ИИ-решения для бизнеса. Часть 1: критерии выбора, круг задач сегодня и в перспективе, комментарии экспертов

ICT-Online.ru: Как российские компании подходят к выбору ИИ-инструментов и решений?

Генеральный директор Инфомаксимум Александр Бочкин: Практика говорит, что на текущий момент наиболее уверенно ИИ используется там, где есть большой объем повторяющихся рутинных операций и понятный конечный результат. Например, в клиентской поддержке, обработке документов и обращений, подготовке контента, аналитике, разработке ПО, отдельных бэк-офисных функциях. Здесь ИИ, можно сказать, полноценный рабочий инструмент.

Генеральный директор Инфомаксимум Александр Бочкин
Фото: Инфомаксимум

Но это не говорит о том, что только в тех подразделениях и задачах ИИ используется. Это самые понятные истории. Активно начинают автоматизироваться более сложные сценарии — контроль процессов в реальном времени, работа с корпоративными знаниями, поиск отклонений и причин. Постепенно в работу встраиваются ИИ-ассистенты и ИИ-агенты. Первые помогают сотруднику решать отдельные задачи — например, искать информацию, анализировать данные или готовить материалы. Агенты способны действовать более автономно — получить цель, определить необходимые шаги, обратиться к корпоративным системам и выполнить действия для получения результата.

Советник генерального директора Content AI Олег Сажин: За последние два-три года подход российских компаний к выбору ИИ-решений заметно изменился. В 2022-2023 годах большинство ограничивалось экспериментами, сейчас же многие игроки в корпоративном сегменте реализуют пилотные проекты на реальных бизнес-задачах. При этом компании действуют максимально прагматично и исходят из того, что каждое вложение должно быть обосновано. Проекты «эксперимента ради» в нынешних экономических условиях не запускаются.

Советник генерального директора Content AI Олег Сажин
Фото: Content AI

Во главу угла ставятся соответствие инструмента бизнес-задаче и ожидаемый эффект от внедрения. Приведу пример из нашей практики. Задачи распознавания документов гораздо проще и дешевле решать с помощью классических IDP-инструментов, где модель может подключаться на следующем этапе, например, для извлечения смысловых сущностей и резюмирования содержания. Это позволяет сэкономить буквально миллионы рублей «на железе». Кроме того, заказчики хотят заранее понимать, на сколько сократится число ошибок, время обработки документов или человеко-часы на рутинных операциях. Для этого перед запуском проекта насколько возможно детально просчитывается его экономика и ROI.

Не менее важны безопасность данных и соответствие российскому законодательству в области защиты информации. Поскольку корпоративные заказчики должны четко контролировать, где обрабатываются данные и кто имеет к ним доступ, серьезным преимуществом обладают решения, позволяющие развертывать решения внутри локальной инфраструктуры.

Эти же требования во многом определяют выбор между отечественными и зарубежными моделями. В корпоративном и государственном сегментах преобладает спрос на российские модели, прежде всего YandexGPT и GigaChat. Дело не только в качестве самих моделей, но и в уверенности, что российские вендоры не отрежут от обновлений и техподдержки, как это уже произошло с зарубежными поставщиками ПО. Однако и зарубежные модели из корпоративной практики не исчезли. Параллельно с российскими моделями заказчики активно используют open-source-решения, адаптируемые под конкретные задачи. Наиболее востребованы китайские Qwen и DeepSeek. Их выбирают за сочетание качества, доступности и возможности локального развертывания.

Заместитель генерального директора по внедрению и эксплуатации компании «Базис» Денис Романов: Главным критерием выбора ИИ-решений для российских компаний сегодня является быстрый и измеримый результат, который они могут получить. Как правило, они ориентируются на сроки окупаемости в 9-12 месяцев. Также важны совместимость с существующими системами, простота внедрения и безопасность данных. При этом сама по себе безопасность данных редко становится стоп-фактором, если экономический эффект проекта очевиден.

Заместитель генерального директора по внедрению и эксплуатации компании «Базис» Денис Романов
Фото: «Базис»

Точной статистики по соотношению российских и зарубежных решений нет, однако отечественные продукты, включая GigaChat и YandexGPT, постепенно усиливают позиции, в том числе благодаря требованиям по локализации данных. Одновременно многие компании используют открытые модели и облачные сервисы, поскольку это позволяет быстрее и дешевле запускать ИИ-проекты.

Генеральный директор ООО «Эмерджентные мультиагентные системы» (совместное предприятие Selectel и ИТМО) Роман Венедиктов: Сейчас компании уже меньше смотрят только на то, какая модель лучше отвечает на тестах. Важнее, можно ли встроить решение в конкретный бизнес-процесс, подключить его к корпоративным данным и системам, обеспечить безопасность и получить понятный экономический эффект. Поэтому выбор между российскими и зарубежными решениями обычно не идеологический, а практический. Для корпоративных задач большое значение имеет возможность развернуть решение в контролируемом контуре, работать со своими данными и понимать, как оно будет поддерживаться дальше. Поэтому здесь позиции российских и open-source решений достаточно сильны.

Генеральный директор ООО «Эмерджентные мультиагентные системы»
(совместное предприятие Selectel и ИТМО) Роман Венедиктов
Фото: Selectel

Менеджер продуктов ИИ-платформы Selectel Антон Малышев: При выборе ИИ-решений компании, как правило, ориентируются на несколько факторов: доступность решения, качество его работы, соотношение стоимости и производительности. Для многих компаний, особенно крупного бизнеса, важную роль играют вопросы информационной безопасности и соответствие нормативным требованиям.

Менеджер продуктов ИИ-платформы Selectel Антон Малышев
Фото: Selectel

Как показывает практика, если компания или её отдельные подразделения могут использовать зарубежные решения без ограничений со стороны политик безопасности, они вероятнее всего их и выберут. Однако компании из регулируемых отраслей и организации с повышенными требованиями к защите данных чаще рассматривают российские или китайские решения, а также модели с открытым исходным кодом, которые можно развернуть внутри собственного контура.

Начальник отдела цифрового маркетинга ГК «ЭОС» Дмитрий Матвеев: При выборе ИИ-решений компании оценивают прежде всего их практическую ценность: насколько инструмент соответствует конкретным задачам, легко интегрируется в существующий ИТ-ландшафт и даёт измеримый эффект.

Начальник отдела цифрового маркетинга ГК «ЭОС» Дмитрий Матвеев
Фото: ГК «ЭОС»

Ключевые критерии — функциональность, стоимость внедрения и сопровождения, наличие компетенций для работы с системой, а также безопасность данных. Для организаций государственного сектора и компаний с повышенными требованиями к защите информации особенно важны локальное размещение, контроль над данными и соответствие регуляторным требованиям.

Интерес к отечественным решениям растёт. Причины — импортозамещение, требования к технологической независимости, возможность развернуть продукт в закрытом контуре и обеспечить техническую поддержку на территории России.

Директор Дирекции разработки и внедрения ПО, компания «Инфосистемы Джет» Максим Андрианов: Для тестов или некритичных задач российские компании чаще выбирают облачные решения отечественных вендоров, например, Яндекса, Just AI, CorpGPT и других. Для работы с коммерческой тайной или персональными данными бизнес локально разворачивает open-source большие языковые модели, например, из семейства Qwen, GLM, Gemma и других. Как правило, это легкие модели, которые не требуют серьезных мощностей и работают на кластере из 5-10 GPU.

