.jpg)
Сегодня AI-ассистенты с генеративным интеллектом (так называемые copilot-ассистенты) способны высвободить до 30% времени при составлении служебной записки и акта обследования состояния охраны труда. При этом важнейшие документы будут составляться «налету», а формулировки будут выверены и точны. Валентина Кулагина, руководитель продуктового офиса компании ICL Services, рассказывает, что нужно сделать, чтобы это работало.
Представьте, что вы – специалист по охране труда и держите в голове десятки многостраничных нормативных документов, охватывающих различные аспекты безопасности и охраны труда на предприятии. Запомнить их все можно, но для этого нужны годы – а в среднем специалист по охране труда должен знать около 50 нормативных документов, в зависимости от специфики работы предприятия.
Чаще эти знания здесь не ограничиваются лишь трудовым законодательством, ГОСТами и СНИПами. Также необходимо учитывать множество отраслевых стандартов организации для топливно-энергетического комплекса, горнодобывающих предприятий, энергетики, химической промышленности.
Ваша задача – провести аудит охраны труда на нескольких производственных площадках предприятия командой в 10 человек и нужно уложиться в 1-2 рабочих дня. В вашей команде – много молодых специалистов по ОТиПБ, которые выучили положения и инструкции наизусть. Но сомнения о том, что по итогам аудита вам удастся собрать воедино записи от 10 разных аудиторов, убрать дублирующие нарушения и качественно оформить служебную записку и акт проверки в кратчайший срок, все же имеются. Что с этим делать?
В первую очередь, чаще всего при подготовке документов возникают следующие сложности:
Важно четко и объективно описать нарушение, указать его последствия, сослаться на нормы законодательства и предложить конкретные меры для исправления ситуации.
Глобальные языковые модели, такие как ChatGPT (США) и DeepSeek (Китай), завоевали популярность среди пользователей в России. Но бизнес – крупные российские компании, особенно в критически важных информационных инфраструктурах (КИИ), проявляют большую осторожность при их использовании. Вместо этого они все чаще рассматривают локальные (on-premise) решения на базе отечественных разработок. Почему?
Ограничения глобальных моделей
1. Риски конфиденциальности
Одна из главных проблем — это угроза утечки данных. Крупные корпорации опасаются, что персональные данные клиентов, финансовые документы или конфиденциальная информация могут быть переданы на зарубежные серверы. Это создает почву для потенциальных хакерских атак или неправомерного использования данных.
2. Отсутствие контроля над моделью
Глобальные модели часто имеют закрытую архитектуру, что ограничивает возможности их адаптации под специфические задачи российского бизнеса. Корпорациям сложно настроить такие модели для решения узкоспециализированных задач или интегрировать их в существующие системы.
3. Комплаенс-риски
Использование глобальных моделей связано с регуляторными и политическими рисками. Отсутствие действенных механизмов минимизации таких рисков усиливает ответственность компаний за возможную потерю данных. Модели могут генерировать как правдоподобные, так и ошибочные или вводящие в заблуждение выводы, что может привести к серьезным последствиям в результате дезинформации.
Развитие локальных решений
Перечисленные выше факторы стимулируют развитие отечественного рынка языковых моделей (LLM), которые могут быть развернуты локально. Такие решения особенно актуальны для компаний, которым необходимо внедрять copilot-ассистенты на базе моделей по типу GPT-3.5 для внутренних бизнес-процессов. Локальное развертывание позволяет:
Гибридные подходы и будущее технологий
Технологический прогресс и стремление к инновациям подталкивают корпорации тестировать отечественные модели, предоставляемые такими компаниями, как Яндекс, МТС и Сбербанк. Эти решения особенно востребованы в сложных производственных процессах, где требуется точное управление технологическими операциями и расчетами.
Однако для работы с более мощными моделями, такими как GPT-4, корпорациям может потребоваться создавать безопасные гибридные облака. Это позволит интегрировать высокопроизводительные ИИ-решения и оборудование провайдеров в собственные процессы без ущерба для безопасности и контроля.
Ежеквартальный аудит охраны труда — рутинная, но критически важная задача для предприятий. С появлением локальных copilot-ассистентов, внутренние проверки превращаются в управляемый и прогнозируемый процесс.
1. Поиск и интерпретация нормативной базы
Периодические внутренние проверки охраны труда требуют от специалистов быстрой и точной обработки больших объемов информации — от нормативной базы до конкретных замечаний по каждой площадке. Генеративный искусственный интеллект может стать эффективным инструментом на всех этапах аудита.
2. Анализ выявленного нарушения – обнаружение опасных условий и потенциальных угроз для работников.
Модель помогает систематизировать собранные материалы: выявленные нарушения, пояснения к ним, возможные санкции и расхождения с внутренними стандартами. Специалисту не нужно тратить время на сопоставление с нормативной базой — он получает конкретные ссылки и пояснения в одном окне.
3. Генерация протокола нарушения
На основе выявленных данных модель формирует черновики документов — с указанием нарушений, оснований, возможных последствий и предложений по устранению. Это снижает вероятность формальных ошибок и позволяет сконцентрироваться на содержательной части аудита.
4. Рекомендации по исправлению нарушения
Генеративный ИИ также может предложить меры по предотвращению повторных нарушений — от корректировок инструкций до проведения обучения. Это особенно актуально для предприятий, где охрана труда требует постоянного обновления подходов в соответствии с меняющимся законодательством.
Такие функции уже реализованы в корпоративных решениях, например, в Pro.ГенИИ — локальной платформе для работы с безопасными GPT-моделями. Благодаря развертыванию в периметре предприятия решение обеспечивает контроль над данными и гибкую адаптацию под бизнес-процессы.
Локальные GPT-модели, развернутые внутри периметра организации дают больше контроля над затратами, производительностью и безопасностью данных. Перед внедрением copilot-ассистента стоит внимательно оценить все риски и альтернативы.
Российские copilot-ассистенты легки и просты в общении, как глобальные, широко популярные GPT-модели ChatGPT и DeepSeek. Они также имеют веб-интерфейс для загрузки документов, API для подключения к корпоративным системам и боты для работы с мобильных устройств. И если вы решили внедрить copilot-ассистента, то потребуется не больше одного рабочего дня, чтобы освоить работу с ним и начать успешно использовать.
И главное: не поддавайтесь панике. Если copilot-ассистент не использует генеративную модель GPT-4, это не значит, что это несовременно и не принесет пользы для бизнеса. Кому нужна “стрельба из пушки по воробьям”?
По нашему опыту в ICL Services, использование генеративного ИИ с меньшими характеристиками способно высвободить до 30% времени сотрудников, если его внедрить в следующих направлениях: охрана труда и бережливое производство, HR и онбординг, маркетинг, финансы и бухгалтерия, юридические услуги, центры клиентского обслуживания, поддержка пользователей и клиентов, консалтинговые услуги и трендвотчинг, где не требуется решения суперзадач и сложных математических расчетов “для полета в космос”.
Именно для таких задач российское научное сообщество продолжит создавать новые архитектуры и методы обучения моделей, где наиболее интересным сейчас выглядит направление разработки маленьких (или lite) языковых моделей.
Реклама ООО «ДжиДиСи Сервисез» ИНН 1660146230 ОГРН 1101690062638
