От экспериментов к интеграции. Как российский бизнес внедряет ИИ
- 00:00
- 11 Сентября 2025
- 10
Период экспериментов с генеративным искусственным интеллектом на российском рыке, считают эксперты, завершается. ИИ в своей работе используют уже больше половины российских компаний, а среди представителей среднего и крупного бизнеса эта цифра доходит до 70%. Тем не менее, требования бизнеса к ИИ-моделям изменилось. Активное масштабирование технологии сдерживает целый ряд барьеров.
От экспериментов к практическому применению
Российский рынок ИИ переживает серьезную трансформацию. По данным исследования «Яков и Партнеры», 54% компаний в России внедрили решения на базе генеративного ИИ хотя бы в одну функцию в организации. Схожую картину показывает ВЦИОМ: 43% организаций используют ИИ в своей деятельности. При этом, по сравнению с 2023 г., использование искусственного интеллекта в отечественном бизнесе выросло на 11 процентных пунктов.
На лидеров отечественного сектора разговорного ИИ приходится около 83% российского рынка, в денежном выражении. Такая концентрация говорит о том, что рынок определился с ключевыми игроками. Конкуренция усиливается за счет способности вендоров предложить комплексные решения. Клиенты ищут полноценную платформу, которая может интегрироваться с существующими корпоративными системами — ITSM, CRM, биллинговыми решениями, базами знаний, - а также поддерживать различные каналы коммуникации. Современные ИИ-решения должны работать через корпоративные мессенджеры, веб-чаты на сайтах компаний, мобильные приложения, социальные сети, а также интегрироваться со сторами мобильных приложений и маркетплейсами.
Ключевые сферы внедрения
Популярность российских ИИ-решений растет по двум причинам.
Первая — повседневные задачи бизнеса: автоматизация снижает операционную нагрузку, экономит время сотрудников, повышает продуктивность и ускоряет обслуживание клиентов.
Вторая — дефицит квалифицированных кадров. Найти опытных специалистов становится сложнее, их услуги дорожают. ИИ-решения помогают компенсировать нехватку человеческих ресурсов. Ниже мы сосредоточимся на сферах использования генеративного ИИ в операционной деятельности компании, опуская сферы производства, добычи и сельского хозяйства - они требуют отдельного и более масштабного рассмотрения.
Клиентский сервис. Продвинутые чат-боты и цифровые ассистенты берут на себя рутинные задачи по обработке стандартных обращений, поиску ответов в базах знаний, подготовку документации и сбор обратной связи от клиентов. Такие системы способны одновременно обрабатывать большие объемы обращений и обеспечивать мгновенные ответы клиентам в любое время суток. Дополнительно ИИ подсказывает сотрудникам службы поддержки варианты ведения диалога, формирует резюме переписки и обеспечивает автогенерацию статей для базы знаний. Это позволяет компаниям сохранять стабильное качество обслуживания даже при текучке кадров, быстрее вводить новых сотрудников в работу и обрабатывать растущее количество обращений без дополнительного найма.
HR-процессы. ИИ помогает автоматизировать массовый подбор персонала. Цифровой ассистент может взять на себя задачи от генерации текста вакансии, обработки резюме, проведения первичных собеседований до составления должностных инструкций, ведения кадрового документооборота и генерации обучающего контента. ИИ-ассистенты также выполняют функцию «первой линии поддержки» для сотрудников — они быстро отвечают на вопросы о правилах компании, отпусках, льготах и регламентах. Такая поддержка особенно важна для новых сотрудников в крупных компаниях, где адаптация затягивается из-за необходимости разбираться в потоке разрозненных правил и инструкций. Это освобождает HR-специалистов от рутинных операций и позволяет им сосредоточиться на задачах развития персонала.
Маркетинг. LLM-модели создают контент для рекламных кампаний, персонализируют коммуникации с клиентами, анализируют обратную связь, помогают в подготовке коммерческих предложений. Отдельное направление — ИИ-ассистенты на сайте, которые работают как цифровые консультанты, которые дают индивидуальные рекомендации, отрабатывают возражения клиентов, предлагают дополнительные товары. Такие решения значительно повышают конверсию в продажи.