Директор Дирекции разработки и внедрения ПО, компания «Инфосистемы Джет» Максим Андрианов
Фото: «Инфосистемы Джет»

На выбор в пользу локальных моделей влияют требования к информационной безопасности – службы ИБ просто не разрешат загружать конфиденциальные данные в облачные фронтир-модели.

Директор ITM+ рынка Naumen Никита Кардашин: Подходы заметно различаются – они зависят и от отрасли, и от размера компании. Если говорить о крупных компаниях, особенно с государственным участием, то их приоритетом остается надежность и безопасность решения: проверенный поставщик, наличие необходимой сертификации, российское происхождение моделей и компонентов. Малые компании чаще готовы экспериментировать и выбирать не столько по формальным критериям – например, количеству внедрений или наличию продукта в реестрах, – сколько по ожидаемому бизнес-результату. Некоторые из них готовы использовать и иностранные модели, в том числе официально недоступные в России, если они показывают лучший результат.

Директор ITM+ рынка Naumen Никита Кардашин
Фото: Naumen

Заместитель руководителя направления Т1 ИИ (ИТ-холдинг Т1) Сергей Карпович: Подход российского бизнеса эволюционировал от «хайпа» к прагматичному поиску измеримой ценности (ROI). Ключевые критерии выбора сместились в сторону технологического суверенитета и безопасности, интеграционной зрелости и регуляторных требований.

Заместитель руководителя направления Т1 ИИ (ИТ-холдинг Т1) Сергей Карпович
Фото: ИТ-холдинг Т1

В выборе продуктов доминирует тренд на импортозамещение. Внешние модели для большинства задач остаются недоступными или рискованными из-за блокировок и требований по информационной безопасности. Поэтому приоритет отдается российским большим языковым моделям, а также открытым моделям (например, Qwen), которые можно локально развернуть и дообучить на корпоративных данных. Важным фактором становится наличие у вендора сильной сервисной поддержки и гарантии непрерывности разработки.

Менеджер по развитию бизнеса LANDEV AI, ЛАНИТ Григорий Дюкарев: В регулируемых отраслях выбор начинается с ограничений. Сначала заказчик проверяет, есть ли продукт в реестре российского ПО, встанет ли он в закрытый контур и переживёт ли отключение зарубежных API, и только потом сравнивает функциональность, поддержку и стоимость владения. В стоимости есть тонкость, о которой часто вспоминают уже после подписания: лицензии на ПО из реестра освобождены от НДС, работы по внедрению облагаются им в полном объёме, так что итоговая цена сильно зависит от структуры пакета.

Менеджер по развитию бизнеса LANDEV AI, ЛАНИТ Григорий Дюкарев
Фото: ЛАНИТ

Спор о том, что выбирать, российское или зарубежное, в живых проектах почти не встречается. Типовая архитектура сегодня собирается из трёх частей: российская платформа как оркестрационный слой, под ней открытая модель уровня Qwen, MiniMax или DeepSeek, и всё это на собственном железе заказчика. Такую связку трудно назвать и отечественной, и зарубежной, главное, что контур – свой, контроль – свой, а модель из точки зависимости превращается в заменяемую деталь.

Руководитель отдела прототипов и исследований компании «Онланта» (входит в группу ЛАНИТ) Петр Рыляков: Российский бизнес все чаще выбирает ИИ не как экспериментальную технологию, а как прикладной инструмент для конкретной задачи. Например, чтобы ускорить обработку документов, повысить качество клиентского сервиса, снизить нагрузку на сотрудников или улучшить аналитику. Поэтому ключевые критерии выбора сегодня – это измеримый экономический эффект, качество работы на русскоязычных данных, возможность интеграции с существующими ИТ-системами, масштабируемость и наличие компетенций у поставщика ИИ-решений.

Руководитель отдела прототипов и исследований компании «Онланта»
(входит в группу ЛАНИТ) Петр Рыляков
Фото: ЛАНИТ

Выбор между российскими и зарубежными продуктами во многом определяется требованиями к данным и инфраструктуре. Для критических процессов и организаций с повышенными требованиями к безопасности заказчики чаще выбирают решения, которые можно развернуть в закрытом контуре и сопровождать локально. Зарубежные инструменты сохраняют интерес в отдельных нишах, но их использование ограничивают вопросы доступности, правовых рисков, поддержки и контроля над данными.

Директор департамента голосовых цифровых технологий компании BSS Александр Крушинский: Сразу уточню: отвечая на этот и последующие вопросы, буду говорить про генеративный ИИ в клиентском обслуживании и в поддержке сотрудников, текстовый и голосовой канал - это наша специализация.

Директор департамента голосовых цифровых технологий компании BSS Александр Крушинский
Фото: BSS

Как правило, энтерпрайз выбирает не универсальный ИИ-инструмент, а решение прикладной задачи, и ИИ-функционал в этом случае является лишь одним из критериев выбора. Например, если условный банк решает внедрять телефонного ИИ-ассистента — выбор конкретной LLM будет одной из 100 характеристик, наряду с качеством распознавания речи, удобством отчетности, возможностями интеграции и т.д.

Если говорить именно про ИИ-часть, как правило, критерия два: стоимость и требования по размещению — в облаке или внутри закрытого контура. В закрытом контуре - безопасно, но, как правило, дороже при сравнимом качестве и намного хуже масштабируется. В облаке — оплата по фактическому использованию, легкая комбинация дорогих/дешевых моделей и дешевле, но не безопасно.

Что касается выбора между российским и зарубежным, то выбор выглядит так: проприетарные зарубежные модели типа СhatGPT не рассматриваются вообще, и выбор сводится к выбору между облачными и локальными моделями. Если облачная, то используют Yandex/Sber или китайские с хостингом у облачных провайдеров и оплате по токенам. Если нужна локальная модель, то практически всегда выбор идет в пользу китайского open-source, так как это бесплатно при качестве, сравнимом с российскими проприетарными моделями.

Директор дивизиона бизнес‑приложений Группы «Борлас» (ГК Softline) Дмитрий Кичко: Безопасность сейчас становится главным критерием выбора ИИ-инструментов. Руководство крупных компаний обращает внимание на наличие решений в реестре российского ПО и размещение инфраструктуры на территории РФ. Компании, которые работают с персональными данными клиентов, финансовой информацией или подпадают под требования к критической информационной инфраструктуре, не могут передавать эти данные в зарубежные облачные сервисы. Предложений на рынке очень много, но требованиям безопасности соответствуют лишь некоторые – такие модели есть у Сбера, МТС, Яндекса.

Директор дивизиона бизнес‑приложений Группы «Борлас» (ГК Softline) Дмитрий Кичко
Фото: Группа «Борлас»

Кроме того, ИИ-решение должно интегрироваться в существующую архитектуру заказчиков. У большинства компаний среднего и крупного бизнеса в России базовая учётная система – 1С, и любое решение на базе искусственного интеллекта необходимо встраивать в существующий контур: CRM, ERP, системы управленческого учета. Важно, чтобы ИИ работал с внутренними процессами и данными компании.

