Как «Акрихин» сам создал свой GPT: интервью с Сергеем Исаевым

Сергей Исаев — директор по цифровым направлениям бизнеса компании «Акрихин» в интервью «Людям Фармы» рассказал, как компания отказалась от готового ИИ-решения за 50 млн рублей в год и за три недели запустила собственный «Акрихин GPT», зачем фармкомпании корпоративная нейросеть, как машинное обучение помогает прогнозировать спрос на лекарства и экономить на товарных запасах и почему иногда процесс лучше автоматизировать вообще без искусственного интеллекта.

«50 миллионов рублей — на всю жизнь, а не в год?»

— Зачем компаниям внедрять собственные разработки, если можно просто купить подписку на ChatGPT и пользоваться ей?

— Для большинства людей искусственный интеллект — это ChatGPT, Claude, Perplexity и другие сервисы. Но возникает несколько вопросов. Чтобы пользоваться сервисом, необходимо платить деньги. Все ли люди готовы из своего кармана платить за тот же ChatGPT или Claude, как мы платим за мобильную связь?

Работодатель готов, если это улучшает его результат. Но работодатель подчас даже не знает, что это нужно сотруднику. Он может не знать, как сотрудник может это использовать и какой результат это даст. А когда работодатель узнает, сколько это стоит, он еще два раза подумает, нужно ли ему это делать.

С другой стороны, с точки зрения компании у нас есть ряд рисков, которые мы хотели бы минимизировать. Представьте, что сотрудник открывает публичную нейросеть и загружает туда конфиденциальную информацию. Это проблема. А если он загрузит персональные данные?

Много кто грузит в нейросети все что попало. Я надеюсь, что наши сотрудники ни в коем случае не загружают персональные и конфиденциальные данные в публичные нейросети. Как раз создание корпоративного сервиса позволяет нам решить и ту, и другую проблему.

Например, если сотрудник загружает персональные данные в наш корпоративный сервис, мы можем заменить эти данные на синтезированный текст. Ты загрузил «Исаев Сергей Алексеевич», а там появился «Иванов Иван Иванович». Все. Это уже не персональные данные, которые позволяют найти меня как конкретного сотрудника.

С коммерческими данными та же история. Если мы делаем корпоративный сервис, мы можем контролировать, что, куда и как загружаем.

— В прошлом году вам предложили купить корпоративный сервис за 50 млн рублей в год. Купили?

— Понятно, что не купили.

Когда мы начали думать, что нам нужно внедрять искусственный интеллект, стали формировать техническое задание и отправлять его разным подрядчикам: можете ли вы предложить решение задач раз, два, три?

В рамках знакомства с разными поставщиками действительно было предложение от одного достаточно крупного: «Мы вам все сделаем, это будет стоить 50 миллионов рублей». Коллеги, которые непосредственно организовывали тендер, после небольшой паузы переспросили: «50 миллионов рублей на всю жизнь, а не в год?» Туда входило размещение решения у нас на серверах и большой годовой объем токенов.

Но здесь иногда возникает ситуация, когда мы можем заплатить за крыло самолета, хотя оно нам не нужно. Безусловно, мы могли бы заплатить такие деньги, но мы не готовы платить за то, что нам пока не требуется.

«Мы сделали все своими силами»

— В итоге у вас появился «Акрихин GPT». Я пыталась туда зайти — меня не пустили.

— Конечно, не пустили. Это корпоративный сервис, он доступен сотрудникам компании «Акрихин».

Платформа включает две части. Первая — возможность сотруднику зайти и взаимодействовать с разными языковыми моделями: написать текст, попросить его структурировать, сделать summary и так далее.

Вторая часть — ИИ-агенты. Это, по сути, мини-приложения, которые используют языковую модель и обладают каким-то конкретным навыком.

Например, мне нравится парсер цен. Мы идем на сайт какого-нибудь e-commerce и смотрим: наш препарат сегодня стоит 100 рублей, препарат конкурента — 102 рубля. Агент может вместо человека зайти и собрать эти данные по нам и конкурентам, сэкономив время сотрудника.

