QSOFT обсуждает Data and Knowledge Driven подход: что это значит для команд
Данные и знания как фундамент ИИ: о чём говорили на бизнес-завтраке QSOFT
10 июня в QSOFT прошёл бизнес-завтрак, посвящённый теме, которую компания вынесла в заголовок без лишних украшений: Data & Knowledge Driven подход — почему данные и знания являются основой для внедрения ИИ. Мероприятие провели генеральный директор QSOFT Виталий Чесноков и директор по продукту Владислав Кабаев. Аудитория — директора по цифровой трансформации, CPO, HR-руководители и те, кто отвечает за ИИ-инициативы внутри компаний.
Сама по себе тема не новая. Но то, что системный интегратор уровня QSOFT выводит её в центр отдельного мероприятия — показательно. Это сигнал: индустрия начинает честнее говорить о том, почему большинство корпоративных ИИ-пилотов не дают ожидаемых результатов.
В чём суть: Data-driven vs Knowledge-driven
Оба термина используются в контексте ИИ-трансформации, но обозначают разные вещи — и путаница между ними дорого обходится командам.
Data-driven подход — это принятие решений и построение систем на основе данных: метрик, логов, транзакций, событий. ИИ-модель обучается или дообучается на этих данных, чтобы делать предсказания или классификации. Фундамент — количество и качество структурированных данных. Чем больше релевантных примеров, тем точнее модель.
Knowledge-driven подход строится иначе. Здесь акцент — на структурированных знаниях: правилах, регламентах, экспертизе, описаниях процессов. Система не просто «видит» исторические данные — она оперирует смыслами, контекстом, логикой предметной области. Это особенно важно для корпоративных задач: ответы на вопросы сотрудников, автоматизация процессов с нюансами, работа с внутренней документацией.
На практике современные ИИ-решения для бизнеса требуют обоих подходов. Data без knowledge даёт модель без контекста — она говорит общими фразами и не понимает специфику компании. Knowledge без data даёт базу правил, которая не умеет адаптироваться к новым ситуациям. Именно это сочетание и вынесла на обсуждение QSOFT.
Почему пилоты не работают: диагноз
Один из центральных тезисов дискуссии звучит прямо: внедрение ИИ начинается не с выбора модели или инструмента, а с готовности данных и бизнес-контекста. Это утверждение стоит разобрать подробнее — потому что большинство команд идут ровно в обратном порядке.
Типичный сценарий: компания выбирает LLM-платформу, подключает внутреннюю документацию, запускает чат-бота для сотрудников. Через месяц — разочарование: ответы слишком общие, нерелевантные, иногда ошибочные. Команда думает, что нужна другая модель. На самом деле — проблема не в модели.
Реальные причины провала пилотов чаще всего лежат в трёх областях:
- Качество данных. Документация устарела, дублируется, противоречит сама себе. Модель воспроизводит этот хаос.
- Отсутствие бизнес-контекста. ИИ не знает, как устроена компания, какие у неё приоритеты, что значат внутренние термины. Без этого даже мощная модель выдаёт ответы «в вакууме».
- Нечёткие критерии успеха. Пилот запущен, но никто не определил заранее, как выглядит «хороший результат». Оценивать нечего.
Это не технические проблемы — это организационные. И решать их нужно до того, как выбирать инструмент.
Корпоративные знания как актив
Отдельная тема, которую подняли на бизнес-завтраке, — превращение внутренней экспертизы в структурированную базу знаний. За этой формулировкой стоит конкретная задача: взять всё, что сотрудники знают «в головах», все регламенты, инструкции, описания процессов — и перевести это в форму, с которой может работать ИИ.
Звучит просто. На практике — это один из самых сложных этапов корпоративного ИИ-проекта. Несколько причин:
- Значительная часть экспертизы нигде не зафиксирована. Опытный сотрудник знает, «как принято», но это знание существует только у него в голове.
- Зафиксированные регламенты часто описывают идеальный процесс, а не реальный. Расхождение между документом и практикой бывает огромным.
- Структура знаний нужна ИИ-системе в определённом формате — не просто PDF-файлы в папке, а размеченные, связанные, актуальные данные.
Когда эта работа сделана, открывается возможность, о которой говорили на мероприятии: масштабирование внутренней экспертизы через ИИ. Новый сотрудник получает доступ к знаниям компании сразу, а не через шесть месяцев погружения. Типовые вопросы решаются без участия эксперта. Контекст организации становится доступен любому инструменту, который подключается к базе знаний.
Как выбрать первый сценарий для ИИ
Практический вопрос, который волнует большинство команд на старте: с чего начать? На бизнес-завтраке обсуждали критерии выбора задач с наибольшим потенциалом быстрого эффекта.
Общая логика выбора первого ИИ-сценария выглядит так:
- Задача хорошо определена. Есть чёткий вход (запрос, документ, событие) и ожидаемый выход. Чем меньше неопределённости в постановке, тем легче оценить результат.
- Данные и знания уже есть. Не нужно начинать с создания базы данных с нуля. Выбирайте сценарий, где нужная информация уже существует — пусть и неструктурированная.
- Есть измеримый критерий успеха. Время на обработку запроса, точность ответа, процент автоматически закрытых обращений. Без метрики пилот нельзя ни признать успешным, ни закрыть с выводами.
- Задача повторяется часто. ИИ выгоден там, где есть объём. Редкая сложная задача — не лучший кандидат для первого пилота.
Три вопроса для своего ИИ-проекта
Если в вашей команде уже идёт или планируется ИИ-инициатива, тема бизнес-завтрака QSOFT даёт полезный диагностический угол. Вот три вопроса, которые стоит задать честно.
Готовы ли наши данные? Не «есть ли у нас данные», а именно готовы ли: актуальны, структурированы, без критических противоречий. Если ответ не уверенный — это первое, что нужно исправить перед любым ИИ-проектом.
Зафиксированы ли наши знания? Может ли ИИ-система получить доступ к тому, как работает ваша компания — не в виде разрозненных файлов, а в виде понятного, связного контекста? Если нет, даже лучшая модель будет работать в информационном вакууме.
Что считается успехом? Конкретно, в цифрах, с горизонтом. «Улучшить клиентский сервис» — не критерий. «Сократить время первого ответа с 4 часов до 1 часа за три месяца» — критерий.
Почему это важно именно сейчас
Рынок корпоративного ИИ в 2025–2026 годах переживает характерную фазу: первая волна энтузиазма и экспериментов столкнулась с реальностью. Пилоты есть у многих, результаты — у немногих. Дискуссия, которую провёл QSOFT, отражает именно этот момент: индустрия начинает смещаться от вопроса «какой ИИ выбрать» к вопросу «как подготовить компанию к ИИ».
Это зрелый разговор. И то, что его ведут не на конференции с тысячей участников, а в формате небольшого бизнес-завтрака с директорами — говорит о том, что аудитория меняется. Меньше хайпа, больше практики.
Для команд, которые только начинают или уже столкнулись с разочарованием от ИИ-пилотов, ключевое сообщение простое: начните с данных и знаний, а не с инструментов. Это не значит, что инструменты не важны — просто без фундамента они не работают так, как обещает демо.
Источник: QSOFT — мероприятие