Закупки. ИИ ускоряет анализ поставщиков, составление технических заданий, обработку документации по тендерам, мониторинг цен на рынке. Системы автоматически сравнивают предложения разных поставщиков по множественным критериям — цене, срокам поставки, репутации компании. При составлении технических заданий ИИ помогает формулировать требования на основе предыдущего опыта закупок и отраслевых стандартов.
Разработка ПО и ИТ. Генеративные модели сегодня применяются как копайлоты (Copilot), помогая создавать код и тесты, генерировать документацию и находить ошибки. В ИТ-операциях такие решения выполняют часть задач первой линии поддержки, включая разбор инцидентов, саммари логов, генерацию инструкций и ответы на типовые вопросы. Это снижает нагрузку на специалистов и ускоряет реагирование.
Управление знаниями и внутренняя коммуникация. Одно из наиболее перспективных направлений. Компании внедряют Enterprise-поиск с RAG для работы с корпоративными данными, сервисы саммари встреч, почты и чатов, а также ботов для поиска и генерации ответов по регламентам. Это реализуется через RAG-приложения, встроенных копилотов в рабочие системы (CRM, HelpDesk, IDE) и агентные рабочие процессы, где «цифровые коллеги» автономно выполняют многошаговые задачи.
Важно отметить, что в приведенных примерах описана только часть возможных сценариев. ИИ может адаптироваться под уникальные задачи каждой компании и открывать новые форматы использования.
Что сдерживает внедрение ИИ
Можно утверждать, что более активному внедрению ИИ-решений на российском рынке препятствуют несколько определяющих факторов. И, прежде всего, речь идет о дефиците вычислительных мощностей и о чрезмерных ожиданиях, возлагаемых на самостоятельно разработанные модели.
Нехватка вычислительных ресурсов. Большинство корпоративных заказчиков стремятся развернуть модели на собственной инфраструктуре, чтобы иметь полный контроль над доступом к вычислительным ресурсам. Такой подход требует использования высокопроизводительных серверов стоимостью от 3 до 5 млн руб., что доступно не всем компаниям. При этом отечественные серверы, способные эффективно работать с ИИ, пока представлены ограниченно, и по стоимости не уступают зарубежным аналогам из-за высокой доли импортных компонентов.
Это существенно повышает порог входа и становится одним из главных факторов, замедляющих массовое внедрение ИИ-решений. Альтернативой могли бы стать облачные решения, однако они остаются нишевым выбором и используются в основном небольшими компаниями и стартапами.
Завышенные ожидания от собственных разработок. Многие крупные компании, а также государственные организации и сервисы выбирают путь самостоятельной разработки ИИ-систем, рассчитывая получить максимальный контроль и гибкость. При этом ключевая причина кроется не столько в вопросах безопасности и утечек данных — эти риски можно закрыть, установив коробочные решения в собственный контур – а в нежелании адаптировать внутренние бизнес-процессы под ограничения готовых решений и в иллюзии, что создать собственный продукт будет проще и выгоднее.
На практике разработка промышленного ИИ-решения требует месяцев работы, привлечения дорогостоящих экспертов и значительных инвестиций. И при этом итоговый ROI все равно остается спорным. Более того, стоимость лицензии на готовое решение нередко оказывается в разы ниже совокупных расходов на команду высококвалифицированных специалистов. По данным исследования MIT, большинство корпоративных ИИ-проектов сталкиваются с трудностями при масштабировании и не достигают ожидаемой окупаемости. В итоге компании часто получают прототипы, непригодные для широкого применения.
Таким образом, сочетать высокие требования безопасности с операционной эффективностью возможно не через универсальные внедрения «ИИ для всего», а за счет создания адресных решений под конкретные задачи. Такой подход снижает требования к оборудованию и позволяет использовать коробочные продукты с ограниченным, но достаточным функционалом. В результате компании получают баланс между контролем над данными, соответствием политикам безопасности и рациональными затратами, что помогает преодолевать ключевые барьеры внедрения ИИ.
