Введение
Данная статья была написана для крупнейшего сообщества цифровых управленцев «я‑ИТ‑ы» в рамках внутреннего стрима «Искусственный интеллект». Ее основная цель — дать тем, на чьих плечах сейчас лежит ответственность за выстраивание ИТ‑инфраструктуры компаний, понимание технологического «сегодня» в сфере искусственного интеллекта (ИИ), решений, технологий, которые применяются и уже дают результат. И, что самое важное, обозначить вектор развития для понимания технологического «завтра», чтобы инфраструктура и процессы строились с учетом всех изменений, происходящих в этой весьма динамичной сфере.
Динамику развития технологий ИИ и их внедрения хорошо иллюстрирует свежее исследование группы компаний Б1: российский сегмент программного обеспечения с функциями ИИ ожидает взрывной рост — в среднем более 25% ежегодно до 2032 года. Еще в 2024 году объем этого рынка оценивался в 48 млрд рублей, а к 2032 году прогнозируется рост до 286 млрд. Основными драйверами станут AI‑аналитика, спрос на приложения с AI‑функционалом, автоматизация и переход на SaaS/PaaS‑решения. Российский тренд повторяет глобальный: мировой рынок ПО к 2028 году будет расти быстрее среднерыночных показателей, а AI‑решения станут ключевым фактором этого роста.
Сейчас, в 2025 году внедрение ИИ перестает быть модным экспериментом и превращается в важный инфраструктурный элемент бизнеса. Для современного ИТ‑директора это означает: вы отвечаете не только за «железо» и софт, но и за способность компании адаптироваться к новой динамичной технологической реальности. Если сейчас не начать движение в сторону ИИ, через пару лет догонять будет в разы сложнее. Внедрение ИИ — это не про «купить новый сервер». Это прежде всего адаптация бизнес‑процессов, обучение сотрудников к работе с новыми инструментами, новые метрики эффективности и оценка рисков. Все это осложняется тем, что в этой сфере практически нет готовых, отработанных годами практики, решений. В значительной мере — это освоение Terra Incognita. Как и в любой «хайповой» теме, очень много желающих продать сырые, непроверенные решения, обещания фантастических результатов от внедрения ИИ технологий. Но реальность всегда прозаичнее.
А потому очень важен обмен практическим опытом внедрения, совместного решения сложных задач. Особенно это касается сегмента малого и среднего бизнеса, который не может позволить себе дорогостоящие эксперименты, но в первую очередь может ощутить плюсы от внедрения таких технологий.
Где мы находимся сегодня?
По данным Ассоциации Big Data, объём российского рынка больших данных и ИИ к концу 2024 года достиг 320 млрд ₽, а инвестиции выросли на 36% до 305 млрд ₽ — и это лишь начало, развитие ожидается в диапазоне 20–30% ежегодно.
Экономический эффект уже заметен: только промышленность в 2023–2024 годах заработала на ИИ‑решениях около 500 млрд. рублей. Эффект связан с сокращением производственных издержек (на 15%), уменьшением аварий на 15% и ростом качества продукции. Ведущие компании, вроде «СевСтали» и «Сибура», оценили совокупные выгоды от цифровизации в миллиарды — это не абстракция, а реальные деньги.
Эксперты Yakov & Partners и Яндекса сообщают, что уже 20% крупных компаний применяют генеративный ИИ, а ещё около 27% — экспериментируют. Ключевые направления внедрения: маркетинг, поддержка, R&D и ИТ.
Интересный факт, что большинство компаний отмечают как минимум 1–5% прироста EBITDA благодаря ИИ, и общее экономическое влияние до 2028 года может достигнуть 22–36 трлн рублей
Что касается мирового контекста — темпы не менее впечатляющие. К 2025 году глобальный рынок ИИ достигает $407 млрд, при CAGR около 23% с 2023 по 2025, а AI‑инфраструктура — от аппаратного обеспечения до аналитических платформ — стремительно растёт.
Около 95% компаний Fortune 500 уже используют ИИ, а в аналитике — порядка 65% организаций внедряют или пробуют ИИ‑технологии. Более того, 44% отмечают снижение операционных затрат, а 62% улучшают клиентский опыт благодаря ИИ‑аналитике.
Сегодня можно выделить несколько направлений ИИ‑технологий, которые уже перешли из категории «новинок» в статус повседневных инструментов.
Машинное обучение на структурированных данных — от классической предиктивной аналитики до скоринговых моделей, без которых не обходятся ни банки, ни ритейл.
Обработка естественного языка (NLP): чат‑боты, автоматизация документооборота, поиск и классификация текстовой информации, в том числе на базе RAG систем.
Компьютерное зрение — от контроля качества продукции на производстве до анализа поведения покупателей в офлайн‑торговле.
Интеллектуальная автоматизация бизнес‑процессов (RPA + AI), где ИИ‑модели усиливают роботизированные сценарии, беря на себя принятие решений в типовых операциях.
Рекомендательные системы, которые позволяют работать с информацией не только аналитикам, но и рядовым менеджерам.
Что нас ждет завтра?
Несомненно те направления, которые были перечислены также будут продолжать развиваться. Но куда будут направлены основные векторы технологического развития? Многие, задаваясь этим вопросом, смотрят на Запад. По объективным экономическим и технологическим причинам Запад нас опережает. С одной стороны это дает нам возможность иметь ориентир, но в тоже время создает опасную ловушку — в погоне за относительной целью оставаться вечно догоняющими. Глубоко убежден, что нужно всегда стремиться заглянуть дальше, за горизонт. Только так можно не только догнать, но и перегнать.
Рассмотрим основные технологические тенденции:
ИИ-помощники в офисных пакетах/ERP/CRM — от простого «подсказчика» к управляемому контуру. Крупные внедрения (например, соглашение Barclays и Microsoft на развёртывание Copilot для 100k+ сотрудников) показывают, что предприятия идут в потоковую автоматизацию работы с контентом и коммуникациями, а не в разрозненные пилоты. Для IT‑директоров это про онбординг, права доступа, аудит следов ИИ и контроль побочных эффектов (данные, безопасность, комплаенс).
SLM (малые языковые модели) закрепляются как «рабочие лошадки» узких задач: быстрее, дешевле, легче дообучать, валидировать и запускать. В связке с графами знаний и RAG они дают ощутимый прирост точности, закрывают структурные куски пайплайна, оставляя большим языковым моделям (LLM) роль «объяснителя» на естественном языке.
RAG 2.0 — от «векторного поиска по документам» RAG движется к управлению атомарными знаниями, мультимодальности (текст, изображения, таблицы, аудио), адаптивному отбору контекста и интеграции с графами знаний (Graph‑RAG). Новые обзоры и исследования фиксируют тренд на гибридные архитектуры (retriever / generator‑centric), управление декодированием и устойчивость к «дрейфу знаний». Для бизнеса это равно предсказуемости ответа и объяснимости.
ИИ‑агенты — розничный и финансовый сектор первыми внедряют агентные сценарии: работа с возвратами/обменами, уточнение заказа, KYC‑процессы. На виду крупные кейсы вроде Klarna (ассистент обрабатывал ~2/3 обращений, <2 минут до решения, −25% повторных тикетов; при этом компания позже подчёркивала необходимость донастройки роли человека — хороший урок зрелости решения). Параллельно, и это весьма важно, платформы вводят границы применимости для агентов (пример Shopify — запрет покупок без финального человеческого подтверждения). Это про зрелое агентное управление, где ИИ выполняет «интеллектуальную рутину», а человек принимает решения и берет на себя ответственность.
ИИ‑аналитика как драйвер управления. Одним из ключевых направлений становится переход от классической бизнес‑аналитики к ИИ‑аналитике. Если ранее компании ограничивались инструментами визуализации и описательной статистики, то теперь акцент смещается на предиктивные и рекомендательные модели. Системы способны не только обрабатывать и выявлять закономерности в больших массивах данных, но и предлагать оптимальные сценарии действий — от ценообразования и логистики до персонализации клиентских сервисов.
Это отнюдь не единственные тренды, но наиболее значимые, которые будут в ближайшие несколько лет определять ИИ‑ландшафт.
Прогноз по развитию этих направлений в России (субъективный):
RAG — массовое внедрение в 2025–2026 гг. К концу этого периода начнется активный переход на модель 2.0
SLM и доменные модели — активные разработки и внедрение 2026–2027 гг
ИИ‑агенты — пилоты в 2025, массово с 2027
ИИ‑ассистенты — процесс уже активно идет, т.к. в значительной степени интегрируются в уже существующие продукты
ИИ‑аналитика — как стандарт для крупных компаний с 2026 года
Как измерять успех
Недостаточно что‑то просто внедрить, ведь любой сложный процесс требует контроля на каждом этапе, а значит измеримости. Измеримость дает ключевую возможность — управлять процессом.
Примеры метрик для оценки:
Качество: groundedness/faithfulness, Hallucination Rate, Precision/Recall, «повторы», эскалации.
Продуктивность: AHT, FCR/Resolution, «минуты сэкономленного времени» на сотрудника.
Экономика: Cost per Case, «экономия времени х ставка х конверсия применения − затраты на инференс и поддержку».
Управление качеством: непрерывные оценки по «золотым» наборам — встраивайте их как обязательную процедуру релизов и эксплуатации
Вопросы безопасности
С усилением роли ИИ в корпоративных процессах особое внимание следует уделить вопросам безопасности инференса языковых моделей. Традиционная схема работы через облако удобна, но несёт риск утечек: любой запрос на внешний сервис фактически означает передачу части внутренних данных за пределы компании. Для бизнеса это становится критически важным фактором — особенно там, где речь идёт о коммерческой тайне, клиентских базах или финансовых операциях. А в ряде случаев вступает в прямое противоречие с требованиями 152-ФЗ.
Альтернативой выступает локальный инференс — размещение моделей во внутреннем контуре. Ещё несколько лет назад такой вариант казался недостижимым из‑за высоких требований к вычислительным ресурсам и отсутствию качественных open‑source моделей, особенно с поддержкой русского языка. Однако сегодня рынок предлагает целый спектр открытых решений:
компактных, но достаточно производительных языковых моделей, работающих на сервере с ограниченными ресурсами;
высокопроизводительные решения, требующие значительных вычислительных мощностей, но являющиеся при этом самыми передовыми разработками.
Для многих организаций локальный запуск становится компромиссом между эффективностью и безопасностью: компании получают возможность использовать ИИ‑инструменты в ежедневной деятельности, не вынося при этом чувствительные данные за пределы корпоративной инфраструктуры. В ближайшие годы именно баланс между облачными и локальными архитектурами будет определять стратегию внедрения ИИ в бизнес.
Roadmap для IT-директора (с прицелом на масштаб)
Выбор нескольких кейсов с понятной денежной метрикой.
Подготовка знаний: разложите регламенты на атомарные факты и правила, структурируйте их — это хорошая база для будущего внедрения RAG 2.0.
Платформы: офис — ИИ‑ассистенты с контролем; бэкенд — SLM+RAG; фронт — агенты с заданными рамками.
Пилот на 2–3 месяца с заранее зафиксированными KPI и «точкой убийства».
Масштабирование: унифицируйте пайплайны знаний, чтобы не плодить «зоопарк» индексов.
Управление процессами: роли и права агентов, журналирование действий, расследования, политика источников, «второй ключ» на чувствительные операции.
Экономика инференса: регулярно пересматривайте тарифы/архитектуру — особенно с учётом текущей разницы в стоимости вызовов LLM в РФ. В ряде случаев есть смысл рассмотреть возможность локального инференса.
Люди: повышение квалификации, обновлённые SOP‑ы, ответственность владельцев знаний.
Заключение
ИИ перестаёт быть экзотикой и «модной темой». Завтра ИИ станет необходимым условием выживания бизнеса. Для ИТ‑директора это не «ещё один проект», а стратегическая трансформация. Сегодня есть шанс заложить фундамент, который через 2–3 года станет основой конкурентоспособности вашей компании.