8 мая 2006 г.
«Карта игроков рынка ИИ России» непрерывно расширяется: растёт число независимых разработчиков в этой области, инвестиционных фондов, профильных вузов и т. д. А как насчёт положения дел на земле — ведь интеграторам приходится уже предметно сталкиваться с запросами клиентов на внедрение элементов искусственного интеллекта в их бизнес-процессы? В частности, эволюционировало ли уже восприятие ИИ массовым заказчиком в России от бескорыстного восторга («Ой, смотрите, он котика в смешной шляпе нарисовал, как я и попросил!») к готовности действительно приложить эту ресурсоёмкую технологию к решению каких-то практических своих задач?
Проверка практикой
«Наши ключевые заказчики, — говорит Антон Юдин, руководитель продуктового направления „Инфраструктура ИИ Скала^р“, Группа Rubytech, — крупный enterprise-сегмент, высоконагруженные ИТ-ландшафты: госкорпорации, промышленные холдинги, финансовые институты. Для них история с „котиками“ никогда не была релевантной: они изначально смотрели на ИИ сквозь призму бизнес-ценности и требований к безопасности критической инфраструктуры. Тем не менее эволюция очевидна, и я бы выделил три её волны. Первая — заказчики экспериментировали с локальными задачами: ставили один сервер с парой GPU, пробовали небольшие модели на нечувствительных данных. Вторая — переход к пилотным платформенным решениям, объединяющим несколько сценариев в едином корпоративном контуре. Третья, которую мы наблюдаем прямо сейчас, — промышленное тиражирование: те, кто пилотировал год назад ограниченные задачи, выходят на масштаб всей корпорации».
«Характерный сигнал зрелости, — уточняет эксперт, — заключается в том, что заказчики уже на этапе пилота закладывают в технические требования рост числа пользователей и объёма запросов. Выходит, ИИ воспринимают не как эксперимент, а как стратегический инфраструктурный слой. Заказчики ориентируются на полученную выгоду от своих уже исследованных бизнес-процессов и интегрированных в них ИИ-алгоритмов, продуктов или более сложных систем — и развивают свой ландшафт согласно корректируемой стратегии внедрения ИИ. Так что смена подхода к этой теме проявляется, я бы сказал, в том, что руководители и держатели процессов в компании стали больше понимать, что такое ИИ, зачем он нужен; перестали его остерегаться. Они приняли его как ещё один рабочий инструмент, который служит на благо компании и их лично, со всеми вытекающими инициативами и эффективностью на выделенном им сегменте».
Антон Юдин, руководитель продуктового направления «Инфраструктура ИИ Скала^р», Группа Rubytech:
Зачастую главным препятствием при внедрении ИИ становится не нехватка железа, а отсутствие четкой цели и измеримых метрик результата. Когда заказчик понимает, какой именно процесс нужно улучшить и на сколько, следующий вопрос — стоимость инфраструктуры и ее обоснование перед финансовым блоком. Именно здесь готовые программно-аппаратные комплексы (ПАК) меняют уравнение: снимают риски несовместимости компонентов, дают предсказуемые характеристики производительности, прозрачную модель расчета ROI и соответствуют регуляторным требованиям за счет сертифицированного российского ПО и оборудования.
Реальное внедрение ИИ требует серьезных вычислительных мощностей и строгого соответствия требованиям ИБ. Для большинства заказчиков (особенно в финсекторе, госструктурах и на объектах КИИ) единственный способ выполнить оба условия одновременно — развернуть инфраструктуру внутри собственного контура на базе ПАК.
Такой подход в несколько раз сокращает путь от бизнес-требования до работающего решения — без дорогостоящей самостоятельной сборки ИТ-ландшафта из разрозненных компонентов. Команда клиента с первого дня занимается приоритетными задачами, а не интеграционным тестированием. Результат — меньше затрат на внедрение, короче time-to-value, ниже TCO на горизонте трех-пяти лет.
