LegalOn Technologies предлагает профессиональные решения на базе ИИ по всему миру, используя искусственный интеллект для поддержки юридической работы и других ключевых бизнес-функций. Объединяя предметную экспертизу с ИИ, компания помогает людям сосредоточиться на сложных суждениях и принятии решений. Ее цель — управление на основе ИИ, которое повышает качество и скорость принятия бизнес-решений.
Этот подход распространяется не только на продукты компании, но и на превращение самой организации в структуру, изначально созданную под ИИ. Компания интегрировала Codex в свой процесс разработки и расширила его использование в масштабах всей организации за счет повседневного применения.
По мере роста популярности инструмента возникла новая задача: контроль затрат. Неограниченное использование высокопроизводительных моделей могло увеличить расходы, в то время как общие ограничения грозили подорвать прирост производительности, обеспеченный ИИ.
Как снизить затраты, не замедляя разработку? LegalOn Technologies решила эту задачу, выбирая между GPT-6 (Astra, Luna) и GPT-6.1 Sol в зависимости от сложности задачи и этапа разработки, а также согласовывая бюджеты с этапом роста каждого бизнеса. Компания сократила расходы вдвое, сохранив при этом скорость разработки.
Оптимизация моделей для поддержания скорости разработки и снижения затрат
Изначально компания предоставила разработчикам неограниченный доступ к своей основной модели, GPT-5.5 в режиме Fast. Они расширили ее применение на проектирование, реализацию и повседневную работу, изучая путем экспериментов, как лучше распределить обязанности между людьми и ИИ.
Однако дальнейшее использование высокопроизводительных моделей без ограничений неизбежно привело бы к превышению годового бюджета. Центр компетенций по разработке на базе ИИ компании (AID CoE) начал разрабатывать руководства по выбору моделей. AID CoE тестировал и отслеживал модели, а руководители делились результатами с командами. Это позволило каждому инженеру самостоятельно выбирать наиболее подходящую модель для каждой задачи.
Сопоставление моделей с задачами и стратегическое распределение ресурсов
Новые рекомендации изменили подход компании: вместо использования самой мощной модели для любой задачи специалисты стали выбирать подходящий инструмент. Команды начинали с облегченной модели и переходили к более мощным по мере роста сложности задачи.
Для поддержки управления компания также внедрила системные средства контроля через настройки администратора с месячными лимитами использования для отделов и отдельных сотрудников. AID CoE отслеживает использование и корректирует лимиты по мере необходимости бизнеса.
Внутреннее тестирование в рамках этих средств контроля помогло сделать критерии выбора более конкретными. GPT-6 Luna, самая легкая модель, справляется с реализацией кода при четких требованиях; GPT-6.1 Sol поддерживает стандартное проектирование, анализ данных и подготовку документов; а GPT-6 Astra, самая мощная модель, решает задачи повышенной сложности, включая проектирование архитектуры. Сопоставление моделей с задачами постепенно стало общей практикой для всех команд.
Выбор из трех моделей для разных задач
GPT-6 Luna
Повседневное выполнение и реализация задач; запуск повседневных автоматизаций; делегирование относительно простых задач и анализа; реализация кода, в основном в качестве субагента.
GPT-6.1 Sol
Стандартное проектирование и анализ; относительно простое проектирование программного обеспечения; рутинный численный анализ и создание документов; задачи, требующие меньше времени на выполнение, чем с Luna.
GPT-6 Astra
Комплексный анализ, проектирование и оркестрация; сложный анализ и создание документов; сложное проектирование программного обеспечения; координация агентов в роли оркестратора.
Наряду с выбором моделей компания начала по умолчанию ограничивать режим Fast, разрешая индивидуальные запросы только при необходимости. Хотя это изменение вызвало опасения по поводу скорости разработки, команды использовали такие подходы, как параллельное выполнение задач, чтобы поддерживать производительность и обеспечить плавный переход.
Компания также внедрила ограничения бюджета на расходы на ИИ на уровне отделов, групп и отдельных лиц. Зрелому бизнесу LegalOn было предложено повысить экономическую эффективность примерно на 20%, в то время как новые бизнесы на этапе запуска получили щедрые бюджеты для стимулирования активного использования ИИ.
Юта Токитакэ (Yuta Tokitake), старший менеджер по инженерным вопросам в LegalOn Technologies, поясняет, что для новых бизнесов скорость работы была важнее экономической эффективности. Цель заключалась в широком использовании ИИ для увеличения объемов выпуска и, в конечном счете, стимулирования роста бизнеса.
