Окончание. Начало здесь

С какими препонами сталкиваются заказчик и его партнёр-интегратор при реализации связанных с ИИ проектов?

Всё преодолеем

Основные препятствия на пути к практическому внедрению ИИ Денис Романов, директор центра развития ИИ-продуктов, ИТ-экосистема «Лукоморье» (входит в ПАО «Ростелеком»), разделяет на технические и организационные: «Из опыта реализации наших проектов видно, что нехватка качественного „железа“ часто не является узким местом: большинство решений работает на GPU-серверах класса A100/H100, которые доступны в крупных дата-центрах или у облачных провайдеров. Ключевые преграды иные:

  1. Данные: „мусор на входе — мусор на выходе“. Качество моделей напрямую зависит от чистоты, структурированности и релевантности датасетов.
  2. Интеграция: legacy-системы (CRM, ERP) часто не предлагают API или имеют нестабильные интерфейсы. ИИ-агенты же нуждаются в структурированной обратной связи.
  3. Кадры: рост нагрузки на senior-архитекторов, перегрузка ревью кода, замедление разработки.
  4. Безопасность: риски утечек, галлюцинаций, несанкционированных действий агентов. Требуются дополнительные слои контроля».

erid:

ИТ-экосистема «Лукоморье»: от агента к цифровому отряду

Денис Романов, директор центра развития ИИ-продуктов, ИТ-экосистема «Лукоморье»:

Российский рынок искусственного интеллекта продолжает расти: по итогам 2024 года его объем достиг 1,15 трлн рублей (+28,4% год к году), а число участников приблизилось к 540 компаниям. Однако за динамикой венчурных инвестиций скрывается главное — переход от интереса к реальному внедрению в бизнесе.

По данным Stanford AI Index Report 2025, 78% организаций уже используют ИИ, при этом доля внедрения генеративных моделей выросла до 71% (против 33% в 2023 году). Разрыв между интересом и практическим применением остается значительным: лишь 11-19% готовы развертывать агентные системы на производстве.

В компании «Лукоморье» мы не ограничиваемся точечной автоматизацией отдельных функций. Наш подход строится вокруг мультиагентных экосистем, в которых ИИ-агенты объединяются в «цифровые отряды» — слаженные коллективы с разделенными ролями и зонами ответственности.

В отличие от одиночных агентов, каждый агент в такой системе имеет специализацию (например, аналитик, исполнитель или контролер) и инструменты для работы с внешними системами. Координация между ними обеспечивается через оркестраторы, которые распределяют задачи, синхронизируют состояние и предотвращают конфликты.

Ключевые принципы реализации включают:

  • Безопасность и суверенитет данных: все вычисления выполняются в защищенном контуре заказчика (on-premise или частное облако), что гарантирует сохранение конфиденциальных данных.
  • Человек в контуре принятия решений: критические операции и контроль качества остаются за специалистами, а агенты берут на себя рутину и первичную обработку информации.
  • Бизнес-ориентированность: отряд настраивается под конкретный бизнес-процесс (например, обработка заявок, контроль соблюдения регламентов или анализ контрактов), а не просто под абстрактные LLM-задачи.

Такой подход позволяет достигать эффекта, сопоставимого с масштабированием команды, но без роста административной нагрузки. При этом сохраняется соответствие требованиям кибербезопасности и этическим принципам ответственного использования ИИ.

Итог очевиден: ИИ не заменяет экспертизу, а усиливает её. Максимальная ценность достигается там, где процессы внедрения, контроля и обучения выстроены системно.

Реклама ООО «РТК ИТ Плюс», ИНН: 7751210607

Основная проблема при внедрении ИИ, на взгляд Сергея Люшнина, директора департамента унифицированных коммуникаций и контакт-центров STEP LOGIC, — широчайшие возможности этой технологии: «ИИ-решения умеют так много, что крайне сложно предложить конкретный сервис на их основе. При этом цена ошибки будет высокой из-за значительной стоимости инфраструктуры и внедрения. Быстро и относительно недорого можно запустить что-то простое: чат-бота для службы поддержки или ИИ-консультанта по сформированной базе документации. А вот внедрение значимого ИИ-сервиса в компании должно начинаться с консалтинга и анализа бизнес-процессов и существующей ИТ-инфраструктуры».

