В поисках Deus ex Machina. Почему ИИ пытаются внедрить все, но это не всегда получается

Генеративные модели пишут код и тексты, создают рекламу, анализируют данные и автоматизируют работу контактных центров. А компании, применяющие ИИ в своих бизнес-процессах, приносят своим акционерам дополнительные 0,64% доходности в неделю, по данным исследования Йельского университета.

Но есть нюанс. Многие бизнесы к ИИ пока не готовы — из-за отсутствия формализованных процессов, инфраструктуры, бюджетов, знаний и по иным причинам.

Мы в Cloud.ru с помощью опроса хотим выяснить, что на самом деле тормозит внедрение искусственного интеллекта. Поэтому просим сообщество Хабра поделиться своим мнением и опытом — не только в ответах на вопросы, но и в комментариях.

@
16.07.2026 12:19 UTC
Первоисточник

Комментарии

@iii1iii1
18.07.2026 17:04 UTC
+4

"Генеративные модели ... анализируют данные"
статья на Хабре, которую он заслуживает, но не та которая нужна Хабру сейчас.
мы просто по скудоумию думали, что "анализируют" данные дискриминативные модели, а генеративные наоброт, генерируют, но сегодня мир перевернулся.

@Feargin
19.07.2026 08:53 UTC
0

Не совсем. "Генеративная" описывает принцип работы модели, а анализ данных - решаемую задачу. Генеративные модели вполне могут обобщать данные, искать закономерности, писать всякое и объяснять результаты. А вот утверждение про дополнительные 0,64% действительно неточно: исследование показывает корреляцию с ожиданиями рынка, а не доказанную выгоду от внедрения ИИ.

19.07.2026 14:17 UTC
+1

Скорее всего речь, как обычно в последнее время, про LLM.
Давайте, может, ее и спросим? )
"Быстрый ответ Алисы AI

Содержимое ответа

LLM (Large Language Model) — это генеративная модельeasymatrix.rublogs.novita.aiwebiomed.ru

Её основная задача — не анализировать или классифицировать уже существующие данные, а создавать новый связный и контекстуально релевантный текст на основе входного запроса (промпта)."

Иными словами, порождать нечто похожее на то, что ей скормили в трейне.
Например, в рамках решения задачи типа "проанализируй Войну и мир", LLM попросту копирует контент из уже готовых статей-анализов, слегка модифицируя текст.

20.07.2026 11:02 UTC
+2

от создателей "просто предсказывают следующий токен"

20.07.2026 20:03 UTC
+4

вы знаете, пока еще живы люди, которые могут на бумажке пояснить работу нейросети с 2-3 слоями, и многие удивятся, что там вообще не магия и не прям уж "Интеллект".

22.07.2026 15:36 UTC
+2

Да они не просто живы — они рядом!

27.07.2026 18:04 UTC
+1

Такие есть, но вот слушать их некому.

10.08.2026 05:18 UTC
0

Да, и таких скоро будет много из-за использования ИИ в науке, чего только стоят нейросетевые потенциалы

26.07.2026 13:07 UTC
0

Загрузите “Войну и мир” в NotebookLM, и модель будет максимально использовать именно ваш источник с минимальным обращением к внешним данным.

27.07.2026 22:22 UTC
0

На практике это работает так - генеративная модель генерирует скрипты, которое анализируют данные, запускает (ну понятно что LLM сам ничего не запускает, а обвязка это делает), смотрит их выхлоп и генерирует результат анализа. Никаких противоречий нет

@zw_irk
24.07.2026 04:53 UTC
+3

Почему ИИ пытаются внедрить все, но это всегда не получается.... :D

@lazy_val
24.07.2026 07:14 UTC
0

Почему ИИ пытаются внедрить все, но это не всегда получается

Может потому что это фуфел для хайпожоров? Да нет, не может быть …

@pbo
28.07.2026 04:26 UTC
-1

Фуфел для хайпожоров это тот кого ИИ заменил на работе😉. А еслм смотреть на компании которые реально занимаются внедрением ИИ продуктов для улучшения productivity , то там все очень даже неплохо. Сам лично работаю с несколькими крупными клиентами (Philips, Nokia, ASML) который активно внедряют ии в потоки проектирования печатных плат и ic design 😉

11.08.2026 20:17 UTC
0

То есть вы -- продавец лопат. Хорошо бы выступил кто-то из покупателей.

