AI КОМП-АС: как мы в Raft внедряем AI рационально, а не на хайпе
Мы недавно разобрали внутри команды один наш фреймворк и решили оформить его публично — на Хабре вышла статья «AI КОМП-АС: как рационально внедрять AI». Я хочу пройтись по нему здесь своими словами, потому что в роли Head of AI я почти каждую неделю упираюсь в одну и ту же стену: запрос звучит как «нам нужен AI», а за ним нет ни цели, ни понимания, окупится ли это вообще. И это не вина заказчика — это нормальное состояние рынка, где про технологию говорят громче, чем про результат.
Цифра, с которой статья начинается, отрезвляет: по отчёту MIT GenAI Divide положительный экономический эффект за первый год получает примерно 1 организация из 20. Не потому, что технология плохая, а потому что внедрение чаще всего идёт «снизу от модели», а не «сверху от задачи бизнеса». КОМП-АС — это попытка дать руководителю карту, чтобы не оказаться в этих девятнадцати.
Зачем вообще нужен ещё один фреймворк
В моей команде мы и так ведём проекты по этапам, но именно мнемоника К-О-М-П-А-С хороша тем, что её легко удержать в голове на встрече с заказчиком. Каждая буква — это этап, и порядок здесь не случаен: пропустить «можем ли мы дойти» и сразу прыгнуть в «архитектуру» — самый дорогой способ потом списать прототип в стол. Фреймворк не про то, как обучить модель. Он про то, как принять рациональное решение: где AI создаёт ценность, какие риски он тащит за собой и окупится ли вся затея в деньгах.
Что стоит за каждой буквой
К — Куда хотим прийти. Стартуем не с технологии, а с бизнес-целей: какие ключевые возможности и какие барьеры роста есть у компании, и зачем ей вообще трансформация. Если на вопрос «зачем» нет внятного ответа в терминах бизнеса, дальше можно не идти.
О — Откуда выходим. Честное описание текущего состояния: как реально устроены рабочие и технологические процессы, где болит. Здесь важна не идеальная схема «как должно быть», а карта того, как есть на самом деле, со всеми костылями.
М — Можем ли дойти. Оценка ограничений и готовности: зрелость процессов, культурная готовность команды, инфраструктура и — отдельной строкой — готовность данных. По моему опыту, именно данные топят большинство красивых идей: модель есть, а кормить её нечем.
П — Прокладываем путь (приоритизируем). Считаем потенциал ценности и экономическое обоснование для автоматизации конкретных функций, а потом ранжируем задачи. Не «давайте сделаем всё», а «вот эти три сценария дают эффект быстрее и дешевле».
А — Архитектурно-продуктовый дизайн. Проверяем бизнес-гипотезы, фиксируем функциональные требования, проектируем продуктовую и техническую архитектуру, оцениваем риски, считаем совокупную стоимость владения (TCO) и собираем дорожную карту от прототипа до прода.
С — Скейлинг на проде. Стратегия выхода из MVP в полноценное решение, которое закрывает все требования — с учётом организационных, продуктовых и технических ограничений. Этап, который чаще всего недооценивают: довести пилот до устойчивой эксплуатации сложнее, чем собрать сам пилот.
«Внедряемый осознанно искусственный интеллект в правильных руках может послужить дополнительным драйвером развития компании».
Где я вижу в этом практическую пользу
Главная ценность КОМП-АС для меня — он переносит центр тяжести с этапа «А» (где всем интересно: архитектура, модели, инференс) на этапы «К», «О» и «М», где проекты на самом деле выживают или умирают. Когда я прихожу на старт проекта, я мысленно держу примерно такой чек-лист готовности:
{
"цель_в_деньгах": "сформулирована",
"процесс_as_is": "описан",
"данные": "доступны и пригодны",
"владелец_на_стороне_бизнеса": "есть",
"критерий_успеха_MVP": "измерим"
}Если хотя бы одно поле здесь «нет» — мы не лезем в архитектуру, а сначала закрываем пробел. Это скучно и иногда злит заказчика, которому хочется «уже что-нибудь запустить». Но именно это отделяет внедрение, которое попадает в ту самую 1 организацию из 20, от красивой демки, которую через квартал никто не открывает.
Моя практическая ремарка
Я бы добавил к фреймворку одну вещь от себя: между «П» и «А» полезно ставить дешёвую проверку гипотезы — буквально на коленке, до большой архитектуры. Часто оказывается, что задача, которая выглядела как кандидат на сложное AI-решение, закрывается простым правилом или одним хорошим промптом, и наоборот — «очевидная» автоматизация упирается в качество данных и эффект не даёт. КОМП-АС хорош тем, что заставляет задать эти вопросы до того, как потрачен бюджет, а не после. Для нас в Raft это не теория, а способ не обещать клиенту чудо, а приносить измеримую ценность.
Полный разбор — в нашей статье на Хабре: AI КОМП‑АС: как рационально внедрять AI.