«Крайне высоки риски в зоне ИБ, — продолжает эксперт, — причём они двунаправленные: с одной стороны, внедрение вредоносных воздействий из внешней среды (promt injection, использование ИИ для совершения атак и т. д.), с другой — велики риски утечки конфиденциальной информации и персональных данных из-за некорректного использования внешних систем. Ну, и нельзя не забывать про дефицит компетентных специалистов в этой области: они просто ещё не появились на рынке в нужном количестве из-за „молодости“ ИИ как продукта».

Главное препятствие, на взгляд Антона Юдина, руководителя продуктового направления «Инфраструктура ИИ Скала^р», Группа Rubytech, — не «железо» и не кадры, а отсутствие чётко сформулированной цели, детально описанного процесса: «Заказчики нередко приходят с размытым запросом: есть ощущение, что ИИ нужен, есть насмотренность на чужие кейсы, есть даже желание и сформулированные определения, что именно должно быть достигнуто, — но нет конкретных численных метрик успеха и понимания, какие конкретно процессы автоматизировать, или как указать приоритет на процесс, который должен быть более эффективным. Более правильный путь в данном случае — выделить фокусную группу из владельцев бизнес-процессов, технологов или смежных ролей компании, декомпозировать их работу на блоки — и уже затем определять, где ИИ даёт измеримый эффект. Те, кто идёт этим путём, могут обосновать инвестиции конкретными цифрами: время, люди, деньги. Обычно в организациях этот процесс возглавляют ИТ-отделы или департаменты, ответственные за цифровизацию, а контроль остаётся за CEO».

Второй барьер, на который указывает эксперт, — стоимость инфраструктуры, а также всего ПО, которое заставляет её работать эффективно: «GPU-платформа — дорогостоящее решение; без внятного обоснования ROI внутри компании его невозможно „продать“ финансовому блоку. Это тормозит развитие ИИ-инициатив даже там, где технологическая готовность уже есть. Проблема нехватки „железа“ существует — но она вторична: сначала нужно понять, что и зачем считать, а также нужен ли ИИ вообще в конкретно взятом процессе и задаче, и только потом решать, сколько вычислительной мощности для этого требуется. Именно здесь на помощь приходят программно-аппаратные комплексы (ПАК). Например, Машина ИИ Скала^р снимает значительную часть инфраструктурных рисков, предоставляя заказчику преднастроенную, протестированную и готовую к промышленной эксплуатации платформу — с предсказуемыми характеристиками производительности и прозрачной моделью расчёта ROI. Это позволяет сократить путь от обоснованного бизнес-требования до работающего ИИ-решения, не погружаясь в длительный и дорогостоящий процесс самостоятельной сборки инфраструктуры из разрозненных компонентов».

Ключевые препятствия, по мнению Екатерины Канунниковой, директора по продукту направления дата-сервисов, VK Tech, таятся не столько в уровне зрелости самих технологий ИИ, сколько в готовности заказчика к их внедрению: «На текущей стадии развития рынка довольно распространены следующие барьеры, которые мешают компаниям быстро масштабировать пилоты: технологическая неготовность, разрозненные данные, нехватка экспертизы, отсутствие стратегии трансформации процессов и адаптации ролей, а также отсутствие прогнозируемых метрик возврата инвестиций. При этом вопрос вычислительных мощностей не всегда является главным ограничением: на этапе пилотирования и в ряде прикладных сценариев он может эффективно решаться за счёт размещения технологий в облаке. Для крупных промышленных и технологических компаний отдельным фактором становятся требования к безопасности и защите данных, из-за чего при переходе от пилота к промышленной эксплуатации возрастает спрос на внедрение ИИ-решений в контуре компании».

При внедрении решений с ИИ-функциями остро встаёт вопрос безопасности, — на это указывает Дмитрий Крюков, руководитель ИИ-направления МТС Линк: «Все пользователи облачных ИИ-решений должны понимать, что любые передаваемые чат-ботам данные размещаются на сторонних серверах — и потенциально могут использоваться для обучения алгоритмов. Некоторые сервисы предлагают настройку „не использовать мои данные“, однако такая мера не гарантирует абсолютной защиты информации. В связи с этим работодателям важно доводить до сведения сотрудников, что внутренние документы, финансовые показатели, конфиденциальные переписки и другие корпоративные данные нельзя обрабатывать с помощью чат-ботов — если речь не идёт о моделях, развёрнутых в контуре компании».