Директор департамента бизнес-решений и цифровой трансформации «Софтлайн Решения» (ГК Softline) Егор Ворогушин: Российские компании постепенно переходят от вопроса «какую нейросеть купить» к более зрелой постановке: какой процесс мы хотим изменить, какой результат получить и какая архитектура для этого нужна. Сама по себе модель ещё не является корпоративным решением — она должна работать с данными компании, учитывать её регламенты, встраиваться в существующие системы и действовать в рамках заданных полномочий.

Директор департамента бизнес-решений и цифровой трансформации
«Софтлайн Решения» (ГК Softline) Егор Ворогушин
Фото: ГК Softline

Я бы выделил пять критериев выбора:

• качество на реальных данных и сценариях заказчика: результат в публичном бенчмарке мало говорит о работе с отраслевой терминологией, внутренними документами и конкретным процессом;
• интеграция с корпоративным ИТ-ландшафтом (CRM, ERP, документооборот, базы знаний): ИИ вне рабочего контура остаётся удобным интерфейсом, но не частью процесса;
• безопасность и управляемость: где обрабатываются данные, можно ли развернуть решение внутри инфраструктуры или в частном облаке, как разграничены права, ведётся ли журналирование и можно ли проверить, на каком основании система дала ответ;
• совокупная стоимость владения: не только лицензии, но и инфраструктура, интеграция, сопровождение, вычислительные мощности, обновление базы знаний, стоимость одного запроса или операции;
• зрелость поставщика: техподдержка, понятная дорожная карта, отраслевая экспертиза, возможность масштабировать решение после пилота.

Здесь важный нюанс: в сложных сценариях компания выбирает не столько модель, сколько того, кто внедряет. Ценность создаётся на «последней миле» — в интеграции, настройке под процессы, сопровождении. Поэтому выбор поставщика-внедренца часто важнее выбора самой модели.

Что касается происхождения, в корпоративном сегменте заметно смещение к российским решениям и моделям с открытыми весами, которые можно развернуть в контролируемом контуре. Особенно это касается госорганизаций, компаний с критической инфраструктурой и чувствительными данными — персональными, финансовыми, коммерческими. Здесь важно не только качество, но и непрерывность доступа, локальная поддержка, соответствие требованиям регуляторов и контроль над всем технологическим стеком. Регуляторный контур это прямо усиливает: требования по защите персональных данных (152-ФЗ), к безопасности критической информационной инфраструктуры (187-ФЗ), ориентир на реестр отечественного ПО.

Про открытые веса стоит оговориться отдельно: «открытые» не значит «бесплатные» или «безопасные сами по себе». Их ценность — в контроле контура: модель можно развернуть у себя, дообучить, изолировать. Но за это отвечает уже сам заказчик или его партнёр, и без экспертизы развёртывания преимущество не реализуется.

Зарубежные сервисы продолжают использоваться — прежде всего для экспериментов, индивидуальной работы и задач без чувствительных данных; при этом публичные облачные модели несут дополнительные риски: от ограничений доступа и оплаты до непрозрачности обработки информации.

Я бы не сводил выбор к формуле «российское или зарубежное». Важнее, кто эксплуатирует решение, где находятся данные, насколько легко заменить модель и не станет ли компания критически зависимой от одного поставщика. Поэтому самой устойчивой становится мультимодельная архитектура, в которой для разных задач используются разные модели без перестройки всей системы.

Руководитель отдела продуктов и решений OpenYard Дмитрий Пенязь: Компании сейчас подходят к выбору ИИ-решений заметно прагматичнее, чем несколько лет назад. Если раньше сама возможность использовать ИИ часто становилась поводом для эксперимента, то сегодня заказчики все чаще начинают с конкретной бизнес-задачи. Уже под нее оцениваются возможности модели, требования к данным и инфраструктуре, варианты интеграции, стоимость эксплуатации и дальнейшего масштабирования.

Руководитель отдела продуктов и решений OpenYard Дмитрий Пенязь
Фото: OpenYard

При выборе между российскими и зарубежными решениями одного универсального подхода нет. Для корпоративного сегмента важны возможность развернуть решение в контролируемом контуре, доступность технической поддержки, совместимость с существующей ИТ-инфраструктурой и снижение зависимости от внешних ограничений. Поэтому в проектах, рассчитанных на длительную эксплуатацию, российские решения получают дополнительное преимущество.

Директор направления продуктового офиса «Публичное облако» РТК-ЦОД Денис Боженко: Сначала стоит разделить понятия, потому что «ИИ-инструменты» это очень разные классы решений: от код-ассистентов и чат-ассистентов до отдельных моделей, которые отдают по API, и готовых платформ.

Директор направления продуктового офиса «Публичное облако» РТК-ЦОД Денис Боженко
Фото: РТК-ЦОД

Первый фактор выбора — это даже не цена, а то, какая команда есть у компании на текущий момент. Логика тут простая. Если в штате есть разработчики и DevOps, то есть инженерная экспертиза, подписку чаще всего не покупают. Компания собирает решение сама: арендует виртуальный ресурс, разворачивает на нём приложение и докупает токены отдельно. Это даёт гибкость и контроль. Если такой экспертизы нет, строить с нуля бессмысленно, поэтому идут в подписочную модель, где всё уже упаковано и работает из коробки.

Дальше начинаются классические критерии. Первый — это эффективность и качество модели на реальных бизнес-задачах, а не на бенчмарках. Второй — это стоимость владения. Почти любое действие в современном ИИ-приложении упирается в стоимость токенов, и это главная статья расходов. Считать нужно общую стоимость решение целиком, включая, например, подписку, если выбирают подписочный формат. Поэтому постоянно решается вопрос о правильном соотношении цены и задачи: где-то выгоднее взять модель подороже и качественнее, где-то быструю и дешёвую. Третий критерий — это безопасность и суверенность данных, для многих компаний это жёсткое условие входа, а не пожелание.

Что касается «своего или зарубежного», тут речь, в первую очередь, про регуляторные требования и доступ к иностранным решениям. Всё сводится к тому, под действие какой нормативной базы подпадает компания и насколько то или иное зарубежное решение доступно с точки зрения легального использования. Часто выбор определяется этими рамками, а не желанием: что можно, что доступно, что допустимо в конкретной отрасли. И в таком раскладе выигрывают, в том числе, российские облачные провайдеры, потому что они предоставляют модель на базе собственных ресурсов, которые расположены на территории РФ, с понятными ценовыми условиями и порядком оплаты и с определёнными требованиями по SLA. Это закрывает главный запрос заказчика: работать с данными внутри периметра на надёжных отечественных мощностях и с предсказуемой экономикой. Но там, где зарубежное решение легально доступно и конкурентоспособно, его рассматривают наравне.

Ведущий архитектор решений компании «Интерпроком» Игорь Бреус: Интерес к ИИ продолжает нарастать, но период хайпа и внедрения ИИ ради ИИ пройден. Подход бизнеса стал заметно более прагматичным. Если еще пару лет назад можно было услышать «хотим внедрить нейросеть», то сейчас компании выбирают технологии ИИ для решения конкретной бизнес-задачи с понятным возвратом инвестиций.