Тенденции, определяющие рынок
Сегодня на отечественном рынке ИИ-решений формируется несколько важных трендов.
Потребность в отраслевых решениях. Универсальные ИИ-помощники постепенно уступают место специализированным продуктам, адаптированным под конкретные бизнес-процессы и отраслевую специфику. Компании ищут решения, которые понимают терминологию их сферы деятельности, знают специфические процедуры и могут работать с отраслевыми документами и стандартами. Требования к гибкой кастомизации выдвигаются всё чаще. Бизнесу необходимы решения, которые можно быстро адаптировать под уникальные процессы и внутренние регламенты.
Повышенное внимание к реальному ROI. Компании всё чаще оценивают не только технологичность решений, но и их фактическую отдачу, окупаемость вложенных в проекты внедрения инвестиций. Это становится масштабной задачей, которая, с одной стороны, требует более экономного использования ресурсов, а, с другой, ведет к более взвешенному и точному планированию задач, возлагаемых на систему.
Соответствие требованиям регуляторов и уровню ИБ. Акцент на требованиях к информационной безопасности и соответствии регуляторным требованиям усиливается. Компании все чаще выбирают продукты, которые могут быть интегрированы в существующие системы защиты данных. Особое внимание уделяется возможности развертывания решений в собственном контуре безопасности организации. Для крупного бизнеса и государственных структур что критически важно.
Требования к качеству работы ИИ-решений. На ИИ-помощников бизнес возлагает все более ответственные задачи. Возможные ошибки, в особенности, когда речь идет о работе с клиентами или критически важными бизнес-процессами, могут иметь серьезные последствия. Компании становятся более требовательными к точности и надежности ИИ-систем.
Рынок ИИ-решений в России становится всё более прагматичным. Компаниям требуются недорогие нишевые продукты, которые решают конкретные задачи — например, автоматизацию клиентского сервиса, HR и IT-процессов, маркетинга и управления знаниями. При этом у большинства игроков не хватит ресурсов для поддержания сразу нескольких специализированных моделей, а требования безопасности вынуждают балансировать между облачными сервисами и дорогим on-premise развертыванием. Потенциальным выходом становится использование универсальной модели как базового ядра и развитие поверх неё специализированных сервисов для разных бизнес-сценариев. Такой подход позволяет снизить затраты, соответствовать требованиям безопасности и сохранять высокую точность работы в ключевых процессах.
Что ждет рынок в ближайшие годы
Перспективы российского рынка ИИ-решений впечатляют: по оценкам экспертов, в 2025 г. объем сегмента может достигнуть 800 млрд рублей, тогда как в 2024-м этот показатель составлял, по разным данным, от 130 до 305 млрд рублей. Фактически сегодня мы наблюдает переход технологии от экспериментального этапа к массовому внедрению.
Бизнес всё чаще ждёт измеримой отдачи, а не эффектных прототипов. Всё большему числу компаний требуются адресные решения, которые можно встроить в существующую инфраструктуру и адаптировать под конкретные процессы. На горизонте просматривается переход к универсальным моделям, поверх которых развиваются специализированные сервисы. Те, кто начнёт внедрение уже сегодня, смогут снизить затраты и укрепить позиции, а те, кто будет ждать, рискуют оказаться в числе догоняющих.
Вместе с этим, растет и готовность бизнеса к внедрению ИИ, но компании все еще сталкиваются с серьезными барьерами. Острая нехватка квалифицированных специалистов по искусственному интеллекту замедляет процессы внедрения. Недостаток готовых инфраструктурных решений заставляет компании тратить дополнительные ресурсы на подготовку технической базы. Вопросы информационной безопасности и интеграции с существующими корпоративными системами требуют индивидуального подхода к каждому проекту. Высокие первоначальные инвестиции в оборудование и разработку также остаются существенным препятствием для многих организаций.
Написать комментарий