«Чтобы исключить риск утечки, — продолжает эксперт, — крупный бизнес переходит на локальное развёртывание ИИ-моделей. Локальные нейросети, действительно, наиболее безопасное решение. Данные не передаются за пределы компании: администраторы получают полный контроль над ними. Однако внедрение такой модели — дорогой и ресурсоёмкий процесс, доступный далеко не всем заказчикам. Сегодня один из наших приоритетов — разработка предложений для компаний, которые хотели бы использовать ИИ локально, но не готовы тратить на него огромные бюджеты. В нашей новой линейке продуктов будут учтены интересы как организаций, которые с нуля хотят развернуть коммуникации с ИИ на собственных серверах, так и заказчиков, которые выбирает гибкость и удобство облачных ИИ-моделей».

Ставка на агентов

Недавний прогноз Gartner предрекает отмену более 40% активных ныне проектов, связанных с внедрением ИИ-агентов, до конца 2027 г. Действительно ли агентный ИИ в коммерческих приложениях сегодня переоценён — и этой технологии следует ещё подразвиться, чтобы отвечать практическим запросам заказчиков?

Компании «Базис» в рамках внедрения цифрового техлида на базе продукта «Диво» от Лукоморья удалось на 20–50% уменьшить затраты времени на рутинные операции, а скорость выполнения связанных с ними задач выросла до 6 раз, — этот впечатляющий пример приводит Денис Романов: «Но прогнозы Gartner отражают и иные реалии:

  • Технологическая незрелость: современные модели (на середину 2025 года) пока не способны самостоятельно достигать сложных целей без человеческого участия. Многие проекты терпят неудачу потому, что ориентированы на пока что отсутствующий подлинно „автономный интеллект“, который умел бы адекватно планировать и корректировать собственные действия без человеческого контроля.
  • „Переобучение“ рынка: после бума 2023–2024 годов рынок пересмотрел возможности технологий. Ожидания сместились от „волшебной таблетки“ к инструменту, требующему доработки и интеграции.

Таким образом, реально доступный сегодня агентный ИИ требует более тщательного проектирования, лучшей подготовки данных и предельно чёткого проведения границ ответственности между человеком и машиной. Прогноз о сворачивании 40% проектов, скорее, говорит о необходимости фильтрации рыночного шума, чем о полном отказе от технологии. Компании, которые понимают, что агенты создают дополнительные векторы кибератак (по исследованиям Lasso Security), подходят к внедрению осторожнее».

Антон Юдин соглашается с тем, что агентные системы сегодня внедряют почти все: «Но далеко не все понимают, зачем. Хорошая аналогия: соседнее племя зажгло огонь, стало готовить еду и согрелось, — и нам тоже очень хочется этого огня. Но как его добыть и поддерживать — непонятно; или понятно только тем, кто этот путь уже проходил. Как правило, отдел цифровизации, не погружённый в операционные процессы, выстраивает агентов по принципу „сверху вниз“ — экспериментируя и нащупывая путь. Сам по себе такой подход не лишён смысла, однако в силу своей незрелости он лишь замедляет работу и неэффективно расходует ресурсы. Заходя в каждое новое подразделение, команда вынуждена заново проходить этап погружения и неизбежно сталкивается с сопротивлением сотрудников, опасающихся замещения».

«Между тем весь смысл ИИ, — продолжает эксперт, — в дополнении человека, а не в его замене. Наша практика показывает: когда агенты и ИИ-ассистенты окружают сотрудника со всех сторон, это становится, скорее, источником проблем, чем прорывом в будущее. Эффективная модель другая: владельцы процессов сами раскладывают свою работу на блоки — и определяют, где автоматизация с помощью ИИ даст конкретный эффект. Тогда и агент работает, и обоснование инвестиций появляется само собой. В то же время агентные системы требуют серьёзного вычислительного фундамента. Без правильно спроектированного инфраструктурного слоя агент либо не масштабируется, либо работает неэффективно. Это не проблема технологии — это вопрос подготовки и целей».

