Автор: Хадас Леви (Hadas Levi), старший менеджер по продукту, C3 Code, C3 AI
В отчете Массачусетского технологического института (MIT) за 2025 год «Разрыв в сфере генеративного ИИ» (The GenAI Divide) отмечается, что около 95 процентов корпоративных инициатив в области генеративного ИИ не показывают измеримой окупаемости. Одной из главных причин этого является сложность «последней мили» при разработке корпоративных ИИ-приложений: подключение актуальных корпоративных данных, моделирование бизнес-процессов, обеспечение контроля доступа и запуск решения в срок и в рамках бюджета. Универсальные инструменты для написания кода могут быстро создавать программный код, но предприятиям по-прежнему приходится самостоятельно достраивать остальную архитектуру приложения.
Этот разрыв между прототипом и продакшеном становится особенно заметным при проектировании программного обеспечения для решения масштабных и сложных задач, таких как закупка материалов для строительства дата-центров. В настоящее время развертывается колоссальная физическая инфраструктура для поддержки экспоненциального роста использования ИИ во всех секторах экономики. Это развертывание работает на «железе», а «железо» работает на сырьевых товарах. Одна стойка с ускорителями (специализированными компьютерными чипами, которые обеспечивают вычисления для ИИ и размещаются внутри дата-центров) содержит медь, алюминий и специальный кремний на тысячи долларов, и все они подвержены колебаниям рыночных цен в зависимости от глобальных событий. Для команд, закупающих эти детали, три вопроса имеют первостепенное значение: сколько должна стоить деталь, у кого ее купить и как меняется эта цена при изменении ситуации на рынке.
Платформа C3 Code была создана для решения проблемы «последней мили». Вы описываете то, что хотите получить — свой идеальный результат или приложение — на обычном языке, а автономные агенты создают его на платформе C3 Agentic AI Platform, являющейся основой C3 AI для создания, развертывания и управления корпоративными ИИ-приложениями. Все приложения, созданные с помощью C3 Code, опираются на корпоративную онтологию (структурированную модель ваших данных на базе системы типов C3 AI, которая связывает бизнес-сущности, процессы и взаимосвязи, критически важные для функционирования вашего бизнеса) и контролируются с момента ввода первого промпта.
Мы поработали с компанией, управляющей дата-центрами, чтобы применить C3 Code к этой задаче закупок, и создали приложение для ее решения за 72 часа. Вот как это было реализовано.
Закупки в масштабах дата-центра выводят из строя электронные таблицы
Закупка сырьевых материалов для строительства дата-центра — это расчет, который приходится пересчитывать каждый раз при изменении рыночной конъюнктуры. Входные данные взаимозависимы, и каждое из них меняется по собственному графику, поэтому в тот момент, когда команда по закупкам фиксирует результат в электронной таблице, описываемый ею мир уже успевает измениться. Пять факторов делают эту задачу невосприимчивой к любой статичной модели:
- Цены привязаны к биржевым товарам. Обрабатываемый кронштейн или медная шина не имеют фиксированной цены. Их стоимость привязана к базовому индексу, поэтому согласованное предложение устаревает по мере изменения этого индекса.
- Стоимость с учетом доставки — это не цена за единицу. Реальная стоимость от поставщика складывается из базовой цены плюс пошлин, которые зависят от торговой политики, и стоимости доставки. Два поставщика с одинаковой базовой ценой могут дать совершенно разные итоговые суммы.
- Закупки — это задача с ограничениями. Команды не могут выбирать самого дешевого поставщика для каждой детали. У поставщиков есть ограничения по мощности, часто требуется несколько источников, а некоторые имеют факторы риска или длительные сроки выполнения заказов, которые исключают их из рассмотрения.
- Риски носят внешний характер и реализуются быстро. Забастовка, санкции или сбой в транспортных коридорах могут в одночасье сделать план недействительным. Этот сигнал поступает из внешних новостей.
- Анализ заперт в ловушке. Создание обоснованной рекомендации обычно требует эксперта по закупкам с электронной таблицей, при этом многие заинтересованные лица не обладают достаточными знаниями или контекстом, чтобы подвергнуть ее сомнению.
Эффективное приложение для оптимизации закупок должно удерживать всю эту информацию одновременно в рамках элегантно спроектированного решения. Создание такого решения с нуля собственными силами потребовало бы месяцев работы по интеграции. C3 Code собрала его менее чем за одну рабочую неделю.
От промпта до полного стека технологий
Команда по закупкам дата-центра начала с описания своего идеального приложения на обычном разговорном языке. C3 Code составила план сборки, а затем приступила к настройке. Каждый компонент появлялся в C3 AI Studio (графическом рабочем пространстве в составе платформы C3 Agentic AI Platform для создания, тестирования и развертывания приложений) по мере его готовности.
Рисунок 1: План сборки C3 Code в C3 AI Studio. То, на что обычно уходят месяцы интеграционных работ, происходит за один 75-секундный запуск: C3 Code планирует сборку и собирает полный стек (модель данных, актуальные данные, 3D-представления и оптимизатор) компонент за компонентом в C3 AI Studio.
Сначала была создана основа. C3 Code сгенерировала модель данных, на которой базируется приложение: сущности для деталей, поставщиков, котировок и рыночных цен с ключами и связями, собранные в единую связанную онтологию, а не в виде несвязанных строк в таблице. Модель данных позволяет каждому последующему этапу сборки оперировать реальными активами и их взаимосвязями.
Рисунок 2: Сгенерированная модель данных. Поскольку детали, поставщики и цены смоделированы как единая связанная онтология, а не как разрозненные строки, каждый последующий шаг может учитывать реальные активы и их взаимосвязи.
Затем C3 Code подтянула актуальные данные, такие как сырьевые и экономические ряды из FRED (общедоступной службы данных Федеральной резервной системы), и преобразовала их в ежедневную таблицу цен, которую модель может читать. Решение отображало стоимость деталей в реальном времени с учетом текущего рынка, поэтому команда по закупкам работала с актуальным источником достоверной информации.
Рисунок 3: Актуальные сырьевые и экономические ряды из FRED, преобразованные в цены, которые считывает приложение. Стоимость каждой детали отражает текущую ситуацию на рынке, а не день подписания котировки.
Затем — физическое представление: C3 Code сгенерировала интерактивные 3D-представления, которые связывают «железо» дата-центра с данными о его закупках и стоимости, начиная с чипа и заканчивая платой и стойкой. Медь, которая обеспечивает передачу питания и охлаждение для каждой стойки с ИИ (от шин и кабелей до пластин жидкостного охлаждения для каждого чипа), отображается в 3D-представлении вплоть до отдельного компонента. Пользователи могут кликнуть на стойку и увидеть каждую медную деталь в спецификации материалов, причем каждая из них имеет цену по текущему рыночному курсу.
Рисунок 4: Спецификация материалов с ценами, от чипа до стойки, с отображением меди вплоть до детали. Покупатель может отследить затраты и увидеть, где именно находятся деньги, без необходимости использовать отдельную таблицу для расчета затрат.
C3 Code также создала глобальную карту поставщиков и материалов, новостной канал для отслеживания рисков цепочки поставок и интуитивно понятный интерфейс для поиска и запросов всей этой информации. Ни один из этих компонентов приложения не настраивался вручную — команда наблюдала, как C3 Code собирает все это на платформе C3 Agentic AI Platform.
Внутри оптимизатора закупок
Аналитическим сердцем приложения является оптимизатор закупок — алгоритм, который одновременно взвешивает стоимость, пропускную способность и риски, чтобы рекомендовать, у каких поставщиков делать закупки. Он отвечает на главный вопрос: учитывая все, что нам известно прямо сейчас, каков наименее затратный способ приобретения этих деталей?
Оптимизатор начинает с пересчета каждой котировки. Базовая цена котировки масштабируется в зависимости от того, насколько изменился ее сырьевой индекс с момента выставления котировки, после чего добавляются таможенные пошлины и стоимость доставки. В результате получается актуальная полная стоимость (landed cost) этого поставщика на сегодняшний день.
Затем производится расчет. Оптимизатор представляет собой задачу смешанно-целочисленного линейного программирования: он ищет допустимые комбинации переменных и возвращает самую дешевую из них, удовлетворяющую заданным ограничениям. Он работает в трех режимах: по сегодняшним спотовым ценам; по шестимесячному прогнозу, чтобы команда могла действовать с учетом будущих цен; или по сценарию «что, если», когда вы задаете вопрос о том, что произойдет, если цена на медь вырастет на 20 процентов или таможенная пошлина страны поднимется до 60 процентов, и наблюдаете за пересчетом плана.
Оптимизатор работает над удовлетворением спроса, учитывая при этом производительность каждого поставщика и соблюдая правило диверсификации, которое не позволяет какому-либо одному поставщику занимать слишком большую долю в поставках детали. Перед началом расчетов система отсеивает поставщиков с чрезмерным временем выполнения заказа или исключает их из-за флагов рисков. Рекомендации системы прозрачны и прослеживаемы по своему дизайну: они показывают долю, количество, эффективную цену и рыночную стоимость, которая на нее повлияла. Система даже сообщает маржинальные издержки на каждую дополнительную единицу каждой детали, чтобы покупатель видел, куда уходит каждый следующий доллар.
Рисунок 5: Оптимальное сочетание поставщиков по полной стоимости (least landed-cost) с учетом реальной производственной мощности и лимитов диверсификации. Это дает команде обоснованный план закупок за один расчет, демонстрируя самую дешевую соответствующую требованиям комбинацию поставщиков на сегодняшний день и на перспективу 6 месяцев вперед.
Оптимизатор закупок предоставляет динамичные и точные рекомендации, на основе которых команда по закупкам может действовать немедленно и с уверенностью, вместо того чтобы работать с хрупкой моделью на основе электронных таблиц, на пересстройку которой ушли бы дни при изменении цен на медь или снижении мощности поставщика.
Бот-собеседник для неспециалистов
Чтобы приложением мог пользоваться человек, не являющийся специалистом по расчету затрат, C3 Code встроила в пользовательский интерфейс бота-собеседника.
Бот выполняет такие задачи, как запуск оптимизатора, предварительный просмотр цен для отдельной детали, запросы к модели данных и создание диаграмм, и все это на основе запросов на естественном языке. Попросите его оптимизировать холодную пластину из меди на тысячу тонн в месяц по спотовым ценам с правилом двух источников, и он запустит оптимизацию и вернет результат. Бот планирует свою работу, транслирует свой прогресс по ходу выполнения, а также сохраняет заметки и историю между сеансами.
Рисунок 7: Бот-собеседник запускает оптимизатор и исследует данные с помощью запросов на естественном языке.
Теперь специалист по закупкам может получить обоснованное решение по закупкам, просто запросив его непосредственно в приложении. Экспертные знания хранятся в приложении, и каждый может получить к ним доступ и работать с ними, а не в статической таблице одного аналитика.
Почему приложения C3 Code эффективны в промышленной эксплуатации
Рабочая демоверсия с мощными функциями может впечатлять, но это не то же самое, что программное обеспечение, готовое к использованию на уровне предприятия. Результаты работы универсальных агентов по написанию кода редко оказываются достаточно надежными для развертывания. Вместо этого C3 Code опирается на проверенные корпоративные компоненты и онтологию домена, поэтому средства контроля доступа, развертывание и журналы аудита закладываются с самого первого запроса, а не добавляются поверх задним числом. Упомянутое выше приложение для закупок — это не прототип; это готовое к работе программное обеспечение, которое команда по закупкам может сразу задействовать в работе. Команда по закупкам не является исключением. Разработчики в компаниях из сфер производства, материаловедения и тяжелой промышленности прошли тот же путь от запроса к промышленной эксплуатации и описывают этот опыт в схожих выражениях:
«Мне потребовалось около четырех-пяти часов в общей сложности, чтобы получить работающую модель. Я был поражен».
— Разработчик C3 Code в Cargill
«Если я даю C3 Code задачу, он просто берет и выполняет ее».
— Разработчик C3 Code в Nucor
Рисунок 8: Приложение для закупок дата-центра на одной странице. Шесть возможностей, каждая из которых могла бы стать отдельным проектом — типизированная модель данных, живые рыночные данные, трехмерный вид с ценами, оптимизатор закупок, бот-собеседник и средства управления с самого первого запроса — поставляются в виде единого приложения, созданного C3 Code за считанные дни.
Вывод MIT о том, что большинство усилий в области корпоративного ИИ не приносят измеримой отдачи, обусловлен проблемой «последней мили»: демоверсия работает, но модель данных, управление и развертывание так и не создаются, поэтому работа никогда не доходит до промышленной эксплуатации. C3 Code решает эту проблему «последней мили» по умолчанию. Приложение для закупок — это лишь один из примеров общего паттерна: аналогичный подход позволяет создать модель надежности для производителя, рабочий процесс обработки претензий для страховой компании или монитор рисков для команды логистики, причем каждое решение основывается на данных самой организации и управляется с самого первого запроса.
Создайте свое собственное приложение за один день
Если этот подход нашел у вас отклик, присоединяйтесь к нашему ИИ-акселератору — практическому мастер-классу, на который вы приносите реальную бизнес-проблему и собственные данные, а уходите с работающим приложением корпоративного ИИ, созданным с помощью C3 Code, а также с навыками создания следующего приложения.
23 сентября 2026 г., с 8:30 до 17:30. Штаб-квартира C3 AI: 1400 Seaport Blvd, Redwood City, CA 94063.
Количество мест ограничено. Зарегистрируйтесь для участия в разработке на c3.ai/events/ai-accelerator/.
Авторы
Хадас Леви — старший менеджер по продукту в C3 AI, где он руководит разработкой C3 Code. Ранее он работал в Walmart и SolarEdge, руководя масштабными инициативами по оптимизации цепочек поставок и производства. Хадас имеет степень MBA школы бизнеса Хааса Калифорнийского университета в Беркли, степень магистра в области экологических исследований Тель-Авивского университета и степень бакалавра в области делового администрирования и политологии.
Источник: А. Чаллапалли, К. Пиз, Р. Раскар и П. Чари, «Разрыв GenAI: Состояние ИИ в бизнесе 2025», MIT NANDA, июль 2025 г.
