ИИ-решения для бизнеса. Часть 2: эффективность и/или безопасность, стоп-факторы, прогнозы, комментарии экспертов

ICT-Online.ru: Как заказчики оценивают эффективность ИИ-решений, как выбирают между эффективностью и безопасностью?

Генеральный директор ООО «Эмерджентные мультиагентные системы» (совместное предприятие Selectel и ИТМО) Роман Венедиктов: Эффективность и безопасность лучше не ставить на разные чаши весов. Потому что для корпоративного ИИ безопасность является базовым условием, при соблюдении которого система вообще может работать.

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

Что касается эффективности, то раньше компании часто смотрели на качество ответа модели или на то, сколько времени экономит конкретный сотрудник. Теперь бизнес всё чаще пытается понять эффект на уровне процесса: сколько операций удалось автоматизировать, насколько сократилось время выполнения, стоимость и количество ошибок.

И несмотря на то, что люди уже довольно хорошо чувствуют рост собственной продуктивности от ИИ, в компаниях далеко не всегда умеют превратить этот эффект в измеримый финансовый результат.

Заместитель генерального директора по внедрению и эксплуатации компании «Базис» Денис Романов: Около 80 % компаний отмечают экономический эффект от внедрения ИИ. В отдельных сценариях рост продуктивности может достигать 50 %, снижение расходов — 30 %, а количество ошибок уменьшается на 40 %. Одним из ключевых показателей эффективности становится срок окупаемости, который в среднем составляет 9-12 месяцев. Чтобы оценить эффективность внедрения, можно провести простой тест: если результат работы ИИ нельзя скопировать и использовать в работе, то это решение явно неудачное.

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

Безопасность остается важным фактором при выборе ИИ-решений, но не основным. Более того, от 33 % до 55 % компаний называют ее одним из барьеров для внедрения. Если проект дает быструю и понятную экономическую отдачу, бизнес, как правило, готов идти на разумный риск.

Начальник отдела цифрового маркетинга ГК «ЭОС» Дмитрий Матвеев: На мой взгляд, эффективность оценивают через конкретные показатели, например, сокращение времени обработки документов, снижение числа ошибок, уменьшение трудозатрат, повышение качества сервиса и соблюдение установленных сроков.

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

При этом безопасность не должна быть компромиссом ради скорости автоматизации. Для государственных организаций и крупных компаний оптимальным становится подход, при котором ИИ развёртывается в защищённом локальном контуре. Это позволяет использовать интеллектуальные технологии, не отправляя конфиденциальную информацию сторонним сервисам.

Тут важно отметить, что важную роль играет: опыт поставщика, насколько понятно устроено решение, есть ли возможность проверить работу модели и имеются ли уже успешно реализованные кейсы внедрения.

Директор ITM+ рынка Naumen Никита Кардашин: Методы оценки эффективности сильно зависят от класса решений и целевых показателей конкретного бизнеса. Чаще всего оценивают скорость операций – например, обработки входящих обращений клиентов или подготовки документов, – а также влияния на затраты и производительность сотрудников: как прежним штатом выполнять больший объем задач.

Директор ITM+ рынка Naumen Никита Кардашин
Фото: Naumen

При этом, кейсов с публично подтвержденным экономическим эффектом на рынке пока что немного, в том числе и на зарубежном. Это связано и с отсутствием хорошей оцифрованности процессов у многих заказчиков, и с тем, что ИИ-системы внедряются постепенно, с усложнением функционала, и с тем, что далеко не все заказчики готовы раскрывать реальные показатели эффективности.

Заместитель руководителя направления Т1 ИИ (ИТ-холдинг Т1) Сергей Карпович: Эффективность ИИ больше не оценивается абстрактно. Заказчики требуют четких KPI. Например, сокращение времени обработки запроса, снижение стоимости привлечения клиента, рост конверсии, экономия ФОТ за счет автоматизации рутинных задач. Все больше в эффектах учитываются такие показатели как удовлетворенность сотрудников, снижение текучести кадров за счет устранения рутины.

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

Дилемма «эффективность или безопасность» решается через архитектуру «человек в контуре принятия решения». Для высокорисковых сценариев (медицина, финансы, юриспруденция) ИИ выступает как ассистент, предлагающий варианты, но финальное решение принимает человек. При этом для обеспечения безопасности необходимо организовывать защиту от промпт-инъекций, обеспечивать разграничение прав доступа, проверку ответов ИИ по корпоративным политикам и проверку фактов, чтобы избежать галлюцинаций. Сейчас уже безопасность является обязательным фундаментом ML платформы. Решение, которое не гарантирует конфиденциальность данных, не будет принято в Enterprise-секторе, независимо от его эффективности.

Менеджер продуктов ИИ-платформы Selectel Антон Малышев: Оценка эффективности во многом зависит от зрелости самого решения. В развитых продуктах используются автоматизированная оценка качества, встроенная в процессы разработки и эксплуатации. В отдельных решениях применяется ручной анализ результатов работы ИИ-системы с привлечением экспертов.

Менеджер продуктов ИИ-платформы Selectel Антон Малышев
Фото: Selectel

Если говорить о выборе между эффективностью и безопасностью отдельных решений, то обычно это зависит от степени зарегулированности бизнеса. При этом рынок развивается в сторону появления большего числа решений, которые позволяют использовать современные возможности ИИ с учетом требований регулируемых отраслей: за счет локального развертывания, контроля над данными и использования открытых моделей.

Менеджер по развитию бизнеса LANDEV AI, ЛАНИТ Григорий Дюкарев: Выбора между эффективностью и безопасностью в реальных сделках я не видел ни разу. Недавно производственный холдинг первым же письмом сообщил нам, что облачные решения не рассматриваются по требованиям безопасности, и произошло это раньше любого разговора о функциональности. Настоящий компромисс выглядит иначе: локальное развёртывание дороже, доступные в контуре модели уступают облачным флагманам, и заказчик сознательно платит эту цену за контроль над данными или выбирает гибридные решения.

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

Эффективность мы предлагаем измерять пилотом с заранее зафиксированными метриками. Чаще всего это экономия времени сотрудников, повышение их производительности, реже – прямая выручка. Метрики, согласованные до старта, и отличают живой проект от заброшенного: пилот без них до промышленной эксплуатации обычно не доживает, потому что результат вроде бы есть, а показать его нечем.

Руководитель отдела прототипов и исследований компании «Онланта» (входит в группу ЛАНИТ) Петр Рыляков: Эффективность оценивают через конкретные бизнес-метрики: сокращение времени на операцию, долю автоматизированных обращений или документов, снижение ошибок, рост производительности сотрудников, скорость ответа клиентам и финансовый результат. Очень важен пилотный этап: заказчик проверяет решение на ограниченном наборе процессов, сравнивает его с текущим порядком работы и только затем принимает решение о масштабировании. Типовой пилотный проект занимает 14 дней.

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

Эффективность и безопасность не являются взаимоисключающими параметрами. Зрелый подход состоит в том, чтобы выбирать архитектуру под уровень чувствительности данных. Например, для задач с низкой степенью риска можно использовать открытые сервисы, а для внутренней информации, персональных данных и коммерческой тайны – решения в защищенном или локальном контуре. Безопасность – это не препятствие, а обязательное требование к промышленному внедрению любого ИИ-решения.

Директор департамента голосовых цифровых технологий компании BSS Александр Крушинский: Между эффективностью и безопасностью на практике никто не выбирает. Контур задаёт служба безопасности до старта проекта, и дальше эффект максимизируют уже внутри этих границ. Вопрос стоит не «или – или», а «сколько получится выжать в разрешённом контуре». Цена ограничения при этом измерима: в июльском опросе Orion soft писал, что 91 % компаний упираются в потребность в собственных GPU-кластерах, больше 60 % принципиально идут в локальные модели и свою инфраструктуру. Закрытый контур — это капитальные затраты, и считать их надо до пилота, а не после.

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

Эффективность честно считается там, где эффект прямой. Например, для клиентского ИИ-помощника мы можем умножить процент автоматизации на ФОТ операторов и получить экономию. Там, где влияние косвенное, как, например, в проектах речевой аналитики на продажи, точной оценки ROI не существует. На оператора влияет обучение, обратная связь, мотивация, ещё десяток факторов, и вклад именно аналитики оттуда не вычленить. Цифра в презентации в таких случаях остаётся вопросом веры.

Директор департамента бизнес-решений и цифровой трансформации «Софтлайн Решения» (ГК Softline) Егор Ворогушин: Оценку эффективности нужно начинать до запуска пилота. Компания фиксирует исходное состояние процесса: сколько времени занимает операция, сколько стоит, где возникают задержки, как часто случаются ошибки, какая доля задач требует квалифицированного сотрудника. Без этой точки отсчёта невозможно доказать, что ИИ действительно принёс пользу — и, к сожалению, чаще всего baseline отсутствует: компания не знает текущей стоимости своего процесса, а значит, любой эффект потом нечем подтвердить. Поэтому фиксация исходного состояния — это первый шаг, а не формальность.