Ведущий архитектор решений компании «Интерпроком» Игорь Бреус
Фото: «Интерпроком»

Критерии выбора ИИ-инструментов могут быть разными, но, на мой взгляд, можно выделить три главных. Первый — безопасность данных. Возможность работать в закрытом контуре заказчика или в изолированном облаке. Для объектов КИИ в промышленности, энергетике, госсекторе это не просто пожелание, а обязательное условие. Второй — совместимость с существующей инфраструктурой или интеграционная способность, позволяющая бесшовно встраиваться в существующую ИТ-инфраструктуру. Третий — отсутствие привязки к одному поставщику. Никто не хочет, чтобы критичный процесс зависел от решения одной компании, особенно зарубежной. И здесь важную роль играют доступность инфраструктуры и стоимость владения (TCO), наличие и качество поддержки и экспертизы в России.

Что касается предпочтений: рынок однозначно сместился в сторону российских решений и решений дружественных нам стран БРИКС. И это не только про импортозамещение — это про предсказуемость. Например, мы в «Интерпрокоме» изначально строили платформу корпоративного уровня «Аксиома» для управления физическими активами, недвижимостью и ТОиР на полностью отечественном стеке — от операционных систем до СУБД. Она в реестре российского ПО, сертифицирована. Мы добавили в неё интеллектуальный слой ИИ-помощников — всё это работает в закрытом контуре, опираясь исключительно на данные и регламенты заказчика, справочники и нормативы. Доверенный ИИ — это именно то, что нужно рынку сегодня.

Руководитель продукта Digital Q.GPT компании «Диасофт» Илья Петров: Основной вектор — поиск импортонезависимых решений, сопоставимых по качеству с мировыми лидерами. Ключевой критерий выбора — инфраструктурная эффективность: важно получать достаточное качество на относительно простом и доступном «железе», поскольку мощные вычислительные ресурсы дороги и труднодоступны. Некоторые компании открывают сотрудникам доступ к зарубежным решениям или, как минимум, не ограничивают их использование — соблазн велик, поскольку разрыв в качестве заметно повышает продуктивность. Тем не менее, массовым и системным этот подход вряд ли станет: компании продолжат курс на локальные альтернативы.

Руководитель продукта Digital Q.GPT компании «Диасофт» Илья Петров
Фото: «Диасофт»

Маркетолог CESCA Жанна Герасимова: Лично мне, как маркетологу, интересно говорить о генеративном ИИ — LLM-моделях, корпоративных чат-ботах и ИИ-ассистентах.

Маркетолог CESCA Жанна Герасимова
Фото: CESCA

За последние два-три года подход крупного бизнеса заметно изменился. Если раньше компании выбирали ИИ «по наитию» — увидели демо, захотели так же, — то сейчас выбор выглядит как полноценный тендерный процесс: с пилотом, оценкой по матрице критериев и обязательным участием ИБ.

Основные критерии, которые мы видим на рынке заказчиков:

• Развёртывание в контуре заказчика (on-premise или в частном облаке). Для Enterprise это сегодня стандартное требование. Модель должна работать там, где живут данные компании.
• Качество русского языка и доменная дообучаемость. Модель обязана понимать специфику отрасли: терминологию банка, промышленного холдинга или ритейла.
• Стоимость владения. Считают не цену лицензии, а стоимость токена/запроса при реальной нагрузке, плюс стоимость инфраструктуры.
• Зрелость вендора и поддержка. Крупный бизнес не готов строить критичные процессы на решении, за которым нет команды, дорожной карты и SLA.

По выбору «российское или зарубежное» — вопрос, по сути, очевиден. В корпоративном сегменте доминируют отечественные модели и платформы: GigaChat от Сбера, YandexGPT от Яндекса, а также open-source-модели, дообученные под русский язык. Зарубежные API (OpenAI, Anthropic) в крупных российских компаниях используются точечно, в основном для R&D и прототипирования — из соображений санкционных рисков, оплаты и комплаенса практически никто не выводит в продуктив.

Менеджер проектов в Центре ИИ СКБ Контур Мария Зырянова: Как правило, начинают выбор ИИ инструментов с определения бизнес‑цели, метрик и существующих ограничений бизнеса. Важно четко определить, за счет внедрения ИИ какую операцию ускорим, какие затраты снизим, какой риск уменьшим. Далее важно провести эксперимент и удостовериться, что с помощью внедрения ИИ можно достичь предполагаемых целей. В рамках пилотных внедрений важно провести A/B‑тестирование: замерить, как есть сейчас и как будет, если внедрить ИИ. По результатам пилотных внедрений важно также рассчитать экономический эффект от внедрения ИИ.

Менеджер проектов в Центре ИИ СКБ Контур Мария Зырянова
Фото: СКБ Контур

Ключевые критерии: основным критерием выбора является возможность простого развертывания системы, быстрое обучение моделей и соответствие требованиям безопасности компании.

Для проведения быстрых экспериментов с ИИ, если нет ограничения по чувствительности данных, можно использовать зарубежные модели с низким порогом входа. Но если важно соблюсти требования безопасности данных или организация из госсектора, то нужно выбирать отечественные аналоги. С вступлением в силу закона об ИИ к выбору российских или зарубежных моделей нужно будет относиться более скрупулезно, чтобы соблюсти требования закона.

Руководитель Центра внедрения 1С:ITILIUM компании «Деснол» Евгений Парамонов: В 2026 году заказчики выбирают ИИ не «ради ИИ» и не как срочную замену ушедшему западному ПО. Рынок вышел из «пожарного» импортозамещения: на первый план вышли экономический эффект, отказоустойчивость и работа в российском контуре.

Руководитель Центра внедрения 1С:ITILIUM компании «Деснол» Евгений Парамонов
Фото: «Деснол»

Критерии, которые мы видим у ИТ-директоров и руководителей сервисных служб, довольно прагматичные:

• Первый — измеримый результат в процессе: быстрее обработка заявки, меньше просрочек SLA, больше обращений на специалиста без расширения штата.
• Второй — ответы на корпоративных данных, а не генерация «с нуля». Поэтому в спросе RAG-поиск: система ищет решение в инструкциях и базе знаний компании.
• Третий — контроль данных: 152-ФЗ, закрытый контур, разграничение доступа по подразделениям.
• Четвертый — встраивание в работу системы как одно окно для сбора всей информации, а не как еще один чат-бот: ИИ должен жить в карточке обращения, на портале самообслуживания, в мессенджере.

По происхождению продуктов картина ясная. На пилотах зарубежные модели еще встречаются. В промышленную эксплуатацию компании все чаще выводят российский стек: YandexGPT, GigaChat и локальное развертывание через Ollama или другие сервисы. Для КИИ и промышленности важны Реестр отечественного ПО и совместимость с существующей экосистемой, в нашем случае запрос на совместимость с контуром «1С».

Руководитель продуктов Nova AI и StarGuard AI в Orion soft Никита Векессер: Сначала решение проверяют на реальных задачах компании. Основные критерии — качество ответа, безопасность данных, возможность локальной установки, стоимость, интеграция и поддержка.

Руководитель продуктов Nova AI и StarGuard AI в Orion soft Никита Векессер
Фото: Orion soft

Крупный бизнес чаще выбирает российскую инфраструктуру, но использует разные модели. Конфиденциальные задачи переносят в собственный контур, а зарубежные модели оставляют там, где они дают лучшее качество и данные можно передавать вовне. Поэтому рынок движется к гибридной схеме, а не к выбору одной модели или страны-поставщика.

