Искусственный интеллект в России: от пилотных проектов к промышленной эксплуатации
На секции "Искусственный интеллект и большие данные" форума CNews Forum Кейсы 2026 основное внимание уделили переходу российских компаний от экспериментов с ИИ к системному использованию технологий в бизнесе. Участники дискуссии отметили: рынок постепенно выходит из периода демонстрационных прототипов. Теперь перед организациями стоит более сложная задача - доказать экономический эффект, встроить интеллектуальные инструменты в действующие процессы и масштабировать успешные решения.
Обсуждение показало, что результат ИИ-трансформации зависит не только от выбора модели или вычислительной платформы. На первый план выходят качество данных, готовность инфраструктуры, безопасность, обучение сотрудников и способность руководителей управлять изменениями. Именно отсутствие комплексного подхода часто объясняет, почему одни проекты быстро становятся частью операционной деятельности, а другие заканчиваются дорогими пилотами без ощутимой отдачи.
Почему ИИ-проекты не всегда дают результат
Одна из распространенных ошибок - начинать цифровую инициативу с технологии, а не с конкретной бизнес-проблемы. Компании выбирают модную модель, создают эффектную демонстрацию, но не определяют, какие показатели должны измениться после внедрения. В результате решение может выглядеть впечатляюще, однако не сокращать расходы, не ускорять обслуживание и не повышать качество работы.
Максим Чернухин, СТО клиентского сервиса "СберСтрахование Жизни", отметил, что успешное внедрение строится на сочетании четырех компонентов: людей, процессов, данных и инфраструктуры. Если хотя бы один элемент отсутствует, проект теряет практическую ценность. Поэтому вместо запуска десятков разрозненных инициатив целесообразно выбрать один приоритетный сценарий, добиться измеримого результата и затем тиражировать проверенный подход.
Важный вывод заключается в том, что компании фактически внедряют не только искусственный интеллект, но и новый способ организации труда. Сотрудникам приходится учиться формулировать запросы, проверять ответы моделей, работать с цифровыми помощниками и принимать решения в условиях частичной автоматизации. Поэтому расходы на подготовку персонала зачастую оказываются важнее, чем покупка дополнительных лицензий или расширение вычислительных мощностей.
Управляемый доступ к моделям
Использование ИИ сотрудниками уже стало частью повседневной работы, даже если корпоративные правила этого прямо не предусматривают. Запретительная политика не устраняет спрос на интеллектуальные инструменты, а лишь переводит их применение в неконтролируемую зону. Это повышает вероятность передачи конфиденциальных сведений во внешние сервисы, усложняет аудит и лишает компанию понимания реального масштаба использования технологий.
Директор департамента развития ИТ "Финансовой группы БКС" Евгений Мальцев предложил формировать единый управляемый контур работы с ИИ. Такая система может распределять запросы между подходящими моделями, учитывать требования безопасности, контролировать стоимость и фиксировать результаты применения инструментов.
Практический эффект подобного подхода уже можно измерять. В компании за месяц было обработано свыше 92 тыс. запросов к ИИ, что позволило сэкономить более 3100 рабочих часов. При этом сотрудник остается участником процесса: модель помогает подготовить материал или выполнить рутинную операцию, а человек проверяет результат и отвечает за итоговое решение.
Перспективным направлением становится создание внутреннего "магазина агентов" - каталога готовых интеллектуальных помощников для разных подразделений. В нем могут размещаться агенты для подготовки отчетов, поиска информации в корпоративных документах, анализа обращений клиентов, контроля регламентов и автоматизации типовых операций.
Инфраструктура как условие масштабирования
Технологическая база нередко становится главным ограничением для ИИ-проектов. При развертывании решения на собственном оборудовании от идеи до полноценного результата может пройти от шести до девяти месяцев. Значительная часть этого времени уходит на закупку графических ускорителей, настройку программного окружения, подключение хранилищ и организацию защиты данных.
Директор по маркетингу Cloud4Y Зоя Клиентова подчеркнула, что облачная модель позволяет сократить срок запуска пилота до нескольких недель. Компания получает доступ к GPU-ресурсам по мере необходимости, не тратит средства на простаивающее оборудование и может быстрее проверить жизнеспособность выбранного сценария.
Облачная инфраструктура закрывает сразу несколько критических потребностей. Она предоставляет вычислительные мощности, готовую MLOps-среду, управляемые базы данных и инструменты мониторинга моделей. Дополнительным преимуществом становится наличие необходимых процедур и сертификатов информационной безопасности, что особенно важно при обработке персональных данных и реализации проектов для государственных организаций.
При выборе инфраструктуры необходимо учитывать не только производительность. Существенное значение имеют стоимость владения, возможность масштабирования, расположение данных, совместимость с российским программным обеспечением, резервирование и доступность технической поддержки. Для пилота может быть достаточно аренды ресурсов, тогда как промышленная эксплуатация потребует более строгих соглашений об уровне сервиса и продуманной архитектуры отказоустойчивости.
Данные превращаются в конкурентное преимущество
Без качественных данных искусственный интеллект не способен стабильно решать даже хорошо сформулированные задачи. Никита Титов, эксперт по цифровой трансформации и управлению данными, отметил, что информация перестала быть исключительно основой отчетности. Теперь она рассматривается как топливо для алгоритмов и один из источников конкурентных преимуществ.
Изменения касаются не только способов хранения. Компаниям необходимо формировать целостное цифровое представление о собственной деятельности: взаимосвязях между подразделениями, клиентами, продуктами, документами и операциями. В перспективе это ведет к созданию цифровых двойников организаций.
Для такой модели недостаточно традиционных хранилищ данных и Data Lake. Потребуются графовые базы, способные описывать сложные связи, а также векторные СУБД для поиска по смыслу и работы с неструктурированными материалами. Однако цифровой двойник начинается не с выбора базы данных. Сначала необходимо формализовать знания, определить ключевые сущности и описать бизнес как единую взаимосвязанную систему.
От чат-ботов к агентным системам
Еще одним заметным направлением становится переход от простых чат-ботов к агентным системам. Обычный бот отвечает на запрос пользователя, тогда как ИИ-агент способен выполнять последовательность действий: анализировать задачу, обращаться к корпоративным системам, выбирать инструменты, проверять промежуточный результат и передавать человеку готовое решение.
Такие системы особенно востребованы в службах поддержки, финансовом анализе, закупках, логистике и управлении документами. Например, агент может получить обращение клиента, определить его тему, найти нужные сведения в базе знаний, подготовить ответ и передать его оператору на утверждение.
Однако автономность должна развиваться постепенно. Для критически важных операций необходим человек в контуре, журналирование действий, разграничение прав доступа и возможность быстро остановить выполнение сценария. Чем выше потенциальный ущерб от ошибки, тем строже должны быть правила проверки и согласования.
Как оценивать экономический эффект
До начала разработки компании стоит зафиксировать исходные показатели процесса. Это может быть среднее время обработки заявки, стоимость одной операции, количество ошибок, доля повторных обращений или нагрузка на сотрудников. После внедрения эти параметры сравниваются с новыми результатами.
Экономический эффект не всегда выражается в прямом сокращении штата. ИИ может позволить обработать больший объем обращений без расширения команды, ускорить вывод продукта на рынок, повысить точность прогнозов или освободить экспертов от рутинной работы. Поэтому оценка должна включать как финансовые, так и операционные показатели.
Оптимальная стратегия масштабирования предполагает несколько этапов: выбор задачи, подготовку данных, ограниченный пилот, проверку метрик, оценку рисков и перевод решения в промышленную эксплуатацию. После этого можно подключать новые подразделения и сценарии. Такой порядок снижает вероятность того, что компания вложит значительный бюджет в систему, которую невозможно безопасно использовать в реальной работе.
Безопасность и ответственность
При внедрении ИИ важно заранее определить, какие сведения разрешено передавать модели, где они хранятся и кто имеет доступ к результатам. Отдельного контроля требуют персональные данные, коммерческая тайна, финансовая информация и документы с ограниченным распространением.
Не менее важна проверка качества ответов. Модели могут ошибаться, воспроизводить неточные сведения или формировать убедительные, но недостоверные выводы. Поэтому для критичных процессов должны применяться контрольные выборки, регулярное тестирование и обязательная верификация человеком.
Российские компании постепенно переходят к более зрелой модели работы с ИИ. В ней технология не существует отдельно от процессов, сотрудников и корпоративных данных. Побеждают не те организации, которые быстрее всех запускают очередной эксперимент, а те, кто умеет выбрать полезный сценарий, обеспечить его безопасность, подтвердить эффект и превратить разовое решение в устойчивый промышленный сервис.
