Искусственный интеллект (ИИ) стал частью операционной практики российских компаний и государственных организаций. Чтобы оценить масштабы и характер этого процесса, в августе-октябре 2025 года редакция «Компьютерры» совместно с экспертным советом провели всероссийское исследование, включающее анкетирование, контент-анализ и кейс-стади.
В итоговый массив вошли 300 кейсов, из которых 73,3% относятся к бизнесу, 26,7% — к государственному сектору. В отчете расскажем, какие задачи решались, какие эффекты были получены, с какими барьерами сталкивались команды и какие организационные изменения сопровождали внедрение.
Где в России применяется ИИ: картина по отраслям
Анализ собранных кейсов показывает, что искусственный интеллект внедряется не точечно, а практически во всех крупных сегментах экономики. В исследовании представлены 22 отрасли — от ИТ и медицины до экологии, промышленности и ЖКХ. Статистика не является рейтингом отраслей по внедрению ИИ, а отражает количество собранных нами кейсов по каждой отрасли.
Кроме того, некоторые кейсы относились к нескольким категориям (например, «Логистика / Ретейл»). В таких случаях они учитывались в обеих категориях для более точного отражения данных, поэтому общее количество превышает 100%.
Наибольшее число практик зафиксировано в ИТ, телекоммуникациях и цифровых сервисах (15,3%), медицине и фармацевтике (13%), финансовом секторе (11%) и промышленности вместе с металлургией (10,7%).
Кейс: ИИ-ассистент «Рег.облака» на базе RAG автоматизировал рутинные процессы
Ранее сотрудники тратили много времени на ответы клиентам, транскрибацию встреч, подготовку отчетов и презентаций. А использование внешних ИИ-сервисов ограничивали требования безопасности. Была необходима автоматизация процессов и быстрый доступ к актуальным данным без дообучения моделей.
Собственный ИИ-ассистент «Рег.облака» на базе RAG автоматизировал транскрибацию, получение выжимок и смыслов из больших текстов и создал интеллектуальную поддержку. Время поиска информации сократилось в разы, а подготовка отчетов, презентаций и составления развернутых ответов клиентам — до нескольких минут.
«Сегодня каждая вторая российская компания задумывается о внедрении ИИ в собственные бизнес-процессы. Однако, несмотря на колоссальный потенциал технологии для бизнеса, использование больших языковых моделей в публичных сервисах создает риски для конфиденциальности данных. Передавая информацию в глобальные ИИ-системы, компания теряет над ней контроль, что может привести к утечкам и использованию данных против нее, — комментирует Евгений Мартынов, директор по информационным технологиям “Рег.облака”. — Подходящее в таких случаях решение — внедрение собственных корпоративных ИИ-сервисов, обеспечивающих полный контроль над данными. Благодаря нашему успешному внутреннему опыту мы вывели технологию во внешний рынок и сейчас предлагаем ИИ-ассистент клиентам».
На государственное управление пришлось 7,3% кейсов, однако в действительности госсектор охватывает больше внедрений, поскольку многие из них относятся к другим отраслям (медицина, образование, экология и т. д.).
Следующий важный аспект исследования — какими именно технологиями пользуются компании. Распределение показывает заметную диверсификацию инструментов и высокий удельный вес зрелых решений:
В отраслях с высокой плотностью данных и высокой стоимостью ошибок ИИ используется как часть базовой операционной логики. Медицина демонстрирует самую выраженную концентрацию систем поддержки принятия решений (СППР или DSS). По нашей оценке, от 55 до 60% решений в этой сфере связаны именно с системами поддержки принятия решений — инструментами, которые помогают врачам, операторам и администраторам принимать более точные и быстрые решения.
В финансовом секторе заметен другой акцент: банки и страховые компании активно экспериментируют с генеративными моделями — около 22% кейсов затрагивают GenAI, прежде всего в задачах анализа документов, подготовки клиентских материалов и автоматизации внутренних процессов.
Кейс: ИИ-конструктор рассылок EmailMaker от Unisender
Unisender создал EmailMaker — блочный low-code ИИ-редактор, который уменьшает циклы подготовки писем. Раньше даже при наличии шаблонов команда тратила часы на адаптацию структуры, подбор заголовков, правки формулировок и визуала. Теперь эти этапы автоматизированы. EmailMaker генерирует темы и прехедеры за 5–10 секунд, создает варианты для A/B-тестов за пару минут и позволяет одному специалисту собирать письмо на 70–80% быстрее.