Коммерческий директор Рексофт Антон Спирин: В корпоративном сегменте заметен явный сдвиг в сторону российских и open-source-решений. Конкретный выбор делается исходя из сочетания качества, безопасности и экономического эффекта. При этом наличие внятно сформулированных ожидаемых результатов на уровне конкретных процессов и функций служит отправной точкой для дальнейшего рассмотрения. В текущих рыночных условиях любые инвестиции в технологии проходят серьезную фильтрацию. Компании ищут решения с короткой дистанцией до бизнес-результата, а хайп вокруг ИИ постепенно стихает.

Коммерческий директор Рексофт Антон Спирин
Фото: Рексофт

Опыт Рексофт Консалтинг показывает, что значительная часть работы по внедрению ИИ — это поиск гипотез и мер по максимизации ожидаемых эффектов. Причем часто 70 % результата дает не само локальное внедрение ИИ-инструмента, а оптимизация всего бизнес-процесса и функции. Причина проста – точечное внедрение ИИ может оптимизировать отдельные этапы, но критический путь процесса чаще всего остается прежним. Чтобы сократить его и достичь реального эффекта, необходимо переосмыслять и оптимизировать весь бизнес-процесс, применяя организационные изменения, стандартные средства автоматизации и интегрируя ИИ-модели и агентов.

Возвращаясь к критериям выбора конкретных ИИ-инструментов, важнейшим из них является качество результата: насколько хорошо модель распознает, генерирует, классифицирует, прогнозирует или осуществляет поиск именно на данных конкретной компании. Для корпоративного заказчика бенчмарка модели самого по себе уже недостаточно.

В части безопасности критичен контроль над чувствительными данными. В корпоративном сегменте это чаще всего сводится к возможности размещения модели в закрытом контуре и отсутствию передачи данных внешним сервисам. Рост спроса на on-premise это хорошо иллюстрирует. Так, в 2025 году у Yandex Cloud решения on-premises стали доступны в рамках ИИ-офферинга компании. При этом продвинутые компании обычно сочетают использование облачных и локальных моделей, управляя передачей данных в облако с помощью специальных инструментов, таких как, например, «Reksoft AI Hub».

Что касается экономической эффективности, нельзя не отметить такой критерий, как совокупная стоимость владения (TCO) ИИ-инструментом. В TCO входит не только софт, но и аппаратная инфраструктура, внедрение и интеграция.

ICT-Online.ru: Для каких задач, процессов и подразделений ИИ-решения уже уверенно используются, а для каких набирают популярность?

Олег Сажин (Content AI): В первую очередь ИИ применяется в задачах, где есть большой объем типовых операций и четко регламентированные процессы. Один из наиболее распространенных сценариев связан с обработкой документов. ИИ помогает распознавать и классифицировать документы, извлекать из них данные, верифицировать информацию и при необходимости выполнять с ними определенные действия. Также модели используют для резюмирования или поиска информации в больших массивах корпоративных данных.

Еще один быстро развивающийся сценарий связан с разработкой ПО. Программисты активно используют ИИ для написания и рефакторинга кода, поиска ошибок и уязвимостей, создания тестов, подготовки документации и других задач. ИИ-инструменты буквально стали частью повседневной работы разработчиков, так как позволяют ускорять многие этапы создания и сопровождения ПО.

Отдельно стоит отметить инструменты для вайб-кодинга, с помощью которых ИТ-команды могут быстрее создавать прототипы, интеграции, скрипты и даже отдельные функциональные модули. Работая в интегрированной среде разработки, ИТ-специалисты формулируют задачи на естественном языке, задают необходимые ограничения, а ИИ помогает создавать его и последовательно дорабатывать. Отраслевые исследования показывают огромный рост к этим инструментам как у небольших команд, которые «пилят» узкопрофильные приложения, так и в корпоративном секторе, где разработчики работают над масштабной клиентской или внутренней автоматизацией.

При этом есть задачи, где применение ИИ пока развивается осторожнее. Это процессы, связанные с высокой стоимостью ошибки, юридически значимыми решениями, финансовыми рисками и вопросами безопасности. В таких сценариях ИИ обычно выступает в роли помощника специалиста. Он готовит информацию, предлагает варианты решения или выполняет отдельные операции, после чего результат проверяет человек.

Денис Романов («Базис»): Сегодня уже более 80 % компаний используют чат-ботов и голосовых помощников для обработки документов, включая распознавание счетов и контрактов, для аналитики и прогнозирования спроса или кредитных рисков, а также для оптимизации отдельных процессов.

Среди решений, которые стремительно набирают популярность, выделяются ИИ-агенты, способные самостоятельно выполнять многошаговые задачи. Также растет применение ИИ для генерации контента и написания кода, а также для решения маркетинговых задач, хотя эти инструменты пока прижились далеко не во всех компаниях. В промышленности, логистике и сельском хозяйстве внедрений пока не так много, но интерес к таким решениям там стабильно увеличивается.

Роман Венедиктов («Эмерджентные мультиагентные системы»): Этап, когда ИИ-агенты были в основном экспериментальной технологией, уже пройден. На рынке достаточно много зрелых решений, которые уверенно работают с документами и корпоративными знаниями, помогают в разработке ПО, поддержке клиентов, аналитике, поиске и сборе информации, автоматизируют отдельные операции в продажах, закупках, ИT и других функциях.

Сейчас задача постепенно меняется. Вопрос уже не столько в том, можно ли создать агента под конкретную задачу, потому что во многих случаях это вполне решаемо. Сложнее становится управлять десятками, а в перспективе сотнями таких агентов внутри одной компании: определять их полномочия, контролировать качество работы, взаимодействие между ними, безопасность и стоимость эксплуатации.

Поэтому следующим этапом будет переход от внедрения отдельных агентов к промышленной эксплуатации целой агентной среды.

Антон Малышев (Selectel): Наиболее зрелыми направлениями применения ИИ остаются клиентская поддержка, кадровые процессы и работа контакт-центров – здесь решения уже используются для автоматизации типовых запросов и обработки больших объемов информации.

Отдельно развивается направление ИИ-инструментов для разработки: кодинговые ассистенты пока находятся на этапе активного внедрения, но уровень их распространения значительно вырос за последний год.

Сейчас набирают популярность корпоративные ИИ-ассистенты для универсальных задач широкого круга сотрудников и руководителей, а также специализированные отраслевые решения, которые автоматизируют отдельные бизнес-процессы.

Дмитрий Матвеев (ГК «ЭОС»): На мой взгляд, сегодня ИИ уверенно применяется в аналитике, автоматизации рутинных операций, обработке естественного языка, работе с обращениями граждан и клиентов.

В документообороте наиболее востребованы следующие сценарии:

• распознавание, классификация и маршрутизация документов;
• автоматическое извлечение реквизитов;
• подготовка кратких резюме и проектов ответов;
• поиск информации в массивах документов;
• проверка текстов на ошибки и соответствие требованиям;
• контроль сроков, поручений и исполнительской дисциплины.