Можно запланировать и ежедневную задачу. Сотрудник утром приходит в девять часов, открывает систему, а у него уже за ночь собраны цены по стране.

— Сколько стоило создать эту платформу?

— С точки зрения затрат на внедрение, вместо того чтобы платить 50 миллионов рублей или покупать более дешевые решения, мы инкрементально не понесли никаких затрат на закупку платформы.

У меня есть команда веб-разработчиков и дата-сайентистов, и силами этой команды мы этот сервис подключили. Нам не пришлось нанимать ни одного нового сотрудника, чтобы создать сервис или дальше им пользоваться. Все дополнительные затраты — это исключительно аренда вычислительных мощностей и токены.

При этом аренда вычислительных мощностей не в формате «давайте купим сервер за 15 миллионов», а в формате, когда мы можем масштабировать объем серверной мощности пропорционально нагрузке. Мы выбрали максимально эффективный с точки зрения затрат вариант.

Мне нравится аналогия с каршерингом. Можно взять машину в аренду на целый месяц — 24 на 7 она твоя. А можно взять ее поминутно. Нужно мне доехать из точки А в точку Б — я беру машину ровно на этот час или на эти 15 минут. То же самое с вычислительными мощностями.

Следующий уровень для нас — когда мы действительно сделаем выделенную модель на собственном сервере, виртуальном или физическом. Там порядок затрат уже другой. Но до этого нужно дорасти.

— Сколько занял запуск «Акрихин GPT»?

— Мы запустили платформу за три недели. Потому что использовали open-source решение. Есть очень много open-source библиотек, которые можно использовать, чтобы создать свой корпоративный портал. Уже есть готовая оболочка.

«Искусственный интеллект — это долгий путь»

— Этим летом в России было проведено исследование, которое показало, что работодатели внедряют искусственный интеллект, чтобы помочь сотрудникам, а не заменить их. Но нет ли здесь противоречия? Если сотрудник будет работать за троих, зачем работодателю сохранять остальные две позиции?

— Я бы скорее согласился с тезисом, что искусственный интеллект является помощником, нежели заменой человеку. Довольно спорно, что человек, используя ИИ, может работать за троих. Скорость увеличивается, но давайте смотреть, в какой части.

Искусственный интеллект действительно может помочь автоматизировать какие-то процессы, побороться с рутиной. Но роль человека, наоборот, становится более важной: человек отвечает за принятие решений. Он берет на себя ответственность за то, что будет или не будет.

А искусственный интеллект и все инструменты вокруг него являются инструментами, которые ему помогают.

Искусственный интеллект — это долгий путь. Нам сначала нужно понять, что мы можем сделать, как это интегрировать в текущий бизнес-процесс или как его улучшить, и только потом мы будем получать эффективность.

Есть некоторые оценки, которые вообще говорят, что инвестиции в искусственный интеллект окупаются в 2–5% случаев. При этом искусственный интеллект — это как огонь. Когда появился огонь, жизнь человека абсолютно поменялась.

«Мне это не надо, я по старинке в Excel»

— Насколько вообще распространены собственные ИИ-решения в фарме?

— Я бы сказал так: в основном все компании что-то пробуют. У кого-то есть серьезные решения.

Если мы возьмем Big Pharma, для них могут быть доступны решения со стороны штаб-квартиры, разработанные сразу в интересах большого количества стран. Они могут быть полностью локализованы без обмена данными с провайдерами. Это хорошие решения. Но они дорогие. Далеко не все компании в России могут себе это позволить.

Если взять локальных российских фармпроизводителей, то у них либо еще не сформировался запрос, либо нет компетенций, либо нет бюджета, либо любая комбинация этих факторов.

