Разбираем где LLM дает реальный эффект, почему проекты ломаются на этапе данных и что нужно учесть до старта.
Российский рынок AI вырос на 25% за прошлый год — 150 крупнейших игроков отрасли совокупно заработали почти 1,5 трлн рублей. К 2033 году, по прогнозам IMARC Group, рынок может достичь $40 млрд при среднегодовом росте 26,5%. Большие языковые модели — один из главных драйверов этого роста.
67% российских компаний уже используют AI для автоматизации рутинных операций. Но за этой цифрой скрывается важная оговорка: не все проекты принесли ожидаемый результат. «Часто не оправдывают ожиданий проекты, которые запускаются ради AI — без понимания бизнес-целей и без измеримых метрик», — констатируют аналитики.
Разбираем что работает, что нет и как принять правильное решение.
Большая языковая модель — это не интерфейс для общения. Это слой обработки неструктурированной информации: писем, договоров, заявок, регламентов, протоколов.
Там где классическая роботизированная автоматизация (RPA) перемещает формализованные данные между системами по четким правилам — LLM читает текст, извлекает смысл и структурирует результат. Эти технологии не конкурируют, они закрывают разные части одной цепочки.
Практический пример: входящее письмо поступает в компанию. LLM определяет тему, срочность и тип обращения, извлекает ключевые данные и передает структурированную запись в CRM. RPA фиксирует ее и запускает маршрут согласования. Человек подключается только в нестандартных случаях.
По данным исследований корпоративного рынка AI, наиболее востребованные сценарии применения LLM: поиск и предоставление данных (28%), извлечение инсайтов (27%), суммаризация совещаний и автосоздание протоколов (25%), автоматизация рабочих процессов (10%).
Технология эффективна там, где есть высокая доля текстовой рутины и повторяющиеся решения по понятным правилам.
Сортировка и маршрутизация входящих обращений. Один из самых быстроокупаемых сценариев. «Ростелеком Контакт-центр» внедрил LLM и речевую аналитику: за год доля проектов с AI достигла 46%, обработано 38 млрд минут речи, скорость ответа клиентам выросла в 7 раз.
Поиск по документации и регламентам. Актуально для производственных компаний где нужная информация разбросана по PDF, сетевым дискам и архивным письмам. Модель отвечает на вопросы сотрудников и формирует выжимку из релевантных фрагментов — сокращает время диагностики и снижает число обращений по типовым вопросам. Сколько стоит жить там, где есть работа для айтишника Российскому ИТ дали рынок, но кто знает его бренды? Нео-облака отвоюют у традиционных провайдеров 20% облачного рынка для ИИ
Подготовка черновиков отчетов и служебных записок. Финансовые и аналитические департаменты используют LLM для сборки текстовой части отчетов на основе данных. Модель не считает показатели — она собирает текст по заданной структуре. Контроль цифр остается за людьми.
Документооборот. По оценкам рынка, автоматизация документооборота через LLM позволяет сократить время на рутинные операции до 70%. В декабре 2025 года «Норникель» представил MetalGPT-1 — собственную доменную языковую модель для металлургии. Показательный тренд: крупные компании переходят от общих решений к специализированным.
Большинство неудачных внедрений объясняются не качеством модели.
«Мы не раз видели одну и ту же картину: компания выбирает модель, запускает пилот — и через два месяца обнаруживает, что половина времени ушла не на AI, а на то чтобы разобраться в собственных данных. Регламенты в трех версиях, документы в несовместимых форматах, часть знаний существует только в головах конкретных людей. LLM здесь ни при чем — она просто быстро делает хаос видимым», — Михаил Шувалов, директор IMS.
Данные хуже чем казалось. LLM не исправляет хаос в источниках — она делает его заметнее. Это системная проблема большинства проектов и главная статья незапланированных затрат. Читайте также 
Матрица маркетплейсов. Как бороться с галлюцинациями алгоритмов Современный e-com — экосистема, управляемая ИИ и динамическими алгоритмами. Галлюцинации алгоритмов, с которыми все чаще сталкивается крупный и средний бизнес, оборачивается миллионными убытками. Разбираем анатомию цифровых сбоев и принцип построения независимого ИТ-контура финансовой безопасности.
Отсутствие контроля качества ответов. Языковые модели иногда генерируют уверенные, но ошибочные ответы. В корпоративном контексте это критично: ошибка в интерпретации договора или финансового регламента быстро убивает доверие к системе. Если сотрудники начинают перепроверять каждый ответ — ассистент перестает экономить время.
Недооцененная сложность интеграций. Подключить модель к базе знаний — просто. Подключить к реальной корпоративной инфраструктуре с устаревшими ERP и закрытыми API — значительно сложнее. Именно здесь большинство пилотов выходят за рамки бюджета.
Старт без четкой метрики. Правильный вопрос перед стартом: по какой конкретной цифре через три месяца мы поймем что это работает? Не «улучшить качество» — а время обработки обращения, доля ручных операций, число ошибок маршрутизации.
Внедрение LLM в России обходится дороже чем в большинстве других рынков.
Использование локальных облачных моделей зачастую в разы дороже международных аналогов при сопоставимом качестве. Развертывание on-premise решений дает контроль над данными, но требует серьезных инвестиций в GPU-инфраструктуру. По сути бизнес выбирает между двумя неидеальными сценариями: «дороже, но в облаке» или «дорого и сложно, но внутри периметра».
При этом для большинства корпоративных клиентов — особенно из финансового сектора, госкорпораций и промышленности — выбора нет. 152-ФЗ требует юридически корректного контура обработки персональных данных, а комплаенс-отделы крупных компаний не пропустят использование недоступного в России ПО.
На практике это означает: on-premise или гибридная архитектура становятся стандартом для серьезных корпоративных проектов. Не потому что это лучше технологически — а потому что это единственный способ пройти внутренние согласования с ИБ и юридической службой.
Хорошая новость: экосистема для локального развертывания становится все более зрелой. Open-source модели существенно улучшились и в ряде корпоративных сценариев вплотную приближаются к качеству коммерческих решений.
Пилот на одном процессе дает чистую аналитику. Если запустить несколько сценариев одновременно — непонятно что именно сработало, а что просто выглядело убедительно на демо.
Хороший кандидат для первого пилота отвечает четырем критериям.
Высокая доля текстовой рутины — чем больше, тем заметнее эффект.
Измеримый результат известен заранее: конкретная цифра, не абстрактное «улучшить качество».
Вовлеченный бизнес-владелец — без представителя бизнеса пилот превращается в IT-эксперимент без обратной связи и внутренней поддержки.
Доступность данных — если первое что придется делать это наводить порядок в источниках, закладывайте на это отдельный бюджет и время.
LLM не заменяет людей — она убирает из их рабочего дня текстовую рутину которая не требует суждения. Там где суждение нужно — человек остается в контуре. Читайте также 
Наслаждаемся летом с Технопарком Летом хочется максимально позабыть хлопоты и, по возможности, остановить бег, взяв в помощники какого-нибудь славного Электроника и делегировав ему как можно больше задач повседневной жизни. Компания Технопарк, ретейлер премиальной техники высочайшего качества, помогла выбрать продукты, которые позаботятся о вашем здоровье, развлекут вас на досуге и помогут быстро и эффективно справиться с домашними заботами.
Устойчивый эффект дает связка трех вещей: правильно выбранный процесс, качественные данные на входе и вовлеченный бизнес-владелец который понимает зачем это нужно. Технология в этом уравнении стоит на третьем месте.
Рынок растет быстро, но разница между теми кто получил результат и теми кто потратил бюджет впустую — не в выборе модели. Она в дисциплине постановки задачи.
Источник: www.it-world.ru