Летом 2024 года свыше 2,3 тыс. организаций предоставили разрозненные данные о разработке и применении ИИ, впервые создав масштабную картину прогресса и вызовов локального рынка интеллектуальных технологий. От университетских лабораторий до крупных промышленных холдингов — исследование ВШЭ выявило ключевые тренды, инвестиционные приоритеты и узкие места, определяющие траекторию российской ИИ-революции.
Исследования и разработки искусственного интеллекта
Научно-исследовательские работы в области ИИ остаются прерогативой академических центров: лишь 16,7 % компаний самостоятельно инициируют НИР, из них к тематике именно ИИ относятся только 4,2 %.
При этом более 70 % объема всех бюджетов на ИИ-НИР формируют государственные и научные институты: на долю академических организаций приходится 50,2 %, еще 21,9 % обеспечивает университетская среда. Оставшиеся 28,1 % поступают от промышленных предприятий, готовых финансировать фундаментальные исследования ради перспектив долгосрочного технологического лидерства.
Государственное участие в финансировании достигло беспрецедентных 60,9 % всех расходов на НИР по ИИ, что в 2023 году составило порядка 38 млрд руб. общих вложений. Собственные средства компаний, ориентированных на цифровую трансформацию, принесли еще 25,6 % финансирования, а коммерческие кредиты и внебюджетные фонды дополнили картину, распределив между собой оставшиеся 13,5 %.
Такая структура инвестиций свидетельствует о высокой зависимости исследований от бюджетных вливаний и недостаточной степени вовлеченности бизнеса в ранние этапы технологического цикла.
Главными направлениями ИИ-НИР стали оптимизация алгоритмов и системы поддержки принятия решений, получившие по 31 % всех средств. В этих проектах фокус смещен на ускорение обучения нейросетей, уменьшение энергопотребления и повышение точности прогнозов в промышленных задачах.
Следом идут разработки в области компьютерного зрения — 26,8 % бюджета ушли на распознавание объектов, многокадровый анализ видео и 3D-реконструкцию сцен. Звуковая аналитика накопила 6,5 % средств, что позволило усовершенствовать алгоритмы синтеза речи и тонального анализа, а обработка естественного языка получила 4,4 %, концентрируясь на задачах семантического разбора, машинного перевода и генерации текстов.
Несмотря на преобладание крупных грантов, средний размер одного проекта ИИ-НИР у частных компаний не превысил 12 млн руб., тогда как у вузовских лабораторий — около 45 млн руб. Это указывает на разрыв между возможностями научной среды и запросами бизнеса: академические группы могут вести масштабные комплексные исследования, а предприятие чаще ограничивается узконаправленными пилотами.
В то же время 38 % организаций отмечают, что полученные результаты НИР по ИИ успешно трансформируются в прототипы и опытные образцы, что на 7 % выше показателя 2022 года и говорит о постепенном росте трансферта технологий из лабораторий в промышленность.
Проблемой остается нехватка высококвалифицированных кадров: 58 % научных групп испытывают дефицит специалистов по глубокому обучению, а 64 % — по архитектурам распределенных вычислений. В качестве ключевых мер для ускорения НИР участники называют усиление международного сотрудничества (34 %), создание отраслевых исследовательских консорциумов (29 %) и увеличение числа сквозных грантов, сочетающих прикладные и фундаментальные задачи (26 %). Это позволяет надеяться на постепенное снижение барьеров и рост доли корпоративных НИР в общем портфеле уже к 2026 году.
Производство и коммерциализация ИИ-решений
Производство товаров, работ и услуг с элементами ИИ в России находится на ранней стадии: лишь 5,2 % опрошенных организаций заявили о выпуске таких продуктов, причем наибольшая концентрация производителей находится в секторе информации и связи (10,7 %), высшем образовании (8,9 %) и научно-технической деятельности (4,3 %), в то время как в остальных отраслях показатель не превышает 3 %.
Общий объем реализованных ИИ-решений в 2023 году составил 32,4 млрд руб., что эквивалентно всего 0,7 % от общего объема отгруженной собственными силами продукции, выполненных работ и услуг.
В структуре продаж доминируют услуги на базе ИИ (82,7 %), тогда как на товары с интегрированными ИИ-компонентами приходится 12 %, на сопутствующие решения — 4,3 %, а собственно первичные ИИ-модули — всего 1,0 % всех отгрузок. Такая преобладающая доля сервисов указывает на спрос прежде всего на облачные и консультационные решения, тогда как разработка и производство «железных» компонентов остается нишевым направлением.
Только 1,4 % организаций реализовали инновационные товары, работы и услуги, связанные с ИИ, хотя их объем сформировал 2,5 % всей инновационной продукции, выпущенной опрошенными компаниями за последние три года. Лидерами в выпуске инноваций на базе ИИ выступают предприятия сектора телевещания и разработки ПО, где каждая десятая организация внедряла новые решения, тогда как в других отраслях уровень инновационной активности находится в диапазоне 0,1–7,7 %.
При этом крупные компании контролируют две трети (66,3 %) инновационного производства на основе ИИ, средний бизнес — треть (32,5 %), а малые предприятия — жалкие 1,2 %.
Несмотря на появление первых коммерческих образцов, их доля в общем промышленном обороте остается символической. Фактически сегмент ИИ-решений служит катализатором цифровизации в других отраслях, но сам пока не создает широкого производственного ядра: сильнее всего он представлен в сфере услуг, тогда как материальное производство ИИ-аппаратуры и компонентов остается фрагментарным и зависит от импорта технологий и оборудования.
Для ускорения коммерциализации необходимо стимулировать малый и средний бизнес через гранты и налоговые льготы, а также развивать собственные производственные кластеры по выпуску ИИ-модулей. Диверсификация продуктовой линейки и поддержка стартапов на стыке программного обеспечения и «встроенных» систем помогут не только увеличить объем продаж, но и снизить зависимость сектора от импорта ключевых компонентов.
Внедрение ИИ в бизнес‑процессы
Российские организации все активнее интегрируют ИИ-решения, однако большинство пока ограничивается одним классом технологий: 45,1 % пользователей внедрили лишь один из пяти основных типов (повышение эффективности, интеллектуальная поддержка, обработка визуальных, звуковых или текстовых данных), и лишь 8,9 % применяют весь спектр одновременно.
Среди уже использующих ИИ почти половина (49 %) планирует за три ближайших года освоить хотя бы одну новую технологию: 32,8 % нацелены на инструменты для ускорения обучения моделей и оптимизации вычислений, 24,4 % — на системы интеллектуальной поддержки принятия решений и управления.
Напротив, среди организаций, не начавших внедрение, 28 % собираются попробовать компьютерное зрение, 21,8 % — распознавание и синтез речи, 19,8 % — анализ текстов. Такой формат «поэтапного» освоения ИИ отражает осторожность бизнеса, предпочитающего сначала оценить локальные эффекты, прежде чем масштабировать проекты.
Эффективность внедрения уже ощутима: 54,3 % компаний отметили рост качества продуктов и услуг, 51 % — повышение эффективности процессов, а 45 % — увеличение производительности труда. Кроме того, 33 % участников фиксируют рост выручки, 27,9 % — расширение клиентской базы и 27,6 % — улучшение показателей безопасности труда. При этом сокращение себестоимости и сроков вывода продуктов на рынок отмечают менее трети опрошенных (22,1 % и 13 % соответственно), а уменьшение численности персонала — всего 10 % компаний.
Инвестиции в ИИ-технологии составляют порядка 15 % всех расходов на цифровизацию в организациях, использующих ИИ. На оборудование уходит 31,8 % затрат, на ПО — 16,8 %, из которых 46,2 % трат приходится на покупку готовых продуктов. Доля отечественных решений в общих расходах невелика: машины и оборудование российского производства занимают лишь 14 % таких затрат, в то время как ПО отечественной разработки покрывает 67 % расходов на лицензии и адаптацию ПО.
Самыми серьезными препятствиями для организаций-пользователей стали высокие затраты (57,2 %), нехватка квалифицированных кадров (39,1 %), недостаток навыков у сотрудников (38,5 %) и сложность интеграции ИИ в существующие процессы (37,8 %). У компаний-новичков приоритетным барьером также оказались финансовые ограничения (63,6 %), за ними следуют дефицит персонала (49,9 %) и недостаточный объем и качество данных (38,5 %).
Несмотря на очевидную выгоду от ИИ-инструментов, российский бизнес продолжает действовать в формате «малых шагов»: пилотные проекты, выбор отдельных кейсов и сдержанная капитализация. Ускорить процесс может рост доверия к отечественным платформам и расширение программ льготного кредитования и грантов для цифровых инициатив.
Большие данные для ИИ
Большие данные выступают основным «топливом» для современных ИИ-моделей, однако российские компании лишь начинают осознавать потенциал их совместного использования. Массивы данных самостоятельно не дают ценности: для извлечения инсайтов и обучения нейросетей требуются сложные аналитические платформы и вычислительные ресурсы, а для их функционирования необходимо непрерывное поступление свежих и разнородных данных.
