Сегмент генеративного ИИ в России за 2025 год вырос примерно в пять раз, а критерии оценки проектов изменились — теперь компании сопоставляют результат с затратами. Андрей Свинцов, исполнительный директор Morizo (входит в E-Promo Group), анализирует, какие классы ИИ-решений вырастут в ближайшие два-три года, почему внедрение обходится дороже плана и как оценивать окупаемость.
Рынок переходит к прагматичному спросу
По данным исследования Just AI и агентства Onside, сегмент генеративного ИИ по итогам 2025 года достиг 58 млрд руб., весь рынок ИИ и больших данных составил 520 млрд руб. При благоприятном сценарии к 2030 году сегмент вырастет до 778 млрд руб.
Красивая демонстрация и яркие инфоповоды больше не показатели эффективности. Бизнес проверяет, снижает ли проект затраты, повышает ли производительность и приносит ли измеримый результат. Рост зависит от того, станут ли пилоты системами, за которые бизнес готов платить.
Фундаментальные модели останутся у крупных игроков
Передовая универсальная модель требует мощной инфраструктуры, больших массивов данных и дорогой исследовательской команды, ее нужно постоянно обслуживать и улучшать. На западе подобная разработка будет сконцентрирована в уже созданных известных лабораториях. Появление новых игроков на этом рынке в высшей лиге маловероятно, а вот уход некоторых участников вполне возможен, поскольку темп, который взяла индустрия, могут поддерживать единицы.
В России другая специфика рынка. На пять компаний-лидеров приходится до 95% ключевых инвестиций и монетизации ИИ. Небольшие команды используют открытые веса западных разработок и концентрируются не на создании универсальной модели с нуля, а на адаптации готовой под конкретную отрасль — этот подход требует меньших ресурсов.
Таким образом, на рынке появляются решения точечных задач, которые выполняют свою работу с той же эффективностью, что и универсальные модели, но делают это быстрее и дешевле.
Спрос смещается в отрасли
Компании адаптируют готовые модели под закрытые контуры индустрий и конкретные задачи, ведь так дешевле и прагматичнее. По внутренней аналитике Morizo, устойчивый спрос сложился в четырех отраслях:
- финтех (около 50% запросов на адаптацию нейросетей за восемь месяцев 2026 года);
- страхование (около 20%);
- ретейл (15%);
- ИТ (12%).
Понятнее всего сценарии клиентского сервиса, скоринга, антифрода, работы с кодом и маркетинговой аналитики. Там есть данные и можно быстро измерить эффект.
Направление 1. Интеграция и контроль расходов на ИИ
С масштабированием растут расходы на токены, вычисления, интеграцию и контроль качества, а стоимость технологий пересматривают раз в полгода. Спросом будут пользоваться системы, которые показывают, где и сколько бизнес тратит на ИИ и какие сценарии окупаются. Через пару лет контроль стоимости владения станет базовой функцией, вырастет и спрос на оценку качества ИИ, контроль доступа и передаваемых в модель данных.
Направление 2. ИИ-агенты
Универсальным помощникам трудно удерживать цену, если та же функция появляется в офисном пакете. Быстрее вырастут агенты с ограниченным процессом, четкими полномочиями и проверкой результата. Условия успеха: зона ответственности, контроль человека и безопасность.
Без интеграции с ERP, CRM и другими системами проекты остаются пилотами. Ожидание, что универсальный агент скоро заменит целый отдел, завышено: каждый шаг увеличивает вероятность ошибки, а нестандартные ситуации требуют ответственности человека.
Направление 3. Узкие отраслевые решения
Они встроены в конкретный процесс: проверка документов, обработка страховых обращений и контроль качества продукции. У узкой системы проще определить границы ответственности и критерий успеха. Для контроля оборудования это часы предотвращенного простоя, для документов — время обработки и доля ошибок.
Практика Morizo подтверждает, что жизнеспособны прикладные кейсы. Система компьютерного зрения за секунды оценивает качество выплавки металла и на 90% повышает выявление брака. Другая сортирует огурцы по форме и качеству, заменяя операцию, которую выполняли два сотрудника.
ИИ лучше делать надстройкой над системами бизнеса, а не их центральным звеном. Только в этом случае его можно заменить как комплектующее, не останавливая процессы.
Почему внедрение дороже ожиданий
В бюджет пилота обычно закладывают интерфейс и подключение модели. В эксплуатации добавляются очистка данных, связка с учетными сервисами, права доступа, проверка ответов на реальных примерах, обучение сотрудников, а также исключения, которых не было в демонстрации. Например, неполные документы и устаревшие инструкции.
Удорожание в три-пять раз при переходе от прототипа к системе возможно, но универсальной статистикой не является. Условный пилот за миллион рублей может вырасти до трех-пяти миллионов. Стоимость владения включает внедрение, вычисления, хранение данных, поддержку, обновления, проверку человеком, ошибки и недетерминированное поведение ИИ.
Локальное размещение добавляет расходы на оборудование, а агент обращается к модели многократно ради одного результата, что при внешних моделях сильно удорожает задачу. Решения на компьютерном зрении обходятся без языковой модели, но тоже требуют затрат на оборудование и сопровождение.
Риски зависимости
Большинство российских компаний дообучают открытые модели — LLaMA, Qwen, DeepSeek. Это быстрее, но создает лицензионные, технологические и стратегические риски, среди которых доступность, оплата, смена тарифов и поведения модели.
Зависимость снижают возможность смены поставщика, внутренние проверки качества и локальное развертывание. Отраслевой продукт тоже может зависеть от зарубежного API, так как специализация и технологическая независимость — разные свойства.
Стоимость брака
Ошибки модели и агента ведут к ручной доработке, и автоматизация может обойтись дороже ручного процесса. Оценивать стоит стоимость успешно завершенной операции с учетом исправлений. Сэкономленные часы становятся финансовым эффектом, только если компания увеличивает выпуск, сокращает сверхурочную работу или избегает найма.
Какие решения окажутся переоцененными
Уязвимы продукты-интерфейсы поверх чужой модели без собственных данных и интеграций, обучение большой модели ради престижа и обещания немедленного сокращения штата.
Рост рынка определяют не масштабы использования ИИ, а экономика каждой операции. Преимущество получат решения, которые сохраняют качество на реальных данных и дают эффект после учета всех расходов.