Но из того, что я вижу, общаясь с коллегами на конференциях и в отрасли, такие решения в разных форматах появляются все чаще. И это правильно. Нужно пробовать, обмениваться информацией. Мы понимаем, что что-то сделали интересное — коллегам хочется это перенять. Иногда мы сами смотрим, что сделали коллеги.

— А какой процент сотрудников «Акрихина» уже активно пользуется вашей платформой?

— Сильно меньше, чем необходимо. Просто нужно больше времени. В компании полторы тысячи человек. Энтузиастов, которые активно используют это сейчас, конечно, единицы процентов. Поэтому наша задача — чтобы эти единицы процентов превращались в десятки, а дальше мы покрывали, условно, 80% сотрудников.

И, на удивление, встречаем даже довольно молодых сотрудников, которые говорят: «Слушайте, мне это не надо. Я вот тут по старинке в Excel все делаю, мне все понятно и больше ничего не нужно». И приходится показывать, почему это неправильно.

Сейчас мы потихоньку находим точки роста, куда можем приложить новые технологии, чтобы улучшить конкретный процесс, и делаем под это кастомизированные решения.

Больше не «я верю, что будет так»

— Где применение таких моделей уже дает компании реальный результат?

— Например, мы как производитель должны понимать, какой будет спрос на нашу продукцию на горизонте полутора-двух лет.

Раньше эта история делалась с помощью небольшого классического статистического пакета, а дальше люди сидели в Excel, смотрели в экран и думали: «Я верю, что будет так» или «Не верю». То есть это было скорее экспертное прогнозирование, нежели прогнозирование на основе больших данных.

Мы создали модели, которые позволяют расширить количество источников, используемых для прогнозирования. Обучили их на исторических данных, протестировали и запустили. Сейчас они полноценно работают, каждый месяц делают прогнозы.

Допустим, мы думаем, что продадим 100 тысяч упаковок конкретного препарата. А по факту продали 95 или 105 тысяч. Это разные истории. Если мы спрогнозировали меньше, чем нужно, будет дефектура. Если больше, чем нужно, товар будет лежать на складе и, если мы сильно промахнулись, может в итоге списаться. Точность, которую мы получили с моделью, оказалась выше. В среднем — на 3–5% по сравнению с тем, что было до этого. Но по отдельным SKU — на 30–40%.

— На что в итоге влияют эти несколько процентов?

— Мы как производители должны не только запланировать загрузку наших линий, но и закупить сырье. А у сырья довольно длинный период закупки.

В основном сырье закупается за рубежом. Мы можем ждать два месяца поставки новой партии, и если вовремя не закупили или закупили меньше, возникает история с дефектурой. Если купили слишком много — с избыточными запасами.

Кроме того, есть сезонность. Например, конец года — самый жаркий сезон, когда мы продаем больше всего товара. Это связано в том числе с сезонными заболеваниями. И раньше расчет необходимых товарных запасов тоже делался экспертно, в Excel, пересматривался раз в год. Сейчас мы создали решение, которое обрабатывает больше информации и дает большую точность.

Мы видим потенциальную экономию товарного запаса, которая измеряется двузначными цифрами. Если перевести это в деньги, речь идет о сотнях миллионов рублей экономии только за счет того, что где-то мы можем держать меньше товара и при этом не уйдем в дефектуру. А где-то, наоборот, нужно чуть больше запасти, потому что возникают какие-то всплески. И невозможно просто написать в ChatGPT: «Помоги мне оптимизировать товарный запас».

Чтобы это создать, нам пришлось потратить два-три месяца на разработку ML-модели: сначала понять, как выглядит процесс, как он работает, какие данные есть и где они находятся, сделать интеграцию, протестировать модель, показать ее текущим исполнителям. И только потом мы запустили полноценный пилот.

«Тем же количеством людей мы будем делать больше»

— Но если ИИ высвобождает время человека, разве в перспективе это не приведет к сокращению числа сотрудников?

— Высвобождая время у человека, мы одновременно создаем новые задачи, которых не было до внедрения ИИ. Более того, появляются целые функции.