По результатам опроса, лишь 28,6 % организаций, уже применяющих ИИ, вовлекли в рабочий процесс большие данные, а только 9,8 % используют их именно для обучения и тестирования моделей, что подчеркивает начальную стадию интеграции инфраструктурных и аналитических практик. При этом каждый шестой пользователь ИИ (16,6 %) планирует приступить к обработке больших данных в ближайшие три года, что сулит рост числа соответствующих проектов уже к 2026 году.
Тем не менее путь к «умным» продуктам преграждают серьезные барьеры. Дефицит квалифицированного персонала назвали главной проблемой 64,9 % респондентов, сложность интеграции технологий ИИ в существующие бизнес-процессы — 51,7 %, а нехватка достаточных объемов и репрезентативности данных — 49,9 %. Реже упоминаются нестабильность и неполнота самих данных (36,4 %) и недостаток средств на привлечение экспертов (45,6 %).
Даже при наличии сырья — данных — компании сталкиваются с острым дефицитом вычислительных мощностей. Почти половина (48,8 %) опрошенных планирует в ближайшие три года наращивать производительность за счет внедрения суперкомпьютеров, около трети (34 %) собираются использовать автономные серверы, а 31 % — развивать собственные или арендованные центры обработки данных. Еще пятая часть (20,2 %) рассчитывает на расширение систем хранения данных, и лишь 14,3 % ориентируются на облачные сервисы .
Организации, уже задействовавшие большие данные, в большинстве полагаются на собственные кадры: 75,6 % выполняют аналитику силами внутренних специалистов, интегрируя их в проекты по обработке данных и ИИ. Лишь 14,7 % комбинируют силы своих сотрудников и внешних подрядчиков, тогда как полностью передают аналитику сторонним фирмам всего 9,7 % компаний. Это говорит о стремлении сохранить контроль над данными и безопасностью, но также подчеркивает необходимость дальнейшего развития компетенций.
В выборе хранилищ доминирует стратегия «своих крыш»: 76,2 % крупных и 64,1 % средних предприятий предпочитают собственные системы, а среди малых фирм этот показатель заметно ниже — 39,4 %. Арендованные решения и гибридные схемы применяют лишь в отдельных случаях, оставляя пространства для роста сегмента облачной инфраструктуры и сервисов по управлению большими данными.
Таким образом, российские компании стоят перед задачей выстраивания сквозных конвейеров от сбора до аналитики: наращивание мощностей и инфраструктуры должно сопровождаться интенсивным обучением кадров и внедрением современных платформ управления данными. Лишь синергия технологий хранения, обработки и интерпретации больших данных позволит перейти от экспериментальных пилотов к масштабным внедрениям ИИ.
Кадровый потенциал и компетенции
Для масштабного внедрения ИИ требуются не только профильные ИТ-специалисты, но и обширный пул сотрудников с базовыми навыками работы с интеллектуальными системами. В среднестатистической организации на каждого специалиста в области ИИ приходится свыше девяти сотрудников, использующих эти технологии в своей повседневной работе.
Всего 8,5 % сотрудников обладают либо профессиональными, либо пользовательскими компетенциями в ИИ, однако «чистых» специалистов — архитекторов ИИ, инженеров данных, менеджеров проектов и аналитиков — менее 1 % от общего числа работников.
Профильные кадры присутствуют примерно в каждой четвертой компании, применяющей ИИ, и в большинстве случаев их численность крайне невелика. В 55,3 % организаций, где такие специалисты есть, их насчитывается лишь один-два человека, в 18,6 % — три‑пять, в 18,8 % — от шести до двадцати, и лишь в 7,3 % случаев численность профильных сотрудников превышает двадцать человек. Такая концентрация экспертов в небольшом штате ограничивает возможность проведения крупных проектов и системных внедрений.
Одним из ключевых барьеров остается нехватка кадров: 49,9 % организаций испытывают трудности с наймом профильных ИИ-специалистов, 39,1 % отмечают недостаток навыков у уже имеющихся сотрудников, а 37,6 % жалуются на отсутствие средств для привлечения экспертов на рынок труда. Особенно остро проблема стоит в секторе информационных технологий, где около 70 % компаний заявляют о сложности поиска профессионалов с соответствующей квалификацией, и в вузах, где 53,3 % образовательных организаций констатируют низкую конкурентоспособность по уровню зарплат ИТ-персонала.
Для преодоления «узкого места» кадрового обеспечения респондентами предлагается развивать внутрикорпоративные учебные центры и привлекать специалистов из смежных областей через переквалификацию, а также активнее сотрудничать с вузами для проектного обучения и стажировок. Только системная подготовка и мотивация кадров обеспечат устойчивый рост числа профессионалов и позволят перевести пилотные ИИ-решения в массовый промышленный и сервисный оборот.
Образовательная инфраструктура и подготовка кадров
Развитие образовательных программ по ИИ в вузах России опирается на два трека: профильные степени «Искусственный интеллект» и модули «Системы искусственного интеллекта» в рамках других направлений. В 2023 году 497 учреждений реализовывали обучение технологиям ИИ, из них 166 — по полному профилю, 469 — по модулю, причем 138 вузов совмещали оба формата обучения.
Объем выпуска по профильным программам достиг 3,8 тыс. человек, тогда как модули по ИИ освоили 64,6 тыс. выпускников — рост на 10 % по сравнению с предыдущим годом, свидетельствующий о массовом внедрении ИИ-компонентов в общую образовательную траекторию.
Структура приема и выпуска подчеркивает инженерную направленность подготовки: 70,1 % студентов профильных программ и 50,1 % обучающихся по модулям приходятся на «Инженерное дело, технологии и технические науки», около четверти — на «Математические и естественные науки», а на социальные дисциплины и прочие области образования вместе взятые — менее 3 %. Это свидетельствует о фокусе на разработчиков и исследователей ИИ-систем, тогда как междисциплинарные сценарии еще не получили широкого распространения.
Кадровый потенциал вузов для обеспечения образовательного процесса находится на высоком уровне: более 90 % учреждений заявили об укомплектованности преподавательскими кадрами по ИИ-дисциплинам, причем среди лидеров по выпуску специалистов это значение близко к 100 %.
Вместе с тем реальный дефицит кадров остается локальной проблемой: в вузах, не имеющих профильных программ, нехватка квалифицированных преподавателей ощущается сильнее, что замедляет развитие новых направлений и снижает качество практических занятий.
ИТ-инфраструктура является ключевым драйвером обучения: дефицит вычислительных мощностей с графическими ускорителями варьируется от 15 % до 85 % от необходимого уровня в зависимости от типа вуза, а обеспечение датасетами и специализированным ПО колеблется между 63 % у «новичков» и 96 % у лидеров. Интересно, что среди шести вузов с наибольшими потоками студентов по профильным программам практики аренды облачной инфраструктуры гораздо более распространены, что дает им преимущество в ресурсном обеспечении и гибкости экспериментов.
В учебных треках особенности освоения технологий ИИ различаются: на профильных программах 81,6 % студентов изучают системы интеллектуальной поддержки принятия решений, 67,9 % — компьютерное зрение, 50,2 % — обработку текста и 28,9 % — звуковую аналитику. Модули «Системы искусственного интеллекта» охватывают широкий пул специальностей, но глубина и интенсивность практических проектов в них пока уступают профилю ИИ, что указывает на потребность во внедрении комплексных лабораторных курсов и межфакультетских коллабораций.
Для перехода от фрагментарного освоения навыков к системной подготовке требуется дальнейшее увеличение доли профильных программ, усиление практической компонентности — через совместные проекты с индустрией и повышение доступности облачных и локальных вычислительных ресурсов. Только сочетание стабильного кадрового ядра и современной ИТ-инфраструктуры позволит вузам сформировать пул специалистов, способных закрыть разрыв между академическими исследованиями и коммерческими ИИ-решениями.
Выводы
Российская экосистема искусственного интеллекта достигла критического масштаба, объединяя более двух тысяч организаций, но этому миру предстоит преодолеть «долину нехватки» — разрыв между исследованиями и коммерциализацией. Государство и академия продолжают играть ведущую роль, формируя бюджетную основу и создавая научные экосистемы, однако бизнес остается осторожным, инвестируя в готовые решения и ограничивая масштабы собственных НИР.
Устойчивое развитие требует серьезного наращивания компетенций: без ликвидации кадрового дефицита и создания широких программ переобучения из других отраслей многие проекты так и не выйдут за рамки демонстрационных образцов. Современная инфраструктура больших данных и вычислительных мощностей должна базироваться на государственных и частных платформах, способных синхронизировать усилия научных центров и производственных предприятий.
Для того, чтобы к 2030 году доля российских ИИ-модулей в мировом вертикальном рынке превысила хотя бы 10 %, потребуется интегрированный подход: стимулирование венчурных инициатив через налоговые льготы, развитие междисциплинарных исследовательских кластеров и масштабное улучшение образовательной среды. Только согласованная сеть университетов, научных институтов и бизнеса даст синергетический эффект, необходимый для технологического рывка.