Перечисленные решения больше подходят для индивидуальной работы или для того, чтобы попробовать возможности базовых решений на основе LLM и влюбиться в них :).
Но как только речь заходит о корпоративной среде, где требуется интеграция с существующими системами и обеспечение безопасности, использование корпоративных данных и другие аналогичные задачи, возникают ограничения.
Далеко не все организации готовы отдавать в облако свои документы. Поэтому многим российским компаниям, особенно в корпоративном и госсекторе, ближе построение ИИ-решений в своем внутреннем контуре и их интеграция в корпоративную инфраструктуру.
Для корпоративного использования (общая база документов, распределенные роли, типовые вопросы и т.п.) необходимы безопасные корпоративные ИТ-решения, например, это может быть ПМ Форсайт, нейропомощники которого созданы на внесенной в реестр отечественного ПО платформе ПРИИСК.

На уровне компаний, мы явно видим две тенденции:

• часть компаний, ищет на рынке готовые, актуальные для себя ИИ-решения, и пробует внедрять эти решения в своих процессах;
• часть компаний, преимущественно крупных, создает внутри себя группы, цель которых сбор и проверка гипотез (кейсов) полезного применения ИИ в процессах компании, и организация разработки / доработки / внедрения оправдавших себя гипотез в виде прикладных решений.

Соответственно, на рынке появляются два типа предложений:

• готовые решения (нейропомощники), нацеленные на решения задач конкретного типа (например, транскрибация аудио-встреч и составление протоколов совещаний; чат-боты консультанты по заданной теме и пр.);
• платформы, облегчающие и повышающие эффективность разработки, внедрения и эксплуатации ИИ-решений в компаниях.

Первое предложение – это нейропомощники встроенные в ИСУП ПМ Форсайт и АСУ-Инвест от ГК Проектной ПРАКТИКИ
Второе предложение – это платформа ПРИИСК для разработки собственных нейропомощников и копилотов от ООО Адаптивные технологии развития.

Ответы генеративных моделей по своей природе носят «вероятностный характер». Искусственный интеллект может выдавать неполные, неточные ответы. Может ответы выдумывать (галлюцинации генеративных моделей - известный факт).
Есть специальные приемы, методы, инструменты повышения точности ответов, борьбы с галлюцинациями. Начиная от понижения температуры ответов ИИ или специальных фраз в промптах и заканчивая применением специальных агентов, которые «перефразируют вопрос» или «перепроверяют ответ».
Есть технические приемы, позволяющие контролировать правильность работы нейропомощников.
Например, мы разработали специальный нейропомощник для оценки качества работы других нейроппомощников.

Для того, чтобы пользоваться готовыми нейропомощниками вам не нужна лицензия. Все необходимое уже есть в ПМ Форсайт или, если это нейропомощник на заказ по вашим требованиям, в этом нейропомощнике.
Для разработки собственного ИИ-решения или создания «клона» работающего нейромоммощника, но с другой базой знаний, вам потребуется лицензия на ИИ-платформу ПРИИСК, а также немного терпения и опыта :).
Кстати, такая опция, как обучение созданию собственных помощников на нашей платформе тоже может входить в состав работ.

Нейропомощники, которые мы разрабатываем на российской платформе ПРИИСК, могут работать с большинством известных LLM. Мы предпочитаем YandexGPT и GigaChat, т.к. они не предполагают каких-либо ограничений для использования на территории РФ.
Есть опыт использования модели разных верcий ChatGPT.
Для развертывания локально мы используем разные LLM с открытым исходным кодом (например, но не ограничиваясь, Mixtral, Llama 3).

То, что большая часть компаний отмечает критичность размещения всех компонентов ИИ-решений в контуре компании, ожидаемо. Для таких компаний путь к применению ИИ будет немного более сложен.
За рубежом большинство решений с применением генеративных моделей предлагается в облачном формате. У нас эта тенденция также явно прослеживается. Да и наиболее известными являются именно публичные (то есть имеющие удобный доступ через интернет) языковые модели: ChatGPT, YandexGPT, GigaChat.
Но в последнее время, на российском рынке появляются предложения, предусматривающие размещение ИИ решений on-premise (т.е. в контуре клиента). Более того, появляются платформы для разработки, внедрения и эксплуатации ИИ-решений в компании, имеющие вариант развертывания on-premise. Есть и перечень языковых моделей, которые можно разворачивать локально (например, модели серий Llama3, Mixtral, Qwen2). Она из таких платформ - ПРИИСК (отечественная разработка). Базу нейропомощников которой мы используем в своих ИТ-решениях для управления проектами ПМ Форсайт и АСУ-Инвест.
Важно отметить, что нейропомощники разного назначения могут быть эффективней при использовании разных языковых моделей.

