Какие бывают AI-подходы: ML, GenAI и под какие задачи что подходит

На первой встрече с клиентом часто звучит что-то вроде:

• «Нам нужен AI»;
• «Хотим что-нибудь на GenAI»;
• «Нам нужен умный помощник»;
• «Хотим прогнозировать, автоматизировать, искать по документам, чтобы всё было на нейросетях».

Проблема в том, что за словом AI могут скрываться очень разные задачи. И если не различать их с самого начала, легко:

• пообещать клиенту не тот тип решения;
• начать обсуждать GenAI там, где больше подходит классический ML;
• или, наоборот, говорить про прогнозирование, когда клиенту на самом деле нужен поиск, суммаризация или AI-ассистент.

В этом уроке вы получите простую рамку, которая помогает на первой встрече понять:

• о каком типе AI-задачи вообще идёт речь;
• какой подход здесь ближе: ML, GenAI, RAG/поиск или гибрид;
• и как объяснить это клиенту простым, не техническим языком.

Что важно понять

1. Не существует одного «AI на всё»

Когда клиент говорит «нам нужен AI», это ещё не ответ, а только начало разговора. Под словом AI могут скрываться совершенно разные задачи:

• предсказать спрос, отток, просрочку, загрузку, вероятность покупки;
• разобрать звонки, письма, обращения, документы, договоры;
• найти нужную информацию в базе знаний, регламентах, инструкциях;
• сгенерировать ответ, письмо, резюме, справку, черновик документа;
• помочь сотруднику в работе как ассистент.

На первой встрече важно не ловиться на общее слово «AI», а быстро перейти к вопросу:

«Какую именно задачу клиент хочет решить: предсказывать, искать, извлекать, анализировать или генерировать?»

2. Для разных задач подходят разные подходы

В очень упрощённом виде можно держать в голове такую карту:

• ML (machine learning, машинное обучение) — когда нужно предсказывать, ранжировать, классифицировать, считать вероятность или прогноз;
• GenAI (generative AI, генеративный ИИ) — когда нужно работать с текстом, смыслом, диалогом, генерацией ответа, резюме, черновика;
• RAG / AI-поиск — когда нужно находить нужную информацию в документах, базе знаний, инструкциях и отвечать на её основе;
• гибридный подход — когда в одном процессе есть и прогнозирование, и работа с документами, и генерация, и бизнес-правила.

Это не инженерная классификация, а рабочая шпаргалка для первого разговора.

3. Иногда клиенту вообще рано обсуждать модели

Ещё одна важная мысль: не каждая бизнес-проблема решается выбором между ML и GenAI. Иногда правильный ответ такой:

• сначала нужно привести в порядок данные;
• сначала нужно понять процесс;
• сначала нужно определить владельца и критерии успеха;
• сначала нужна диагностика, а не спор о моделях.

То есть зрелый разговор про AI — это не демонстрация умных терминов, а умение честно сказать:

«Сейчас нам важнее понять задачу и контекст, чем сразу выбирать между GenAI и ML».

Простая карта AI-подходов для клиентского разговора

1. Когда это скорее ML-задача

ML чаще всего уместен там, где клиент хочет что-то прогнозировать, оценивать или классифицировать на основе исторических данных.

Типичные формулировки клиента:

• «Хотим прогнозировать спрос»;
• «Нужно понимать вероятность оттока»;
• «Хотим предсказывать просрочку или кассовые разрывы»;
• «Нужно оценивать, какой лид более перспективный»;
• «Хотим лучше прогнозировать загрузку склада или персонала».

Общий признак таких задач:

• есть исторические данные;
• нужно спрогнозировать будущий результат или вероятность события;
• ответ чаще всего выглядит как число, вероятность, категория, скоринг или рейтинг.

Простая фраза для клиента:

«Похоже, у вас задача не про генерацию текста, а про прогнозирование и оценку. В таких кейсах чаще всего в центре решения стоит ML-подход, потому что он помогает находить закономерности в данных и предсказывать результат».

2. Когда это скорее GenAI-задача

GenAI обычно уместен там, где клиент работает с текстами, смыслами, диалогами, черновиками, резюме, ответами.

Типичные формулировки клиента:

• «Хотим, чтобы AI помогал отвечать клиентам»;
• «Нужно быстро делать краткое резюме звонка»;
• «Хотим автоматизировать подготовку черновиков писем и документов»;
• «Нужен внутренний ассистент для сотрудников»;
• «Хотим анализировать обращения и формировать понятные сводки».

Общий признак таких задач:

• на входе много текстов, разговоров, документов, переписок;
• система должна понять смысл и выдать понятный человеку результат;
• ответ часто выглядит как текст, резюме, подсказка, черновик, рекомендация.

Простая фраза для клиента:

«Это уже больше похоже на GenAI-сценарий: у вас много текстов и диалогов, и задача не столько предсказать цифру, сколько понять смысл и помочь человеку с ответом или черновиком».

3. Когда это скорее RAG / AI-поиск

Отдельный частый тип задач — это не «свободная генерация», а поиск и ответ на основе внутренних знаний компании.

Типичные формулировки клиента:

• «Сотрудники долго ищут информацию в базе знаний»;
• «Нужно быстро находить нужные пункты в регламентах и инструкциях»;
• «Хотим, чтобы ассистент отвечал по нашим документам, а не "галлюцинировал"»;
• «Нужен поиск по договорам, инструкциям, базе знаний, FAQ».

Здесь важна мысль:

• клиенту не всегда нужен «умный чат вообще»;
• часто ему нужен контролируемый ответ на основе конкретных внутренних источников.

Простая фраза для клиента:

«В вашем случае задача больше не про творчество модели, а про надёжный поиск по внутренним знаниям компании. То есть в центре здесь будет AI-поиск / RAG-подход: система ищет нужный фрагмент в документах и уже на этой основе формирует ответ».

4. Когда нужен гибридный подход

В реальном B2B-клиенте задачи часто не укладываются в одну коробку. Например:

• нужно и анализировать диалоги, и оценивать риск ухода клиента;
• нужно и искать информацию в документах, и генерировать ответ;
• нужно и прогнозировать загрузку, и формировать текстовое объяснение для руководителя;
• нужно и извлекать данные из документов, и запускать следующий шаг в процессе.

Тогда честнее говорить клиенту так:

«У вас не чистая GenAI-задача и не чистая ML-задача. Скорее всего, здесь будет гибрид: одна часть решения отвечает за прогноз или логику, другая — за работу с текстами и знаниями».

Это важный момент, потому что многие клиенты слышат только слово GenAI и пытаются «натянуть» на него любую задачу.

Как быстро отличить тип задачи на первой встрече

Чтобы не уходить в технику, можно держать в голове 4 простых вопроса.

Вопрос 1. Что клиент хочет получить на выходе?

• число, прогноз, вероятность, рейтинг → скорее ML;
• текст, резюме, черновик, ответ, подсказку → скорее GenAI;
• найденный фрагмент знания / ответ по внутренним документам → скорее RAG / AI-поиск.

Вопрос 2. С чем система должна работать в основном?

• со структурированными историческими данными, таблицами, фактами → скорее ML;
• с письмами, диалогами, документами, описаниями, инструкциями → скорее GenAI / RAG.

Вопрос 3. Что считается хорошим результатом?

• точнее прогноз, лучше ранжирование, лучше сегментация → ML;
• быстрее ответ, лучше качество черновика, удобнее работа сотрудника → GenAI;
• быстрее и надёжнее поиск нужной информации → RAG / AI-поиск.

Вопрос 4. Не рано ли вообще обсуждать технологию?

Если клиент пока не может внятно объяснить:

• какую проблему решаем;
• кто владелец задачи;
• какие данные и процессы задействованы;
• как поймём, что стало лучше,

значит, выбор «ML или GenAI» пока преждевременный.

Как говорить об этом с клиентом без техножаргона

Важно не только самому отличать типы задач, но и объяснять это спокойно и понятно.

Плохой способ

• «У вас здесь скорее LLM-подход, но с retrieval pipeline и возможным post-processing»;
• «Нужно смотреть, это discriminative model или generative stack»;
• «Вам, вероятно, нужен ensemble из нескольких моделей».

Для первой встречи это почти всегда перебор.

Хороший способ

Говорить через тип задачи и ожидаемый результат. Примеры:

• «Если вам нужно прогнозировать спрос или загрузку — это, скорее, задача на машинное обучение и работу с историческими данными»;
• «Если вам нужно помогать сотрудникам отвечать клиентам и работать с письмами — это уже больше GenAI-сценарий»;
• «Если задача в том, чтобы быстро находить ответы в ваших внутренних документах, то тут в центре будет AI-поиск по базе знаний, а не просто "чат-бот вообще"»;
• «Похоже, у вас смешанная задача: часть про прогноз, часть про тексты и знания. Значит, решение, скорее всего, тоже будет гибридным».

Такой язык помогает клиенту почувствовать, что вы понимаете задачу, а не просто повторяете модные слова.

Сквозной пример

Возьмём контакт-центр. Клиент говорит:

«Хотим улучшить работу с обращениями, снизить нагрузку на операторов и лучше понимать, что происходит в диалогах».

На самом деле здесь может быть несколько разных AI-задач:

• ML: предсказать вероятность повторного обращения или оттока после контакта;
• GenAI: сформировать черновой ответ оператору или сделать резюме разговора;
• RAG: быстро находить подходящий ответ в базе знаний и регламентах;
• гибрид: анализировать диалоги, искать знания и подсказывать оператору, как отвечать.

То есть одна бизнес-зона может содержать несколько AI-подходов сразу. И задача первой встречи — не выбрать технологию «на глаз», а правильно разложить потребность клиента.

Проверьте себя