@Nikita_LawForecast
27.07.2026 04:44 UTC
0

Почему все говорят что LLM не может анализировать? Если заняться промт инженерингом и кормить ее правильными данными с помощью раг, она вполне справится со своей задачей!

@ALexKud
27.07.2026 07:35 UTC
+1

Пытался один глюк в программе устранить с помощью браузерной LLM. К сожалению потраченное время не увенчалось успехом. Глюк был сложный и все что предлагала модель не работало. Я вспомнил что в этой программе после замены драйвера БД были некоторые изменения и подумал что первоначальный вариант после замены был протестирован и глюка не было. Так и оказалось. В первоначальном варианте из git почти все работало без проблем. кое что подправил и запустил в тестирование. Все работало. Модель ответила стандартным что это было наслоение багов последующих изменений. Но последующие изменения к глюкам не имели отношения. Вот и верь после этого ИИ.

@svl87
27.07.2026 22:26 UTC
0

Браузерные ИИ почти ничего не могут. надо гонять в агентском режиме, оно само будет выполнять всевозможные действия направленные на поиск причины и исправление, например парсить логи, запускать, пытаться воспроизводить и т.д. Но если у вас ни логов, ни воспроизведения проблемы, а только код, то особо разницы не будет

27.07.2026 23:08 UTC
0

Но если у вас ни логов, ни воспроизведения проблемы, а только код, то особо разницы не будет

Вот прям интересно — и как это я, опираясь исключительно на описание (к тому же ещё кривое) юзером наблюдаемого им поведения, и тщательно читая код, умудряюсь сначала найти ошибку, а потом её исправить? Магия, не иначе!

@AOneAgency
28.07.2026 07:04 UTC
0

Потому что все знают, что такое ИИ
Но никто еще не умеет пользоваться

@2medic
28.07.2026 09:02 UTC
0

Многие бизнесы к ИИ пока не готовы — из-за отсутствия формализованных процессов

Так многие бизнесы живут в реальном, а не сферическом мире, где каждый день что-то меняется. В таких бизнесах решения часто принимаются на основе «чуйки». Попытки всё формализовать под ИИ убьют бизнес-гибкость на корню.

@moncysho
31.07.2026 10:34 UTC
0

Никакого ИИ не существует, кроме одного. Искусственного Идиота. На которого начинают полагаться натуральные, ускоряя эволюционный дарвиновский процесс отсева.

@About_everything
10.08.2026 05:18 UTC
0

Из своего опыта барьером оказались не бюджеты и не инфраструктура, а непонимание, где заканчивается зона ответственности агента.

Недавно перевозили сотню страниц документации с одного движка на другой. Скриптов конвертации не писали: подключили агента к MCP-серверу и дали ходить по документации напрямую. Структуру, тексты и разметку он разобрал сам, в лимиты не упёрлись, руками резать на куски не пришлось.

А дальше началось интересное. Разметка в репозитории валидная, диф чистый, сборка зелёная — а на собранной странице блоки разъехались, видео не отрисовалось, на мобильном всё сложилось не так. Это не ловится ни дифом, ни линтером, ни валидатором. Нужен человек, который откроет страницу и посмотрит глазами.

В итоге самым рабочим режимом оказалась пара: человек смотрит и говорит, что не так, агент правит. И барьер, по-моему, именно здесь — не в том, чтобы внедрить ИИ, а в том, чтобы понять, какую часть работы ему нельзя отдавать в принципе.

@Aitd
11.08.2026 05:59 UTC
0

Некоторые скажут что вам нужно было подключить vision модель для анализа скриншотов и скармливать было - стало с нюансами на которые обратить внимание.
Но это отодвигает описанное вами решения чуть дальше, когда уже страницы будут чище, но все равно что-то не то - именно это не то и нельзя формализовать до того как решение будет, поэтому и ответственность размывается

Иногда мне кажется что это похоже на физ. эксперимент с щелями только в контексте мысленных абстракций - нужно предугадать результат чтобы поменять выбор когда на него смотрят)

@Wild_Boar_Y
11.08.2026 09:12 UTC
0

Совет опытного-маркет ресерчера.
При подобных опросах, всегда задавайте вопрос "другое", после чего исследуйте комментарии.

В противном случае, рискуете пропустить важные кейсы :) Такие как (например):

Общая загруженность текущими глобальными проблемами, не дает возможности сосредоточится на внедрении и адаптации нейросетей в бизнес процессы