Машина ИИ Скала^р — преднастроенная, протестированная инфраструктурная платформа с полным жизненным циклом сервиса и принципом единого окна: от интеграции с существующими озерами данных (Data Lake) и подключения к маркету совместимых ИИ-моделей до промышленной эксплуатации и поддержки.
Использование ПАК ИИ дает измеримый эффект: анализ изменений в крупном проекте, который раньше занимал
3-6 месяцев, с ИИ сокращается до нескольких дней, а в ряде случаев — часов. Сопоставимый результат дает повышение КПД команд разработки и поддержки. Сроки окупаемости зависят от масштаба, но при грамотном подходе к построению инфраструктуры первые решенные задачи уже оправдывают вложения — именно в этот момент у заказчика появляется мотивация к следующему шагу масштабирования.Реклама ООО «СКАЛА-Р», ИНН: 9717098243
Денис Романов, директор центра развития ИИ-продуктов, ИТ-экосистема «Лукоморье» (входит в ПАО «Ростелеком»), отмечает заметную эволюцию восприятия ИИ массовым заказчиком: «Наблюдаю переход от „хайпового“ интереса (генерация изображений, простых текстов) к требованиям решения конкретных бизнес-задач с измеримыми метриками ROI. Если раньше заказчики просили показать возможности модели, то сейчас спрашивают: „Как это повлияет на конверсию/скорость обработки/затраты?“. По данным AI Index Report 2025, 78% организаций сообщили об использовании ИИ в той или иной форме (против 55% в 2023 году), но только часть из них видят существенное влияние на прибыль. Смена подхода проявляется в следующем:
- Фокус на агентов: От разрозненных скриптов к автономным системам, которые могут выполнять задачи без постоянного вмешательства человека. Однако, согласно исследованию Axenix & МГУ (август 2025), лишь 11% компаний готовы развёртывать агентные системы в реальном производстве, несмотря на 99% интереса разработчиков. Это указывает на зрелость этапа внедрения.
- Измеримость результата: Запросы стали конкретнее: не просто „уменьшить время“, а „сократить стоимость обращения на X рублей при сохранении качества N%“. В сегменте клиентского обслуживания расчёты показывают потенциал экономии до 36 млрд долл. ежегодно — только в США и лишь за счёт замещения расходов на оплату труда расходами на ПО (данные McKinsey и других источников).
- Ответственность за риски: Заказчики теперь запрашивают гарантии безопасности, особенно на фоне учащения инцидентов. Становится ясно, что автоматизация без контроля создаёт новые уязвимости».
«Да, восприятие искусственного интеллекта у заказчиков заметно эволюционировало, — соглашается Сергей Виноградов, руководитель отдела продаж ДАТАРК, — но я бы не сказал, что рынок прошёл путь именно от „котиков в шляпах“ к бизнесу. Существенная часть российских компаний с самого начала рассматривала ИИ как инструмент для решения прикладных задач. Просто сейчас мы наблюдаем смену акцентов: компании перешли от интереса к технологиям к готовности инвестировать в инфраструктуру под реальные сценарии. Для нас как для разработчика и производителя модульных ЦОД это проявляется, во-первых, в росте спроса на высокоплотную инфраструктуру, а во-вторых, в новых требованиях к инженерным решениям».
«Если говорить о спросе, — продолжает эксперт, — то, согласно нашей внутренней статистике, за год спрос на HPC-проекты вырос на 30%, а запросы на решения для задач ИИ фактически сформировал для нас отдельное направление. В 2025 году мы реализовали свой первый HPC-проект: в шести стойках по 30 кВт разместили оборудование заказчика с общей ИТ-нагрузкой 180 кВт. МЦОД был собран полностью на российской компонентной базе, для охлаждения были применены 10 прецизионных кондиционеров рядного типа. Сейчас этот же заказчик совместно с ДАТАРК готовит следующий проект, уже с существенно большей нагрузкой — 52 кВт на стойку. С точки зрения инженерии, ключевые изменения сегодня связаны прежде всего с системами охлаждения. Если до 25 кВт на стойку воздушное охлаждение считается вполне рабочим решением, то при дальнейшем росте плотности требуются другие технологии. Именно поэтому сейчас мы активно наращиваем компетенции в области систем жидкостного охлаждения, работаем с производителями такого оборудования и формируем практическую экспертизу в этом направлении».
Дмитрий Крюков, руководитель ИИ-направления МТС Линк, отмечает неуклонный рост интереса заказчиков к ИИ-функциям: «Всего пару лет назад ИИ был приятным бонусом: очень мало стейкхолдеров понимали, что ИИ-инструменты могут оказывать реальное влияние на результаты компаний. Сегодня ситуация кардинально изменилась. Наши действующие клиенты активно внедряют ИИ-функции, а новые заказчики включают их в требования к системам. Такие решения, как расшифровка и саммаризация онлайн-встреч, становятся базовыми для крупных заказчиков. В частности, ИИ избавляет административных сотрудников от рутины — например, от составления протоколов совещаний. Менеджеры тратят меньше времени на поиск информации в чатах и чтение пропущенных переписок, делегируя эти задачи ИИ. Согласно совместному исследованию J’son & Partners Consulting и МТС Линк, ИИ‑решения в онлайн-коммуникациях позволяют экономить до 12,2 часов в неделю на одного сотрудника, экономический эффект — до 153 тысяч рублей в месяц на каждого руководителя. В перспективе разработчики планируют интегрировать в платформы коммуникаций ИИ‑агентов, способных самостоятельно выполнять рутинные операции: планирование встреч в календарях, синхронизацию данных в CRM, электронной почте и мессенджерах».
«В настоящее время внедрение ИИ-решений идёт по двум основным трекам, — свидетельствует Сергей Люшнин, директор департамента унифицированных коммуникаций и контакт-центров STEP LOGIC:
- Крупные компании внедряют специализированные ИИ-сервисы, которые автоматизируют значимые бизнес-процессы (например, X5 запустила ИИ-анализ спроса, „Норникель“ разрабатывает и внедряет экосистему сложных агентов более чем для 30 ключевых производственных процессов и т. д.)
- Малый бизнес активно использует облачные решения и внешние специализированные ИИ-сервисы.
Средний бизнес пока — в роли догоняющего; тут ведётся проработка корпоративных систем и сервисов. Облачные решения уже не подходят с точки зрения безопасности, а инсталляции on-premises ещё дороги в плане внедрения, да и риск ошибки велик. Но интерес у среднего бизнеса к ИИ огромный. Для нас это выливается в рост запросов как на инфраструктуру для ИИ, так и на внедрение корпоративных инструментов».
Как констатирует Екатерина Канунникова, директор по продукту направления дата-сервисов, VK Tech, рынок движется от разовых пилотов к масштабированию работающих бизнес-кейсов: «Такая смена подхода проявляется в том, что для заказчиков становятся важны уже не единичные вау-эффекты, а более прикладные вещи: подготовка данных, интеграция ИИ в предметную область компании, наличие готовых ИИ-агентов, развитие компетенций сотрудников, а также унификация мониторинга и безопасности. В 2026 году ИИ перестанет быть пилотом „для галочки“ — и должен начать давать эффект на уровне P&L компаний».
«Для нас как для технологического вендора, — продолжает эксперт, — это проявляется в изменении самого запроса: заказчики всё чаще приходят не за отдельными инструментами, а за комплексной ИИ-инфраструктурой — от вычислений и хранения данных до прикладных сервисов в рамках единой экосистемы. Растёт спрос на тиражируемые решения, которые можно быстро развернуть и встроить в бизнес-процессы, а также на платформенный подход, позволяющий системно внедрять ИИ в операционную модель компании. Это означает, что взаимодействие становится более глубокой интеграцией в процессы клиента, с фокусом на реальные прикладные задачи и масштабирование, а не на отдельные пилоты».
Есть эффект!
Каким же на практике оказывается реальный, измеримый экономический эффект от внедрения заказчиками ИИ-технологий в отечественных реалиях? Каковы типичные сроки окупаемости ИИ-проектов — и на какое именно преимущество, которое способны обеспечить одни только генеративные модели, делают средне- и долгосрочную ставку бесстрашно внедряющие их заказчики?
Реальный экономический эффект существует, как утверждает Денис Романов: «Но он неравномерен.
- Клиентский сервис: наиболее прозрачная экономия. Успешная обработка 40% запросов без оператора обеспечит замещение на ФОТ, создавая чистую экономию ежегодно.
- Производство: прогнозирование технического обслуживания и координация логистических процессов снижают операционные затраты. Siemens Industrial AI Agents позволяют управлять производственными процессами автономно. Типичные сроки окупаемости:
- Для малых и средних проектов:
6-12 месяцев. - Для крупных корпоративных внедрений (мультисистемные агенты):
18-24 месяца.
Затраты на внедрение увеличиваются с ростом сложности проекта:
- Малый бизнес: ~12,5 млн руб. CAPEX +
0,5-4 млн руб./год OPEX. - Крупный бизнес: от 350 млн руб. CAPEX + 200 млн руб./год OPEX.
Преимущества, на которые обращают внимание заказчики:
- Снижение операционных затрат: автоматизация рутинных задач (документооборот, первичная обработка клиентов).
- Ускорение выхода на рынок: генерация контента, код, прототипы сокращают циклы разработки.
- Персонализация сервиса: рекомендательные системы, динамическое ценообразование.
- Конкурентное давление: компании внедряют ИИ не только ради эффективности, но и чтобы не отстать от рынка.
Однако важно помнить: более 80% компаний не видят существенного влияния на прибыль после пилотов (McKinsey, 2025). Эффект наступает только при комплексном подходе: технологии должны быть интегрированы в бизнес-процессы, сопровождаться обучением сотрудников и мерами по управлению рисками».
«Эффект измеримый, — соглашается Антон Юдин, — но только при правильно спроектированном ИТ-ландшафте с инфраструктурой и исполняемыми на ней задачами. Потери производительности внутри одного узла при некорректной конфигурации могут составить порядка
«Прикладной эффект тоже значителен, — продолжает эксперт. — Например, анализ изменений в крупном проекте с множеством функциональных и юридических блоков, который раньше занимал
По словам Екатерины Канунниковой, экономический эффект от внедрения ИИ сегодня проявляется прежде всего в повышении операционной эффективности, улучшении аналитики и ускорении работы с данными: «Как свидетельствует исследование VK Tech и MARC, компании используют ИИ в первую очередь для повышения операционной эффективности: это отметили 51% респондентов. То есть бизнес всё чаще воспринимает ИИ не как отдельный эксперимент, а как инструмент, встроенный в процессы и влияющий на результативность работы. При этом компании уже закладывают инвестиции в развитие таких сценариев: 74% планируют инвестировать в ИИ в ближайшие два года, а 71% — увеличивать бюджеты дата-офисов. Это показывает, что бизнес рассматривает ИИ как стратегическое направление, для которого нужна не только сама модель, но и инфраструктура вокруг неё».
Основным преимуществом ИИ Сергей Люшнин считает скорость обработки огромного объёма информации: «Соответственно, если заказчик на старте правильно оценил эффекты от ИИ, то проект будет успешным. Несмотря на высокую стоимость, он может окупиться за два-три года даже для крупных проектов. Но ключевым фактором здесь становится именно правильность оценки. Внедрение ИИ позволяет оптимизировать какой-то бизнес-процесс, но это будет работать лишь в том в случае, если остальные процессы смогут обеспечить необходимую пропускную способность. На мой взгляд, в этом и заключается главная сложность. Часто расшивка „узкого горлышка“ в одной точке приводит к перемещению места торможения на одну из смежных операций — и не ускоряет процесс в целом. В итоге успешные проекты крайне эффективны, а неуспешные — настолько же провальны. А между ними — большое количество проектов, которые вроде бы имеют положительный результат, но не укладываются в прогнозные сроки окупаемости, или же создаваемый ими эффект не настолько заметен, как ожидалось».
Окончание следует
Источник: Максим Белоус, IT Channel News
erid: