Российский рынок решений на основе искусственного интеллекта активно растет. Более половины отечественных компаний используют те или иные ИИ-сервисы. Наибольший экономический эффект приносят решения на базе генеративного ИИ, ИИ-ассистенты, агентная автоматизация, инструменты на основе предиктивной аналитики и компьютерного зрения. Однако важно правильно выбрать модель для решения конкретной задачи — в противном случае результат от внедрения окажется значительно ниже ожидаемого. Препятствием для успешной реализации ИИ-проектов также могут стать низкое качество данных, сложности с промышленным развертыванием модели и ее интеграцией в ИТ-инфраструктуру, недостаточное внимание к вопросам безопасности.
Как развивается рынок ИИ
Отечественный ИИ-рынок растет в два раза быстрее рынка ИТ в целом — такие данные привел премьер-министр России Михаил Мишустин. Одна из причин — государственная политика, направленная на повсеместное внедрение искусственного интеллекта. Затраты на реализацию федерального проекта «Искусственный интеллект», который является частью уже национального проекта «Экономика данных», в 2025 г. составили ₽9,03 млрд — на 19% больше, чем в 2024 г., говорится в отчете Минцифры. Более половины российских компаний внедряют ИИ в различные бизнес-процессы. В 2025 г. они инвестировали в такие проекты ₽ 257 млрд — об этом на конференции Data Fusion заявил вице-премьер России Дмитрий Григоренко.
«Рынок переходит из стадии экспериментов в фазу эксплуатации» — уверен Денис Филиппов, генеральный директор MWS AI (входит в МТС Web Services). По оценкам компании, в 2025 г. рынок ИИ-решений в России достиг ₽90–135 млрд — рост более чем на 48% год к году. «Но за этой цифрой — неравномерная картина. Есть компании, которые уже получают измеримый эффект: снижают операционные затраты на 30%, ускоряют вывод продуктов в 1,5–2 раза. И есть предприятия, у которых ИИ существует в виде набора пилотов, которые не переходят в промышленную эксплуатацию», — подчеркивает эксперт.
Основной вклад в рост рынка вносит крупный бизнес — финансовые организации, ритейл, телеком. Здесь активно применяются ИИ-ассистенты, чат-боты, в меньшей степени — ИИ-агенты. Автоматизация охватывает финансовый блок, аналитику данных, взаимодействие с клиентами, маркетинг, управление персоналом. Крупные организации выстраивают ИИ-инфраструктуру внутри своего контура, используют готовые платформенные решения, которые можно масштабировать на другие процессы, или разрабатывают системы под собственные задачи.
В сегменте автоматизации бизнес-процессов и интеллектуальной обработки документов растет интерес к ИИ-агентам и сквозной автоматизации. «Входящий счет становится стартовой точкой цепочки, в которой агенты выполняют различные задачи: сверяют сумму с историей переписки с контрагентом, проводят комплаенс-проверку по открытым источникам, при расхождениях генерируют черновик письма-уточнения и выстраивают маршрут согласования внутри компании», — приводит пример Олег Сажин, советник генерального директора Content AI.
В среднем и малом бизнесе цифровая инфраструктура компаний зачастую не подготовлена для процессного внедрения ИИ, данные нередко разрознены, компетенций для самостоятельной интеграции не хватает. Здесь ИИ-инструменты применяются точечно. В малом бизнесе востребованы чат-боты для обработки клиентских запросов, генеративный ИИ — для создания контента, коммерческих предложений, карточек товаров. В среднем бизнесе используются интегрированные офисные помощники для резюмирования онлайн-встреч, структурирования данных, генерации писем.
«Если попробовать охарактеризовать текущий этап в целом, то можно сказать, что несколько лет назад ИИ внедряли фрагментарно для отдельных задач, сегодня же для крупных компаний он становится технологическим ядром, вокруг которого выстраивается инфраструктура и проектируются процессы. Барьеров — технологических, операционных, экономических — по-прежнему много, но они постепенно преодолеваются», — говорит Олег Сажин, советник генерального директора Content AI.
Дмитрий Юдин, руководитель направления ИИ Cloud.ru, предлагает взглянуть на ИИ-рынок с точки зрения представленных на нем технологий. Классическое машинное обучение — предиктивная аналитика, антифрод, компьютерное зрение — у крупных игроков давно стал частью бизнес-процессов. Что касается генеративного ИИ, который активно развивается последние пару лет, то здесь еще немало предстоит сделать: и в части моделей, и в части того, как встраивать их в бизнес-процессы.
Внедрить ИИ — не значит только развернуть модель. Многие компании параллельно с пилотами выстраивают всю периферию: внутренние регламенты использования ИИ, политики работы с данными, инструменты безопасности и контроля над моделями, корпоративные программы обучения сотрудников. Это — часть зрелого подхода, без которого технология в крупной компании просто не приживается.
Еще один важный фактор — экономический эффект от внедрения. «Рынок прошел важный психологический рубеж — фазу «давайте попробуем, пока модно» сменила фаза «покажите экономику». Заказчик внутри компании сегодня спрашивает про юнит-экономику, TCO, горизонт окупаемости и контур безопасности. Это — здоровая динамика, без нее устойчивого рынка не построить», — добавляет Дмитрий Юдин, руководитель направления ИИ Cloud.ru.
Топ-10 игроков российского рынка ИИ-решений
Агентство CNews Analytics сравнило выручку поставщиков решений на основе искусственного интеллекта в 2025 г.
В качестве иллюстрации он приводит данные исследования «Яков и Партнёры», согласно которым в 2025 г. уровень внедрения ИИ в российских компаниях достиг 71%, а ожидаемый экономический эффект к 2030 г. составит ₽ 7,9–12,8 трлн в год — это до 5,5% ВВП. Сегмент генеративного ИИ, по оценкам Onside и Just AI, в 2025 г. вырос в пять раз — с ₽ 13 до 58 млрд. При этом разрыв между лидерами и остальными остается существенным: крупные банки, ритейл, телеком и часть промышленности уже работают с ИИ как с обычной частью бизнеса, а значительная часть предприятий из среднего звена лишь запускает пилотные проекты.
«Технология точно стала рабочим инструментом — вопрос в зрелости заказчика, наличии управляемой инфраструктуры и выстроенных внутренних процессов вокруг ИИ. Клиентам необходима платформа с готовыми встроенными сервисами — не модель, а среда, в которой ИИ можно безопасно довести от пилота до продуктива», — резюмирует эксперт.
Какие технологии приносят наибольший эффект
Одна из самых обсуждаемых тем в профессиональном сообществе — экономические результаты, которые приносят организациям ИИ-проекты. Так, итоги опроса Массачусетского технологического института (MIT), проведенного среди 300 компаний в 2025 г., свидетельствовали о том, что 95% ИИ-проектов не оправдали возлагаемых на них надежд.
«Речь идет не о провале технологий, а о сложностях их внедрения. Проекты не дают эффекта не потому, что ИИ плохой, а потому что его запускают поверх неперестроенных процессов, без подготовки данных, без измеримых результатов», — уверен Денис Филиппов, генеральный директор MWS AI (входит в МТС Web Services).
Не менее важно убедить сотрудников, что в результате внедрения ИИ они не лишатся работы. Технология призвана избавить их от рутинных процессов, что позволит освободить ресурсы для решения более важных и творческих задач. «Эффект приносят люди, которые решают бизнес-задачи при помощи ИИ, перестраиваются и начинают использовать его не как поисковик, а как инструмент», — продолжает Всеволод Шадрин, руководитель AI-офиса Naumen.
CNews Analytics попросил экспертов составить список самых перспективных технологий, которые уже использует российский бизнес.
- Генеративный ИИ и ИИ-ассистенты в корпоративных функциях — поддержка, документооборот, разработка, аналитика. «Например, ИИ-ассистенты для разработчиков уже стали индустриальным стандартом, и крупные российские игроки публично заявляют цели по доле кода, написанного с помощью ИИ», — говорит Дмитрий Юдин, руководитель направления ИИ Cloud.ru. При этом он подчеркивает, что чат-боты в чистом виде — самый переоцененный сегмент. Без интеграции с CRM, базой знаний и реальными процессами это — лишь игрушка. С интеграцией — уже не чат-бот, а полноценный ассистент.
- Агентная автоматизация, в основе которой лежат ИИ-агенты, самостоятельно выполняющие цепочку действий в рамках сквозного бизнес-процесса. Агент способен сверить счет с историей переписки, провести комплаенс-проверку по открытым источникам, разобрать входящее обращение и направить его в нужное подразделение. «Это открывает возможность автоматизировать процессы, которые раньше требовали координации множества участников», — говорит Олег Сажин, советник генерального директора Content AI.
- Предиктивная аналитика — прогноз спроса, предиктивное обслуживание оборудования, антифрод. У всех крупных банков и ритейлеров это уже зрелый стек, который ежегодно приносит миллиарды рублей экономии.
- Компьютерное зрение дает сильный эффект там, где есть большие объемы структурированных данных: промышленность, логистика, финансовый сектор. Но там же — и самые высокие требования к качеству данных на входе.
- Managed RAG для работы с корпоративными знаниями. «Один сотрудник в крупной компании тратит сотни часов в год только на поиск нужной информации. Автоматизация этого потока дает ощутимый результат уже в первые месяцы», — приводит пример Денис Филиппов, генеральный директор MWS AI (входит в МТС Web Services).
При этом выбор технологии под конкретную операцию должен определяться целесообразностью. Применение генеративных моделей в чистом виде может быть слишком затратно для относительно несложных задач. Компания Content AI провела исследование, в котором сравнивала результаты распознавания документов разных форматов с помощью VLM и классических IDP-систем.
«Мы увидели, что в одних случаях алгоритмические методы справляются лучше, в других — модели. При этом внедрение и поддержка ИИ на порядок дороже. Максимальная синергия достигается за счет гибридного подхода, где каждый инструмент применяется там, где он целесообразен. Не каждая задача требует генеративной модели, многие закрываются классическими алгоритмами машинного обучения», — говорит Олег Сажин, советник генерального директора Content AI.
Важно отметить, что рынок постепенно вырабатывает конкретные методики расчета экономики ИИ-проектов. На старте пилотов фиксируются метрики — сколько человеко-часов высвободится, насколько сократится время обработки обращения, сколько времени потребуется, чтобы вывести продукт на рынок. Грамотный и рациональный подход к проектированию ИИ-проектов позволяет адекватно оценивать результаты и избегать завышенных ожиданий и, как следствие, разочарований от неудачных пилотов.
Подводные камни создания ИИ-моделей
Обычная программная автоматизация строго следует жестко заданным алгоритмам и инструкциям. Она качественно справляется с монотонными, предсказуемыми задачами, но полностью беспомощна, если вводные данные хоть немного отклоняются от жесткого стандарта. В отличие от нее, современные ИИ-модели могут самостоятельно анализировать массивы разнородных данных, выявлять скрытые закономерности и непрерывно обучаться на собственном опыте. Это позволяет искусственному интеллекту находить гибкие решения и действовать в условиях высокой неопределенности.
Однако именно эта гибкость приводит к тому, что нейросети, в отличие от традиционного софта, никогда не гарантируют 100% стабильности и безошибочности результата. «Обучение ИИ-моделей и даже создание типовых запросов для больших языковых моделей — это исследовательские проекты с негарантированным успехом», — отмечает Максим Колосков, руководитель VS Robotics.
С какими сложностями сталкиваются разработчики? Эксперты утверждают, что главная — это не сами модели, а все, что вокруг них.
- Во-первых, у большинства заказчиков есть данные, но они часто непригодны для использования: разрозненные с противоречивыми справочниками. «Если версии документа хранятся в разрозненных системах — в СЭД, корпоративной базе знаний, а сканированные материалы не размечены метаданными, модель или агент не найдут нужную информацию. Это практически гарантированно — ошибка на выходе. До начала проекта необходимо консолидировать данные в нужных источниках и обеспечить возможность поиска по ним», — приводит пример Олег Сажин, советник генерального директора Content AI.
- Во-вторых, запустить модель локально на ноутбуке умеют все, а развернуть ее на промышленную нагрузку с SLA, мониторингом и резервированием — единицы. «Для того, чтобы команда заказчика не строила MLOps с нуля, а получала привычные опенсорс-инструменты в управляемой среде, необходима платформа», — уверен Дмитрий Юдин.
Немало сложностей возникает на этапе интеграции ИИ-компонентов в существующую инфраструктуру. Применение API решает часть задач, но требует ресурсов на стороне заказчика и нередко упирается в ограничения унаследованных систем.
Отдельный барьер — галлюцинации моделей. Генеративный ИИ все еще может уверенно выдать правдоподобный, но фактически неверный результат. Для юридических бумаг, финансовых данных, медицинской документации это недопустимо. Поэтому необходимо создавать специальные механизмы контроля и верификации. Кроме того, человек должен обязательно присутствовать на критичных участках задачи и принимать финальное решение.
Серьезные ограничения для корпоративного сегмента связаны с регуляторными требованиями к обработке персональных данных и защите информации. Для финансового сектора, здравоохранения, государственных структур облачные решения фактически закрыты, они могут использовать только те разработки, которые остаются в контуре организации. Это усложняет архитектуру, увеличивает стоимость внедрения, но одновременно формирует устойчивый рынок для локально развертываемых платформ.
Сохраняет актуальность кадровая проблема — хороших инженеров в сфере машинного обучения и архитекторов на рынке мало, конкуренция за них высокая. Решение — комбинация: собственный коллектив, партнерские центры компетенций и готовые платформенные сервисы, которые снижают требования к квалификации команды заказчика.
Очень важно, особенно для регулируемых отраслей и госсектора, обеспечить безопасность и контроль, решить вопросы суверенности данных, аудита, управления доступами, защиты от утечек через промпты. Здесь важна локальная экспертиза, отечественная инфраструктура и инструменты безопасности для ИИ-систем, которые позволяют контролировать поведение моделей в продуктиве. Параллельно компании выстраивают внутренние регламенты использования ИИ и обучают сотрудников — без этого никакая техническая защита не работает.
Одна из недооцененных сложностей — управление ожиданиями. «Заказчик читает новости про AGI и приходит с запросом «сделайте нам как у OpenAI». Часть работы команды внедрения — честно проговорить, что технология умеет сегодня, а что нет», — говорит Дмитрий Юдин.
Всеволод Шадрин, руководитель AI-офиса Naumen, отмечает также, что разработчики сталкиваются с нехваткой вычислительных мощностей и передовых моделей. Дефицит высокопроизводительных графических процессоров (GPU) сильно замедляет процессы обучения и развертывания сложных нейросетей. Крупный бизнес и стартапы вынуждены неделями ждать своей очереди на доступ к облачным серверам, что увеличивает время вывода ИТ-продуктов на рынок. Из-за геополитических ограничений, закрытого исходного кода зарубежных платформ и высокой стоимости лицензий специалисты часто лишены возможности использовать лучшие мировые технологии. В итоге командам приходится тратить дополнительные ресурсы на адаптацию и дополнительное бучение менее эффективных альтернативных решений.
Несмотря на объективные сложности, интерес к искусственному интеллекту не утихает. Бизнес видит в нем действенный инструмент для снижения расходов и оптимизации рабочих процессов. Чтобы заказчики в итоге получили ожидаемый эффект, эксперты рекомендуют внедрять ИИ-инструменты постепенно, начинать с самых простых задач, решение которых может сразу продемонстрировать ощутимый результат. Таким образом можно перейти от автоматизации к полноценной интеллектуализации.
Поделиться