«Когда мы создавали Email Maker, наша цель была не просто модернизировать редактор писем — мы хотели дать российским маркетологам настоящий конструктор с ИИ, интегрированный прямо в email-платформу. Сегодня в одном окне доступны инструменты генерации тем и прехедеров, корректировки текста, проверки грамматики, а также генератор графики — всё это объединено в редакторе, который способен экономить до 300% времени по сравнению с классическим подходом», — комментирует разработку Иван Дудин, CPO Unisender.
ИТ-компании, в свою очередь, используют ИИ как платформенную технологию. Почти половина кейсов связана с СППР (46%), а 38% — с обработкой естественного языка (NLP), что отражает характерную для отрасли насыщенность текстами, запросами, документацией и коммуникацией.
Промышленность и производство подходят к ИИ прагматично. Здесь преобладают сценарии контроля качества, видеоаналитики, предиктивного обслуживания и оптимизации цепочек. В этой группе СППР составляет около 40%, компьютерное зрение — 20%, а предиктивные модели — 10%.
Кейс: Видеоаналитика от ITGLOBAL.COM для промышленного предприятия
На крупном производстве операторы физически не успевали отслеживать 45 камер, из-за чего 35% критических нарушений техники безопасности проходили мимо. ITGLOBAL.COM внедрила систему видеоаналитики: алгоритмы фиксируют отсутствие СИЗ, опасные действия, несанкционированный доступ и моментально уведомляют службу безопасности. Попадание инцидентов выросло с 65% до 97,8%, реагирование сократилось с восьми минут до 15 секунд, а экономия на штрафах и простоях составила 12,5 млн рублей в год.
«Этот проект важен не только с бизнес-точки зрения — речь о безопасности людей. Когда компьютерное зрение работает в реальном времени, каждая корректно обработанная сцена — предотвращена авария. Наша роль как провайдера — дать модели надежную инфраструктурную основу: подобрать необходимую архитектуру GPU, выбрать подходящую модель использования и обеспечить стабильное качество работы. Поскольку ускорители NVIDIA L40S хорошо зарекомендовали себя в задачах компьютерного зрения, эти карты полностью закрыли задачу заказчика по детекции в реальном времени», — отмечает Евгений Свидерский, директор облачного бизнеса ITGLOBAL.COM, корпорация ITG.
В экологии распределение иное: 62% решений относится к системам поддержки решений, а 23% — к компьютерному зрению. Текстовые данные почти не используются, что объясняет отсутствие NLP в экологических кейсах.
Сельское хозяйство, наоборот, сочетает компьютерное зрение (30%) и СППР (40%) в задачах мониторинга полей, прогнозов урожайности и контроля за состоянием животных и растений.
Государственный сектор демонстрирует собственный профиль. В административных процессах, муниципальном управлении, социальной сфере и транспортной инфраструктуре наиболее востребованы системы поддержки решений (35%) и компьютерное зрение (29%), а NLP занимает 18% — это отражает нагрузку на документы, обращения граждан и контент государственных сервисов.
Кейс: Голосовой робот и речевая аналитика BSS для «Честного знака»
Контакт-центр «Честного знака» ежедневно принимает до 7,5 тыс. звонков, от бизнеса до пользователей приложения. Из-за нагрузки росло время обработки, а сложные обращения уходили в длинную постобработку. BSS внедрила связку из речевой аналитики и голосового робота — робот собирает цель звонка и данные клиента, передавая оператору чистую карточку в CRM, а аналитика оценивает 100% диалогов: тематику, эмоции, нарушения скрипта и длительность. Внедрение сократило постобработку на 7–15 минут, средняя длительность разговора упала до 8 минут, доля слов-паразитов уменьшилась в 6 раз, а FCR стабильно держится выше 80%.
«Этот проект — пример того, как современные речевые решения на базе ИИ могут трансформировать клиентский сервис. Наши продукты помогли создать не просто автоматизированную, а обучающуюся систему. «Честный знак» теперь не только оперативно реагирует на запросы, но и прогнозирует их, что особенно важно в условиях высокой регуляторной нагрузки», — сообщил Василий Жилов, заместитель генерального директора компании BSS.
Несмотря на различия между секторами, российский рынок ИИ развивается преимущественно в прикладной, процессной логике. Компании и государственные органы ориентируются не на лабораторные исследования, а на инструменты, которые можно встроить в операционный контур — в принятие решений, контроль качества, поддержку пользователей, управление инфраструктурой, планирование и анализ.
«ITGLOBAL.COM отмечает на рынке ИТ высокий спрос на программные решения и оборудование для задач с ИИ. В основном наши клиенты ищут инструменты для оптимизации процессов, анализа данных, улучшения взаимодействия с клиентами, повышения кибербезопасности. Мы сотрудничаем с несколькими вендорами, предложения которых в сфере ИИ уже позволили выполнить проекты в логистике, финтехе и других отраслях бизнеса», — комментирует данные исследования Василий Белов, исполнительный директор ITGLOBAL.COM, корпорация ITG.