Чтобы создать модель машинного обучения, нужны специальные компетенции. У меня в команде есть дата-сайентисты, которые их создают. Чтобы модель доработать или проверять ее качество, тоже нужны компетенции, которых раньше не было.

Здесь интересна аналогия с промышленной революцией. В какой-то момент появились заводы, конвейеры, которые позволили производить то же количество продукции меньшими человеческими ресурсами за счет того, что часть работы делает машина. При этом появились новые роли: люди, которые должны обслуживать эти станки, производить их, управлять ими. Более высокий уровень специалистов. Здесь так же.

Скорее всего, в первое время людей потребуется даже больше, потому что старые процессы будут продолжать работать, а новые уже нужно развивать. В перспективе вопрос скорее в другом: тем же количеством людей мы будем делать больше.

У нас есть разрыв в производительности труда между разными компаниями в России и относительно ряда западных стран. Нам нужно ее повышать. Это необходимость. Это, в принципе, находится в ДНК любого бизнеса. Мы должны с каждым разом делать больше, зарабатывать больше, тратить меньше.

— Получается, что человек, который умеет пользоваться искусственным интеллектом, в перспективе будет более востребован?

— Я думаю, да. Люди нам в любом случае будут нужны. Но если выбирать между человеком, который умеет пользоваться инструментами, и человеком, который не умеет, предпочтение, конечно, будет отдаваться первому. Но с точки зрения того, что мы сейчас пойдем сокращать двух из трех, — я в это не верю.

Если можно обойтись без ИИ — лучше так и сделать

— Какие еще интересные цифровые кейсы сейчас есть в «Акрихине»?

— На мой взгляд, чем больше людей в компании занимается инновациями, тем больше шансов на успех. Поэтому у нас есть энтузиасты и в других подразделениях: в финансах, HR, подразделениях экономической эффективности. Они могут создавать ИИ-агентов под свои задачи.

Если говорить про мое подразделение, у нас есть проекты по прогнозированию спроса на продукцию, оптимизации товарного запаса. Есть проект по распознаванию наших товаров на полке в аптеках.

Сотрудники, которые ходят по аптекам, проверяют наличие выкладки, остатки товара, наличие промо. Они делают очень много фотографий. И в рамках одного из проектов система может определить, содержит ли фотография нашу упаковку, в каком количестве, есть ли рядом упаковка конкурента.

В России около 80 тысяч аптек. Мы физически не можем посетить все эти аптеки тем составом, который у нас есть. Нам нужно выбрать условно одну аптеку из трех, в которую идти.

У нас есть модели машинного обучения, которые подсказывают, в какую аптеку нужно идти в этом квартале и сколько раз, а в какую — в следующем. Нам нужно повышать, так сказать, урожайность с гектара. Есть и полный цикл автоматизации, когда система сама делает сегментацию клиентов, понимает, кто к какому сегменту относится.

Но здесь есть важный момент: если мы можем автоматизировать процесс, не используя ИИ, лучше так и сделать.

— Почему?

— Потому что мы минимизируем риск ошибки. Если ИИ там не нужен, лучше написать конкретную автоматизацию, алгоритм. Все, что можно логически объяснить, можно запрограммировать.

«Если я не готов вам это сказать при встрече, не стоит загружать это в нейросеть»

— Возвращаясь к конфиденциальности. Иногда кажется, что мы уже раздали интернету все свои данные и смысла что-то прятать нет.

— Даже если кажется, что мы все раздали, лучше быть осторожным. Я считаю, что нужно критически относиться к тому, что мы загружаем, и так же критически относиться к тому, какие ответы нам дает любая нейросеть.

Если мы загрузили что-либо на публичный сервис, нужно понимать, что эта информация потенциально может стать доступна другим. Если вы загрузили туда паспортные данные, вам могут начать звонить, предлагать какие-то услуги. Не дай бог, еще кредит на вас возьмут. Нужно понимать риски и быть избирательными.

