AI-пузырь: осядет там, где точность не нужна

Павел называет свой путь кривым: маленький подмосковный город, с восьмого класса московская школа и первый диплом историка-арабиста в Институте стран Азии и Африки при МГУ. История, по его словам, — та же работа с большими массивами данных: студентов учили понимать по корпусу текста на малознакомом восточном языке, летопись это, переписка или чьи-то дневники, — базовой статистикой и методами NLP, правда, всё на VBA. Что историей денег не заработать, стало ясно быстро, и после магистратуры он резко сменил направление: университет Женевы, где образование бесплатное даже для иностранцев (500 франков в семестр как налог), финансовая аналитика на французском и матан, который вытянул семинарист из Ростова, объяснявший половину по-русски. Швейцарская виза обязывала выпускника уехать; Павел вернулся, пошёл в Вышку на аналитику цепей поставок и оказался в Renault.

В Renault он занимался аналитикой и оптимизацией цепей поставок: Автофрамос, две площадки АвтоВАЗа, Nissan под Петербургом и, насколько он помнит, больше сотни локальных поставщиков; вместе с коллегой они оптимизировали оборотную тару и сэкономили компании большие деньги на точных прогнозах. Коллега ушёл в Ernst & Young, Павел — следом, и так начался консалтинг: проекты от Якутска и Мирного до Мурманской области, смены по 12 часов в спецодежде хвостом за оператором, ручной сбор данных, ночью — модели, слайды и втык от партнёра из Москвы. Тогда же он выучил Python, прошёл десяток курсов и втянулся в Open Data Science — по его словам, лучшее сообщество для нетворкинга, где человек из одной компании спокойно обсуждал подходы с дата-сайентистом конкурента. Из Ernst & Young он перешёл в Accenture, и уже там написал статью на Хабре про системы принятия решений: её прочитали в S7 и позвали сделать это у них.

В S7 Павел был hands-on product owner: система поддержки принятия решений буксовала — данные лежали по подразделениям, и за каждым набором приходилось идти на поклон, — зато успели протестировать смарт-контракты на заправку самолётов и оптимизировать раскладку бортового питания, взяв идею из статьи Air Canada. С этим кейсом он выступил на дубайском митапе, и после доклада к нему подошёл CTO местного офиса финского Reaktor: три своих оффера Павел связывает именно с публичностью, а кейс потом повторил уже для Emirates. Reaktor оказался предельно эголитарным — Павел кодил на одном проекте с глобальным CEO и оставлял ему комментарии на ревью, брать ли клиента, решали все вместе, — а джунов не нанимали вовсе: нужен был тот, кто и с заказчиком договорится, и сам закодит.

Ближневосточный рынок он описывает как медленный: от устного согласия до первых денег легко проходит год, «от Рамадана до Рамадана», и часто важнее, как решение выглядит, а не как оно работает. CEO одного заказчика увидел на демо готовое мобильное приложение, сказал, что ждал робота, и платить отказался — приложение ему так и не отдали; тендер службы общественного транспорта Reaktor проиграл McKinsey, который стоил в разы дороже и предлагал удалённую команду. Потом спрос на AI обвалился: chief AI officer у богатого холдинга мог не отличить задачу регрессии от computer vision, а после того как владелец крупного местного маркетплейса пропал вместе с инвестициями, началась волна защиты вложений, сокращения и падение зарплат, а Reaktor поставил всё на министерство туризма Дубая за месяц до закрытия границ и закрыл офис.

Дальше — Европа и Beat, греческий сервис такси с рынками в Латинской Америке, где Павел вёл аналитику антифрода и безопасности. Самыми активными пассажирами брендированных Tesla в Мехико оказались наркодилеры: машина заметная, деньги есть, маршрут с несколькими точками виден на камере; лимит в три точки за поездку сократил и число дилеров, и спрос. Водителей грабили каждый месяц — был случай, когда водитель застрелил грабителя прямо в салоне, — и команда пробовала учить computer vision распознавать экстренную ситуацию, когда до кнопки SOS не дотянуться; ботоферму под Лимой нашли по пятну вызовов из одного дома. Фрод он раскладывает по пирамиде — желание, возможность и ощущение безнаказанности, — а платформа влияет в основном на возможность. Компания не пережила переход от роста к эффективности: Tesla висели на балансе, сменилось несколько CEO, один из которых объявил, что управляет компанией как командой по регби, и всё кончилось банкротством. Три месяца на новую визу спас EPAM, а через год Павел выбирал между TomTom, где так и не понял, кому нужен продукт, и Microsoft.

Вертикаль Industrial Solutions Engineering денег с клиента не берёт: метрика — рост потребления Azure, а делают там то, что не закрывается стандартной продуктовой линейкой. На скандинавском пивзаводе с OEE сильно ниже 50% Павел увидел, что две смены не разговаривают: профсоюзы не дают работать ни минутой дольше, и вместо простого журнала передачи смен у него просили speech-to-text с автоматическим саммари. Пузырь GenAI он ждёт такой же, как дубайский, где просили computer vision там, где хватало регулярного выражения: технология осядет там, где не нужна стопроцентная точность. Александр добавляет, что намазать GenAI на платформу разработки не выходит — эффект приходится собирать по конкретным джобам и мерить телеметрией инструментов. Летний реорг перевёл Павла из менеджеров в IC, сентябрьский сделал его Data Science Champion при вице-президенте региона и запасом прочности для лидеров мультидисциплинарных команд. Термин forward deployed engineer, популяризированный Palantir, он переводит просто: мастер на все руки, который сам всё сделает, сам посчитает ROI и сам расскажет. Разговор занял почти три часа, и собеседники договорились записать продолжение.