Сочетание выбора моделей, ограничений функций и бюджетов, адаптированных под каждый бизнес, позволило сократить расчетные ежедневные затраты примерно на 65%. Такой подход позволил удержать общий бюджет под контролем и направить ресурсы на те направления бизнеса, которые компания хотела развивать.
Результаты вкратце
Оптимизация моделей и стратегическое распределение ресурсов принесли следующие результаты:
- Переход от использования самой мощной модели для каждой задачи к выбору GPT-6 Astra, GPT-6.1 Sol или GPT-6 Luna в зависимости от сложности задачи и этапа разработки.
Переход от использования самой мощной модели для каждой задачи к выбору GPT-6 Astra, GPT-6.1 Sol или GPT-6 Luna в зависимости от сложности задачи и этапа разработки.
- Сохранение показателей разработки после ограничения режима Fast по умолчанию при поддержке таких командных практик, как параллельное выполнение задач.
Сохранение показателей разработки после ограничения режима Fast по умолчанию при поддержке таких командных практик, как параллельное выполнение задач.
- Бюджетные ограничения, сочетающие примерно на 20% большую эффективность в зрелом бизнесе с активными инвестициями в новые направления.
Бюджетные ограничения, сочетающие примерно на 20% большую эффективность в зрелом бизнесе с активными инвестициями в новые направления.
- Сокращение расчетных ежедневных затрат на 65% по сравнению с GPT-5.5 за счет выбора между моделями GPT-6 и 6.1.
Сокращение расчетных ежедневных затрат на 65% по сравнению с GPT-5.5 за счет выбора между моделями GPT-6 и 6.1.
Измерение истинной рентабельности инвестиций в ИИ через выпуск функций
Благодаря оптимизации моделей компания снизила затраты без ущерба для скорости и качества разработки. Команды также отмечают, что ИИ стабильно сокращает цикл от разработки до выпуска.
Но компания смотрит в будущее. Делает ли одна лишь скорость разработки инвестиции в ИИ успешными? Связь между ускорением разработки и ценностью для клиентов оставалась неясной. «Почти само собой разумеется, что ИИ может ускорить разработку и обновление систем, — говорит Токитакэ. — Что мы действительно хотим понять, так это то, действительно ли эта более быстрая разработка транслируется в ценность для клиентов».
Этот вопрос побудил компанию разработать собственную метрику, сместив основу для оценки инвестиций в ИИ со скорости разработки и объемов использования на ценность для клиента.
Токитакэ поясняет: «При использовании ИИ мы можем отслеживать стоимость отдельных задач, но общая стоимость завершенной работы — выпуска функции — часто остается «черным ящиком». Поэтому мы построили измерения вокруг каждого релиза функции как единого целого. Связывая ценность для клиента, которую обеспечивает этот релиз, с фактическими затратами на ИИ, инвестированными в него, мы стремимся сделать окупаемость инвестиций видимой и точной».
В настоящее время компания создает конвейер для расчета этой метрики. После его завершения станет видна истинная рентабельность инвестиций (ROI) с точки зрения ценности для клиента. LegalOn Technologies движется от управления затратами на ИИ к прямой увязке технологических инвестиций с ценностью для бизнеса.
Создание организации и управления для эпохи искусственного интеллекта
Следующая цель — превратить индивидуальные инженерные знания в области ИИ в возможность для всей организации. В качестве первого шага компания планирует создать базу знаний для сбора и обмена практическим опытом. Она будет собирать знания, такие как лучшие комбинации моделей для проектирования, реализации и обзора, и быстро превращать индивидуальные успехи в общекорпоративные лучшие практики.
Эти изменения, основанные на практическом опыте команд, также влияют на организацию и процесс найма. Повышение производительности за счет ИИ заставляет компанию фундаментально переосмыслить, как работа распределяется между людьми и ИИ, а также пересмотреть свои кадровые планы. Она уже начала уделять больше внимания навыкам в области ИИ при найме сотрудников, поскольку ее инвестиционная стратегия и организационная структура меняются.
Превращение внедрения ИИ в долговременное конкурентное преимущество требует постоянного совершенствования баланса между управлением и свободой действий команд. AID CoE и команда безопасности работают вместе над оптимизацией производительности, затрат и рисков с нескольких точек зрения, создавая гибкую систему, которая поддерживает экспериментирование по всей организации.
“Чрезмерные ограничения через правила и бюджеты могут подорвать динамику организации. Нам нужен гибкий операционный модель, который эффективно балансирует контроль рисков с тем скоростью, которая нужна командам.”
Юта Токитака, старший инженерный менеджер, LegalOn Technologies