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

Дальше смотрим на несколько групп показателей.

• На уровне процесса — время выполнения, соблюдение SLA, объём обработанных обращений, доля автоматизированных операций, число ошибок и переданных человеку исключений.
• На уровне экономики — стоимость одной операции, высвобожденное рабочее время, снижение стоимости ошибки, влияние на конверсию, выручку, маржинальность.
• Отдельно — качество самого решения: точность, доля некорректных результатов, стабильность на разных типах запросов, число отказов и критических ошибок. И реальное использование: формально работающая система, которой не доверяет команда, экономического эффекта не даёт.

Здесь важная оговорка про метрики. Долю задач, которые в роли выполняет человек, мерить можно и нужно — это помогает увидеть потенциал. Но сам по себе «процент задач, отданных ИИ» не даёт экономического эффекта. Эффект появляется не от того, что отдельный шаг стал автоматическим, а от перепроектирования всего процесса вокруг новой возможности. Автоматизировать один этап и ждать экономии — типичная ошибка.

Отдельно стоит измерять «мягкие» эффекты, которые не сводятся к рублям напрямую, но часто и есть главная ценность: управляемость и прозрачность процессов, скорость принятия решений, широта анализа при их подготовке. Их тоже можно снимать — например, оценкой до и после, — и без этого сильные, но «неденежные» кейсы выглядят как неудача.

Эффективность и безопасность я бы не противопоставлял. Безопасность — это условие допуска ИИ в процесс, а не альтернатива эффективности. Реальный вопрос — какой уровень автономности допустим для конкретного сценария.

Если ИИ помогает найти документ или подготовить черновик — достаточно выборочной проверки. Если агент получает доступ к CRM, финансовой системе или персональным данным — нужны ограниченные полномочия, журналирование, аудит, контроль аномалий и подтверждение значимых действий человеком. Для критичных процессов добавляются изолированный контур, сценарии безопасного отказа и возможность быстро остановить агента.

Поэтому лучшим решением не всегда оказывается самая сильная модель. Им становится система, которая даёт приемлемое качество, предсказуемо работает в заданных границах и не создаёт рисков, превышающих ожидаемый эффект.

Руководитель отдела продуктов и решений OpenYard Дмитрий Пенязь: Сейчас заказчики все чаще смотрят не только на результат пилота, но и на то, во сколько обойдется его дальнейшая эксплуатация. На тестовой нагрузке решение может показывать отличный результат, но при переходе к промышленному использованию меняется и экономика: растет объем данных, число пользователей, требования к вычислительным ресурсам и, соответственно, стоимость инфраструктуры.

Руководитель отдела продуктов и решений OpenYard Дмитрий Пенязь
Фото: OpenYard

Поэтому важно оценивать не только то, удалось ли решить задачу, но и сколько будет стоить работа системы при реальной нагрузке, как изменится производительность сотрудников или процессов и насколько полученный эффект оправдывает затраты на оборудование, инфраструктуру и поддержку.

Безопасность при этом нельзя рассматривать отдельно от эффективности. Если ИИ работает с корпоративными или чувствительными данными, требования к их защите закладываются в архитектуру проекта с самого начала: где будет развернута модель, как хранятся и передаются данные, кто получает к ним доступ. В некоторых случаях именно эти требования делают собственную или выделенную инфраструктуру наиболее подходящим вариантом.

Директор направления продуктового офиса «Публичное облако» РТК-ЦОД Денис Боженко: Зрелость заказчиков выросла заметно. Раньше оценивали «крутой демо-результат», теперь выбирают по измеримым бизнес-показателям: сокращение времени обработки запроса, рост конверсии, снижение стоимости операции, экономия FTE.

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

Скажу прямо, эффективность и безопасность — это не антонимы, а одновременные требования: платформа обязана давать и то, и другое сразу. Заказчик не выбирает «или/или», он отбрасывает решения, где ради скорости приходится жертвовать контролем над данными. Побеждают платформы, где производительность достигается без вывода данных за периметр, с прозрачным управлением доступом и аудитом. Мы в РТК-ЦОД строим экосистему по такому принципу: эффективность не за счёт безопасности.

Ведущий архитектор решений компании «Интерпроком» Игорь Бреус: Бизнес говорит на языке цифр и водит конкретные измеримые показатели. Например, экономия ФОТ: сколько ставок сотрудников высвобождено или переведено на более интеллектуальные задачи. Увеличение скорости обработки информации: время на анализ рынка сократилось с 2 дней до 2 часов. Сокращение времени на обработку запросов клиента с 3 часов до 1 минуты, повышение коэффициента удовлетворенности с 5 баллов до 10, увеличение продаж и лояльности в скоринговых и рекомендательных системах.

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

Какой процент запросов обрабатывается без участия человека, сколько времени экономится на одну задачу, насколько точно система находит нужную информацию. Для планировщика ремонтов: сокращение внеплановых остановок, оптимизация загрузки бригад, снижение затрат на запчасти.

Мы фиксируем метрики ещё на этапе пилота. Простое правило: если нельзя измерить результат до внедрения — не стоит и начинать.

Что касается выбора между эффективностью и безопасностью — это ложная дилемма. На моей практике безопасность всегда выигрывала у абсолютной эффективности в корпоративном секторе — банки, телеком, госсектор, промышленность. Безопасность не «жертвуется» ради скорости, она встроена в архитектуру. Это не компромисс, а здравый смысл.

Руководитель продукта Digital Q.GPT компании «Диасофт» Илья Петров: Заказчики оценивают ИИ-решения теми же методами, что и любые другие ИТ-проекты — через тестирование, расчет совокупной стоимости владения, экономический эффект и прочие метрики. Но есть проблема субъективной, эмоциональной оценки решений, правда, она не специфична для ИИ — так было и раньше, независимо от технологии.

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

Маркетолог CESCA Жанна Герасимова: Метрики стали гораздо прагматичнее, чем два года назад. Никого уже не впечатляет «наш бот отвечает, как человек» — считают экономию в деньгах и человеко-часах:

• снижение нагрузки на первую линию поддержки;
• экономия времени сотрудника на типовых операциях;
• сокращение сроков: время подготовки документа, отчёта, ответа клиенту;
• качество ответов: точность, доля галлюцинаций.

Маркетолог CESCA Жанна Герасимова
Фото: CESCA

Что касается выбора между эффективностью и безопасностью, то в крупном бизнесе такого выбора фактически нет. Безопасность — это входной фильтр, а не параметр для компромисса. Сначала решение проходит проверку ИБ: где крутится модель, куда уходят данные, есть ли контурная изоляция, как логируются запросы, не попадут ли персональные данные или коммерческая тайна в обучающую выборку сторонней модели. И только решения, прошедшие этот фильтр, соревнуются между собой по эффективности. Попытки внедрить эффективное, но непрозрачное с точки зрения ИБ решение в Enterprise почти всегда заканчиваются одинаково — блокировкой на этапе согласования.

Менеджер проектов в Центре ИИ СКБ Контур Мария Зырянова: Для оценки эффективности самое главное понимать, насколько внедрение ИИ-решения действительно полезно и необходимо, так как увеличения эффективности каких-то процессов в компании можно добиться и без внедрения ИИ. Важно на старте продумать метрики успешности: например, скорость/точность исполнения операций, доля автоматизации процессов и рутинных операций, сокращение штатных единиц, снижение брака на производстве, прирост в конверсии/выручке и т.д.

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

Соблюдение баланса эффективность/безопасность:

• Важно провести классификацию данных и критичности процессов для выбора контура внедрения ИИ. Если предстоит работать с персональными данными или коммерческой тайной, то рекомендуется использовать он‑прем решение или частное облако. Такая услуга стала появляться в последнее время у хостинговых компаний. Если эти решения не подходят, можно попробовать поработать с деперсонализацией и минимизацией данных, но в этом случае возрастает вероятность ошибок модели. Эту проблему можно попробовать решить тестами на потенциальные утечки/галлюцинации.
• Необходимо предупреждать пользователей, которые работают с ИИ или с результатами генераций модели, о том, что нельзя бездумно применять в работе информацию из ИИ-решений. Важно осмысливать и даже проверять их при принятии решений, затрагивающих финансовые аспекты бизнеса. Для этого обычно выводят в интерфейсе дисклеймеры о том, что информация предоставлена с помощью ИИ.

Руководитель Центра внедрения 1С:ITILIUM компании «Деснол» Евгений Парамонов: Эффективность считают по операционным метрикам: смотрят время первого ответа, долю обращений в срок по SLA, число заявок на специалиста, долю типовых запросов, закрытых без эскалации, среднее время поиска решения. Раньше поиск в базе знаний занимал 10-15 минут, сейчас RAG-инструменты выдают ответ за секунды. Это и есть рабочая оценка.

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

Безопасность заказчики проверяют по архитектуре. RAG-поиски работает только по корпоративным документам. Доступ к знаниям настраивается по подразделениям: модель не должна видеть то, чего не видит сотрудник. Для чувствительных данных — российские LLM или локальная модель, без трансграничной передачи. Человек остается в контуре: ответ можно отправить автоматически или отдать исполнителю на подтверждение.

Руководитель продуктов Nova AI и StarGuard AI в Orion soft Никита Векессер: До пилота фиксируют текущую стоимость и длительность процесса. После запуска измеряют качество, скорость, долю успешно выполненных задач и стоимость одной операции. Число пользователей и объем токенов сами по себе не доказывают пользу.

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

Между эффективностью и безопасностью выбирать не нужно. Чувствительные запросы обрабатывают локально, остальные можно направлять во внешние модели. Чем выше риск, тем жестче контроль данных и действий ИИ.

Коммерческий директор Рексофт Антон Спирин: Текущий этап зрелости рынка генеративного ИИ наглядно иллюстрирует подход заказчиков к оценке эффективности. В большинстве случаев эффект рассчитывается не через прирост выручки, а через снижение затрат и повышение операционной эффективности. Это связано с тем, что мы научились использовать ИИ для ускорения существующих процессов, но принципиально новые бизнес-модели рынок пока только ищет.

Коммерческий директор Рексофт Антон Спирин
Фото: Рексофт

На практике экономика проекта разбивается на три ключевых шага. Первый шаг — это фиксация базовой линии: сколько времени, трудозатрат и денег тратится на операцию до внедрения ИИ. Например, согласно открытой статистике, при проверке договоров юристы тратят до половины рабочего дня на консультации и анализ документов. Второй шаг — расчет совокупной стоимости владения (TCO). Здесь многих поджидает неприятный сюрприз, так как стоимость лицензии на модель — лишь верхушка айсберга, и в расчет необходимо включать затраты на GPU-инфраструктуру или API, интеграции, подготовку корпоративных данных, мониторинг, информационную безопасность и контроль качества. Наконец, третий и часто ключевой фактор — оценка уверенности в гипотезе. Генеративный ИИ недетерминирован, а рынок молод, поэтому между успешным пилотом и стабильной работой на реальных потоках данных существует большая дистанция, которую необходимо учитывать в экономике.

Например, в контуре автоматизации контроля закупок одна ошибка модели на демонстрации пилота неприятна, но ошибка в одном проценте из сотен тысяч реальных операций с закупками на миллиарды рублей — это уже проблема совершенно иного масштаба. Поэтому измеряется не то, насколько впечатляюще модель отвечает, а качество конкретной операции на потоке. В «Норникеле» уже сейчас ИИ-агент способен автоматически проверять до 80 % аналитики по договору, обеспечивая точность на уровне 95-98 % и фактически переводя контроль в непрерывный режим. В «Рексофт» собственное решение Reksoft AI Compliance применяется для проверки договоров: проект позволил сократить общие сроки согласования на 20 %, а скорость проверки документов выросла на 50 %.

В вопросе выбора между эффективностью и безопасностью также происходит заметная эволюция. Еще несколько лет назад типичной реакцией крупных корпораций на вызовы ИИ было разворачивание собственных моделей исключительно внутри периметра. Это гарантировало безопасность, но вело к высоким затратам на инфраструктуру и ограничению возможностей. Однако бизнес быстро привыкает к функциям лучших публичных моделей, и объяснить сотруднику, почему корпоративный ИИ работает значительно хуже домашнего, довольно сложно.

Сейчас мы видим переход от бинарного выбора к risk-based-архитектуре, которая предполагает классификацию задач по уровню риска. Например, один класс задач полностью выполняется внутри контура компании, другой отправляется во внешнюю модель с предварительным обезличиванием персональных данных и заменой чувствительных атрибутов токенами. Внедряются DLP-системы, прокси-слои и маршрутизация запросов между разными LLM. Таким образом, вопрос выбора между безопасностью и эффективностью снимается — зрелая архитектура позволяет управлять этим балансом в зависимости от конкретной задачи.

ICT-Online.ru: Что является стоп-фактором для внедрения ИИ?

Генеральный директор Инфомаксимум Александр Бочкин: Главный стоп-фактор — человеческие привычки. Любое изменение заставляет людей переучиваться, перестраивать привычный порядок работы и брать на себя дополнительную ответственность. Даже если инструмент проверен и верифицирован, внутри компании это почти всегда означает изменение процессов, ролей и способов взаимодействия между сотрудниками. Поэтому вопрос не столько в «зрелости ИИ», сколько в готовности самой компании меняться под его возможности.

Генеральный директор Инфомаксимум Александр Бочкин
Фото: Инфомаксимум

Но есть и другой риск — с помощью ИИ можно масштабировать существующий хаос. Если сотрудники выполняют одни и те же операции разными способами, совершают лишние действия, возвращаются к уже пройденным этапам или исправляют ошибки, автоматизация может просто закрепить эту неэффективную практику. Поэтому до внедрения важно понять, как работа выполняется на самом деле. Здесь полезно применение аналитики бизнес-операций (Task Mining). Технология показывает реальные действия сотрудников, варианты выполнения операций и участки, где возникают лишние трудозатраты. На этой основе уже можно перестраивать и автоматизировать процесс целиком, не оставляя в нем «узких мест».

Советник генерального директора Content AI Олег Сажин: Внедрение любой новой технологии требует от компании определенных изменений в инфраструктуре и бизнес-процессах. С искусственным интеллектом масштаб этих изменений может быть значительно больше, поскольку ИИ затрагивает практически все элементы корпоративной системы. Среди основных стоп-факторов для внедрения ИИ можно выделить четыре ключевых: высокая стоимость инфраструктуры и вычислительных мощностей, сложность расчета экономического эффекта, неудовлетворительное качество данных и требования к информационной безопасности.

Советник генерального директора Content AI Олег Сажин
Фото: Content AI

Если говорить о стоимость инфраструктуры, то всем известно, что для корпоративного использования ИИ требуется серьезная вычислительная база, особенно если компания планирует развертывать модели внутри своего контура. Речь идет о производительных GPU-серверах, системах хранения данных, сетевой инфраструктуре и ресурсах для эксплуатации и масштабирования решений. При этом расходы возникают не только на этапе закупки оборудования. Необходимо учитывать ресурсы на энергопотребление, техническое обслуживание и специалистов, которые будут отвечать за инфраструктуру. Для небольших пилотов компания может использовать облачные мощности, однако при переходе к постоянной эксплуатации стоимость вычислений точно будет крупнейшей статьей расходов.

Сложность расчета экономического эффекта для части ИИ-проектов относительно легко измерить. Например, можно посчитать сокращение времени обработки документов или количество операций, которые раньше выполнялись вручную. Сложнее оценивать проекты, которые влияют на качество работы сотрудников или скорость принятия решений. Здесь эффект распределяется между несколькими показателями и проявляется постепенно. Дополнительную сложность создает стоимость самого решения. В расчет приходится включать лицензии или API, вычислительные ресурсы, интеграцию, настройку и дальнейшую эксплуатацию. Поэтому успешный пилот еще не означает, что проект экономически целесообразно масштабировать на всю компанию. На этапе пилотирования важно заранее определить базовые показатели и сравнить их с результатами после внедрения.

Третий фактор — качество корпоративных данных. В крупных компаниях данные часто распределены между несколькими информационными системами. Также зачастую они представлены в разных форматах и имеют различную степень актуальности. В документах могут встречаться ошибки, дубли, устаревшие сведения и противоречия. Для генеративного ИИ отдельная проблема связана с тем, что модель может сформировать убедительный, но фактически неверный ответ, если у нее нет доступа к корректным корпоративным данным. Поэтому перед внедрением приходится приводить данные в порядок, организовывать доступ к необходимым источникам и выстраивать механизмы проверки результатов. Во многих проектах именно подготовка данных занимает значительную часть времени и ресурсов.

Крайне важный для российской среды фактор –  информационная безопасность. При использовании ИИ компании должны понимать, какие данные передаются модели, где они обрабатываются и хранятся, кто имеет к ним доступ. Особенно чувствительны к этому финансовые организации, крупные промышленные компании, государственные структуры и компании, работающие с персональными данными и коммерческой тайной. Поэтому для ряда сценариев использование внешних публичных ИИ-сервисов оказывается затруднительным. Компании рассматривают локальное развертывание моделей, закрытые корпоративные контуры и специальные механизмы контроля доступа. При этом повышенные требования к безопасности увеличивают стоимость проекта и усложняют его архитектуру, поскольку приходится учитывать разграничение доступа, защиту данных, аудит действий пользователей и контроль информации, которую система передает во внешние сервисы.

Директор Дирекции разработки и внедрения ПО, компания «Инфосистемы Джет» Максим Андрианов: Один из основных барьеров внедрения искусственного интеллекта – неготовность процессов, инфраструктуры данных и сложности интеграции ИИ с корпоративными системами. В рамках нашего исследования об этом нам сообщили 44 % крупных компаний. Ценность искусственного интеллекта напрямую зависит от качества данных, цифровизации процессов и наличия необходимых интеграций, поэтому создание AI-ready фундамента – основной шаг перед внедрением ИИ в компании.

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

Также российские компании сталкиваются с высокой стоимостью GPU (58 %), юридическими рисками (56 %), ограничениями инвестиционных бюджетов и дефицитом экспертов (более 40 %).

Важно отметить, что ИИ-проекты могут находиться на стадии пилота, но «не дожить» до промышленной эксплуатации. 46 % опрошенных нами компаний сворачивали проекты, потому что они не приносили экономического эффекта.

Директор дивизиона бизнес‑приложений Группы «Борлас» (ГК Softline) Дмитрий Кичко: Главный тормоз внедрений – вопросы безопасности данных, особенно для компаний, которые работают с чувствительной информацией. Риски утечки данных останавливают даже те проекты, которые технически готовы к запуску. Важным фактором также является наличие необходимой инфраструктуры, а точнее – ее отсутствие. Для серьезных систем ИИ требуются мощные GPU-серверы в составе специализированных ЦОДов. Далеко не все компании готовы к таким расходам. А многие просто не имеют возможности приобретать такое оборудование, потому что большая его часть – зарубежного производства.

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

Отдельно стоит отметить банальную нехватку квалифицированных кадров, способных начать использовать ИИ и не саботирующих процесс внедрения из-за страха потерять работу, что также тормозит внедрение на всех этапах. Ранее мы говорили о повышении компьютерной грамотности населения, особенно старшего поколения, теперь те же аналогичные мероприятия необходимо проводить в направлении ИИ-грамотности.

Денис Романов («Базис»): Главным ограничивающим фактором для внедрения ИИ сегодня является кадровый голод. Помимо нехватки профильных специалистов также можно отметить несовместимость с существующими ИТ-системами, высокую стоимость внедрения, отсутствие приоритета со стороны руководства, сопротивление сотрудников, разрозненность данных и непонимание того, с какого сценария нужно начинать внедрение.

Роман Венедиктов («Эмерджентные мультиагентные системы»): Сегодня основным стоп-фактором всё реже становится сама технологии, чаще ограничения возникают внутри: плохо интегрированные информационные системы, разрозненность данных или неготовность менять существующие процессы. При этом построить пилот относительно просто, а вот доказать, что решение имеет смысл постоянно эксплуатировать и масштабировать, гораздо сложнее. Поэтому основная сложность возникает с тем, чтобы не запустить ещё один эксперимент с ИИ, а встроить его в реальный процесс так, чтобы он стабильно работал и давал измеримый результат.

Антон Малышев (Selectel): Согласно исследованию Selectel, среди ключевых барьеров для внедрения ИИ российские компании называют нехватку экспертизы, высокие затраты на внедрение решений, сложность оценки их окупаемости, трудность интеграции в существующие процессы, а также риски информационной безопасности.

Дмитрий Матвеев (ГК «ЭОС»): По моему мнению, главные препятствия кроются не в самих технологиях, а в том, при каких условиях их приходится внедрять. Среди них:

• риски утечки и неправомерного использования данных;
• несоответствие требованиям законодательства и регуляторов;
• отсутствие понятных сценариев применения и измеримых KPI;
• нехватка квалифицированных специалистов;
• сложность интеграции с действующими информационными системами;
• недоверие пользователей к результатам работы ИИ.

На мой взгляд, одним из способов уменьшить подобные риски является постепенное внедрение: сначала решение тестируют на небольшом круге задач в формате пилотного проекта, а затем, убедившись в его результативности, расширяют его применение.

Никита Кардашин (Naumen): Единого стоп-фактора для всех компаний, универсального для всех, нет. Конечно же, на внедрение ИИ влияют факторы, сдерживающие рост ИТ-рынка в целом — они лежат за пределами зоны ответственности игроков ИТ-рынка. В текущих макроэкономических реалиях инвестиции в ИТ в целом осложнены высокой ключевой ставкой, экономическим давлением и необходимостью фокусировать инвестиционные программы на сохранении рентабельности основного бизнеса. При этом стоимость ИИ-решений остается высокой, в том числе из-за высокой налоговой нагрузки и стоимости квалифицированного труда.

Осложняют ситуацию и экспортные ограничения: не все продвинутые модели доступны в России, стоимость оборудования высока, а рынок труда отнюдь не перенасыщен квалифицированными специалистами, часть из которых предпочла продолжить карьеру в других юрисдикциях.

Важный нюанс – регуляторика, особенно в части обработки персональных данных, сертификации, требований информационной безопасности и локальных требований регуляторов. В отдельных отраслях, прежде всего в финансовой и технологической сфере, компаниям приходится учитывать большого количества разнородных (и зачастую противоречивых) требований. Это приводит к удорожанию и увеличению сроков проектов, росту рисков и осторожности заказчиков.

В целом, процесс идет, но медленнее, чем мог бы в другой внешней конъюнктуре.

Сергей Карпович (ИТ-холдинг Т1): Главный стоп-фактор — неготовность данных и процессов. ИИ не может улучшить то, чего нет в цифровом виде или что хаотично. Кроме того, необходимо обеспечивать качество данных, прорабатывать бизнес-сценарии по применению ИИ и не пытаться внедрить ИИ «для галочки» без четкой постановки задачи и метрик успеха.

Пока еще сдерживающим фактором является дефицит специалистов, способных перевести бизнес-задачу на язык алгоритмов (ML-инженеры, Data Scientists, AI Architects). Особенно остро стоит нехватка опытных специалистов (Senior+), способных довести проект от прототипа до продакшена.

Часто компании успешно проходят этап пилота (PoC), но сталкиваются с непреодолимыми трудностями при масштабировании (MLOps), так как не выстроили процессы поддержки и мониторинга моделей.

Григорий Дюкарев (ЛАНИТ): Главный страх – это утечка данных. Компании боятся отдать наружу код и коммерческую информацию, а в регулируемых отраслях это опасение ещё и подкреплено требованиями регуляторов. Сразу за безопасностью идёт цена: GPU-инфраструктура под закрытый контур стоит дорого.

Но чаще всего проекты буксуют по причине, которую недооценивают: это незрелая постановка задачи. Компания приходит с желанием внедрить ИИ вообще, без конкретного процесса и метрики, и это почти готовый сценарий провала. Свежий случай из практики: заказчик прислал ТЗ, в котором ассистент рассчитан сразу на несколько департаментов, а сервер и модель взяты по нижней планке. Такой пилот споткнётся о железо, но виноватым назначат ИИ. Но бывает и наоборот, когда нагрузки переоценивают. Например, по нашему опыту, запуск на пятьдесят пользователей означает около пяти одновременных сессий, потому что единовременно в корпоративных системах активны примерно 10 % сотрудников, а железо считается по пиковой нагрузке, и стоимость входа от этого меняется в разы. Поэтому мы не отправляем конфигурации, пока не зафиксируем с заказчиком реальные параметры.

Петр Рыляков («Онланта»): Основные стоп-факторы – отсутствие четко сформулированной бизнес-задачи и ожидание универсального результата «из коробки». ИИ дает наибольший эффект, когда он встроен в конкретный процесс, имеет понятные данные и измеримые показатели успеха. Препятствием также становятся разрозненные или низкокачественные данные, отсутствие интеграций с корпоративными системами, дефицит специалистов и недостаточная готовность сотрудников менять привычные процессы. По нашему опыту, в 60 % компаний проекты задерживаются из-за некачественных и разрозненных данных, а не самой технологии.

Отдельный блок рисков связан с безопасностью, персональными данными, интеллектуальной собственностью и ответственностью за результат работы модели. Компании также сталкиваются с недоверием к непрозрачным ответам ИИ и необходимостью сохранять контроль человека в значимых решениях. Поэтому успешное внедрение требует не только технологии, но и правил использования, контроля качества, подготовки команды и управленческой поддержки.

Александр Крушинский (BSS): Стоп-фактора три:

1. Стоимость ИИ — особенно если речь идет о капитальных затратах на GPU.
2. Недостаточное качество и надежность моделей. Это ограничивает использование ИИ во вроде был простых, но критичных процессах, где ИИ в целом справляется, но изредка ошибается, а ошибки недопустимы, или за них никто не хочет брать ответственность.
3. Неготовность инфраструктуры. Если нет API к системам, знания передаются из уст в уста, а документация устарела пару лет назад — ИИ не поможет.

Егор Ворогушин («Софтлайн Решения»): Стоп-факторов много, но их удобно свести в три группы: стратегия, фундамент и люди.

Первая группа — стратегическая. Главный стоп-фактор здесь — отсутствие понятной бизнес-задачи: если компания начинает с технологии, а применение ищет потом, проект с высокой вероятностью останется демонстрацией без измеримого результата. Сюда же — отсутствие владельца продукта со стороны бизнеса и неясная экономика проекта.

Вторая группа — фундамент: данные, процессы, архитектура. Состояние данных решает почти всё: устаревшие инструкции, противоречивые и дублирующиеся регламенты, знания, которые живут в переписке и в головах сотрудников, не дают собрать надёжную базу. ИИ не наводит порядок сам — он усиливает то, что есть, а значит, на плохих данных масштабирует ошибки и хаос. Рядом — неформализованный процесс: если непонятно, как принимается решение, кто отвечает за результат и как проверяется качество, автоматизировать преждевременно. И технический слой — отсутствие интеграций и невозможность обеспечить безопасный доступ к данным.

Третья группа — люди и управление: нехватка компетенций и сопротивление сотрудников. Если людям не объяснили цель внедрения, они воспринимают ИИ как угрозу, не доверяют результатам и обходят инструмент.

С этими барьерами связана и «ловушка пилотов»: большинство пилотных проектов не доходят до промышленной эксплуатации. И, как правило, дело не в слабой модели, а ровно в перечисленном — нет задачи, данных, процесса, владельца.

Отмечу отдельно проблему измеримости: без зафиксированного baseline — исходной стоимости и параметров процесса — компания не может доказать эффект даже удачного пилота, и проект тормозится уже на этапе обоснования.

Поэтому готовность к внедрению определяется не качеством модели, а зрелостью данных, процессов, ИТ-архитектуры и управления. Хороший ИИ поверх плохо организованного процесса редко делает этот процесс лучше.

Дмитрий Пенязь (OpenYard): Первый стоп-фактор — отсутствие понятного бизнес-сценария. Если компания не может определить, какую конкретно задачу она решает с помощью ИИ и по каким показателям будет оценивать результат, проект легко остается на уровне эксперимента. Кроме того, на практике часто оказывается, что данные недостаточно качественные или разрозненные, а существующие системы сложно интегрировать с новым решением.

На этапе перехода к промышленной эксплуатации появляются уже инфраструктурные ограничения. ИИ-нагрузки предъявляют повышенные требования не только к GPU, но и к памяти, сети, системам хранения, электропитанию и охлаждению. При этом все компоненты должны быть сбалансированы между собой и соответствовать конкретному типу нагрузки.

Поэтому недостаточно просто установить в существующий ЦОД больше ускорителей. Нужно заранее понимать, как система будет работать под реальной нагрузкой, где будут храниться данные, насколько быстро они должны передаваться между компонентами и как инфраструктура будет масштабироваться. Ошибки, которые почти незаметны на этапе пилота, при промышленной эксплуатации начинают напрямую влиять на производительность и стоимость проекта.

Денис Боженко (РТК-ЦОД): Реальный стоп-фактор — это не отсутствие моделей, а отсутствие инфраструктуры и готовности к масштабированию. Во-первых, стоп-фактор – это доступность вычислительных мощностей: дефицит и стоимость GPU для клиентов — ключевая точка, которую мы в РТК-ЦОД закрываем. Во-вторых, это качество и цена инференса на объёмах. В-третьих, нехватка компетенций — ИИ-команды дорогие и редкие. Дальше идут вопросы безопасности и регуляторных требований, для многих отраслей это жёсткое условие входа. И, наконец, непонимание экономики проекта: когда бизнес не может посчитать возврат инвестиций, внедрение застревает на пилоте.

Отдельно подчеркну, что «боязнь технологии» больше не стоп-фактор. За последний год бизнес перестал бояться ИИ как такового и начал думать о том, как его эффективно и безопасно внедрить. Это важный маркер зрелости рынка.

Игорь Бреус («Интерпроком»): Главный стоп-фактор — неготовность данных. ИИ бесполезен, если информация разбросана по десяткам систем, не структурирована, содержит ошибки. Например, компания хочет «внедрить ИИ», но у неё даже единого реестра оборудования нет. Начинаем с наведения порядка в данных — и только потом подключаем интеллектуальный слой.

Еще один стоп-фактор — завышенные ожидания. Бизнес хочет от ИИ все и сразу, минуя промежуточные этапы. Но эволюция не терпит скачков. Сначала ИИ подсказывает, потом выполняет типовые задачи под контролем, потом — для стандартных ситуаций — работает самостоятельно. Революционный подход не работает. Платформа «Аксиома» развивается именно эволюционным путём: сначала цифровизация процессов ТОиР, потом аналитика, и только потом — интеллектуальная надстройка.

Другой барьер — страх перед новым, когда люди десятилетиями работали по одним и тем же схемам. Здесь важно не «внедрить ИИ», а показать конкретную пользу: вот тебе система, которая сама найдёт нужный регламент, вот тебе планировщик, который предложит оптимальное окно для ремонта. Когда человек видит, что ИИ не заменяет его, а снимает рутину — возникает доверие и сопротивление уходит.

Очень важно не забывать, что ИИ нужно «кормить». База знаний деградирует, если её не обслуживать. Нужен регулярный процесс обновления, проверки актуальности, устранения противоречий. Это не разовое внедрение, а постоянная работа, без которой ИИ-инструмент со временем становится бесполезным.

Илья Петров («Диасофт»): Главный барьер — недостаточная вовлеченность и заинтересованность руководства, принимающего решения. Без готовности менять процессы и системно помогать сотрудникам осваивать новые инструменты внедрение ИИ буксует даже при наличии технологической готовности.

Жанна Герасимова (CESCA): По моему опыту, основных стоп-факторов четыре:

1. Данные. Генеративный ИИ честно показывает состояние корпоративных данных: если база знаний устарела, регламенты противоречат друг другу, а доступы никому не принадлежат — модель будет уверенно генерировать ерунду. Без работы с данными проект встаёт.
2. Информационная безопасность и комплаенс. Требования к контуру, шифрованию, аудиту. Это решаемо, но удлиняет проект, и к этому нужно быть готовым с самого начала.
3. Инфраструктура и кадры. GPU-дефицит никуда не делся, а специалистов, которые умеют выводить LLM в продуктив, по-прежнему мало.
4. Нереалистичные ожидания. Когда от ИИ ждут мгновенной замены отдела, а получают инструмент, который требует настройки, дообучения и изменения процессов. Разочарование после завышенных ожиданий губит больше проектов, чем технологические ограничения.

Отдельно отмечу: цена внедрения сегодня — редко стоп-фактор сама по себе. Скорее останавливает неопределённость возврата инвестиций: если бизнес-заказчик не может сформулировать, в чём будет измеримый эффект, проект замораживают ещё до старта.

Никита Векессер (Orion soft): Главный стоп-фактор — отсутствие конкретной бизнес-задачи и ответственного за результат. Проект запускают, но не определяют, какой процесс и какая метрика должны измениться.

Дальше идут дефицит специалистов, неподготовленные данные, требования информационной безопасности и сложность промышленной эксплуатации. По нашему опросу, у 79 % компаний нет профильной AI-команды. Прототип они собрать могут, а довести его до стабильного production — уже нет.

Мария Зырянова (СКБ Контур): Такими факторами являются:

• Юридические и комплаенс‑риски при использовании результатов работы ИИ-моделей, незрелость законодательной базы и НПА в области ИИ.
• Качество и доступность данных для обучения моделей.
• Интеграции с легаси‑системами, отсутствие возможности быстро развернуть модели в он‑прем для обеспечения требований безопасности.
• Высокая стоимость и малая доступность в РФ вычислительных ресурсов, неопределенность стоимости поддержки и развития ИИ-решений.
• Дефицит экспертизы у менеджеров и сотрудников инженерных ролей в областях MLE/MLOps/ИИ-безопасность.
• Особенности ИИ-моделей: галлюцинации, не всегда прозрачно, почему ИИ предлагает то или иное решение, отклонение ранее валидных результатов работы модели под воздействием внешних обстоятельств.

Евгений Парамонов («Деснол»): Первый стоп-фактор — не готовая или устаревшая база знаний. Если инструкции устарели, разрознены и не привязаны к услугам, RAG-поиск будет выдавать неверные ответы.

Второй — безопасность данных. Если служба безопасности не понимает, куда уходят тексты заявок — на сервер компании или во внешний сервис, — проект останавливают. В заявках часто есть персональные данные, коммерческая информация и сведения из защищенного контура. Пока нет ясного ответа, где это хранится и кто к этому имеет доступ, ИБ внедрение не согласует.

Третий ограничитель — если инструменты ИИ живут отдельно от работы сервисной службы. Если чат-бот отвечает сотруднику, но не создает заявку, не ставит срок и не направляет обращение нужному специалисту, от него мало пользы. Руководителю не видно эффект от применения ИИ в отчетах, и такой проект быстро перестают финансировать. Искусственный интеллект должен быть встроен в обработку заявки, а не стоять рядом как отдельное окно.

Дальше — отсутствие базовой дисциплины сервиса: нет каталога услуг, SLA, классификации. ИИ усиливает процесс, но не заменяет его. Еще один барьер — ожидание «заменим людей». Рабочий запрос 2026 года другой: обработать больше обращений без расширения штата при дефиците опытных специалистов. Если цель сформулирована как сокращение людей, сопротивление внутри компании блокирует внедрение быстрее любой технической проблемы.

Наконец, нет критериев приемки. Без пилота на своих данных, без метрик «до/после» и без правила, когда отвечает ИИ, а когда человек, бизнес-заказчик не берет решение в промышленную эксплуатацию.

Антон Спирин (Рексофт): Если говорить о масштабной ИИ-трансформации бизнеса, то в первую очередь стоит выделить недостаточную готовность компаний к изменениям бизнес-процессов. Подобные решения могут приниматься на уровне первых лиц, но без их постоянного внимания инициатива останавливается, сталкиваясь с сопротивлением среднего и даже старшего менеджмента. Причин много: от нежелания оптимизировать персонал до стремления остаться в зоне комфорта с привычными методами работы.

Другой стоп-фактор — неопределенность в части бизнес-эффектов. Далеко не всегда удается ответить на вопросы: сколько сэкономим, как это измерим и кто готов взять на себя ответственность. Без ответов на них получить бюджет и стартовать работы в большинстве корпораций невозможно.

Среди серьезных барьеров нельзя не выделить доступность и качество данных. Зачастую «нулевым этапом» перед масштабным внедрением ИИ становится реализация большой программы проектов в сфере Data Governance, чтобы данные организации стали качественными, обновляемыми и доступными с соблюдением требований ИБ.

В части ИИ-инфраструктуры наблюдаются снижение доступности и повышение стоимости оборудования. Современные серверы с чипами Nvidia в основном поставляются из Китая, их логистика усложняется из-за санкционного давления и контроля вендора. Это приводит к регулярным срывам поставок и ежемесячному росту стоимости, что создает проблемы с масштабированием и прогнозированием TCO. Альтернативой Nvidia в будущем видятся китайские графические ускорители, которые постепенно догоняют лидеров по соотношению цены и производительности, демонстрируя совместимость с большинством open-source-моделей. Они уже активно тестируются крупнейшими заказчиками, есть первые поставки для промышленного использования.

ICT-Online.ru: Поделитесь вашим видением развития тренда на использование бизнесом ИИ.

Александр Бочкин (Инфомаксимум): ИИ не остановить. Это факт. Вопрос уже не в том, будут ли компании использовать искусственный интеллект, а в том, насколько глубоко он будет интегрирован в операционную деятельность. Мы будем переходить от отдельных помощников к системам, которые постоянно работают с бизнес-контекстом: отслеживают ход процесса, замечают отклонения, анализируют причины, предлагают решение и в разрешенных сценариях выполняют действия самостоятельно.

Автономность будет расти поэтапно: сначала ИИ дает рекомендацию, затем выполняет действие после подтверждения человека, а в стабильных и безопасных процессах сможет работать самостоятельно в заданных границах. Полностью недетерминированной автоматизация не станет. Там, где нужна предсказуемость, сохранится жесткая логика и контроль, а ИИ будут подключать туда, где требуется анализ сложного контекста.

Олег Сажин (Content AI): В ближайшие годы основным направлением развития корпоративного ИИ станет переход от отдельных ИИ-инструментов к полноценным агентным системам, которые способны выполнять последовательность действий в рамках бизнес-процесса.

Сейчас большинство корпоративных сценариев предполагает непосредственное взаимодействие человека с ИИ. Сотрудник формулирует запрос, получает ответ или результат и выполняет следующие действия самостоятельно. Агентный подход предполагает более высокую степень автоматизации. Пользователь ставит задачу, после чего агент определяет последовательность необходимых действий, обращается к корпоративным системам и инструментам, анализирует полученные данные и формирует результат в соответствии с заданными правилами.

Например, сотруднику отдела закупок требуется проверить комплект документов от поставщика. Агент может получить документы, извлечь из них необходимые сведения, сверить их с данными в учетной системе и договором, выявить расхождения и подготовить результат проверки. Если требуется решение специалиста, агент передает ему собранную информацию и предлагает дальнейшие действия.

Такие сценарии особенно перспективны для процессов, в которых сегодня много последовательных операций и переходов между разными информационными системами. Это обработка обращений и документов, закупки, финансовые и административные процессы, онбординг и поддержка сотрудников. В перспективе агент сможет взаимодействовать сразу с несколькими системами и выполнять значительную часть операций внутри процесса.

При этом развитие агентных решений не означает устранения человека из процесса. Наоборот, роль специалиста будет особенно важна там, где требуется оценка результата, выбор между несколькими вариантами или принятие решения с высокой ценой ошибки. Человек задает цели и правила работы агента, определяет границы его полномочий, контролирует выполнение задач и принимает окончательное решение в значимых ситуациях.

Отдельно будет развиваться связка ИИ-агентов с RPA, BPM-системами, корпоративными базами данных и другими инструментами автоматизации. ИИ-агент сможет работать с неструктурированной информацией, интерпретировать запросы и выбирать необходимые действия, а существующие системы автоматизации будут выполнять формализованные операции.

Денис Романов («Базис»): В ближайшие пару лет рынок будет переходить от экспериментов к масштабному внедрению ИИ в бизнес-процессы. Продолжит расти направление ИИ-агентов, которые будут брать на себя уже не отдельные операции, а целые задачи. Одновременно бизнес станет жестче оценивать окупаемость, поэтому проекты без быстрой и понятной отдачи запускаться не будут. Будет расти и использование облачных ИИ-сервисов, особенно в малом бизнесе, где важны доступность сервисов и низкий порог входа.

Отраслевые решения для промышленности, сельского хозяйства и логистики будут постепенно догонять ИТ-сектор по масштабам применения. А ужесточение законодательства будет стимулировать переход на российские платформы.

Главный вызов для бизнеса заключается не в том, чтобы создать или приобрести ИИ, а в том, чтобы органично вписать его в работу так, чтобы сотрудники взаимодействовали с ним естественно. Наибольший эффект получат те компании, которые смогут сделать ИИ незаметной, но полезной частью ежедневных процессов.

Роман Венедиктов («Эмерджентные мультиагентные системы»): Сегодня сам факт использования ИИ стал обычной частью корпоративной ИТ-среды.

Следующий этап — переход от отдельных ассистентов к агентам, а затем к системам из множества специализированных агентов, которые смогут выполнять уже не отдельные операции, а целые фрагменты бизнес-процессов.

И здесь главным вопросом будет уже не то, какая именно модель используется. Гораздо важнее, насколько хорошо компания умеет встроить ИИ в свои процессы, управлять полномочиями агентов, контролировать качество их работы, безопасность и стоимость эксплуатации.

Поэтому, на мой взгляд, следующий большой этап корпоративного ИИ будет связан именно с технологиями промышленной эксплуатации множества агентов. Это, кстати, одна из ключевых задач, которой мы занимаемся в совместном предприятии Selectel и ИТМО.

Антон Малышев (Selectel): Рынок корпоративного ИИ продолжает проходить этап формирования: по нашей оценке, не менее двух третей компаний российского рынка могут находиться на очень ранних или развивающихся стадиях внедрения ИИ. Число организаций, которые можно назвать AI-first (то есть рассматривающими технологии искусственного интеллекта как один из ключевых инструментов развития бизнеса и выстраивающими процессы с учетом их возможностей) или зрелыми с точки зрения эффективного использования технологии, пока остается ограниченным.

В ближайшие годы мы ожидаем переход от отдельных экспериментов с ИИ к более системному использованию технологии. Компании будут внедрять корпоративные AI harness — инструменты и платформенные решения для управления жизненным циклом ИИ-приложений, а также развивать специализированные компактные модели (SLM), инструменты оценки эффективности ИИ-процессов и подходы к управлению затратами на ИИ-инфраструктуру (AI FinOps).

Дмитрий Матвеев (ГК «ЭОС»): Мне кажется, что ИИ станет базовым инструментом повышения эффективности — прежде всего в процессах, связанных с обработкой больших объёмов информации, подготовкой документов и взаимодействием с гражданами, клиентами и контрагентами.

Со временем технологии будут становиться доступнее, а сценарии их применения — понятнее. Организации перейдут от точечных экспериментов к системному внедрению ИИ в ключевые процессы: документооборот, работу с обращениями, аналитику, контроль исполнения и поддержку принятия решений.

Будут расти запросы на безопасные, прозрачные и контролируемые ИИ-системы. Преимущество получат те разработки, которые не только приносят ощутимые результаты, но и соответствуют стандартам защиты информации, позволяют локальную установку и обеспечивают контроль со стороны пользователя.

Максим Андрианов («Инфосистемы Джет»): Мы видим два глобальных тренда на российском рынке искусственного интеллекта.

Первый – компании движутся к агентным решениям, которые могут решать рабочие задачи при минимальном участии человека или вообще без него. По результатам исследования более 60% компаний интересуются автономными агентами и мультиагентными системами. Еще 33% изучает полуавтономных агентов.

Второй тренд на горизонте 2030 года вместе с развитием ИИ-агентов – крупный бизнес движется к независимости от вендоров. Исторически компании приобретали дорогостоящие вендорские решения, чьи возможности не использовали полностью. С ИИ профильные специалисты смогут создавать собственные решения для работы, и в некоторых отраслях уже это делают. Это могут быть модули для CRM, узкоспециализированные решения для инженерных изысканий и многое другое. Поэтому в ближайшие 3-4 года мы ожидаем постепенного снижения роли вендоров на рынке корпоративного ПО.

Никита Кардашин (Naumen): В дискуссии об ИИ часто есть два полюса. ИИ-пессимисты ожидают, что внедрение ИИ принесет риски для людей, отберет работу и снизит уровень жизни. ИИ-оптимисты уверены, что появление ИИ обозначит новый «золотой век» человеческой цивилизации — как пелось в старой песне, «вкалывают роботы, счастлив человек». Я бы не относил себя ни к тем, ни к другим.

На мой взгляд, ИИ — это инструмент, имеющий свою зону применимости и эффективности, точно так же как любая другая технология. Безусловно, влияние ИИ на рынок труда, на подход ко многим видам деятельности, на организацию работы будет — так же, как влияла каждая технология, от паровой турбины до Microsoft Excel. Однако, общие принципы рынка не изменятся — и как всегда, технология будет инкорпорирована в общий технологический стек человечества. Радикального роста прибылей или общественного достатка тоже не произойдет. Снижая затраты на часть ручного труда и неэффективные операции, компании одновременно увеличивают расходы на вычислительные ресурсы, каналы связи, технологическую инфраструктуру, разработку и поддержку самих ИИ-систем.

Для специалиста вывод простой: изучать ИИ и применять его в своей работе, безусловно, полезно и нужно. Через несколько лет это станет базовой компетенцией, как в свое время «уверенный пользователь ПК» превратился в базовое требование на любую вакансию, отличную от грузчика, а еще раньше — таким же базовым навыком стало чтение и письмо. А вот переживать из-за него не стоит, во всяком случае — раньше времени.

Сергей Карпович (ИТ-холдинг Т1): В ближайшие 3-5 лет произойдет переход от «экспериментального» использования ИИ к его интеграции в ядро бизнес-процессов. ИИ станет таким же неотъемлемым элементом ПО, как облачные технологии или мобильные приложения. Ожидается массовое внедрение ИИ-функций в стандартные ERP— и CRM-системы.

Бизнес перестанет оценивать решения по степени их «инновационности». На первый план выйдут надежность, предсказуемость результатов, простота интеграции и совокупная стоимость владения (TCO). При этом компании перейдут к автономным агентам, способным планировать и выполнять сложные многошаговые задачи с минимальным участием человека.

Конкурентными останутся компании, которые смогут не только выбрать правильный сценарий, но и выстроить экосистему с качественными данными, надежной инфраструктурой и обученными сотрудниками.

Григорий Дюкарев (ЛАНИТ): Тренд движется по двум осям: от чат-ботов к агентам, которые доводят задачу до результата, и от зоопарка точечных инструментов к единому платформенному слою, потому что содержать десяток несвязанных пилотов компании устали. Параллельно меняется сам разговор с заказчиком. Ещё год назад обсуждали, что ИИ умеет, теперь обсуждают, какой эффект он даёт и как этот эффект измерить. Это здоровый сдвиг: технология перестала быть экспериментом и превратилась в рабочий инструмент, с которого спрашивают, как с любого другого: за результат, надёжность и цену этого результата.

Петр Рыляков («Онланта»): В ближайшие годы рынок будет переходить от точечных экспериментов к системному внедрению ИИ в ежедневные рабочие процессы. Основным направлением станут не просто чат-боты или генерация текстов, а корпоративные ассистенты и агентные решения, которые смогут работать с регламентами, документами, базами знаний и прикладными системами компании. Конкурентное преимущество будет определяться не доступом к самой модели, а качеством данных, глубиной интеграции и способностью компании выстроить надежный процесс применения ИИ.

Российский рынок продолжит развиваться в сторону локальных, отраслевых и защищенных решений, адаптированных под специфику организации и разворачиваемых в собственном контуре. При этом ИИ не заменит бизнес-экспертизу: наиболее ценными станут компании, которые научатся сочетать технологию с сильными процессами, ответственным управлением данными и контролем результата.

Александр Крушинский (BSS): Основной технологический тренд — сложные многошаговые ИИ-агенты и скиллы. Но вообще, есть ощущение, что крупному бизнесу нужно еще минимум года три, чтобы имплементировать ИИ в свои процессы.

Это ярко видно при сравнении того, как ИИ используют мелкие предприниматели и просто сотрудники на личных подписках, с тем, как ИИ используется на уровне усредненной «крупной компании».

Дмитрий Кичко (Группа «Борлас»): Мы видим, что ИИ перестанет быть для бизнеса чем-то отдельным и экспериментальным. Компании продолжат встраивать его в существующие корпоративные и производственные системы и использовать там, где он может дать конкретный эффект: автоматизировать контроль производственных процессов, анализировать данные, находить отклонения, сокращать объем ручной работы. При этом будет расти спрос не на точечные ИИ-инструменты, а на комплексные решения, которые можно встроить в существующий ИТ-контур и масштабировать на разные процессы и подразделения.

Егор Ворогушин («Софтлайн Решения»): Главный тренд — переход от ИИ, который отвечает, к ИИ, который действует. Сегодня большинство решений выдают промежуточный результат: текст, рекомендацию, справку, фрагмент кода. Следующий этап — встраивание ИИ в операционный контур, где он выполняет ограниченные цепочки действий и доводит задачу до результата или до точки, в которой нужно решение человека.

Изменится и структура проектов. Модель постепенно станет заменяемым компонентом, а основная ценность будет формироваться вокруг данных компании, интеграций, RAG-механизмов, правил доступа, мониторинга качества, оркестрации агентов и накопленной экспертизы в конкретных процессах. По сути, ценность смещается от самой модели к данным и «последней миле»: выигрывает не тот, у кого больше модель, а тот, кто владеет данными и процессом и умеет встроить в него ИИ.

На горизонте двух-трёх лет мы увидим переход от отдельных пилотов к корпоративным платформам, на которых можно быстро запускать и контролировать разные ИИ-сценарии. Будут развиваться мультимодельные и многоагентные архитектуры: несколько специализированных агентов совместно работают с документами, данными и системами, оставаясь в рамках заданных полномочий.

Изменятся и требования к людям. Ценность будет смещаться от механического выполнения операций к постановке задачи, проверке результата, пониманию контекста и ответственности за решение. Особенно это заметно на роли руководителя: по мере того как исполнение уходит к ИИ, управленец всё больше отвечает не за действие, а за суждение — за то, какие задачи ставятся, какие границы заданы и кто отвечает за итог. ИИ не отменит человеческую экспертизу, но изменит способ её применения.

При этом одномоментной революции я не жду. Мы склонны переоценивать изменения за год-два и недооценивать перестройку, которая накапливается за пять лет. Постепенно ИИ перестанет восприниматься как отдельная инновация и станет обычным слоем корпоративной инфраструктуры — таким же, как системы управления данными, интеграции и информационная безопасность.

Дмитрий Пенязь (OpenYard): Бизнес точно будет продолжать использовать ИИ. Вопрос уже не в том, станет ли эта технология частью корпоративной практики, а в том, насколько глубоко она будет встроена в процессы. Думаю, рынок постепенно будет уходить от большого количества экспериментов к проектам, которые действительно доходят до промышленной эксплуатации и дают понятный экономический эффект.

Одним из главных вызовов при этом станет энергоэффективность. Современная ИИ-инфраструктура требует очень больших объемов энергии, и по мере роста вычислительных мощностей это будет становиться все более заметным ограничением. Поэтому конкуренция будет идти не только за производительность ускорителей, но и за эффективность всей системы — сколько вычислений можно выполнить при определенном энергопотреблении.

В перспективе это может привести к развитию новых вычислительных архитектур и технологий. Сегодня в качестве одного из возможных направлений обсуждаются, например, нейроморфные вычисления и другие специализированные архитектуры, которые потенциально позволят повысить эффективность обработки данных и снизить энергопотребление. Здесь пока больше вопросов, чем готовых решений, но направление выглядит очень интересным.