Сергей Люшнин убеждён, что прогнозы строить пока рано: «Заказчик может ошибиться (и часто ошибается) в целеполагании при внедрении ИИ, что приводит к неокупаемости понесённых затрат. Кроме этого, за полтора года ландшафт может сильно измениться, а значит, изменится и эффективность внедряемых решений. Облачные ИИ-провайдеры, например, постоянно обновляют ИИ-модели и пересматривают финансовые условия. „ИИ-агент“ — это термин как минимум начала 2026 года. Однако в действительности данная технология зачастую избыточна — либо ненадёжна на реальных проектах. В некоторых случаях лучших результатов можно добиться при использовании более простых, „линейных“ сценариев с точечным вовлечением ИИ в обработку узких задач. Такой подход позволяет оптимизировать интеграцию в существующий ИТ-ландшафт и снижает риски в части ИБ. Поэтому сегодня как никогда важна компетентность при внедрении — как со стороны аналитики процессов, так и с технической точки зрения».

На взгляд Дмитрия Крюкова, дело не в том, что агентный ИИ переоценён: «А в том, что его внедрение может оказаться более сложным проектом, чем предполагалось изначально. Основной причиной провала пилотных проектов с ИИ тот же Gartner называет неправильное применение и слепую погоню за трендами. Иногда дело может быть в качестве данных и их адаптации для применения в узких сценариях. Для высокорисковых областей — медицины, юриспруденции, финансов — модели необходимо дообучать на проверенных профессиональных источниках, а также строго ограничивать пространство возможных ответов. Ещё одна причина некорректной работы — то, как именно настраивают чат-бота разработчики. За это отвечают системные промпты — общие инструкции, которые закладываются разработчиками и соблюдаются всегда, вне зависимости запроса».

«Компаниям следует не внедрять ИИ-агентов точечно, — продолжает эксперт, — а выстраивать грамотную стратегию автоматизации: начинать стоит с рутинных задач, а затем масштабировать успешные практики. Несмотря на то, что часть проектов по использованию ИИ-агентов может закрыться, Gartner прогнозирует, что к 2028 году как минимум 15% повседневных рабочих решений будут приниматься автономно с помощью агентного ИИ, по сравнению с 0% в 2024 году. Кроме того, к 2028 году 33% корпоративных программных приложений будут включать агентный ИИ, тогда как в 2024 году этот показатель составлял менее 1%».

Прогноз Gartner о возможной отмене до 40% проектов, связанных с внедрением ИИ-агентов, к 2027 году отражает реальный кризис ожиданий в области агентных систем, — так считает Павел Соловьев, генеральный директор DATCHECK (ГК ДАТАРК): «На мой взгляд, технология действительно переоценена — не из-за отсутствия потенциала, а из-за колоссального разрыва между маркетинговыми обещаниями и суровой реальностью внедрения. С одной стороны, рынок перегрет колоссальным хайпом и откровенным „агентным враньём“, когда обычные чат-боты и RPA-решения выдают за автономных ИИ-агентов. Это порождает нереалистичные ожидания, и бизнес, вкладывая миллионы, быстро обнаруживает, что текущие модели ИИ не обладают достаточной зрелостью и „агентностью“ для самостоятельного выполнения сложных, многосоставных бизнес-задач в неидеальной среде. Резкий рост затрат без чёткого понимания окупаемости (ROI) и ценности — закономерный итог, ведущий к закрытию 40% таких проектов (и как раз про это Gartner и говорит в статье)».

«С другой стороны, — продолжает эксперт, — проблема часто не в технологии как таковой, а в неумении с ней работать. Многие компании берутся внедрять агентный ИИ, не имея для этого:

  • подготовленной инфраструктуры;
  • качественных данных;
  • чёткой стратегии с измеримыми KPI;

а некоторые даже пытаются автоматизировать несуществующие бизнес-процессы... Успех, как показывают кейсы Cisco, Wildberries и „Северстали“, приходит к тем, кто не гонится за хайпом, а начинает с узких, чётко формализованных задач с понятной бизнес-ценностью; кто не пытается одномоментно заменить человека во всём и без разбора. Так что агентному ИИ действительно требуется повзрослеть — но и бизнесу необходимо научиться его правильно „готовить“».

«Агентный ИИ мы бы, скорее, рассматривали как одно из перспективных направлений рынка, — размышляет Екатерина Канунникова. — По данным исследования VK Tech и MARC, среди 154 компаний крупного бизнеса, в ближайшие два года инвестировать в первую очередь планируют именно в ИИ-агенты — это направление назвали 62% опрошенных, тогда как машинное обучение — 53%, а генеративный ИИ и LLM — 51%. Поэтому в российском корпоративном сегменте мы видим не переоценённость агентного подхода, а высокий интерес к нему».

Источник: