Спрос на искусственный интеллект в российском корпоративном секторе давно перешел из категории «попробовать» в разряд «обязательно внедрить». 86% крупных компаний уже работают с большими языковыми моделями. Однако за этой статистикой скрывается менее оптимистичная картина: по-настоящему автономных решений, где ИИ действует без участия человека, в разы меньше.
«Компьютерра» разбиралась, что мешает российскому бизнесу перейти от LLM-ассистентов к ИИ-агентам, почему проекты не доходят до промышленной эксплуатации и когда технология начнет приносить обещанную прибыль. Подробнее — в материале.
Все пользуются ИИ, но почти никто не считает деньги
Отечественный корпоративный ИИ переживает классический для любой серьезной технологии этап. Сначала эксперименты и пилоты, теперь — вопрос, где обещанная экономическая отдача. В рамках мероприятия «State of AI Russia 2026: статистика, кейсы, перспективы» ИТ-компания «Инфосистемы Джет» и Smart Ranking представили отчет, в котором говорится, что 86% крупных компаний уже используют или пилотируют LLM в своих бизнес-задачах, что почти повторяет мировой показатель в исследовании McKinsey State of AI 2025 в 88% внедрения. Однако реальный экономический эффект от интеграции нейросетей видят меньше половины организаций, а до полноценных автономных систем добрались лишь единицы. Пока рынок занят тем, что коллективно учится применять ИИ там, где результат измерим, а риски минимальны.
По данным исследования, более половины (53%) даже вывели их в промышленную эксплуатацию. Однако переход к системам, которые могут действовать без постоянного контроля человека, идет медленно. Полуавтономные агенты, требующие подтверждения на критических этапах, внедрили только 15% респондентов, а полностью автономные системы и мультиагентные экосистемы — и вовсе лишь 8%.
Крупный бизнес уже активно использует ИИ как умного помощника и аналитика, но доверять ему принятие самостоятельных решений пока не готов. 60% компаний согласны поручить ИИ только подготовку рекомендаций, и лишь 40% допускают автоматические действия при низком уровне риска. Процент тех, кто готов доверить высокорисковые решения искусственному интеллекту, исчисляется единицами. При этом к простым задачам вроде ответов по базе знаний отношение гораздо лояльнее: 94% компаний готовы передать их на откуп алгоритмам.
Дорогое железо, юридический ад и неготовность данных
Основные препятствия оказались сугубо прикладными. 58% опрошенных компаний называют главным барьером стоимость GPU-серверов и вычислений. Еще 56% указывают на юридические риски. Но есть и более фундаментальная проблема: почти половина компаний (44%) просто не готова к внедрению агентов из-за незрелости процессов, инфраструктуры данных и сложностей интеграции ИИ с корпоративными системами.
Как отмечает Максим Андрианов, директор по разработке и внедрению ПО в «Инфосистемы Джет», ценность ИИ-агентов напрямую зависит от AI-Ready инфраструктуры. Без систематизированных и оцифрованных процессов, без качественных данных и интеграций искусственный интеллект автоматизирует лишь небольшую часть задач — не более 5%.
По прогнозам Gartner, компании могут отказаться от 60% ИИ-проектов именно из-за неготовности данных. 46% респондентов не видят устойчивого экономического эффекта от внедрения ИИ. Еще 40% не могут масштабировать пилоты из-за отсутствия владельца продукта или процесса и нестабильного качества решений, включая галлюцинации моделей. По данным McKinsey, только 39% международных организаций видят влияние ИИ на прибыль.
Что интересно, компании чаще всего сталкиваются вовсе не с технологическими сложностями, а с управленческими. Когда пилот запускается без четкого понимания, кто владеет процессом, какие метрики считать успехом и как интегрировать решение в существующий ландшафт, он обречен. Как выразился один из участников глубинных интервью для «Инфосистемы Джет», «внедрение агентов — это изменение операционной модели, а не ИТ-проект».
Гибридная архитектура и смена лидера
Российские компании не зациклены на конкретных моделях. 62% комбинируют модели с открытым исходным кодом (open source), коммерческие и собственные LLM, предпочитая гибкость и возможность замены модели без перестройки бизнес-процесса. При этом 65% респондентов используют локальные размещения (on-prem) или гибридный подход, и только 12% — исключительно облако. Причина — чувствительные данные и требования информационной безопасности.
В условиях, когда новые модели появляются каждые несколько месяцев, привязываться к одному вендору — значит сознательно ограничивать себя. Компании предпочитают строить системы так, чтобы заменить модель можно было без остановки бизнес-процесса. Для этого создаются слои роутинга, бенчмаркинга на собственных данных и единого контроля качества и безопасности.
В свою очередь российский бизнес кратно увеличил потребление китайских больших языковых моделей. На платформе Yandex AI Studio за первое полугодие 2026 года потребили 597 млрд токенов — в 18 раз больше, чем годом ранее. При этом 21,2% пришлось на Qwen, 13,5% — на DeepSeek. На MWS Cloud потребление китайских моделей выросло в 11 раз по сравнению со всем 2025 годом.
Китайские LLM привлекают доступной стоимостью, открытостью и возможностью развертывания на локальной инфраструктуре без передачи данных за рубеж. Флагманские западные модели теряют долю: по данным OpenRouter, за год их доля упала с 70% до 30% мирового рынка. Это не значит, что западные модели стали хуже. Просто цена их использования, особенно в условиях геополитических ограничений, оказалась выше, чем готов платить бизнес. Уже сейчас для 80% корпоративных задач вполне достаточно того, что могут китайские разработки.
Кейсы и точки роста
При всех проблемах компании не собираются отказываться от экспериментов. Более 60% уже изучают автономные и мультиагентные системы, а около половины планируют нарастить инвестиции в ИИ. Приоритетные сценарии — те, где процессы уже оцифрованы и есть цифровой след.
Лидируют контакт-центры и поддержка: ИИ используют 75% компаний. В аналитике и BI — 63%, в ИТ-службах и сервис-десках — 60%. Наибольший эффект видят от работы с корпоративными знаниями на основе RAG (63%), поддержки клиентов и сотрудников (60%) и анализа обращений (54%).
В «Инфосистемы Джет» ИИ взял на себя обработку входящих платежных документов — бухгалтеры перестали заполнять карточки вручную. Компания отказалась от шаблонов и публичных сервисов в пользу собственной модели, что позволило свести ошибки при переносе цифр к минимуму.
В других отраслях тоже есть примеры. «Газпром нефть» использует ИИ для анализа работы скважин — время реакции на аномалии сократилось на 75%. В DPD автоматизирована работа с клиентскими запросами: 86% исходящих и 57% входящих звонков обрабатываются без участия человека. В «Ригле» голосовой помощник обслуживает 54% трафика, при этом минута диалога обходится в 2,5 раза дешевле.
В HR ИИ помогает массовым подбором. Fix Price обработал через ассистентов полтора миллиона резюме и пригласил на собеседования почти 15 тысяч кандидатов.
В «Т-Технологиях» разработали агента для разработчиков — он помогает писать и отлаживать код. Инструмент встроен в рабочую среду, им пользуются 85-90% программистов. По словам Алексея Шпильмана, разработчики меньше тратят времени на рутину и реже выгорают.
Роботы против людей
Колл-центры — одна из главных зон, где ИИ уже плотно вошел в работу. При этом отношение клиентов к голосовым роботам по-прежнему сильно зависит от качества общения.
Владимир Киселев, генеральный директор «Воксис Лаб», объясняет, что многое определяется тем, насколько естественно звучит диалог. Неестественная интонация, паузы или особенности голоса быстро выдают робота и могут вызвать раздражение. Если же распознавание речи и ответы работают хорошо, клиент может даже не заметить, что разговаривает с машиной.
В исходящих звонках возможности автоматизации еще шире. В «Воксис Лаб» роботы-рекрутеры уже звонят кандидатам, проводят первичное собеседование, рассказывают о вакансиях, отвечают на вопросы, работают с возражениями, назначают интервью и напоминают о них. Более 8% кандидатов проходят собеседование только с голосовым роботом. При этом число рекрутеров в компании за последние годы сократилось.
По оценке Киселева, в ближайшие три-пять лет значительная часть коммуникаций может перейти к роботам, а люди будут в основном заниматься сложными и более дорогими сценариями обслуживания.
Что дальше
В ближайшие несколько лет развитие корпоративного ИИ будут определять сценарии с понятной экономикой. Как отмечают участники рынка, компании готовы вкладываться в технологии, которые дают измеримый результат, а не просто повышают хайп. ИИ-агенты требуют большего, чем доступ к новой модели: данные, интеграции, контроль, доверие, владелец процесса и доказанный эффект для бизнеса.
По их прогнозам, в течение трех-пяти лет гибридные команды, где сотрудники работают совместно с ИИ, станут обычной практикой. Агенты уже перешли от стадии «просто советник» к этапу «виртуальный сотрудник», но их массовое внедрение будет зависеть от готовности инфраструктуры и культуры управления.
Эксперты также ожидают активного применения связки ИИ-агентов для рекрутинга и RPA-роботов (цифровые программы, которые имитируют действия человека за компьютером) — первые решают проблему дефицита ИТ-специалистов, вторые — дороговизну и сложность поиска линейного персонала. При правильной настройке такой тандем может убрать человека из массового подбора почти полностью, снизив трудозатраты рекрутеров на 70-90%.
При этом некоторые направления, по мнению экспертов, переоценены. В частности, ИИ-агенты в сфере информационной безопасности. Причина — слишком высокая цена ошибки. Даже если ИИ способен писать код или анализировать логи, сохраняются риски критических уязвимостей и ложных тревог. Такие сценарии еще долго будут развиваться в формате human-in-the-loop: ИИ выступает сильным помощником, но не полноценной заменой специалиста.
Главный вывод исследования — корпоративный ИИ в России перешел из стадии хайпа в стадию взросления. Компании больше не спрашивают «зачем нам ИИ?» — они стараются понять, как сделать так, чтобы он приносил деньги?