+7 383 380-81-89
22 июля 2023
Искусственный интеллект бывает двух разных видов, и путаница между ними стоит компаниям денег. Одни ждут от него предсказаний — а покупают генератор текстов, который предсказывать не умеет. Другие наоборот: ставят задачу «напиши мне письмо» перед системой, обученной считать числа.
Разница простая. Предиктивный ИИ смотрит на прошлое и отвечает на вопрос «что будет дальше» — числом или готовым вариантом. Генеративный ИИ отвечает на вопрос «сделай мне такое же, но новое» — текстом, картинкой, ответом в чате. Ниже разберём, чем они отличаются на деле, что каждый умеет и не умеет, и с чего начинать компании, у которой этого пока нет вообще.
Коротко
- Предиктивный ИИ учится на ваших прошлых данных и даёт ответ, который можно проверить числом: предсказал спрос — через месяц видно, попал или нет.
- Генеративный ИИ учится на языке и создаёт новое: текст, ответ, пересказ. Проверить его результат арифметикой нельзя, только прочитать.
- Предиктивному нужна история данных за месяцы и годы. Генеративному история не нужна — нужны документы и правила, по которым отвечать.
- Главный риск генеративного — уверенно выдумать неправду. Лечится не выбором модели, а тем, что помощник отвечает строго по вашим документам.
- В большинстве бизнес-задач нужны оба вида сразу, просто на разных шагах одного процесса.
В этой статье
Предиктивный ИИ: предсказывает
Предиктивный ИИ смотрит на то, что уже произошло, и отвечает на вопрос «что будет дальше». Он учится на прошлых данных компании: продажах, обращениях, поломках оборудования, платежах по кредитам. Находит в них закономерности и переносит их на будущее.
Что он умеет на практике:
- сказать, сколько товара закупить на следующий месяц по каждому магазину;
- определить, какой клиент вот-вот перестанет покупать, пока он ещё не ушёл;
- предупредить, что конкретный станок сломается в ближайшие недели;
- оценить, вернёт ли заёмщик кредит, по истории похожих заёмщиков.
Ответ у предиктивного ИИ всегда число или выбор из готовых вариантов: «купить 340 упаковок», «вероятность оттока высокая», «риск поломки низкий». Ничего нового он не сочиняет — задача всегда сводится к оценке на основе прошлого.
Пример из смежной темы. Прогноз спроса и предиктивный ИИ — это фундамент для динамического ценообразования: цена меняется по прогнозу продаж и остатков, а не «на глаз». Подробнее — в статье про динамическое ценообразование.
Генеративный ИИ: создаёт
Генеративный ИИ отвечает на другой вопрос: «сделай мне такое же, но новое». Пишет текст, отвечает в чате, пересказывает документ, переводит.
Он тоже учился на данных, но не на ваших продажах, а на огромных объёмах текстов и изображений из открытых источников. Поэтому он хорошо знает, как устроен язык, и совсем не знает, как устроена ваша компания, пока вы ему не расскажете.
Что он умеет на практике:
- отвечать клиентам по вашим документам, прайсам и регламентам;
- писать описания для тысяч карточек товаров за один проход;
- коротко пересказывать длинные документы и договоры;
- вести диалог в чате на сайте или в мессенджере вместо менеджера на рутинных вопросах.
Ровно на этом строится ИИ-продавец: помощник читает документы компании и ведёт разговор с клиентом, а не сочиняет ответы из головы. У юридической компании ФПК «Альтернатива» такой помощник в чате на сайте за три месяца поднял долю диалогов, которые доходят до заявки, с 10,3% до 59,6% и сам заводил заявки в CRM — 78 штук, с медианным временем ответа 8,4 секунды (источник: наш проект, 2026).
Главная разница и как её проверить
Предиктивный ИИ работает с цифрами компании и даёт ответ, который можно перепроверить арифметикой: предсказал спрос на месяц — через месяц видно, попал или нет, и на сколько процентов ошибся.
Генеративный ИИ работает с языком и смыслом. Его ответ нельзя проверить вычислением — можно только прочитать и оценить, годится он или нет. Это не недостаток, а другая природа задачи.
Отсюда практическое следствие для бюджета. Предиктивному нужны накопленные данные: без истории продаж или обращений он не предскажет ничего — учиться не на чем. Генеративному история компании не нужна вообще, но нужны документы и чёткие правила, по которым он будет отвечать клиенту.
| Признак | Предиктивный ИИ | Генеративный ИИ |
|---|---|---|
| Отвечает на вопрос | Что будет дальше | Сделай мне новое |
| Учится на чём | На ваших прошлых данных | На языке и текстах |
| Результат | Число или выбор варианта | Текст, ответ, пересказ |
| Как проверить | Сравнить с тем, что случилось | Прочитать и оценить |
| Что нужно для запуска | История данных за месяцы-годы | Документы и правила ответа |
| Типичная задача | Спрос, отток, поломки, риск | Ответ клиенту, текст, пересказ |
Что выбирать под задачу
«Сколько закупить, кто уйдёт, что сломается» — это предиктивный ИИ. Генеративный на этих вопросах выдаст правдоподобное число, и оно почти наверняка окажется неверным: он не считал вашу статистику, он сочинил ответ, похожий на правду.
«Ответить клиенту, написать текст, разобрать документ» — это генеративный ИИ. Предиктивный здесь бессилен: ему нечего предсказывать, задача не про число.
Часто нужны оба сразу, просто на разных шагах одного процесса. В интернет-магазине предиктивный ИИ считает, какой товар предложить конкретному клиенту и по какой цене, а генеративный пишет само сообщение этому клиенту и отвечает на его вопросы в чате.
Перепутали
- Просят генеративный ИИ предсказать спрос — получают красивое, но случайное число
- Просят предиктивный ИИ написать письмо клиенту — он умеет только считать
- Запускают дорогой предиктивный проект без истории данных — учиться не на чем
Разделили правильно
- Предиктивный считает, кому что предложить и когда
- Генеративный пишет и объясняет — по документам компании
- Оба встроены в один процесс и работают на разных его шагах
Про выдумывание: у каждого своя болезнь
Главный риск генеративного ИИ — он почти никогда не отвечает «не знаю». Если данных не хватает, он придумает связный и уверенный ответ, который окажется неправдой. Это не редкий сбой, а нормальное поведение системы, которая обучена продолжать текст правдоподобно, а не признаваться в незнании.
Осторожно. Лечится это не выбором «более умной» модели, а устройством решения. Помощник должен отвечать строго по вашим документам и не иметь возможности сочинить факт, которого там нет. Тогда придумывать ему буквально негде — а не только «не хочется».
У предиктивного ИИ своя болезнь, менее заметная. Он уверенно продолжает прошлое в будущее. Если условия резко изменились — вышел новый конкурент, поменялся сезон, случился скачок цен — модель этого не поймёт и будет предсказывать по-старому, с прежней уверенностью в голосе цифр. Поэтому её результаты пересматривают регулярно, а не настраивают один раз и забывают.
Что происходит на рынке сейчас
Оба направления растут, но с разной скоростью. Российский рынок генеративного ИИ вырос с 13 млрд ₽ в 2024 году до 58 млрд ₽ в 2025 — почти в 4,5 раза за год, и на бизнес приходится большая часть этого объёма.
Источник: AIANA, «Коммерсантъ», 2026
Источник: Onside, Just AI; CNews, 2025
Практический вывод для компании: интерес рынка сместился на генеративный ИИ, потому что он быстрее запускается и не требует истории данных. Но предиктивный никуда не делся — просто про него меньше пишут, хотя именно он даёт самый понятный эффект в деньгах там, где данные уже накоплены: в закупках, в оттоке клиентов, в обслуживании оборудования.
С чего начинать компании
Не с выбора вида ИИ, а с вопроса — что у вас уже есть.
- Проверьте, что накоплено.
Данные за пару лет по продажам, обращениям или поломкам — это материал для предиктивного ИИ, и он даст самый понятный эффект в деньгах, потому что решает конкретную числовую задачу.
- Если данных нет — посмотрите на документы.
Регламенты, прайсы, поток однотипных вопросов от клиентов — это стартовая площадка для генеративного. Он не требует истории и запускается быстрее: готовую модель применить намного дешевле, чем обучить свою.
- Если нет ни того ни другого — начните с порядка в данных.
Прежде чем считать что-либо в компании, данные нужно собрать в одном месте и привести к единому виду — иначе даже генеративному помощнику будет нечем отвечать. Разбирали, зачем это нужно, в статье про репозиторий данных простыми словами.
- Не пытайтесь внедрить оба вида сразу, если компания делает первый шаг.
Начните с той задачи, которая болит сильнее всего сегодня, и с того вида ИИ, для которого у вас уже есть материал — данные или документы.
Частые вопросы
Что появилось раньше — предиктивный или генеративный ИИ?
Предиктивный. Предсказание чисел по истории данных бизнес использует десятилетиями, ещё до того, как про искусственный интеллект стали говорить массово. Генеративный ИИ, который умеет писать связные тексты и вести диалог, стал массово доступен позже и вызвал куда больше шума в новостях.
Можно ли одной системой закрыть обе задачи?
Технически можно связать оба вида в одном процессе — например, чтобы предиктивная часть считала, кому что предложить, а генеративная писала само сообщение. Но это две разные системы под капотом, у каждой свои данные и своя логика проверки результата, а не одна универсальная модель на всё.
Что дешевле внедрить — предиктивный или генеративный ИИ?
Дешевле и быстрее обычно генеративный, потому что не нужно копить историю данных за годы — достаточно документов и регламентов. Но итоговая цена сильно зависит от задачи и объёма данных с обеих сторон, точнее скажем после разбора вашего случая.
Почему генеративный ИИ иногда отвечает уверенно, но неправильно?
Потому что он обучен продолжать текст правдоподобно, а не признаваться в незнании. Если ему не хватает фактов, он сочинит связный ответ вместо того, чтобы сказать «не знаю». Решается это не выбором другой модели, а тем, что помощник отвечает строго по документам компании и не может выйти за их пределы.
Нужна ли компании история данных за несколько лет, чтобы начать с предиктивного ИИ?
Желательно данные хотя бы за год, а лучше за два-три — так видно сезонность и повторяющиеся закономерности. Если истории меньше, предиктивная модель будет ошибаться заметно чаще, и разумнее сначала накопить данные, а начать с генеративного ИИ на документах.
Назад к блогу
