Об эксперте: Сергей Голицын, руководитель направления Т1 Искусственный интеллект (входит в ИТ-холдинг Т1). Эксперт в сфере ИИ-технологий и машинного обучения. Более 20 лет опыта работы в крупнейших банках страны.
По данным ИТ-холдинга Т1, в 2025 году сегмент ИИ вырос на 12%, в 2026-м — прибавит еще 16%, почти вдвое опережая остальной ИТ-рынок. Этот рост отражает не столько моду на новые технологии, сколько фундаментальный сдвиг в подходе компаний: бизнес уходит от разрозненных экспериментов и переходит к серийным архитектурным решениям и масштабируемым платформам. По глобальным оценкам, около 88% организаций уже используют ИИ как минимум в одной бизнес-функции, а порядка 33% масштабируют технологию на уровень всего предприятия. Это принципиально меняет логику внедрений, поскольку пилоты перестают быть самоцелью и KPI, их место занимают решения с понятной экономикой и измеримым эффектом.
Бизнес требует быстрых и прозрачных результатов
Главным драйвером индустриализации ИИ стали требования бизнеса к эффективности. Российский бизнес больше не готов ждать год, чтобы понять, сработала технология или нет. Эффект должен быть подтвержден в первые два-три месяца эксплуатации. Фокус смещается на снижение затрат, рост производительности и автоматизацию операций. Более того, ИИ начинает напрямую конкурировать с традиционными процессами по критерию ROI. Около 39% организаций уже отмечают влияние ИИ на EBIT, и оставаться в режиме эксперимента при таких ожиданиях становится невозможно.
Точечные инициативы перестают давать конкурентные преимущества, особенно на фоне компаний, которые строят сквозные экосистемы на базе моделей и платформ. Наиболее востребованными остаются сценарии автоматизации документооборота, логистики, клиентского сопровождения и аналитики. При этом распространение low-code и no-code-инструментов позволяет внедрять ИИ без кратного роста ИТ-штата, что особенно важно в условиях кадрового дефицита.
ИИ в каждый процесс
Стратегия «ИИ в каждый процесс» постепенно становится стандартом, прежде всего в финансовом и государственном секторе. Финансовые организации остаются одними из самых активных инвесторов: в отдельных сегментах вложения банков и страховщиков в ИИ достигают десятков миллиардов рублей в год. При этом 84% компаний, внедривших ИИ, используют технологии обработки естественного языка, а более 70% — компьютерное зрение.
В госсекторе ИИ уже применяется в системах мониторинга и управления национальными проектами и госпрограммами, где он используется для анализа выполнения мероприятий и прогнозирования рисков. Параллельно Правительство формирует план внедрения GenAI в госуправлении, а также на уровне регионов и отраслей, что дополнительно ускоряет переход от пилотов к промышленным решениям.
GenAI за рамками контента
Генеративный ИИ в целом перестает быть инструментом исключительно для создания текстов, изображений и музыки. Он все чаще используется в задачах исполнения и операционного управления. Компании начинают внедрять мультиагентные системы, способные выполнять цепочки операций без участия человека.
Сегмент GenAI формирует новые рынки — ассистенты, VLM-решения, операционные контуры. От моделей требуют выполнения задач «под ключ». В банковском секторе доля автономных операций с участием ИИ в ближайшие годы может превысить 15%, а к 2028 году до 90% B2B-сделок, по прогнозам, будут проходить через посредничество ИИ-агентов.
В целом сегодня с агентными системами экспериментируют около 62% компаний, однако масштабирование на уровне бизнес-функций пока встречается редко — в отдельных функциях доля таких внедрений не превышает 10%. Тем не менее именно этот подход меняет корпоративные архитектуры, переводит их от автоматизации отдельных задач к построению целостных цифровых экосистем.
Почему «пилоты» не выживают и что с этим делать
Исследования MIT и других аналитических центров показывают, что до 95% GenAI-пилотов не доходят до продуктовой эксплуатации. Gartner также прогнозирует, что не менее 30% проектов будут закрыты в течение полутора-двух лет. Эти цифры не означают, что технология не работает. Скорее они указывают на отсутствие зрелой методологии внедрения.
Показательными стали и громкие провалы прошлых лет. Air Canada пришлось выплатить компенсацию пассажиру после того, как чат-бот ошибочно пообещал вернуть средства за билеты на похороны его бабушки. Компания попыталась снять с себя ответственность, сославшись на ошибку ИИ. Суд постановил вернуть всю сумму, а также раскритиковал Air Canada за попытку заявить, что ее чат-бот «сам несет ответственность за свои действия» и является отдельным юридическим лицом. McDonald’s же отказался от испытаний системы ИИ для приема заказов клиентов после неоднократных жалоб с их стороны — один клиент получил мороженое с беконом, другой куриные наггетсы на $213, хотя изначальный заказ был на $15.
Во всех этих случаях проблема была не в самой технологии, а в том, что решения запускались без четкого понимания гипотезы, KPI и места ИИ в бизнес-процессе. Большинство неудачных проектов проваливаются именно потому, что ожидаемый эффект не окупает затраты или технологию не удается корректно встроить в операционную модель компании.
Поэтому важно понимать, что успешное внедрение ИИ начинается с корректной формулировки бизнес-гипотезы и цели. Компания должна заранее определить, какой эффект она ожидает, какие ресурсы потребуются и по каким метрикам будет оцениваться результат. ИИ все чаще рассматривается как внутренний продукт со своим жизненным циклом. Это означает необходимость сопровождения, адаптации к изменениям процессов и своевременного вывода из продакшена, если технология перестает приносить эффект или начинает деградировать. Без такого подхода масштабирование невозможно.
Наконец, ключевую роль играет и качество данных. Для устойчивой работы моделей данных должно быть достаточно, они должны быть релевантными, проверенными и регулярно обновляться. Изменение поведения клиентов, сырья для производства какого либо продукта или технологических параметров напрямую влияет на результаты работы моделей и требует постоянного дообучения и валидации.
Инфраструктура как фактор роста
Индустриализация ИИ предъявляет новые требования к инфраструктуре. Дефицит GPU, ускорителей и энергоемких стоек стимулировал рост спроса на отечественные ПАКи и ИИ-фабрики. Параллельно формируется рынок GPUaaS и платформ, позволяющих использовать ИИ без собственных команд и центров обработки данных.
К 2030 году рынок отечественных ИИ-инфраструктур может вырасти почти в 15 раз. При этом усложнение моделей делает критически важными процессы обновления, мониторинга, дообучения и защиты. Data-governance, например, становится обязательным слоем архитектуры, а ИИ перестает быть изолированной, отдельной сущностью внутри компании.
Технологический суверенитет усиливает этот тренд. Ограничения на использование зарубежных моделей в КИИ, госсекторе и финансах стимулируют развитие отечественных платформ. Gartner прогнозирует, что к 2027 году 35% стран окажутся внутри собственных ИИ-экосистем. И Россия движется именно в этом направлении, формируя локальные ИИ-фабрики и совместные кластеры с другим игроком, нацеленным на суверенитет, — Китаем.
Взгляд в будущее
На горизонте 2026−2027 годов повышение внутренней эффективности всех сотрудников станет частью корпоративного культурного кода в компаниях самых разных отраслей. Так, 75% процессов найма будут включать тестирование навыков владения ИИ-инструментами. Специалисты, не умеющие работать с ИИ, потеряют конкурентоспособность, а компании, не внедряющие ИИ, — привлекательность для талантов.
Рынок окончательно перейдет от пилотов к индустриальным ИИ-платформам. Организации будут все реже запускать изолированные эксперименты и все чаще — строить сквозные агентные контуры, встроенные в ключевые бизнес-процессы. Основной фокус сместится на управление жизненным циклом ИИ, обновление моделей, контроль эффекта и масштабирование лучших практик.
ИИ окончательно закрепится как обязательный производственный инструмент. И выигрывать будут те компании, которые уже сегодня выстраивают зрелую методологию внедрения и рассматривают искусственный интеллект как системный элемент своей операционной модели, а не как очередной технологический эксперимент.
Источник: hi-tech.mail.ru