При этом будет меняться и привычная серверная архитектура. Универсальные процессоры сохранят свою роль, но рядом с ними продолжат развиваться GPU и другие специализированные ускорители. Поэтому при проектировании ИИ-инфраструктуры придется учитывать уже не отдельный сервер, а всю систему целиком — вычисления, сеть, хранение данных, питание и охлаждение.

Денис Боженко (РТК-ЦОД): Мы стоим на пороге перехода от генеративного к агентному ИИ, то есть к решениям, которые не отвечают, а выполняют. В ближайшие два-три года рынок пройдёт путь от отдельных ассистентов к целым агентным процессам, встроенным в бизнес.

Вижу несколько направлений развития. Первое — агентные и мультиагентные системы, переход от чатов к системам, которые решают задачи целиком и общаются между собой и с инструментами. Второе направление — суверенность и безопасность, эта тенденция будет усиливаться, особенно в B2B и B2G. Третье направление — отраслевая специализация решений, где ключевой тренд не столько дообучение фундаментальных моделей, сколько адаптация платформенных решений и создание специализированных сервисов под конкретную область с учётом отраслевых процессов, правил и стандартов. Четвёртое — выигрывают не те, у кого просто есть мощности, а те, кто предлагает более качественное решение поверх инфраструктуры, готовый и отточенный под задачу продукт, а не «голый» ресурс. И пятое — оптимизация стоимости моделей: будут появляться более дешёвые модели, специализированные под конкретные задачи, и более продвинутые инструменты поиска. Экономика ИИ двигается в сторону «нужная модель для нужной задачи по адекватной цене».

Наша позиция простая: ИИ из эксперимента превратился в производственную инфраструктуру, и задача провайдера — дать бизнесу надёжный, безопасный и масштабируемый путь от идеи до продакшена.

Игорь Бреус («Интерпроком»): Традиционная компания похожа на оркестр, где каждый музыкант играет свою партию. Компания будущего — это дирижёр с ИИ-оркестром, где один человек управляет сотней виртуальных музыкантов. Главная компетенция смещается: не «делать руками», а «формулировать намерения и валидировать результат». Роль человека смещается к принятию стратегических решений и контролю качества.

На мой взгляд, в ближайшие годы сохранятся три основных тренда, которые определят использование бизнесом ИИ. Первый — переход от ассистентов к агентам. Не «подскажи мне», а «сделай за меня и покажи результат». Второй — знания как главный актив компании. Те, кто формализует свою экспертизу в машиночитаемый вид, получат кратное преимущество. Третий — проактивность вместо реактивности. Не «произошел инцидент — устраняем», а «предупредили — предотвратили».

Выигрывать будут не те, кто быстрее всех внедрит ИИ, а те, кто выстроит вокруг него зрелую дисциплину — данные, безопасность, измеримость и постоянное улучшение. Внедрение ИИ — это не спринтерская дистанция, а марафон.

Илья Петров («Диасофт»): ИИ становится обязательным условием выживания и конкурентоспособности бизнеса практически во всех сферах — компании, неспособные его освоить, рискуют оказаться в проигрышном положении. Агентные решения продолжат развиваться, а доверие к их результатам будет постепенно расти вместе с качеством. Вычислительные токены могут превратиться в подобие новой ресурсной единицы бизнеса. Людям придется адаптироваться к этой реальности, чтобы оставаться востребованными на рынке труда.

Жанна Герасимова (CESCA): Я смотрю на это оптимистично, но довольно трезво.

Во-первых, ИИ уходит вглубь процессов. Этап поверхностных чат-ботов пройден: ценность теперь в агентах, встроенных в реальные системы — CRM, ERP, сервис-деск, — и не просто отвечающих на вопрос, а выполняющих задачу. Думаю, именно агентные сценарии станут главной темой ближайших двух лет.

Во-вторых, рынок станет прагматичнее. Пузырь завышенных ожиданий сдувается, и это хорошо: останутся проекты с понятной экономикой.

В-третьих, укрепится российский стек. Отечественные модели и платформы развиваются быстро, регуляторная база формируется, и связка «российская модель + открытые решения + свой контур» станет стандартом корпоративной архитектуры.

И главное — ИИ окончательно перестанет быть «проектом ИТ-дирекции» и станет частью обычной работы подразделений, как когда-то Excel и почта. Победят не те, у кого самая большая модель, а те, кто первым научит процессы и людей работать вместе с ИИ.

Мария Зырянова (СКБ Контур): Можно отметить следующие тренды:

• Явно прослеживается тренд на востребованность он‑прем версий или развертывание моделей в частных облаках в корпоративных периметрах.
• Развитие RAG‑подхода при поиске информации и появление не универсальных моделей, а заточенных под определенные домены бизнеса.
• Распространение «ко-пилотов» в массовых ролях организаций, таких как продажи, техподдержка, бэкофис, вшитые прямо в ПО для обеспечения бизнес-процессов.
• Рост отраслевых стандартов и практик безопасного ИИ; усиление требований к защите и локализации данных в соответствии с законом об ИИ в РФ.
• Экосистемность: выбор не «модели», а стека — облако/инфраструктура + ИИ‑сервисы + интеграции и MLOps.

Евгений Парамонов («Деснол»): Тренд смещается от демонстрации возможностей модели к встраиванию ИИ в операционный контур. Бизнес не спрашивает «умеет ли нейросеть писать текст», вопрос ставится так: сколько типовых обращений закроем без расширения штата и при каком уровне риска.

Ближайший горизонт — управляемые автоответы и ИИ-помощник в каналах, где уже работает сотрудник: портал, мессенджер, карточка заявки. Затем — переход к ESM: те же сценарии уйдут в кадры, хозяйственный блок, внутренние сервисы. База знаний станет не хранилищем файлов, а источником ответов с учетом прав доступа. Параллельно вырастет спрос на наблюдаемость: без метрик и трассировок ИИ-сервис нельзя масштабировать.

На мой оптимистичный взгляд, к 2027-2028 годам типичная зрелая схема будет такой: RAG и LLM закрывают рутину первой линии, человек разбирает исключения, автоответы включают точечно, по услугам с высокой точностью. Агентные сценарии появятся не там, где ИИ «сам все решает», а там, где процесс уже расписан по шагам и человек подтверждает результат. Например: система сама находит инструкцию, предлагает ответ и направляет заявку, а специалист нажимает «отправить» или поправляет текст. ИИ выполняет типовой шаг в цепочке, решение остается за человеком.

Драйвером развития инструментов искусственного интеллекта становится не хайп, а экономика труда. Согласно еще прошлогоднему исследованию HCLSoftware «Состояние AI в ITSM 2025», 45 % компаний уже считают автоматизацию повторяющихся операций главным эффектом ИИ в сервисах. В российских условиях к этому добавляются суверенный стек и дефицит сильных специалистов. Победит не самый «умный» чат, а ИИ, который сокращает рутину, держит SLA и остается внутри корпоративного контура.

Никита Векессер (Orion soft): Компании начнут собирать разрозненные ИИ-инструменты в единую управляемую систему. Появятся общие шлюзы доступа к моделям, централизованные правила безопасности, маршрутизация запросов и контроль расходов.

Инфраструктура останется гибридной: чувствительные и постоянные нагрузки будут размещать локально, эксперименты — запускать в облаке. AI-агенты получат больше задач, но критичные действия еще долго будут требовать ограничений и подтверждения человека.

Главное изменение — бизнес начнет оценивать ИИ по стоимости и качеству выполненной операции, а не по количеству пилотов, пользователей или потраченных токенов.

Антон Спирин (Рексофт): Безусловно, одним из ключевых трендов станет осознание необходимости менять бизнес-процессы целиком для достижения значимого экономического эффекта. В этом контексте шире будут применяться ИИ-агенты, а ценность будет измеряться не количеством отработанных запросов к нейросети, а количеством бизнес-процессов, которые она способна выполнить.

При этом сами модели в каком-то смысле коммодитизируются, став стандартным операционным слоем любой компании. Уникальная ценность будет заключаться в собственных качественных данных, а также в бизнес-процессах, оптимально сочетающих людей, стандартные способы автоматизации и ИИ.

Другой тренд касается скорости и эффективности цифровизации. На практике ИИ позволяет создавать, внедрять и менять ПО в десятки раз быстрее и меньшими ресурсами. Компании, которые широко адаптируют ИИ-инструменты в свой цикл разработки прикладного ПО и перестроят сам процесс, смогут быстрее избавиться от зависимости от внешних вендоров и в разы повысят эффективность использования внутренних ИТ-бюджетов. Бизнес получит совершенно новый уровень Time2Market.

ICT-Online.ru: Большое спасибо за беседу!