Большие языковые модели уже используют или тестируют 86% опрошенных крупных компаний. Но тесты — это одно, а реальная работа — другое. Разбираемся, где технология приносит пользу, на каком этапе застревают пилоты и что мешает доверить ИИ процессы целиком.
- 1. Введение
- 2. Где ИИ применяют и считают эффективным
- 3. Чем ограничены возможности ИИ
- 4. Почему пилоты не масштабируются
- 5. Следующий этап — ИИ, который действует сам
- 6. Выводы
Введение
Российский бизнес активно задействует в рабочих процессах инструменты на основе искусственного интеллекта. Недавнее исследование «Инфосистемы Джет» и Smart Ranking показало: 86% опрошенных компаний уже используют или пилотируют большие языковые модели. В опросе участвовали 52 крупные российские организации с общей численностью сотрудников около 450 тыс. человек. Кроме того, авторы провели семь глубинных интервью и кабинетный анализ.
Однако между экспериментами и промышленным внедрением сохраняется существенный разрыв. Из компаний, уже использующих или тестирующих LLM, 53% вывели решения на базе генеративного ИИ в промышленную эксплуатацию, а остальные 47% пока находятся на стадии пилотов или экспериментов.
Рисунок 1. Компании-участники исследования (Источник: «Инфосистемы Джет»)
Ещё заметнее разрыв становится, если посмотреть на автономные ИИ-агенты (программные системы, действующие для достижения цели). Если полуавтономные агенты, требующие вмешательства человека, до промышленной эксплуатации дошли у 15% компаний, то полностью автономные и мультиагентные системы (взаимодействующие несколько агентов) — лишь у 8% в каждой категории.
Где ИИ применяют и считают эффективным
По данным исследования, чаще всего ИИ применяют в контакт-центрах и службах поддержки — об этом сообщили 75% опрошенных компаний. Далее следуют аналитика и BI (63%), а также ИТ-службы и сервис-дески (60%).
Рисунок 2. Распределение областей эффективности ИИ (Источник: «Инфосистемы Джет»
При этом самые высокие оценки эффективности респонденты дали работе с корпоративными знаниями через технологию RAG — этот сценарий отметили 63% опрошенных. Далее следуют поддержка клиентов и сотрудников (60%) и анализ обращений и заявок (54%).
За цифрами исследования стоят конкретные сценарии. По словам генерального директора Voxys Lab Владимира Киселёва, техническая поддержка часто становится для компаний отправной точкой: здесь проще оценить результат и окупаемость внедрения. Однако даже в этой области многое зависит от качества данных и зрелости процессов.
«Главное, где мы спотыкаемся, — это качество данных и описание процессов. Если данные не описаны, а процессы не формализованы, автоматизация начинает тормозить. А у юристов и бухгалтерии добавляется ещё и философский вопрос: если машина ошибётся, кто отвечает?», — считает эксперт.
Среди инструментов, уже приносящих заметный эффект, Киселёв выделяет голосовых чат-ботов и ИИ-аналитиков. Они ускоряют обработку данных и берут на себя рутинные операции, которые раньше сотрудники выполняли вручную.
Примерно ту же картину, но с другой стороны, описывает Антон Исанин из «АльфаСтрахования». Если представить техподдержку как зону быстрых побед, то в маркетинге и инвестиционной аналитике ситуация обстоит иначе.
«В страховых компаниях, — поясняет он, — инвестиционный анализ раньше требовал дорогих специалистов, которые умели и разбираться в ситуации, и доходчиво объяснять происходящее. Сегодня эти задачи эффективно решаются с помощью ИИ. А маркетинговые стратегии, которые раньше делались днями, теперь готовятся гораздо быстрее. И генерация аудиовизуальных материалов тоже заметно ускорилась», — говорит он.
Что объединяет все эти кейсы — и техподдержку, и маркетинг, и аналитику? Не сложность задачи и не амбициозность. А наличие данных, понятного процесса и измеримого результата. Именно там ИИ приживается быстрее всего.
Чем ограничены возможности ИИ
Почти половина опрошенных компаний — 44% — отказываются от внедрения ИИ-агентов из-за незрелости процессов, неподготовленности инфраструктуры данных и сложностей интеграции с корпоративными системами. Серьёзными препятствиями остаются и более базовые факторы: 58% респондентов назвали барьером стоимость серверов, 56% — юридические риски (например, ответственность за ошибки агента), 42% — ограничения инвестиционных бюджетов, а 40% — дефицит специалистов. В 17% компаний дополнительная проблема — отсутствие ИИ-лидеров, способных вести проекты и преодолевать внутреннее сопротивление.
Но даже когда техническая возможность есть, компании упираются в качество данных. Владимир Киселёв обращает внимание: при переходе к агентным средам бизнесу приходится серьёзно инвестировать в подготовку данных. Если они не описаны, а их качество не проверяется, проблемы при внедрении почти неизбежны. Второй фактор, по его словам, — отсутствие формализованных бизнес-процессов: во многих компаниях они годами копятся без чёткого описания, и без этого автоматизация через агентов начинает буксовать.
Рисунок 3. Какую степень автономности компании готовы предоставить ИИ (Источник: «Инфосистемы Джет»)
Даниил Гаврилов, руководитель T-Bank AI Research, смотрит на это иначе. По его словам, проблема не только в процессах и данных, но и в том, как измерить сам результат. Если компания не может чётко определить, что считать «хорошей» работой ИИ-системы — масштабировать такое решение попросту страшно. Часть эффектов от внедрения, отмечает он, вообще плохо поддаётся измерению: в отличие от очевидных кейсов, где результат виден сразу, значительная доля пользы остаётся скрытой.
В итоге можно купить мощную модель, но если внутри компании хаотичные процессы, неструктурированные данные и непрозрачные критерии качества — ИИ не даст ожидаемого эффекта. И здесь возникает ещё одна проблема.
Почему пилоты не масштабируются
Техническая возможность запустить пилот — это лишь входной билет. Но дальше, согласно опросу, многие проекты застревают. 46% участников исследования не видят устойчивого финансового эффекта от ИИ — для этих компаний экономическая отдача остаётся неочевидной. Ещё 40% отмечают отсутствие владельца продукта — человека или команды, ответственных за развитие решения после пилота. Столько же респондентов (40%) сталкиваются с нестабильным качеством: галлюцинации и непредсказуемость результатов делают систему ненадёжной в глазах бизнеса.
Значительная часть барьеров лежит в организационной плоскости: у проектов нет владельца, а критерии оценки остаются размытыми. При этом нестабильное качество и галлюцинации относятся уже к техническим ограничениям. Поэтому основная сложность заключается не только в запуске пилота, но и в его доведении до промышленной эксплуатации.
Рисунок 4. Почему пилоты не переходят в прод (Источник: «Инфосистемы Джет»)
Отдельный барьер — независимость агентов. Чем выше автономность решения, тем строже его проверяют перед выводом в продакшн — и тем чаще пилот застревает на этом этапе. Максим Андрианов, директор Дирекции по разработке и внедрению ПО «Инфосистемы Джет», обращает внимание, что на пути внедрения ИИ-решений возникает естественный фильтр: служба информационной безопасности (ИБ) оценивает риски утечки данных, несанкционированного доступа, а также потенциальные сценарии, при которых агент может принять невалидное или опасное решение.
Прежде чем систему можно запустить в работу, она должна пройти многочисленные проверки, а взаимопонимания между разработчиками и ИБ-подразделениями зачастую не хватает. Для автономных агентов, которые действуют без постоянного контроля человека, этот барьер особенно ощутим — согласовать систему, принимающую решения в реальном времени, с требованиями информационной безопасности сложнее, чем классический сервис с фиксированной логикой. И недоверие службы безопасности к таким агентам вполне объяснимо.
Но даже там, где вопросы безопасности решены, остаётся более глубокая проблема — разрыв между скоростью работы ИИ и скоростью корпоративных процедур. Руководитель лаборатории фундаментальных исследований ИИ Даниил Гаврилов приводит в пример разработку лекарств: ИИ действительно способен ускорить создание нового препарата, но клинические испытания и другие обязательные этапы никуда не исчезают — экономия времени происходит только на одном участке пути, а весь цикл по-прежнему растянут.
Похожая логика работает и в бизнесе: автоматизация отдельной операции ещё не означает автоматизацию всего процесса, потому что вокруг быстрого ИИ-компонента остаются медленные согласования, старые регламенты и человеческие процедуры, которые тоже нужно пройти.
Следующий этап — ИИ, который действует сам
Искусственный интеллект развивается, и появляются новые способы его применения. У 59% компаний уже есть проекты с полуавтономными ИИ-агентами: система выполняет последовательность действий сама, но человек сохраняет контроль над ключевыми шагами. Именно к такому балансу склоняется Владимир Киселёв, когда говорит о будущем бизнес-процессов, — по его мнению, они постепенно перестанут быть жёстко заданной последовательностью шагов и начнут динамически перестраиваться в зависимости от ситуации.
Более смелые форматы пока распространены меньше. Полностью автономные решения (без участия человека) внедряют 25% компаний — но в проде они задействованы только у 8%. С мультиагентными системами картина почти зеркальная: 23% против 8% в эксплуатации. Отсутствие понятных механизмов контроля остаётся одним из факторов, мешающих переводить такие пилоты в промышленную эксплуатацию.
Зачастую вопрос строится вокруг того, кто должен нести ответственность в случае, если что-то пойдёт не так. Даниил Гаврилов предлагает отказаться от этого подхода и идти дальше.
«Нам не нужно определять, кто понесёт ответственность, нам нужно делать так, чтобы мы могли исправлять ошибки, если они произошли, и говорить, что они не произойдут больше», — подчеркнул он.
Иными словами, компаниям важнее выстроить цикл обнаружения, исправления и профилактики ошибок, чем искать крайнего.
Интерес к автономным форматам уже явно опережает их промышленное внедрение: более 60% компаний изучают возможности автономных и мультиагентных систем, а почти половина респондентов планирует наращивать инвестиции в ИИ. Директор Дирекции по разработке и внедрению ПО «Инфосистемы Джет» Максим Андрианов связывает этот разрыв с постепенным ростом доверия: компании начнут передавать ИИ больше ответственности и целые процессы по мере того, как будут появляться работающие примеры полностью автоматизированных участков.
Рисунок 5. Что можно поручить ИИ (Источник: «Инфосистемы Джет»)
Дальше всех в этом прогнозе идёт Антон Исанин: он считает, что «агентность» в буквальном смысле прорастёт в бизнес — и в будущем компании начнут конкурировать не только продуктами и сервисами, но и качеством собственных ИИ-агентов.
Он также полагает, что дальнейшее развитие корпоративного ИИ, скорее всего, сместит акцент с выбора самой модели на создание AI-Ready инфраструктуры — среды с качественными данными, описанными процессами и механизмами контроля, в которой искусственный интеллект способен приносить измеримый бизнес-эффект.
Выводы
Оценки участников рынка позволяют предположить: главный барьер на пути к ИИ-агентам — не мощность моделей, а готовность компаний к их использованию. Данные разрознены, процессы не описаны, критерии качества размыты, а безопасность остаётся зоной постоянного напряжения. Каждый из этих барьеров требует отдельного внимания — универсального решения здесь не существует.
На основе этих оценок можно предположить, что путь к агентному ИИ — это не столько технологический рывок, сколько тест на управленческую зрелость. Компании, у которых данные структурированы, процессы прописаны, результат измерим, а риски понятны, находятся в более выигрышной позиции. Без этого порядка даже самая мощная модель рискует остаться дорогим экспериментом, а не рабочим инструментом.