• если можно работать в облаке, то из российских LLM наиболее популярны YandexGPT и GigaChat,
• если можно работать в облаке и вы предпочитаете зарубежную модель, то это ChatGPT от Open AI. В данном случае есть технические и организационные трудности, но мы умеем с ними работать, в частности, используем для некоторых из них своих нейропомощников
• если допустимо только локальное размещение в контуре вашей организации, список будет другой.

Возможен сценарий, когда компания для разных задач будет применять разные LLM.
И платформа ПРИИСК как раз позволяет это сделать.

Одной из больших проблем при внедрении ИСУП (как и любых других ИС), является сопротивление пользователей.
Специфика ИИ-решений состоит в том, что на пользователя, как правило, дополнительная нагрузка не ложится. Ему наоборот, цифровой помощник в чем-то начинает помогать. Поэтому негативных отзывов от пользователей цифровых помощников будет, скорее всего, немного.
А вот само внедрение ИИ-решений требует значительного вовлечения компаний-заказчиков. К чему они часто будут не готовы. Поэтому количество «сложных» внедрений ИИ-решений будет немалым.
И да, тем компаниям, которые успешно справились с внедрением ИСУП, будет легче.

Наличие архивов с проектной, в том числе управленческой, информацией облегчает внедрение ИИ по двум причинам:

• есть информация, которую можно использовать для работы цифровых помощников;
• в компании есть процессы и культура работы со знаниями.

Но переоценивать значение наличия архивов не стоит.
Наличие больших наборов качественных данных важно для машинного обучения. В случае с генеративными моделями, процесс дообучения лингвистической модели называется Finetuning, и требует больших затрат, времени и специальных компетенций.
Скорее всего, компания начнет внедрение ИИ с применения RAG-технологии дообучения цифровых помощников (об этом можно почитать отдельно). А это требует скорее не количества информации, а качества, и главное - понимания, какие задачи мы хотим решать с помощью этой информации.
То есть наличие архива - это безусловный плюс во внедрении ИИ, но отсутствие или неполнота архива - не повод отказываться от такого внедрения.
С одной стороны, переработка, переформатирование знаний для эффективного применения в ИИ, являются дополнительными работами. С другой стороны, с применением ИИ появляются возможности сделать знания реальными активами компании, позволить им работать на компанию на всех уровнях и обеспечивать конкурентные преимущества.

Например, для создания базы знаний ИИ-Методолога сначала наши консультанты оценивают документацию Заказчика с точки зрения корректности принципов проектного управления. Далее (по желанию и в случае, если документы несовершенны) наш методолог поможет их доработать, и потом на их основе будет делаться база знаний.
А если документы достаточны для реализации выбранных сценариев использования, то сразу подключается ИИ-аналитик и формирует первоначальную базу знаний для загрузки.

Приемка нейропомощника, как правило, включает:

• проверку функциональной составляющей;
• проверку качества ответов по методике оценки качества.

В рамках опытной эксплуатации:

• пользователи пробуют взаимодействовать с нейропомощником, а мы собираем их реакцию через лайки \ дизлайки, вопросы и другие формы обратной связи;
• если в рамках проекта предусмотрена работа функционального администратора по актуализации нейропомощника, проверяется выполнение таким специалистом своей роли;
• возможна проверка действий техслужбы по инфраструктуре ИИ (особенно при локальном развертывании), но это зависит от состава работ в рамках проекта.

Желательно чтобы даже пользователи нейропомощников понимали специфику работы с ними. Как минимум они должны понимать, что от полноты и точности формулировки вопроса зависит качество ответа :).
Функциональный администратор нейропомощника, как минимум, должен уметь работать в панели администратора.
Его опыт будет нарабатываться постепенно. На продвинутом уровне функциональный администратор должен понимать специфику работы нейропомощников с базой знаний, а также немного понимать в промптинге.
Требуется желание специалиста развиваться в данной отрасли.
Техспециалисты по «железу» при локальном развертывании должны уметь работать с этим «железом».

Мы уверены, что интерфейс нейпропомощников для конечных пользователей не потребует обучения. Работать с ними не сложнее, чем пользоваться социальными сетями или поисковой строкой браузера.
Но вот умение правильно задавать вопросы, чтобы получать четкие и развернутые ответы, возможно, придется потренировать.
Для администраторов и специалистов техподдержки . В нем минимальное количество кнопок, все элементы четко подписаны и подробно объяснены. В руководство пользователя будет добавлена кнопка для вызова НП.
Кроме того, имеется руководство для функциональных администраторов.