Внедрение искусственного интеллекта становится более прагматичным. Бизнес отказывается от масштабных экспериментов в пользу проектов с понятной экономической отдачей, а ключевыми факторами успеха становятся данные, эффективность и требования регуляторов.
- 1. Введение
- 2. Упор на точечные и эффективные проекты
- 3. Проблемы и сложности
- 4. Новый фактор регуляторики
- 5. Что дальше?
- 6. Выводы
Введение
ИИ становится всё дороже. Как сообщила газета Los Angeles Times со ссылкой на агентство Bloomberg, только пять крупнейших компаний, которые инвестируют в инфраструктуру центров обработки данных (ЦОД) для искусственного интеллекта (ИИ), увеличили свой совокупный долг на 350 млрд долларов за последние пять лет. Особенно осложнилось финансовое положение Amazon и Oracle, что привело к снижению их кредитных рейтингов.
Ещё в конце апреля, по оценке издания Axios, компании столкнулись с ростом затрат на ИИ. Если раньше соответствующая инфраструктура обходилась дешевле, чем сотрудники-люди, то в конце апреля ситуация развернулась в противоположную сторону.
Это во многом связано с ростом цен на электронные компоненты, прежде всего на модули оперативной и энергонезависимой памяти, в меньшей степени — на процессоры. Это стало прямым следствием ИИ-бума, который сопровождался массовым открытием ЦОД для создания ИИ-инфраструктуры. Весной добавился новый фактор, связанный с боевыми действиями на Ближнем Востоке — основном источнике энергоресурсов и материалов, широко используемых в технологических процессах при выпуске электронных компонентов. В итоге рост цен хоть и замедлился, но не прекратился.
В России все эти факторы также работают в полную силу. В чём-то ситуация даже более драматичная, чем в остальном мире, поскольку накладываются ещё и сложности с доставкой оборудования в страну, которые заметно усилились на фоне боевых действий в регионе Персидского залива. Влияет и макроэкономическая ситуация, точнее, её последствия в виде снижения ИТ-бюджетов.
Тем не менее проекты внедрения ИИ в российских компаниях продолжаются. Однако, как пришли к выводу участники форума Data Day 2026, приоритеты сменились. Как и в целом с ИТ-проектами, они стали более точечными и с упором на максимальную эффективность.
При этом всё чаще внедряются не новомодные системы на базе больших языковых моделей, а проверенные классические решения, в частности построенные на базе традиционного машинного обучения. Тем более что они за последнее время также интенсивно развивались.
Упор на точечные и эффективные проекты
Как показало исследование компании «Яков и партнёры», по состоянию на рубеж 2025 и 2026 гг. уровень проникновения ИИ в России довольно велик. В таких сферах, как ИТ, телеком и медиа, банковская деятельность и страхование, он близок к 100%.
Рисунок 1. Уровень проникновения ИИ в российских компаниях по ряду отраслей
Однако внедрение ИИ далеко не всегда было экономически оправданным. На такие проекты часто шли на волне если не «моды», то завышенных ожиданий. Влияло и то, что в ряде отраслей, в частности в медицине, это прямо сказывалось на показателях эффективности руководителей учреждений и глав региональных министерств здравоохранения.
Также, как обратил внимание в ходе панельной дискуссии Data Day «Data- и ИИ-центричность в условиях суверенитета: будущее платформ данных в условиях регуляторных ограничений и экспансии AI-агентов» директор Департамента разработки моделей «Альфа-Банка» Дмитрий Рузанов, во многих компаниях имел место заметный перекос в сторону LLM. Однако такие внедрения, по его наблюдениям, окупаются лишь в 70 % проектов.
Рисунок 2. Участники пленарной сессии форума Data Day
Кроме того, как отметил Дмитрий, многие пришли к выводу, что технологии традиционного, или классического, машинного обучения (ML) оказываются намного дешевле и при этом эффективнее для решения многих насущных задач. Среди них он назвал динамическое ценообразование. Также в «Альфа-Банке» довольно активно применяются методы предиктивной (предсказательной) аналитики для проактивного предотвращения технических сбоев в инфраструктуре. Ранее такие технологии использовали в основном для организации технического обслуживания разного рода промышленного оборудования, а также авиационной техники.
Основатель онлайн-школы MLInside, преподаватель МФТИ, ВШЭ и МШУ «Сколково» Виктор Кантор в своём выступлении на треке «Персональная эффективность» также напомнил, что эти технологии в последние годы тоже совершенствовались, хотя об этом почти не говорили на фоне ажиотажа вокруг LLM. Так, скорость обучения за последние пять лет выросла для некоторых сценариев на два порядка, и в итоге оно занимает один день там, где раньше требовалось три-четыре месяца.
Как подчеркнул Виктор, внедрение ИИ даёт эффект там, где люди являются слабым, точнее, медленным звеном. Скорость восприятия информации у ИИ на несколько порядков выше. Тут, как показывает мой личный опыт, использование нейросетевых инструментов действительно позволяет добиться существенного выигрыша.
Например, получение краткого конспекта двухчасового круглого стола занимает около 20 минут, а на разбор 500-страничного аналитического отчёта на иностранном языке с составлением конспекта на русском уходит ещё меньше времени. На то, чтобы просто прочитать и перевести такой документ, нужна минимум неделя.
Такие возможности чрезвычайно востребованы при решении задачи удержания клиентов. А это, как напомнил вице-президент банка ВТБ Артём Летин, намного дешевле, чем привлекать новых. Для её успешного решения нужно в том числе выявлять слабые места в обслуживании и своевременно реагировать на разного рода обращения и отзывы клиентов, которые приходят по разным каналам, включая традиционные бумажные письма. Задача удержания клиентов остро стоит не только перед финансовым сектором, но и перед другими сферами, которые занимаются обслуживанием клиентов, включая оптовую и розничную торговлю, услуги, телеком.
В производственных компаниях широко используется машинное зрение. Как отметил директор Департамента цифровой трансформации Группы «Черкизово» Евгений Лобанов, на него приходится основная масса внедрений ИИ в холдинге. Причём он особо отметил, что при внедрении ключевым параметром является экономическая эффективность, что особенно важно для низкомаржинального сегмента, к которому относятся сельское хозяйство и пищевая промышленность.
Машинное зрение используется в сельском хозяйстве для раннего обнаружения дефицита макро- и микроэлементов в почве, выявления болезней и вредителей, причём в реальном времени. Также ИИ позволяет планировать точечное внесение удобрений и средств защиты растений, что сокращает их расход. Схожие подходы используются и для выявления проблем у сельскохозяйственных животных и птицы, что позволяет снизить уровень падежа.
Рисунок 3. Выявление болезни растения с помощью анализа изображения
Также ИИ, как рассказал Виктор Кантор, может взять на себя большой объём технической работы, которая требуется для применения таких методик, как тайм-менеджмент и теория решения изобретательских задач. Именно эти рутинные процедуры реально мешают внедрению действительно эффективных систем, позволяющих серьёзно повысить эффективность работы.
Проблемы и сложности
В целом участники Data Day назвали в качестве основных препятствий при внедрении ИИ всё те же типовые проблемы, которые обсуждались и на других форумах:
- снижение бюджетов;
- потеря интереса руководства компаний после того, как проекты не оправдали завышенных ожиданий;
- отсутствие или низкое качество данных;
- кадровый дефицит;
- дороговизна и дефицит оборудования для создания технической инфраструктуры;
- сложности при выстраивании диалога между ИТ, ИБ и бизнесом.
Ключевой проблемой участники форума назвали дефицит качественных данных. Как подчеркнул Евгений Лобанов, обычно это является прямым следствием недостаточной зрелости бизнес-процессов в компании, по крайней мере если речь идёт о производственных отраслях.
По мнению заместителя генерального директора «ДОМ.РФ Технологии» Дины Колесниковой, положение усугубляет недостаточный уровень цифровизации во многих отраслях, в том числе в строительстве. Там низкий уровень проникновения технологий ИИ является прямым следствием низкого распространения технологий информационного моделирования, которые применяют лишь 2 % строительных и девелоперских компаний.
Проблему недостатка данных, как подчеркнула Дина, усугубляет то, что компании не хотят делиться датасетами для обучения нейросетей. Однако в ряде отраслей появились инициативы по созданию защищённых платформ хранения таких данных. В частности, начальник Центра экспертизы искусственного интеллекта Банка России Антон Степанов рассказал, что создание такой платформы уже находится на стадии обсуждения среди компаний финансового сектора и банков.
Функции такой платформы, по словам заместителя генерального директора компании «Агропромцифра» Петра Угрюмова, появятся в Единой цифровой платформе Минсельхоза, запуск которой запланирован на конец текущего года.
Участники дискуссии «Управляемый запуск ML-решений в банковском секторе — сложности и рецепты» назвали главной сложностью проектов в нынешних условиях завышенные ожидания бизнеса и, соответственно, потерю интереса к ним тогда, когда эти самые ожидания не оправдались.
К слову, именно на этом форуме о проблеме потери интереса руководства, да и бизнеса в целом, к ИИ начали говорить впервые. Раньше данная проблема не поднималась. Генеральный продюсер форума Александр Толмачёв назвал её одной из наиболее острых, и для её решения в подразделениях ИТ и аналитики нужны люди, которые могут говорить с бизнесом на понятном языке.
Тема кадрового дефицита поднималась на форуме Data Day не раз, на нескольких треках. При этом обращалось внимание на то, что специалиста по ML найти проще, чем промпт-инженера, а аналитика данных, в свою очередь, легче, чем специалиста по машинному обучению.
А вот на ситуации с кадрами внедрение ИИ почти не сказывается. Как отметил Виктор Кантор, людей, которые не используют ИИ, заменяют другие люди, умеющие работать с такими инструментами. Дмитрий Рузанов заявил, что те, кто высвободился в результате внедрения средств продвинутой аналитики, просто переходят на другие места.
Что касается стоимости оборудования, то это также стало серьёзной проблемой. На конференции «Рег.Облака» дали оценку стоимости комплекса для развёртывания ИИ-модели внутри контура компании — как минимум в 32 млн рублей. На этом мероприятии также обратили внимание на то, что сайзинг такого комплекса — довольно сложная задача, которая требует глубоких знаний о специфике моделей. Для каких-то моделей важнее высокая тактовая частота, для каких-то — количество вычислительных ядер и объём памяти, для третьих критичным параметром будет быстродействие дисковой подсистемы.
На Data Day руководитель департамента машинного обучения Fintech&WB Bank Роман Бобров оценил затраты на создание аппаратного комплекса для развёртывания генеративного ИИ уже в 150 млн рублей. Стоимость комплекса для среды, предназначенной для обучения классических ML-моделей, даже выше. Впрочем, тут явного противоречия нет, поскольку речь идёт об инфраструктуре для нужд не самого маленького банка, к тому же тесно аффилированного с одним из крупнейших маркетплейсов.
Новый фактор регуляторики
Закон о развитии искусственного интеллекта в России Госдума приняла в трёх чтениях за день до открытия форума Data Day. Это событие участники конференции не оставили без внимания.
Антон Степанов назвал целью данного нормативного акта, скорее, поддержку отечественных разработок. Это важно на фоне тех ограничений по доступу к ИИ-моделям, которые уже установили власти США и анонсировало правительство Китая.
По мнению Артёма Летина, в окончательном тексте закона исчезли ограничения, которые были в ранних редакциях. По его оценке, их неразумно вводить тогда, когда технологии продолжают быстро развиваться.
С другой стороны, отсутствие ограничений, как отметила президент ГК InfoWatch, председатель правления Ассоциации разработчиков программных продуктов «Отечественный софт» Наталья Касперская, сделало данный закон «беззубым». По её оценке, он не позволяет закрывать известные и опасные риски, связанные с некорректным функционированием технологий. Также возникает противоречие с другими нормативными актами в части использования объектов, защищённых авторским правом, — от книг и статей до программного кода.
Кроме того, распространено мнение, что многие ограничения, в том числе довольно жёсткие, могут быть прописаны в подзаконных актах, которые будут выходить уже потом. Плюс ко всему уже появляются инициативы, которые касаются использования ИИ. Так, ФАС предлагает признать стратегической любую деятельность, связанную с оборотом технологий ИИ, что ставит её под государственный контроль. Ассоциация РАТЭК увидела в этой инициативе серьёзную угрозу и системный риск для всего рынка бытовой техники и электроники.
Не отстают и отраслевые регуляторы. В выступлении на форуме Data Day заместитель директора юридического департамента Банка России Екатерина Дёмкина выступила с инициативой регулирования архитектур данных, на основании которых ИИ-модели принимают решения. Также она назвала серьёзным риском использование банками зарубежных глобальных платформ, а оно является массовым.
Впрочем, многие эксперты данную инициативу поддержали. Так, председатель комиссии по финансовой безопасности совета Торгово-промышленной палаты России Тимур Аитов в комментарии для «Коммерсанта» назвал логику работы таких платформ как минимум непрозрачной. Любой сбой, по его мнению, будет прямо сказываться на качестве кредитного портфеля.
Другие эксперты, опрошенные изданием, назвали серьёзным риском также инфраструктурную зависимость от зарубежных поставщиков сервисов. Те же опасения высказывали и многие спикеры Data Day. Тем более что как раз накануне стало известно о том, что власти Китая анонсировали введение ограничений на использование передовых разработок Alibaba, TikTok и Z.ai зарубежными пользователями. Пока речь идёт о консультациях, сроки и характер введения ограничений также пока не определены, но, по мнению экспертов, появление ограничений на распространение наиболее передовых китайских ИИ-моделей вполне реально.
Американские компании уже довольно давно ограничивают доступ к своим ИИ-моделям. Например, OpenAI не позволяет использовать свои сервисы россиянам с 2023 года. Эти ограничения научились обходить, но такие способы работают нестабильно. Anthropic и вовсе блокирует пользователей, поведение которых вызывает подозрения. А многие инструменты этой компании нельзя использовать всем нерезидентам США, даже сотрудникам самой Anthropic, работающим за пределами страны.
В ранних редакциях закона об ИИ использование зарубежных разработок для многих сфер если не прямо запрещалось, то серьёзно ограничивалось. Это стало предметом критики, поскольку под ограничения могли попадать и решения с открытым кодом, многие из которых являются основой российских разработок. Поэтому данное требование из закона и убрали. Однако именно требования по локализации данных и разработок могут попасть в подзаконные акты, и тут возможны различные коллизии из-за нечётких или неоднозначных формулировок.
Также зарубежные платформы используют сотрудники для решения своих задач, не ставя об этом в известность руководство, ИТ и ИБ. По данным регулярного исследования «Человеческий фактор в ИБ», которое каждый год проводят «Контур.Эгида» и Staffcop, несанкционированное использование ИИ имеет место в каждой четвёртой компании.
Рисунок 4. Сферы использования сторонних сервисов в компаниях
Роман Бобров, однако, отметил, что душить инициативу снизу нельзя. Использование ИИ, пусть и несанкционированное, нужно не пресекать, а возглавить. По его оценке, именно такие проекты оказываются наиболее эффективными и успешными.
С другой стороны, регулирование, как считает Виктор Кантор, открывает компаниям, которые первыми решили вопросы комплаенса, новые возможности для бизнеса. Помощь в достижении соответствия регуляторным требованиям востребована всегда.
Что дальше?
Тенденция к расширению практики использования классических, но недорогих технологий аналитики будет продолжаться. О них успели подзабыть, но менее эффективными от этого они не стали.
Немаловажно и то, что качество их работы не деградирует при развёртывании внутри корпоративного контура. А вот новомодные LLM как минимум заметно теряют в качестве, если их разворачивать в локальной инфраструктуре, которая, к тому же, стоит весьма недёшево в нынешних условиях. Плюс ко всему при проектировании таких комплексов очень легко ошибиться в сайзинге, что усугубляет снижение производительности и рост других издержек, например числа галлюцинаций ИИ.
Значительная часть компаний может затормозить массовое внедрение аналитики вследствие недостатка необходимых данных, устранить который может только продолжение проектов по цифровизации, которые в силу экономических причин оказались заморожены.
С другой стороны, многие компании из производственных отраслей не свернули программы модернизации основных фондов, и новые линии оснащены датчиками, что устраняет проблему недостатка данных. Однако это не отменяет задачи упорядочивания бизнес-процессов, без решения которой нельзя говорить о создании полноценной подсистемы сбора качественных данных и выстраивании управления на основе данных.
Защищённые платформы сбора и хранения данных могут оказаться востребованными в качестве среды для обмена датасетами. Особенно это касается зарегулированных отраслей вроде финансовой, всего, что связано с КИИ, а также государственного управления.
Что касается влияния закона об ИИ, то в ближайшей перспективе он прямого влияния на развитие соответствующих проектов оказывать не будет. Сам закон носит рамочный характер, а на разработку подзаконных актов потребуется время, не исключено, что довольно значительное. Однако нельзя исключить, что некоторые из этих документов будут включать серьёзные ограничения. Но всё же тут пока прогнозы давать рано.
Обратной стороной снижения интереса к проектам внедрения LLM может стать расширение практики использования «теневого ИИ». Это может порождать целый комплекс последствий для компаний — от роста утечек данных до атак, связанных с промпт-инъекциями или другими техниками. К этому необходимо быть готовым.
Выводы
Фокус во внедрении ИИ в российских компаниях всё больше смещается в сторону не новых, а хорошо отработанных и при этом относительно недорогих технологий классической аналитики и традиционного машинного обучения. Зато их внедрение показывает высокую экономическую эффективность. Плюс ко всему такие технологии менее подвержены таким характерным для LLM проблемам, как галлюцинации.
Основным препятствием для успешного внедрения технологий ИИ является недостаток качественных данных, что усугубляется незрелостью бизнес-процессов и нежеланием предоставлять датасеты для обучения нейросетей. Выходом участники рынка видят создание защищённых отраслевых платформ хранения данных.
