Bg2 Pod
Опубликовано: 23.12.2025

---

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
[[JUMP:01:02]]

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 [1:28]. С одной стороны, базовые модели регулярно бьют рекорды в научных и инженерных бенчмарках [1:54]. С другой стороны, отчеты авторитетных институтов, таких как MIT, утверждают, что до 95% пилотных корпоративных проектов в сфере ИИ заканчиваются неудачей [2:07].

Али Годси убежден, что высокий процент неудач на раннем этапе освоения технологии — это не кризис, а абсолютно естественный и даже необходимый процесс [2:20]. По его мнению, если у компании успешны 100% экспериментов, это означает лишь то, что ее руководство действует слишком консервативно и боится пробовать новое [2:46]. Высокая доля закрывающихся проектов свидетельствует о здоровом любопытстве рынка и желании нащупать реальные точки роста [2:59].

При этом Арвинд Джейн обращает внимание на то, что технологии ИИ не являются волшебной палочкой. Корпоративный ИИ остается сложной инженерной дисциплиной [3:40]. Создание по-настоящему уникального бизнес-решения требует времени, качественных данных и слаженной работы ИТ-команды [4:05].

## 🚀 Успешные кейсы: от анализа отчетов до синтеза генома
[[JUMP:03:12]]

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 [4:05]. Система мгновенно собирает текущий отчет, исторические данные, документы конкурентов и новости рынка, формируя итоговую аналитику за 15 минут вместо стандартных для отрасли 2 часов [4:31].

*   **Здравоохранение и фармакология (Merck):** Компания создала трансформерную модель под названием Teddy (Transformer Enabled Drug Discovery) [5:09]. Вместо предсказания слов модель анализирует структуру генома и способна прогнозировать последствия удаления отдельных генов, воссоздавая регуляторные сети [5:22]. Это открывает принципиально новые возможности для разработки лекарств [5:35].

*   **Розничная торговля (7-Eleven):** Ритейлер использует ИИ-агентов для полной автоматизации своего маркетингового стека [5:47]. Система проводит тонкую сегментацию аудитории и автоматически генерирует персонализированный контент для целевых групп, что ранее требовало огромных затрат ручного труда [6:13].

## 💡 Почему языковые модели стали коммодити
[[JUMP:06:52]]

Один из ключевых тезисов дискуссии заключается в том, что сами по себе большие языковые модели (LLM) стремительно превращаются в «коммодити» — стандартизированный, взаимозаменяемый ресурс [6:52]. 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 [7:04]. На рынке постоянно меняется лидер, и гнаться за установкой «самой лучшей» базовой модели бессмысленно [7:18].

Настоящим источником конкурентного преимущества для бизнеса становятся собственные данные и уникальные внутренние процессы [7:31]. 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 [8:50]. 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 [9:17]. 

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 [9:43]. Это доказывает, что ИИ — лишь один из инструментов разработчика, который не отменяет сложности проектирования ИТ-архитектуры [10:48].

## 🤖 Эволюция автоматизации: почему AI — это не новый RPA
[[JUMP: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 [11:00]?

Собеседники категорически не согласились с таким сравнением. Арвинд Джейн пояснил, что RPA-системы строились исключительно на жестких правилах (алгоритмах «если-то-иначе») [12:30]. Они были крайне хрупкими: малейшее изменение интерфейса или неожиданное событие на экране пользователя приводило к сбою всей цепочки [12:42]. Системы RPA никогда не учились на своих ошибках [12:55]. 

ИИ-системы, напротив, обладают способностью к обобщению информации, распознаванию паттернов и непрерывному обучению [13:08]. 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 [13:46].

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

*   Экспериментировать с широким кругом поставщиков программного решения [15:04].

*   Заключать максимально короткие контракты на пилотные проекты [15:17].

*   Выбирать продукты, которые легко и быстро развернуть для тестирования, избегая интеграций длиной в полгода без гарантированного результата [15:30].

## 💰 Уравнение окупаемости: куда денутся триллионы долларов CAPEX
[[JUMP:15:56]]

Инвесторов беспокоит гигантский объем капитальных затрат (CAPEX) на покупку чипов Nvidia и строительство дата-центров [15:56]. Если совокупные расходы на инфраструктуру составят около $500 млрд, то для их окупаемости индустрия ИИ должна генерировать около $1 трлн выручки [16:09]. Для сравнения, весь мировой рынок программного обеспечения сегодня оценивается примерно в $400 млрд [16:24].

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 [17:02]. Деньги, которые раньше уходили на оплату ручного труда подрядчиков, теперь будут конвертироваться в доходы ИТ-компаний [17:16].

Али Годси разделил участников ИИ-рынка на три лагеря, чтобы объяснить логику трат [17:55]:

1.  **Лагерь искателей суперинтеллекта (Frontier Labs):** Крупнейшие лаборатории верят в «законы масштабирования» (scaling laws) — победит тот, у кого больше чипов и электричества [18:07]. Они стремятся к созданию божественного ИИ, способного к рекурсивному самосовершенствованию [18:32]. С этой точки зрения любые текущие затраты ничтожны по сравнению с экономическим эффектом от технологии, способной победить рак или кратно увеличить мировой ВВП [18:46].