— Но с социальными сетями мы понимаем: это публично. А с ИИ создается ощущение, что ты сидишь с ним один на один и можешь говорить ему все что угодно, потому что никто не видит.

— Но этот вопрос появился еще до ИИ, когда появились социальные сети. Есть люди, которые выкладывают все, что только могут. Есть люди, которые вообще не регистрируются на таких платформах. И те, и другие имеют право на существование. Но относиться к своим данным все равно нужно осторожно.

«Мне хотелось понять, можем ли мы это исполнить»

— Готовясь к интервью, я зашла в GPT и ввела ваши данные. Из личного он рассказал мне практически только про Калининград. Это хотя бы правда?

— Да. Я родился в Калининграде, там отучился и потом переехал в Москву. В Калининграде есть большое преимущество — море. Когда я там жил, не пользовался в полной мере возможностью ездить туда, условно, каждый день. Когда уехал, почувствовал, что его может не хватать. Поэтому, приезжая туда, стараюсь либо остановиться на море, либо оказаться там как можно чаще.

— Вы до сих пор ездите в Калининград?

— Конечно, у меня там родители.

— Почему вы выбрали именно фармацевтическую отрасль?

— Мой путь в фармацевтику пришел из консалтинга. «Акрихин» был моим клиентом. Мы делали череду разных проектов.

Один из проектов — разработка коммерческой стратегии перед началом очередной контрактной кампании. Мы решили разработать B2B e-commerce платформу, через которую смогли бы работать с малым и средним сегментом аптек.

Мы, как консультанты, эту историю разработали, планировали передать дальнейшую операционную поддержку в компанию, и здесь поступило предложение: не хочешь ли ты сам этим заняться?

После долгого времени работы в консалтинге мне показалось это интересным вызовом: понять не только, что я могу рисовать красивые презентации и стратегии, но и можем ли мы это исполнить.

— Что стало с этим проектом?

— Он до сих пор работает, обороты измеряются в миллиардах, и мы продолжаем его развивать. Это было действительно интересно. И я хлебнул от того, что где-то наши цифры оказались завышены. С другой стороны, всегда нужно понимать, что рынок меняется.

— Какой из ваших цифровых проектов оказался самым сложным?

— Часто проблема не в том, что мы придумали какой-то проект, защитили его и пошли внедрять. Часто проблема заключается в том, чтобы правильно обеспечить change management, объяснить людям, что мы делаем, зачем и как. Люди, для которых мы что-то создали, казалось бы, должны быть благодарны и сразу начать этим пользоваться. Но это не всегда просто. И вот это тот вызов, который я бы выделил для любой инновации. Мы должны внедрять не на бумаге. Мы должны внедрять бизнес-процессы и в головы людей.

Блиц

ChatGPT или Claude?

— Claude. Все под конкретные задачи. Я для своей команды оплатил подписку на Claude, чтобы они могли писать программный код.

Данные или интуиция?

— Я, конечно, скорее про данные. Как бывший консультант-аналитик, мне ближе история с принятием решений на основе фактуры, data-driven decision-making. Но, безусловно, интуиция есть у всех, и иногда она помогает.

Главный миф про искусственный интеллект?

— Что он заменит людей. Но я скажу по-другому. У нас в какой-то момент была профессия людей, которые меняли свечи в фонарях. Появились лампочки. Но они переквалифицировались. У них появились новые задачи. Это нормально. Жизнь — это движение. ИИ расширит возможности людей, создав для них новые точки роста. Иногда — необходимость эти точки роста найти и использовать.

Зеленоградск или Светлогорск?

— Тяжелый вопрос. Скорее Зеленоградск, потому что он ближе к аэропорту. Всего полчаса. Плюс рядом Куршская коса, и он более камерный. Но Светлогорск всегда был курортом номер один.

Если бы вы были брендом, какой бы у вас был слоган и почему?

— Just do it. Потому что всегда хорошо, когда то, что мы говорим, соответствует тому, что мы делаем.