В последнее время активно развивается ИИ в HR-направлении, закупках, управлении поставок, производстве и медицине. В госсекторе особый потенциал связан с повышением качества государственных услуг, сокращением сроков обработки обращений и снижением нагрузки на сотрудников.

Максим Андрианов («Инфосистемы Джет»): По результатам нашего недавнего исследования ИИ в крупных российских компаниях чаще всего искусственный интеллект приживается в процессах, где уже есть цифровой след. Один из популярных кейсов – поддержка клиентов и сотрудников, об этом нам рассказали 75% крупных компаний. Так, например, группа «Свеза» тестирует агента, который помогает сотрудникам находить данные в регламентах и инструкциях. А DPD на базе ИИ сделал автоматизированное решение для работы с запросами клиентов, которое автоматически обрабатывает 86 % исходящих звонков, 93 % чатов, а также больше половины писем и входящих звонков.

Искусственный интеллект также хорошо себя проявляет в аналитике, BI и ИТ-службах, в частности снимает рутинные задачи с инженеров. Например, в «Т-Технологиях» ИИ-агентов для разработки используют 85-90% разработчиков.

Из функциональных направлений, в которых популярность искусственного интеллекта растет, могу отметить маркетинг, продажи и HR. По данным исследования, ИИ в них уже использует примерно половина крупных компаний, и цифра продолжит расти. Также ИИ постепенно приходит и в традиционно консервативные команды юристов и бухгалтеров.

Приведу в пример наш внутренний опыт: с помощью большой языковой модели, развернутой внутри контура компании, мы автоматизировали обратку платежных документов. Это помогло снизить количество ручных операций и минимизировать риск ошибок при переносе платежных данных.

Никита Кардашин (Naumen): Сегодня ИИ постепенно проникает почти во все виды деятельности — кроме разве что физической работы руками, потому что роботизация пока весьма ограничена. Наиболее зрелая область применения ИИ-решений — коммуникации с клиентами. Практически все крупные компании, работающие с конечным клиентом (B2C или B2B2C), активно применяют технологии интеллектуальных омниканальных коммуникаций: чат-боты, цифровые помощники на сайтах и в приложениях, голосовые ассистенты на горячей линии. Такие решения успешно внедряются с начала 2020-х годов и уже стали привычной практикой.

Другая важная ниша — все, что связано с работой с текстом и данными: маркетинг и реклама, создание контента, аналитика, работа с обращениями, запросами и претензиями, юридическая и договорная работа, подготовка технической документации. Здесь ИИ применяется очень широко, и умение работать с такими инструментами становится базовым навыком для любого специалиста, который хочет быть востребованным на рынке. То же происходит в ИТ-профессиях: в разработке, тестировании и бизнес-аналитике применение ИИ стремительно набирает обороты и становится де-факто стандартом в большинстве ИТ-компаний.

Чуть медленнее внедряется ИИ в узких областях с высокой ценой ошибки — например, в медицине, инженерии, бухгалтерии и финансах. Здесь особенно важны оценка рисков, тщательное тестирование инструментов и сохранение участия человека в критических точках процесса.

Сергей Карпович (ИТ-холдинг Т1): ИИ уже активно применяется в клиентском сервисе, обработке документов, прогнозной аналитике, рекомендательных системах, чат-ботах и голосовых помощниках. Быстро развивается генеративный ИИ для работы с корпоративными знаниями, предиктивной аналитики, подготовки текстов и помощи разработчикам. Следующий этап — ИИ-агенты, мультимодальные решения, компьютерное зрение и применение ИИ в робототехнике.

Григорий Дюкарев (ЛАНИТ): Уверенно работают три сценария: поиск по внутренним документам и базам знаний, генерация маркетингового контента и ассистенты первой линии поддержки. У них общая природа: все трое живут на данных, которые у компании уже есть и не требуют перестраивать процессы.

Популярность набирают мультиагентные сценарии, где ИИ ведёт процесс целиком: сам планирует шаги, ходит в учётные системы, проверяет собственный результат. Растёт и AIOps, предсказание сбоев ИТ-инфраструктуры до того, как они произошли. Граница между первым списком и вторым проходит по зрелости данных. Ассистента можно поднять на той базе знаний, какая есть, а агентный сценарий требует наведённого в системах порядка, и потому до промышленной эксплуатации его доводят пока единицы.

Петр Рыляков («Онланта»): Наиболее зрелые сценарии – клиентская поддержка, маркетинг, продажи, обработка документов, поиск по внутренним базам знаний, подготовка типовых материалов, аналитика и автоматизация рутинных операций в бэк-офисе. Например, в задачах обработки обращений ИИ-ассистенты берут на себя классификацию и первичный ответ на типовые запросы, оставляя оператору только сложные случаи.

Однажды к нам обратилась внутренняя служба техподдержки крупного авторетейлера, которая сталкивалась с большим потоком запросов от сотрудников разных подразделений. Это вызывало задержки в обработке, высокую нагрузку на специалистов, рутинность задач и потребность в быстром доступе к знаниям. Чтобы решить проблему, мы внедрили решение на базе чат-бота с поддержкой естественного языка, базы знаний с интеллектуальным поиском по часто задаваемым вопросам и инструкциям для авторетейла, а также интеграции с системами учета запросов и управления инцидентами. Это позволило сократить время обработки запросов в несколько раз, снизить нагрузку на сотрудников поддержки, повысить удовлетворенность внутренних клиентов, оптимизировать работу службы и добавить возможность масштабирования.

ИИ также активно применяется в ИТ-подразделениях для помощи в разработке, тестировании, документировании кода и поддержке пользователей. Эти сценарии проще измерить по скорости выполнения операций, сокращению ручного труда и качеству сервиса.

Набирают популярность более сложные решения: корпоративные ИИ-ассистенты, работающие с внутренними данными компании, интеллектуальная обработка договоров и финансовых документов, прогнозирование спроса, управление закупками, производственные и логистические сценарии. Здесь внедрение требует качественных данных, интеграции с бизнес-процессами и более серьезной настройки, но потенциальный эффект от таких решений для компании выше.

Александр Крушинский (BSS): За рамки пилотов в клиентском обслуживании массово вышли три класса решений: Клиентские текстовые боты, ИИ-поиск по базе знаний, суфлёр/ассистент оператора в текстовом канале. Текстовые боты драйвятся прозрачной окупаемостью, а ИИ-поиск и суфлер - низкой ценой ошибки, так как результат ИИ верифицируется сотрудником, а не уходит напрямую клиенту.

В активной фазе пилотирования сейчас генеративный ИИ в голосовом канале, аналитика коммуникаций для поиска инсайтов, тренажёры для сотрудников и cowork-помощники для узких задач.

Егор Ворогушин («Софтлайн Решения»): Лучше всего ИИ работает там, где одновременно выполняются три условия: задача регулярно повторяется, имеет достаточный масштаб и качество результата можно проверить.

Разграничу два состояния. «Уверенно» — это ИИ-ассистент рядом с человеком: он ускоряет отдельный шаг, а решение остаётся за специалистом (copilot). «Набирает популярность» — это агент, который берёт на себя не шаг, а небольшую цепочку действий в заданных границах (узкий автопилот под контролем).

На уровне сотрудников ИИ уже стал рабочим инструментом в маркетинге, аналитике, разработке, продажах и подготовке документов: тексты, суммаризация больших объёмов, презентации и коммерческие предложения, код и его проверка, прототипы, поиск по корпоративным материалам.

На уровне подразделений наиболее зрелые направления:

• клиентская и внутренняя поддержка: ответы на типовые вопросы, классификация и маршрутизация обращений;
• управление знаниями: поиск по регламентам, инструкциям, договорам, технической документации;
• продажи: анализ воронки и звонков, подготовка к встречам, выявление рисков по сделкам;
• документооборот: извлечение данных, проверка комплектности, сопоставление версий, подготовка проектов документов;
• разработка: генерация кода и тестов, поиск ошибок, документация;
• маркетинг и коммуникации: варианты контента, адаптация под каналы, ускоренное прототипирование.

Если говорить о том, что окупается первым, то раньше других в плюс выходят три сценария: техподдержка (в первую очередь «нулевая линия»), разработка и подготовка текстов — копирайтинг и аналитика. Здесь повторяемость, масштаб и проверяемость результата совпадают лучше всего.

Отдельно — агентные сценарии, к которым растёт интерес: ИИ не просто готовит ответ, а выполняет последовательность действий — создаёт задачу, меняет статус заявки, заполняет карточку в CRM, инициирует согласование. Важно понимать: пока это узкие, жёстко ограниченные сценарии под контролем человека, а не автономные системы. Там же — аналитические ассистенты, интеллектуальный контроль документов, AIOps, промышленное компьютерное зрение, многоагентные системы.

Решения с высокими последствиями — кадровые, финансовые, юридические, стратегические — по-прежнему требуют обязательного участия человека. ИИ может собрать информацию, выявить отклонение и предложить вариант, но окончательное решение и ответственность остаются за специалистом. Оптимальна модель human-in-the-loop: алгоритм ускоряет работу, человек проверяет результат и принимает решение.

Дмитрий Пенязь (OpenYard): Наиболее зрелыми сегодня остаются сценарии, где ИИ решает понятную прикладную задачу, а результат можно достаточно точно измерить. Это обработка документов и текстов, корпоративный поиск, поддержка операторов, анализ больших массивов информации, компьютерное зрение, видеоаналитика и инструменты для разработчиков.

При этом рынок постепенно движется в сторону более сложных задач. Растет интерес к обучению и дообучению моделей на собственных данных, промышленной аналитике, обработке потоковых данных и внедрению ИИ непосредственно в производственные и ключевые бизнес-процессы. В таких проектах требования уже выходят далеко за рамки самой модели. Становятся критичными производительность вычислительной платформы, скорость доступа к данным, пропускная способность сети, отказоустойчивость и возможность масштабировать систему без резкого роста стоимости.

По сути, здесь проходит важная граница между отдельным ИИ-инструментом и полноценной корпоративной системой. Пока речь идет о локальной задаче, можно обойтись относительно компактной инфраструктурой. Когда ИИ становится частью постоянного процесса, нагрузка и требования к системе быстро растут, и инфраструктуру приходится проектировать уже с учетом этого масштаба.

Денис Боженко (РТК-ЦОД): На продакшене ИИ закрепился в задачах с высокой частотой повторения и понятной метрикой. Это генеративные ассистенты и RAG-системы, то есть поиск по базе знаний, ответы клиентам и внутренние помощники. Это обработка документов и контента, извлечение данных, ресайз, генерация описаний и маркетинговых текстов. Это разработка, автодополнение кода, код-ревью и генерация тестов. И это аналитика с прогнозированием, где ИИ уже стал рабочим инструментом, а не экспериментом.

Всё это, по сути, закрывает повседневные офисные сценарии и рутинные операции, с которыми сотрудники сталкиваются каждый день. Но помимо них есть специфичные задачи в разных отраслях: в медицине, производстве и финансах, где «общего» интеллекта недостаточно. Там нужен доменный контекст и доменные знания, причём не только на уровне RAG, когда мы подтягиваем данные из базы знаний, а в целом на уровне всего пайплайна работы. Решение адаптируется под конкретную отрасль: идёт дообучение под специфику, учитываются отраслевые процессы, свои правила и стандарты.

Набирают популярность агентные системы, где ИИ не просто отвечает, а выполняет задачу целиком и взаимодействует с инструментами. Растет спрос на голосовые интерфейсы в клиентском сервисе и отраслевые решения для производства, медицины и финансов, где доменный контекст важнее «общего» интеллекта. Здесь самый большой потенциал роста. В целом рынок переходит от «попробовать ИИ» к «встроить ИИ в бизнес-процесс».

Игорь Бреус («Интерпроком»): Мой опыт показывает, что сегодня ИИ-решения достаточно уверенно и результативно используются в различных направлениях. Например, автоматизация рутинных операций: обработка документов, классификация заявок, формирование отчётов. Создание маркетингового контента, составление технической документации и инструкций тоже стали привычными задачами для ИИ. В процессе разработки программных продуктов ИИ оказывает помощь в написании кода и уже стал стандартом, как система контроля версий.

Широкое распространение получили различные ИИ-ассистенты. Задав вопрос ассистенту по внутренней базе знаний, сотрудник за секунды получает точный ответ на вопрос «какой регламент применяется для этого насоса?». Автономные агенты способны не просто генерировать текст и вести диалог, а совершают необходимые действия: сами создают заявки в техподдержку, выгружают отчет из аналитической системы, отправляют письма клиенту.

Набирают популярность агентные системы — это следующая волна. Не один «универсальный ИИ», а набор специализированных агентов, каждый из которых делает свою работу. В нашей «Аксиоме» мы это реализуем через набор цифровых экспертов: ИИ-аналитик отвечает руководителю на вопросы «что происходит и что будет, если?», ИИ-планировщик оптимизирует графики ремонтов с учётом критичности оборудования и рисков, ИИ-эксперт мгновенно находит нужный регламент. Каждый решает свою задачу, но работают они в единой системе.

Фронтиром становится предиктивная аналитика и проактивные решения. Не «оборудование сломалось — чиним», а «система прогнозирует отказ через две недели и предлагает оптимальное окно для ремонта». Именно сюда движется использование ИИ и, в частности, рынок управления физическими активами, именно здесь ИИ может дать максимальный экономический эффект для сокращения простоев и оптимизации затрат на всём жизненном цикле оборудования.

Илья Петров («Диасофт»): Уверенно и массово ИИ используется в простых, но частых сценариях: работа с документами, таблицами и презентациями — анализ, правка, генерация; умный поиск через RAG; автоматическое составление протоколов встреч по аудиозаписям; написание программного кода и других технических артефактов. А вот полноценные «промышленные» агенты, работающие автономно в критичных бизнес-процессах, пока редкость, хотя попытки их создать предпринимают многие. Самообучающиеся агенты (с развитием собственной памяти, навыков, инструментов) на бытовом уровне уже встречаются нередко, но в корпоративной среде — пока исключение: цена ошибки выше, а уровень доверия ниже. Логика развития, однако, ведет к тому, что ИИ-решения со временем вытеснят большинство других форматов взаимодействия, оставив, по сути, чат и его вариации как основной интерфейс.