Важная особенность исследованной выборки заключается в том, что часть кейсов относится сразу к нескольким отраслям. Например, комплексные решения в логистике учитывались одновременно в категориях «транспорт» и «ретейл», если компания работает в обоих сегментах. Это позволяет более точно отражать реальную структуру рынка, где проблемы редко бывают изолированными.
Кейс: «Цифровая Земля» от Терра Тех для Роскосмоса
Региональные власти не имели актуальных данных о состоянии территорий, а собственных мощностей для работы со снимками у них не было. Терра Тех развернула облачную платформу «Цифровая Земля» — набор геосервисов с ИИ, которые автоматически обрабатывают космическую съемку всей страны. Более 100 нейросетей и тысячи датасетов классифицируют изменения на местности и передают данные в системы ведомств. Автоматизация выросла на 70%, инструментом пользуются органы власти 89 регионов, а точность моделей (85–99%) позволила выявить свыше 100 сигналов для проверок.
Какие задачи компаний в России решает ИИ
Полученные кейсы позволяют достаточно точно реконструировать мотивы, с которыми российские компании и государственные организации приходили к ИИ. Несмотря на различия в масштабе, структуре и зрелости технологической среды, проблематика во многом оказалась общей. ИИ внедрялся там, где ручные процессы перестали справляться с нагрузкой и стоимость ошибок была слишком высокой, а данные — слишком разрозненными, чтобы обеспечивать устойчивое принятие решений.
В бизнесе ключевым драйвером внедрений стала потребность снизить затраты. Эта причина упоминается в 20,7% кейсов и практически совпадает с тем, что компании называют в интервью как «самую болезненную точку».
На втором месте — ошибки и человеческий фактор (18,4%), что характерно для сегментов с большим документооборотом, сложными операциями и высокой стоимостью неправильных действий.
Заметную долю занимают кейсы, связанные с неструктурированными данными (13,8%). Компании не справлялись с объемами информации, накопленной в несопоставимых форматах, поэтому и решили внедрить ИИ.
Еще 11,5% внедрений были мотивированы неэффективностью процессов — медленной обработкой запросов, сложными маршрутами, избыточными согласованиями.
Низкая доступность сервиса (6,9%) и необходимость масштабирования (6,2%) проявлялись в тех кейсах, где бизнес рос быстрее, чем его инфраструктура.
Государственный сектор демонстрирует отдельную динамику. Для ведомств и государственных компаний на первом месте стоят ошибки и человеческий фактор (18,4%), но на втором — экономия или перераспределение бюджета (16,7%). Это объясняется спецификой госсектора: любая автоматизация должна не просто ускорять операции, а снижать затраты при сохранении качества услуг.
Важное место занимают проблемы работы с неструктурированными данными (15,8%) — значительная часть государственных информационных систем создавалась в разное время и по разным стандартам. На уровне процессов фиксируются сложности с эффективностью (7,9%), доступностью сервисов (6,1%), безопасностью и контролем (5,3%).
Последний показатель выделяется особенно, так как в бизнесе он почти не встречается. Контроль рисков, мониторинг событий и соблюдение нормативных требований — характерная компетенция, специфичная для государства.
Несмотря на различия между секторами, структурная картина выглядит удивительно стабильной. И компании, и государственные организации чаще всего внедряют ИИ для устранения проблем, затрагивающих базовые процессы — скорость, точность, воспроизводимость и масштабируемость. Там, где эти параметры давали сбой, появлялись инициативы по автоматизации, аналитике, компьютерному зрению или генеративным моделям.
Кейс: Вычислительные серверы ITPOD для фармы и NGS
Фармацевтическим компаниям требуется ускорить секвенирование, анализ геномов, моделирование белков и обработку больших медицинских массивов данных. ITPOD предлагает для них конфигурацию из восьми GPU RTX 5090 по 32 ГБ GDDR7 каждая, с отдельными PCIe 5.0 x16 без NVLink. Такой сетап обеспечивает 90–95% эффективности использования всех GPU, что резко снижает стоимость инфраструктуры и ускоряет тяжелые вычисления для NGS, МРТ/КТ-аналитики и биоинформатики.
«Наше решение демонстрирует значительный рост производительности — ускорение вычислительных процессов более чем в 10 раз по сравнению с CPU, что позволяет нашим клиентам сокращать время научных открытий с недель до часов. Такой уровень мощностей при относительно умеренных капитальных затратах делает продукты ITPOD ключевыми для современных R&D-центров фармацевтической отрасли», — сообщает Илья Борняков, генеральный директор ITPOD.
Характерно, что ИИ востребован именно там, где процессы уже давно стали слишком сложны, чтобы штат сотрудников мог удерживать их вручную. Компании сталкиваются с растущей операционной нагрузкой, дефицитом специалистов и возрастающей стоимостью качественной поддержки.
Согласно нашей выборке, госорганизации дополнительно сталкиваются с необходимостью повышать точность и обеспечивать безопасность, хотя практика показывает, что данная необходимость свойственна и коммерческим компаниям. Эта общая проблематика задает основу логики внедрений.
Эффекты у бизнеса и госсектора
Анализ эффектов показывает, что несмотря на разнообразие отраслей и технологий, результаты внедрений укладываются в достаточно четкую модель. ИИ применяется не ради имитации инноваций, а как инструмент, который должен дать измеримый результат — экономию и новые источники дохода, ускорение процессов, рост качества и снижение нагрузки на людей.
Компаниям и государственным структурам требовались решения, способные стабилизировать операционную деятельность, повысить надежность сервисов и сократить издержки, и именно в этих направлениях ИИ показал наибольшую эффективность.
Для бизнеса самым частым результатом стало снижение затрат или рост выручки — такой эффект отмечается в 33,3% кейсов. По сути, каждая третья компания фиксирует прямые финансовые изменения, связанные с внедрением ИИ.
Следом идут рост производительности и эффективности (28,8%) — автоматизация рутинных операций и перераспределение нагрузки позволили высвобождать время специалистов и более рационально использовать ресурсы.
В 16,7% кейсов наблюдается повышение точности, что снижает стоимость ошибок и улучшает качество итоговых решений.
Кейс: ИИ-ассистент «Сбер Бизнес Софт» для авиакомпании «Азимут»
Клиентская поддержка «Азимута» упиралась в человеческий фактор: ночью и в пиковые дни операторы не успевали отвечать, редкие и нестандартные запросы терялись, а SLA проседал. «Сбер Бизнес Софт» внедрил ассистента на базе GigaChat, обученного на внутренней документации перевозчика. Он берет на себя первую линию, консультирует по бронированиям, правилам перевозки и сложным кейсам, работает без пауз и перебоев.
В связке с ассистентом работает модуль компьютерного зрения, который анализирует видеопотоки и сразу фиксирует нарушения ТБ или сбои процессов. Сейчас ИИ закрывает 86% обращений, снижает нагрузку на операторов и полностью устранил проблему «невозвратных» запросов в ночное время.
Для понимания, видеоаналитика от «Сбер Бизнес Софт» — решение на базе компьютерного зрения, которое помогает компаниям контролировать качество, безопасность и эффективность производственных и логистических процессов. Система автоматически анализирует видеопоток в реальном времени, выявляет отклонения — от нарушений техники безопасности до ошибок упаковки или простоев оборудования — и формирует отчеты для управленцев. Технология применяется в промышленности, сельском хозяйстве, девелопменте и торговле: например, контролирует качество продукции в теплицах или движение техники на стройплощадке.
«Опыт внедрения в „Азимуте“ подтверждает: ИИ-ассистенты востребованы там, где компании работают с большим потоком запросов и высокими требованиями к качеству обслуживания. Эти технологии универсальны — они легко адаптируются под разные процессы, обеспечивают предсказуемость ответов и помогают бизнесу развивать сервис без роста издержек», — отметили в пресс-службе «Сбер Бизнес Софт».
Еще 13,6% проектов ускорили процессы, уменьшая время обработки запросов и согласований. Снижение нагрузки на персонал отмечено в 7,6% кейсов — показатель заметный, учитывая, что многие примеры содержали одновременно несколько эффектов.
Государственные организации демонстрируют другую структуру результатов. На первом месте — экономия или перераспределение бюджета благодаря внедрению ИИ (22,1%). Это отражает специфику управления государственными ресурсами: любые технологические изменения рассматриваются в контексте эффективности расходования средств.
В 17,7% кейсов ИИ улучшает показатели безопасности и снижает риски — особенно в задачах мониторинга, контроля и предотвращения инцидентов. Рост производительности фиксируется в 14,7% примеров, а оптимизация управления и планирования — в 11,8%. Ускорение процессов характерно для 10,3% внедрений, повышение точности — для 8,8%.
Заметный эффект — улучшение качества обслуживания и удовлетворенности граждан — проявился в 7,4% кейсов и преимущественно касается систем обратной связи и цифровых каналов госуслуг. Столько же внедрений (7,4%) снизили нагрузку на сотрудников, что особенно важно для региональных ведомств.
Кейс: Динамическое ценообразование от OSMI IT для «Суточно.ру»
На «Суточно.ру» стоимость аренды долго формировалась вручную или по жестким правилам, которые не учитывали сезонность, загрузку, конкурентов и поведение гостей. Это приводило к простоям, снижению конверсии и потерям для арендодателей. OSMI IT внедрила систему динамического ценообразования: алгоритмы анализируют спрос, историю бронирований, активность конкурентов и загруженность объектов в реальном времени, предлагая оптимальную цену под каждую ситуацию. В результате внедрения конверсия увеличилась на 6%, простой снизился на 8% и LTV арендодателей вырос на 3%.
Важно отметить взаимосвязь между исходными проблемами и результатами внедрений. Там, где компании боролись с ручным трудом и ошибками, чаще всего фиксировались рост скорости, снижение ошибок и высвобождение персонала для более важных задач.
Внедрение ИИ для решения проблем неэффективного использования ресурсов приводило к экономии, оптимизации затрат и росту производительности. В случаях с низким качеством сервиса ИИ повышал скорость обработки запросов, улучшал маршрутизацию и увеличивал удовлетворенность клиентов.
Кейс: ИИ-поддержка от Ainergy для корпоративного университета
У техподдержки корпоративного университета до 80% запросов были типовыми, но каждый отнимал в среднем два часа. Ainergy внедрила систему автоматических ответов и векторную базу знаний по закрытым тикетам. Ассистент берет на себя рутину и подсказывает решения специалистам в сложных кейсах. Обработка упала до 30 минут, экономия составила 2,7 млн рублей в год, а простои по заявкам уменьшились с 8000 до 2000 рублей за обращение.
«Проблема клиента заключалась в большом количестве ошибок при распределении и классификации обращений в поддержке. Мы повысили точность маршрутизации и классификации, внедрив ИИ-агентов в процессы. Как итог, денежные и временные затраты на одну заявку снизились в 4 раза, снизив годовые затраты до 23 млн. руб.», — дополняет кейс Роман Носенко, менеджер по развитию бизнеса Ainergy.
В сегментах с повышенными рисками — промышленность, транспорт, ЖКХ — технологии снижали аварийность, минимизировали простои оборудования и сокращали стоимость восстановительных работ.
В государственном секторе эта же логика проявлялась в сокращении числа правонарушений, предупреждении ЧС и повышении общественной безопасности.
|
Кластер проблем (Проблема/Задача) |
Типичные эффекты для бизнеса |
Типичные эффекты для государства |
|
Ручной труд/Ошибки |
Рост скорости, снижение ошибок, высвобождение FTE | Сокращение сроков оказания услуг, снижение нагрузки на госслужащих |
| Неэффективное использование ресурсов | Снижение затрат, экономия топлива/сырья, рост производительности |
Перераспределение бюджетных средств, оптимизация расходов (ЖКХ, транспорт) |
|
Низкое качество сервиса |
Рост конверсии, лояльности, ускорение обработки запросов | Повышение доступности и качества госуслуг, рост удовлетворенности граждан |
| Повышенные риски и недостаточный уровень безопасности | Снижение аварийности, минимизация времени простоя и затрат на ремонт |
Снижение числа правонарушений, предупреждение о ЧС, повышение общественной безопасности |
|
Неэффективное планирование |
Точные прогнозы спроса и предложения, оптимизация запасов и ценообразования | Эффективное бюджетное планирование, выявление зон риска |
| Дефицит экспертизы/кадров | Стандартизация процессов, повышение эффективности работы сотрудников | Компенсация нехватки специалистов, повышение качества решений |
Отдельно стоит выделить оценку того, насколько результаты соответствовали ожиданиям. 63,4% компаний и госорганизаций считают, что внедрение ИИ полностью оправдало ожидания. 17,1% отметили, что эффект оказался выше прогнозов — это характерно преимущественно для проектов, связанных с предиктивными моделями и автоматизацией сервисных операций. Лишь 2,4% зафиксировали результат ниже ожидаемого. Оставшиеся 17,1% не проводили формальной оценки, что указывает на общее отсутствие стандартизации метрик в российских проектах ИИ.
«2025 год доказал: наибольшую ценность приносит не сам факт использования ИИ, а способность компании встроить его в свою операционную модель. Там, где это удалось, бизнес уже получает преимущество в скорости, качестве коммуникаций и снижении операционных издержек. И в 2026-м конкурентоспособность компаний всё больше будет определяться тем, насколько зрелой является их ИИ-инфраструктура», — подытоживает Иван Дудин, CPO Unisender.
Эти данные не только отражают зрелость подходов, но и задают контекст для следующей части анализа: если эффекты заметны и воспроизводимы, то какие барьеры мешают масштабировать ИИ дальше?
Барьеры и организационные изменения
Несмотря на выраженные эффекты, внедрение ИИ редко проходит без препятствий. Анализ 300 кейсов показывает: большинство трудностей связаны не с алгоритмами или вычислительными мощностями, а с данными, организационной структурой и внутренней готовностью команд. Эти барьеры повторяются в разных отраслях и часто оказываются более существенными, чем технологические ограничения.
Ключевые сложности, о которых сообщали бизнес и государственные организации, группируются вокруг нескольких направлений:
- На первом месте — проблемы с данными (15,4% кейсов): разрозненные источники, недостаточно чистые или неполные массивы, отсутствие единого формата и надежных механизмов актуализации. Эти трудности проявлялись и в коммерческих компаниях, и в ведомствах, особенно там, где накопленные данные создавались годами и не были предназначены для машинной обработки.
- Сравнимый по масштабу барьер — неясность метрик успеха (15,4%). Многие компании внедряют ИИ без заранее определенных показателей эффективности, что усложняет оценку результатов и принятие решений о дальнейших шагах.
- Проблемы сопротивления сотрудников (11,5%) также заметны — часть специалистов воспринимает автоматизацию как угрозу своей роли или как усложнение привычных процессов.
- В ряде сфер активно проявляются юридические и регуляторные ограничения (11,5%), особенно в финансах и государственных структурах, где требования к данным и безопасности значительно жестче.
- Значимым фактором остается стоимость внедрения: 9,6% организаций указали на дороговизну проектов или отсутствие бюджета. В промышленности этот показатель достигает 50%, что отражает масштаб и длительность внедрений в этом сегменте. Столько же (9,6%) кейсов связаны с проблемами ИТ-инфраструктуры: неприспособленные системы, устаревшие серверы, отсутствие единых корпоративных платформ.
- Дефицит кадров проявился в 5,8% кейсов, но чаще замечался как фоновая проблема, не достигшая уровня критического барьера.
Отдельная группа компаний — 11,5% — сказала, что трудностей не возникло. Это характерно для организаций, внедряющих готовые решения или работающих с опытными интеграторами.
Отраслевые различия также выразительны. ИТ-компании чаще других сталкивались с проблемами данных и инфраструктуры (по 20%), что связано с множественностью внутренних систем и быстрым темпом разработки. В финансовом секторе доминировали юридические и регуляторные ограничения (28,6%) — сложность согласований и требований к обработке данных. В ретейле и e-commerce самые частые барьеры — неясные метрики успеха и дороговизна решений (по 40%). Промышленность отмечает высокую стоимость проектов — половина кейсов указывает это как главный ограничитель. В других отраслях распределение более равномерное и не формирует ярко выраженных пиков.
«При этом хочется добавить, что эффективность внедрения ИИ-инфраструктуры в совокупности с применяемыми ИИ-инструментами или ИИ-решениями напрямую зависит от целей реализуемых проектов и процессов, где их эффективность внедрения измеряется в рублях. Без таких качественных метрик и без инициативы от держателей процессов развитие ИИ в отдельно взятых компаниях может быть замедленно или невозможно. В целом анализ показывает необходимость отраслевой ИИ-адаптации для повышения эффективности и снижения рисков в условиях высокой нагрузки и гибком методе эвристики при выборе оптимального решения целей, направленных на улучшения показателей компании», — дополняет Антон Юдин, руководитель продуктового направления «Инфраструктура ИИ Скала^р» (группа Rubytech).
Кейс: ИИ-оцифровка архивов машиностроительного холдинга от Т1
В машиностроительном холдинге накопился огромный бумажный архив конструкторской и технологической документации. Поиск информации занимал часы, простои в ремонте приводили к убыткам, а полная оцифровка вручную потребовала бы более 10 лет работы команды из 10 сотрудников. Т1 внедрила решение на базе мультимодальных моделей: система распознает спецификации, восстанавливает структуру изделия, автоматически подтягивает атрибуты из других документов и позволяет специалистам валидацией уточнять результат. Нейросеть обучается на каждом цикле, повышая точность и снижая ручную нагрузку. За 9 месяцев проект обеспечил до 50–90% сокращения рутинных операций, повысил точность распознавания выше 90% и ускорил цифровизацию архивов в три раза.
Организационная сторона внедрения ИИ оказалась не менее важной, чем финансовая или технологическая. Почти половина опрошенных (44,4%) сообщили, что не делали структурных изменений — внедрение проходило в рамках существующих команд.
Однако значимая часть компаний все же перестраивала организацию процессов: 22,2% обновляли ИТ-инфраструктуру, 16,7% меняли структуру команд или нанимали новых специалистов, еще 16,7% создавали отдельные инициативные группы или проектные офисы. Это показывает, что формирование собственных ИИ-компетенций постепенно становится нормой, а внедрение перестает быть внешней услугой.
Распределение ресурсов, которые использовались для проектов, подтверждает этот вывод. В 40% кейсов применялась гибридная модель — сочетание внутренних специалистов и внешних подрядчиков. В 33,3% случаев работу выполняли внешние интеграторы, что характерно для проектов высокой сложности или там, где требуются специализированные навыки. В 26,7% кейсов внедрение проводилось силами внутренних команд — особенно в крупных компаниях и технологических организациях.
Сроки и стоимость проектов также варьируются значительно. Внедрение может занимать от одного дня — если речь идет о готовом сервисе — до двух лет в случаях сложных кастомных систем. Среднее время проекта составляет 5,5 месяцев. Стоимость варьируется от 4 тыс. руб. за готовый сервис (например, подписку на чат-бот) до 500 млн руб. за проекты уровня интеллектуальных транспортных систем. Средняя стоимость уникального внедрения — 12 млн руб.
Эти данные формируют важный вывод о том, что ИИ — не одноразовый инструмент, а элемент долгосрочного изменения процессов. Компании и государственные структуры проходят через трудности, связанные с данными, бюджетами, кадрами и структурой команд, но при этом, по оценке большинства участников исследования, достигают ожидаемых результатов и продолжают развивать направление.
Кейс: Машина ИИ нового поколения от Rubytech
В начале 2025 года Группа Rubytech выпустила Машину искусственного интеллекта «Скала-МИИ» — сертифицированный ПАК нового поколения для полного цикла ИИ: от разработки и обучения до исполнения и дообучения моделей в закрытом периметре. Решение сокращает время вывода ИИ-продуктов на рынок, снижает зависимость от дефицитных специалистов и обеспечивает безопасную эксплуатацию в КИИ и ГИС. Машина поддерживает любые типы моделей: от классического машинного обучения и компьютерного зрения до крупных языковых моделей (LLM), включая GigaChat, YandexGPT и иные отечественные решения.
Что показывают цифры
Комплексный анализ 300 кейсов позволяет оценить не только направления внедрения ИИ, но и общие тенденции, которые формируют российский рынок. Эти данные дают представление о масштабах, скорости и экономике проектов, а также показывают, как меняются корпоративные подходы к ИИ под давлением реальных задач.
«Россия, ровно как и весь мир, находится в стадии перехода к новому технологическому укладу, где в основе всей экономики будут передовые технологии. Конечно же, искусственный интеллект окажется в их числе, ведь он уже меняет наши жизни и бизнес. Поэтому так важно следить за лучшими практиками его применения из совершенно разных отраслей экономики, перенимая лучший опыт, создавая сильные российские кросс-отраслевые решения на основе искусственного интеллекта. Только так мы сможем не просто догнать мировых технологических лидеров, но и конкурировать с ними».
Валентин Макаров, президент Ассоциации РУССОФТ
Исследование на протяжении трех с половиной месяцев позволило собрать и изучить практики из разных регионов и отраслей. Это показало разноуровневые сценарии внедрений: от небольших готовых сервисов до сложных систем, требующих перестройки инфраструктуры и процессов.
«Исследование отражает развитие в отечественной экономике практики и культуры применения технологий искусственного интеллекта, столь ожидаемый переход от шумихи вокруг ИИ к реальным результатам. Следуя мировым тенденциям, в ближайшем будущем мы увидим более активное применение таких сущностей, как агенты искусственного интеллекта, их использование не столько в рамках изолированных отделов и функций, сколько в межфункциональных интегрированных командах и решениях. Заключительным этапом станет перестройка бизнеса вокруг самих технологий искусственного интеллекта, которые будут обеспечивать недоступную для человека корпоративную адаптивность и персонализацию для клиентов даже в самых малых потребительских сегментах».
Евгений Осадчук, директор направления «Искусственный интеллект» АНО «Цифровая экономика»
«Исследование современных практик внедрения искусственного интеллекта в российские отрасли демонстрирует значительный сдвиг в его восприятии: из вспомогательного инструмента он становится ключевым драйвером цифровой трансформации. Современные российские организации всё чаще используют технологии компьютерного зрения, обработки естественного языка (NLP), СППР и генеративного ИИ, меняя традиционные бизнес-модели. Особенно активно технологии развиваются в финансовом и IT-секторе, промышленности, ретейле, медицине и сфере “умных городов”. Важно понимать, что интеграция ИИ — это не единовременный проект, а долгий путь адаптации и развития. Эффективность компаний теперь зависит от способности совмещать технологическое превосходство с высоким уровнем ответственности и соблюдением этических норм при работе с искусственным интеллектом», — отмечает другой эксперт исследования — Ксения Лапшина, заместитель директора направления «Искусственный интеллект» АНО «Цифровая экономика».
Цифры подтверждают: ИИ перестает быть точечной инициативой и превращается в самостоятельный элемент технологического и экономического контура. Внедрения становятся более предсказуемыми по результатам и все чаще создают накопительный эффект — когда один проект становится основой для следующего, а организации постепенно переходят от отдельных автоматизаций к построению целостных интеллектуальных систем.
«ИИ в России окончательно перешел из стадии экспериментов в фазу операционной зрелости, демонстрируя высокую окупаемость в прикладных задачах. Особенно показателен прагматичный отраслевой фокус: в промышленности — компьютерное зрение для контроля качества. Главный барьер — не технологии, а организационные проблемы: качество данных и неясность метрик. Уверен, что следующая волна внедрений будет связана с масштабированием успешных практик и формированием сквозных корпоративных компетенций».
Сергей Вотяков, председатель Координационного Совета ассоциаций МСП в сфере ИИ, Старший директор по взаимодействию с органами государственной власти PIX Robotics, Член Правления и руководитель комитета искусственный интеллект РУССОФТ
По данным Игоря Никитина, основателя компании WMT Group и WMT AI, к концу 2025 года российский рынок ИИ окончательно перешел из стадии «ожидания» в фазу жесткой индустриализации. Мы видим качественный скачок: если два года назад генеративный ИИ был предметом точечных экспериментов, то сегодня его внедряют уже более 70% крупных компаний. Важнее цифр — смена парадигмы: бизнес перестал запрашивать «умный поиск», и фокус сместился на автономных ИИ-агентов. Это системы, которые не просто генерируют контент, а самостоятельно выполняют бизнес-функции внутри корпоративного контура.
Однако этот рост обнажил критический барьер доверия. «Галлюцинации моделей и риски безопасности остаются главными стоп-факторами для массового внедрения ИИ в реальный сектор. В 2025 году «гонка вооружений» между разработчиками LLM отошла на второй план. На первый же вышла инженерная обвязка, внедрение архитектур RAG и систем автоматизированной проверки качества, так называемого метода LLM-as-a-judge, когда одна модель контролирует точность другой», — поясняет эксперт.
«В 2026 году лидерство на ИИ-рынке сохранят не те, кто гонится за мощностью, а те, кто научился эффективно управлять стоимостью владения технологией (TCO). Мы видим четкий тренд на использование малых моделей (Small LM), которые решают конкретные задачи быстрее и в десятки раз дешевле гигантов. ИИ в России стал взрослым, а значит прагматичным. Сегодня побеждает не самый «умный», а самый эффективный и надежный ИИ».
Игорь Никитин, основатель компании WMT Group и WMT AI
Методология
При проведении исследования мы использовали количественные и качественные методы. Часть кейсов мы собрали с помощью онлайн-анкетирования, другую часть получили из открытых источников, среди которых главным ресурсом стали отчеты «Цифровой экономики».
Эмпирическую базу составила выборка из 300 кейсов, из которых 73,3% относятся к различным отраслям бизнеса, 26,7% — к государственному сектору. Все кейсы были систематизированы, для анализа был применен метод кейс-стади.
«За 3,5 месяца мы с командой собрали и проанализировали 300 кейсов внедрения ИИ бизнесом и государством. Мы изучали, как технологии используются на деле — когда это помогает ускорить процессы, а в каких случаях снижает риски или выстраивает новый сервис для клиентов. Цель была в том, чтобы понять, какие модели применения ИИ действительно работают в разных отраслях».
Елизавета Возная, руководитель отдела аналитики в «Компьютерре»
«Наше исследование показывает, что ИИ не решает проблемы сам по себе, как волшебная палочка, но в умелых руках становится мощным инструментом для повышения эффективности. Мы систематизировали подходы, классифицировали их по сложности и влиянию на бизнес, посмотрели на результаты и барьеры внедрения, чтобы дать ясную картину того, что реально происходит в компаниях и госорганизациях», — поясняет Елизавета Возная.
«Эти данные помогут решить, какие практики подходят именно вам, оценить потенциальную отдачу и риски и, в конечном итоге, выбрать путь внедрения ИИ, который будет работать на вас. Когда технологии развиваются быстрее, чем стратегии, понимание реальных кейсов и моделей становится ключевым преимуществом», подытоживает руководитель отдела аналитики в «Компьютерре».