12 июля 2026 года. Конференция RWB в Москве. Зал набит людьми, которые уже обожглись на AI-хайпе. Никто не хочет еще одного доклада про «нейросети изменят всё». Хотят бюджетов, метрик и честного ответа: когда нейросеть окупится, а когда дешевле написать if-else.
Главный инсайт, который вынесли участники: ИИ — это дорого, и далеко не всегда нужно. Альфа-Банк показал кейс, где цикл кредитного договора сократили с 8 дней до 1, но сделали это не супер-моделью, а комбинацией эвристик и точечного ML. Спикеры из Heavy Digital рассказали, как на заводе вместо компьютерного зрения поставили датчик за 200 рублей и получили тот же результат. Звучит как ересь для эпохи генеративного ИИ, но это правда.
Ключевой вопрос любого внедрения: «Почему мы вообще используем ИИ?». Если ответ «потому что модно» — стоп. Должен быть конкретный бизнес-метрики.
Первый удар: цена инференса, о которой молчат вендоры
Самая обсуждаемая тема — TCO (Total Cost of Ownership) инференса. Спикеры разложили цифры: аренда GPU — только вершина айсберга. Под капотом: дата-инжиниринг, версионирование моделей, мониторинг дрейфа, зарплаты инженеров, которые круглосуточно держат прод. Одна компания из финтеха подсчитала: поддержка одной LLM-ручки в production обходится в $40 000 в месяц. За эти деньги можно нанять трех джуниоров, которые будут вручную обрабатывать те же запросы.
Вот простой чеклист, который советуют прогонять перед запуском:
- Сколько реально стоит один инференс? Умножьте на суточный трафик.
- Как часто модель переобучается? Каждый ретренинг — это расходы на датасет и compute.
- Кто будет обслуживать пайплайн? Посчитайте человеко-часы support team.
- Есть ли метрика business value, которая перевешивает затраты?
Эвристики: когда простой код убивает нейросеть
Второй блок — эвристики. На RWB привели убийственный кейс: компания хотела внедрить CV-модель для контроля брака на конвейере. Потратили $200 000 на датасет и обучение. А потом выяснили, что бракованные детали всегда имеют одинаковый цвет — достаточно поставить фотодатчик. Решение обошлось в 2 000 рублей.
Как определить, что хватит эвристики?
- Правило 80/20: если 80% кейсов покрываются простым правилом — не лезьте в deep learning.
- Посмотрите на distribution shift. Если бизнес-логика меняется раз в год — эвристики проще поддерживать.
- Ошибка нейросети будет стоить дороже? При ложноположительных срабатываниях эвристику проще откатить.
Мы уже писали про Hype Correction — пора сбросить ожидания. RWB подтвердил: умные компании не гонятся за SOTA, они считают деньги.
Кейс Альфа-Банка: 8 дней → 1 день без «магии»
Самый яркий доклад — про кредитный конвейер. Цель: сократить время от заявки до выдачи. Полгода команда пыталась натренировать модель для оценки рисков. Результат: прирост точности 2%, затраты — миллионы. Тогда сделали иначе:
- Поставили простой скрипт: если заявка от зарплатного клиента банка — автоматически одобрять.
- Для остальных — добавили проверку через скоринговую «линейку» (взвешенная сумма 5 факторов).
- Только для сложных случаев (например, ИП с историей просрочек) запускали ML-модель.
Результат: 80% заявок обрабатываются за минуту, 8 дней превратились в 1. ИИ использовали лишь в 10% кейсов. На прошлой RWB мы разбирали типичные ошибки — сейчас это сработало наоборот: не надо втыкать ML везде.
Важный нюанс: такой подход требует четкой архитектуры «контурной» — разделения простых и сложных потоков. Без нее эвристики сломаются на граничных случаях.
Когда ИИ всё-таки нужен?
Спикеры сошлись: ИИ оправдан, если задача не формализуется правилами (например, распознавание неструктурированных документов) или объем данных настолько велик, что человек физически не справится. Но даже в этом случае советуют начинать с эвристики, а ML добавлять только когда станет ясно, что «потолок» простой логики достигнут.
В Heavy Digital, кстати, пошли еще дальше: на заводе они заменили нейросеть детектора дефектов на три датчика и один скрипт. При этом качество не упало, а скорость выросла на 30%.
Психология: как убедить команду не использовать ИИ
Отдельный слот был посвящен сопротивлению — когда data scientist обижается, что его модель не взяли в прод. Психология сопротивления — тема не новая, но на RWB дали конкретный совет: заведите «кладбище моделей» — публичный документ, куда записываете каждую отклоненную идею вместе с причиной (обычно TCO). Это снижает эмоции.
Еще один тренд — выгорание от ИИ. Команды, которые круглосуточно дообучают модели, быстро выдыхаются. Выгорание от ИИ — это уже диагноз в некоторых компаниях. Решение — нормировать количество экспериментов и внедрить принцип «один эксперимент в месяц, не больше».
Правила жизни от RWB (коротко)
- Не считайте TCO с точностью до копейки — прикиньте порядок: инференс датасета + зарплаты + поддержка + аптайм.
- Если задача решается скриптом на 50 строк — не лезьте в нейросети.
- Проектируйте контурную архитектуру: эвристика → ML → LLM.
- Перед запуском спросите себя: «Что будет, если модель упадет?» Если ответ «катастрофа» — ставьте fallback на эвристику.
И напоследок, самый неожиданный совет с RWB: возьмите отпуск от ИИ хотя бы на неделю. Многие проблемы, которые пытаются решить нейросетями, на самом деле — проблемы менеджмента, а не технологий.