Жанна Герасимова (CESCA): Уверенно используются — это там, где цикл обратной связи короткий, а цена ошибки невысока:

• Клиентская поддержка и контакт-центры. Чат-боты первой линии, подсказчики операторов, автоматическая категоризация обращений и саммаризация звонков.
• Работа с корпоративными знаниями. ИИ-поиск по внутренним базам знаний, регламентам, документации. В крупной компании найти нужный пункт в тысяче регламентов — реальная боль, и здесь генеративный ИИ даёт быстрый и понятный эффект.
• Маркетинг и коммуникации. Генерация и адаптация контента, черновики рассылок, описания товаров и т.д. Здесь ИИ работает как «усилитель» копирайтера, а не его замена.

Набирают популярность — это то, что требует более глубокой интеграции и доверия:

• ИИ-ассистенты для сотрудников — корпоративные «внутренние ChatGPT» с доступом к данным компании.
• Аналитика и отчётность: генерация SQL-запросов и отчётов на естественном языке.
• HR и юристы: первичный скрининг резюме, помощь в подготовке и ревью документов.
• Агентные сценарии, когда ИИ не просто отвечает, а выполняет цепочку действий в системах компании. Это следующий большой шаг, и в 2026 году крупные заказчики уже активно пилотируют такие проекты.

Мария Зырянова (СКБ Контур): Наибольшее распространение получило применение ИИ-решений в таких областях:

• В контакт‑центрах: распознавание/синтез речи, автоматическая расшифровка звонков, подсказки оператору во время общения с клиентами.
• Распознавание документов для извлечения данных и автоматического заполнения полей, чтобы минимизировать ручной перенос данных с бумаги в учетную систему; автоматическая маршрутизация документов для подписи и согласований.
• Давно используют ИИ-решения для антифрода/скоринга и мониторинга транзакций в финансовом секторе.
• Компьютерное зрение в различных системах видеонаблюдений для контроля качества на производстве, соблюдения безопасности, подсчет трафика покупателей, заполняемости полок в ритейле.
• Системы персонализаций и различные рекомендации в e‑commerce/медиа и социальных сетях.

Набирают популярность следующие решения:

• ИИ-ассистенты для сотрудников, которые помогают снизить количество повторяемых операций. Например, поиск по внутренним базам через RAG, автоответы на заявки и вопросы клиентов.
• ИT-компании активно внедряют код‑ассистенты и автотесты в процессы разработки ПО.
• Генерация контента и автоматизация ИИ-агентами запуска маркетинговых кампаний (тексты, изображения, покупка площадок, аналитики конверсий после проведения кампаний).
• Корпоративные ИИ-тренажеры и «копилоты» в рутинных офисных процессах.

Евгений Парамонов («Деснол»): Уверенно ИИ закрепился на первой линии поддержки. Там много типовых запросов, есть база знаний и понятный эффект. В 1С:ITILIUM это RAG-поиск в корпоративных документах, улучшение текста заявки через LLM, классификация и маршрутизация обращений, чат-бот на портале самообслуживания. По оценке экспертов Центра разработки 1С:ITILIUM, RAG разгружает первую линию на 30-60 % в работе с типовыми запросами. На собственном контуре мы видим сокращение до 80 % рутины и рост обработки обращений примерно на треть без расширения штата.

ИИ уверенно работает и как редактор коммуникаций: российские LLM (Яндекс, GigaChat) и локальные модели правят орфографию, убирают двусмысленность и переводят текст в деловой стиль. Специалист задает смысл, модель — форму. Это уже не эксперимент, а ежедневная практика.

Набирают популярность автоответы — когда система сама отправляет решение из базы знаний, а человек подключается только к сложным случаям. Растет спрос на ИИ вне ИТ: кадры, АХО, внутренние сервисы в логике ESM. Отдельно — каналы самообслуживания: чат-бот в MAX, распознавание задачи по скриншотам в заявке, умное распределение звонков между специалистами в зависимости от графика и загрузки. Следующий слой — не генерация текста, а наблюдаемость сервиса: метрики портала самообслуживания снижение MTTR, переход от «что сломалось» к понятному «где» и «почему».

Никита Векессер (Orion soft): Уверенно работают корпоративные чаты, транскрибация встреч, обработка документов, поиск по базам знаний, предиктивная аналитика и помощники для разработчиков. Быстрее всего сегодня растет интерес к AI-агентам. Но большинство таких проектов пока остается на стадии пилота. Главная проблема — не собрать агента, а дать ему доступ к корпоративным системам, ограничить полномочия и научиться проверять результат.

Антон Спирин (Рексофт): Сегодня можно выделить два основных вектора зрелости внедрения искусственного интеллекта в корпоративной среде. Первый — это уже устоявшиеся практики, где эффективность подтверждена годами использования. Второй — активно набирающие популярность направления, связанные с трансформацией бизнес-процессов.

К уверенно используемым относятся классические задачи, где ИИ стал технологическим стандартом: компьютерное зрение, различные системы прогнозирования и речевая аналитика. В сегменте генеративного ИИ также сформировалось несколько зон постоянной эксплуатации. К ним относятся корпоративные поисковые системы и консультационные сервисы на базе технологии RAG (Retrieval-Augmented Generation), позволяющие сотрудникам в режиме диалога работать с внутренней базой знаний и документацией компании, а также ИИ-агенты для первой линии поддержки (как клиентской, так и внутренней), автоматизирующие значительную часть стандартных запросов.

Третья крупная область — использование ИИ в процессах разработки программного обеспечения (SDLC), а именно генерация кода и сопутствующих инженерных артефактов. Кроме того, сюда входят типовые операционные задачи, требующие быстрого анализа неструктурированных данных, такие как скрининг резюме, проверка юридических договоров, обработка заявок или генерация маркетинговых и рекламных материалов.

В свою очередь, сегодня набирают популярность не просто отдельные технологические домены, а более глубокие решения, интегрированные в бизнес-модели. Здесь прослеживаются два основных вектора.

Первый — повышение степени автономности ИИ-агентов. Компании переводят на них более сложные сценарии, требующие тесной интеграции с существующими информационными системами и полного цикла выполнения задачи — от получения запроса до финального результата. Яркий пример — проект, реализуемый «Рексофт» для крупной государственной структуры, где автоматизируются проверка документов и подготовка заявок на всех этапах жизненного цикла государственных услуг. Похожий проект идет при участии «Рексофт» в «Норникеле»: здесь внедряются ИИ-агенты для бюджетного контроля закупок, автоматически проверяющие соответствие пакета документов заявочной кампании. Сотрудники компании вручную проводят проверки более чем по 100 параметрам, и внедрение ИИ-агентов направлено на кардинальное снижение трудоемкости этих процедур.

Еще один вектор роста — повышение «экспертности» ИИ-решений, когда технология привлекается к принятию управленческих решений. Сюда относятся задачи управленческой аналитики, расследования инцидентов и внутренний аудит. ИИ здесь используется не просто как исполнитель, а как интеллектуальный инструмент выявления скрытых рисков и аномалий, способный перевести контрольную функцию из реактивной в проактивную. Ключевым фактором успеха в таких проектах становится вовлеченность менеджмента: при этом 30 % усилий уходит на технологии, а 70 % — на работу с людьми и управление изменениями.

ICT-Online.ru: Большое спасибо за беседу!