2.  **Лагерь скептиков-ученых:** Создатели фундаментальных технологий машинного обучения (лауреаты премии Тьюринга, такие как Ян Лекун) считают подход первого лагеря тупиковым [19:36]. По их мнению, авторегрессионное предсказание следующего токена не имеет ничего общего с тем, как учатся люди и животные [20:01]. Они прогнозируют появление реального интеллекта общего уровня только через 20 лет научных изысканий [20:29].

3.  **Прагматический лагерь (Databricks, Glean):** Сторонники этого подхода считают, что ИИ общего уровня (AGI) уже создан, если оценивать его по академическим стандартам 2009 года [20:41]. По словам Годси, индустрия просто постоянно сдвигает планку требований [21:34]. Для решения прикладных задач бизнеса суперинтеллект не нужен — достаточно эффективно применить имеющиеся технологии для автоматизации рутины [22:12].

## 🏗️ Битва за ценность: данные, модели и приложения
[[JUMP: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 [22:51]. 

Арвинд Джейн полагает, что прослойка интеллекта останется достаточно мощной и заберет себе до половины всей корпоративной ценности [24:21]. Али Годси, напротив, уверен, что разработчики чистых моделей окажутся в положении фабрик-подрядчиков (по аналогии с TSMC) [24:34]. Пользователи легко меняют базовые LLM за один день, чего никогда не происходило с операционными системами или офисными пакетами [24:47].

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

*   **Уникальные данные компаний:** Без доступа к реальной внутренней информации любые системы (включая Glean) бесполезны [25:26].

*   **Уровень безопасности, управления и комплаенса:** Бизнесу критически важно контролировать, какие данные видит модель, не утекают ли они конкурентам и соблюдаются ли права доступа сотрудников [25:52].

Годси прогнозирует, что львиная доля финансовой ценности достанется прикладным сервисам и платформам приложений [26:05]. В качестве аналогии он привел эпоху раннего интернета конца 1990-х: тогда инвесторы ставили на инфраструктуру (роутеры Cisco) и веб-порталы [27:10]. Но настоящими гигантами в итоге стали прикладные платформы, появившиеся позже — Uber, Airbnb, Facebook [27:37].

Огромный потенциал таких платформ, как Glean, заключается в сокращении так называемых «координационных расходов» внутри корпораций [26:29]. Огромная часть рабочего времени сотрудников тратится на совещания, написание отчетов и пересылку документов просто для того, чтобы синхронизировать действия разных отделов [26:42]. ИИ способен взять эту рутину на себя [27:10].

## 🧬 Смерть SaaS и будущее «Crud-приложений»
[[JUMP: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 [28:27].

Арвинд Джейн считает это утверждение опасным упрощением [28:52]. Успешные ИТ-гиганты представляют собой не просто таблицы с данными, а сложные экосистемы бизнес-процессов и сценариев интеграции [29:06]. 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 [29:57].

В то же время методы взаимодействия с софтом изменятся радикально. Али Годси считает главным узким местом современных систем необходимость ручного ввода информации через клавиатуру [30:23]. Идеальным интерфейсом будущего станет голос [30:36]. В этом контексте неожиданным бенефициаром эпохи ИИ может стать Zoom [30:49]. 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 [31:26].

## 👥 Личный опыт CEO: как ИИ меняет рабочие привычки
[[JUMP: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 [32:58]. 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 [33:12]. 

Кроме того, в Databricks полностью перестроили работу финансового департамента — сотрудники практически отказались от Excel в пользу аналитики на Python [34:56].

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 [35:22].

*   **Изменение управленческих привычек:** Раньше при возникновении любого аналитического вопроса директор поручал задачу подчиненным, что запускало длинную цепочку совещаний и отвлекало ресурсы десятков людей [36:15]. Теперь Джейн сначала адресует вопрос поисковому ИИ Glean, который в большинстве случаев выдает точный ответ мгновенно [41:44].

## ⚡ Блиц-опрос: пузырь, фавориты и будущее Glean
[[JUMP: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 [37:49].

*   **Наличие пузыря:** Али Годси подтвердил наличие пузыря, указав на абсурдные оценки стартапов с нулевой выручкой в $10–30 млрд [38:54]. 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 [39:59], и скептически настроен (Short) к текущему уровню хайпа вокруг полной автоматизации написания кода и служб поддержки [40:24]. Арвинд Джейн верит в развитие проактивного ИИ, который будет сам приходить к пользователю с решениями до того, как тот введет запрос [41:02].

Компания Glean недавно преодолела важный рубеж — $200 млн годовой регулярной выручки (ARR) [42:35]. Описывая путь компании к миллиардному обороту, Арвинд Джейн сформулировал видение продукта как доверенного, абсолютно конфиденциального персонального компаньона для каждого сотрудника [43:51]. 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 [44:19].