ИИ-трансформация бизнеса ― 2026: практики и условия успеха

Какие практики применения ИИ уже доказали свою эффективность в российских компаниях? В каких областях и при каких условиях они дают максимальную выгоду? Какие факторы в наибольшей степени необходимо учитывать, чтобы добиться успеха? На эти и другие вопросы мы попросили ответить экспертов, планирующих принять участие в очередном форуме «Данные+ИИ».

Какие ИИ-практики зарекомендовали себя как успешные

Российский бизнес активно экспериментирует с искусственным интеллектом: он встраивает технологии ИИ в самые разные процессы и операции, однако ощутимые выгоды от ИИ-проектов получает далеко не всегда. Лидерами по освоению ИИ среди отраслей стали, по единодушному мнению экспертов, финансовый сектор, ретейл и маркетпейсы, промышленность и сельское хозяйство, телеком. Большой интерес к пилотным проектам проявляют также медицина и здравоохранение, строительная отрасль, госсектор и бюджетные учреждения, а также ряд других. В каких именно направлениях ИИ-технологии зарекомендовали себя как наиболее успешные?

Артем Евдаков: «В целом для бизнеса перспективным выглядит развитие собственных малых и средних узкоспециализированных ИИ-решений»

«В банковской сфере ИИ помогает оценивать кредитоспособность клиентов, предлагать персональные финансовые рекомендации, анализировать транзакции и выявлять мошенничество, — поясняет Артем Евдаков, руководитель направления по работе с альянсами и ассоциациями компании Fplus. — В торговле искусственный интеллект помогает точнее прогнозировать спрос и персонализировать рекомендации. Маркетплейсы анализируют поведение покупателей, чтобы улучшать рекомендации и увеличивать конверсию до 40%. С помощью прогнозных моделей ИИ оптимизируются маршруты доставки грузов. В промышленности ИИ помогает предсказывать износ и выход из строя оборудования, управлять качеством и повышать эффективность процессов. В целом для бизнеса перспективным выглядит развитие собственных малых и средних узкоспециализированных ИИ-решений, поскольку большие модели требуют серьезных вычислительных мощностей и инвестиций».

Максим Андрианов, директор по разработке и внедрению ПО «Инфосистемы Джет», продолжает: «Одно из наиболее распространенных применений ИИ — умные помощники в клиентском сервисе, в том числе в чатах поддержки банковских приложений, сервисов доставки и пр. В 2025 году на смену сценарным чат-ботам пришли GPT-инструменты, более интеллектуальные и человекоподобные. Умных помощников сегодня используют более 70% крупных компаний: ИИ улучшает качество клиентского сервиса без расширения штата, а компании снижают затраты на первую линию поддержки. Еще одна популярная практика применения ИИ — цифровые советники на производстве: они анализируют десятки показателей из смежных систем и выдают рекомендации по оптимизации производственного процесса, сокращения издержек и улучшения качества продукции. Относительно новый тренд — внедрение больших языковых моделей (LLM) в госсекторе: ИИ частично автоматизирует обработку обращений граждан, работу с документами, поиск информации и многое другое. Уже сейчас ИИ помогает высвободить ресурсы, занятые рутинными операциями, и на 15–20% ускорить процессы».

Илья Петухов: «ИИ-проекты требуют серьезных начальных инвестиций, посчитать окупаемость которых непросто»

Илья Петухов, руководитель проектов развития ИИ-решений компании Directum, в целом соглашается с коллегами: «Ощутимые выгоды дает использование ИИ-ботов в сфере клиентской поддержки, машинное обучение в АПК и промышленности, персонализация маркетинга и рекомендаций с помощью ИИ в ритейле и маркетплейсах. В частности, рост доходности рекламных кампаний за счет применения ИИ может достигать 15-20%. Однако ряд барьеров на пути успеха ИИ пока остается: недостаточная готовность внутренней инфраструктуры, нехватка квалифицированных специалистов, слабо развитая культура инноваций, освоения и принятия технологий. К тому же ИИ-проекты требуют серьезных начальных инвестиций, посчитать окупаемость которых непросто. Так или иначе, успешные ИИ-проекты есть, и крупные компании их демонстрируют».

Евгений Осьминин, директор по развитию и цифровой трансформации компании РДТЕХ, выделяет три группы операций и процессов, где ИИ дает заметный эффект: «Первая — эффективность которых уже доказана и вошла в широкую практику: кредитный скоринг и прогнозирование дефолта заемщика, оптимизация маркетинговых стратегий и гиперперсонализация контента, распознавание текста, графики, видео- и аудиофайлов, контроль за работой персонала и планирование организации труда, общение с клиентами через текстовые и голосовые чат-боты, инвестиционные инструменты, антифрод и информационная безопасность. Вторая группа практик — эффективность которых подтверждена, но экономика и оценка рисков не полностью сформированы: расширенный анализ данных и прогнозирование тенденций, разработка стратегии развития бизнеса, полная автоматизация инвестиционной деятельности, взаимодействие с регуляторами, оценка клиента на склонность к покупкам и влияние мошенников, решение простых проблем клиентов (через текстовые и голосовые чат-боты), предотвращение мошенничества и генерация программного кода. И третья группа — эффективность которых тестируется в рамках отдельных пилотных проектов и точечных внедрений: автоматизация платежных операций и расчетов, клиентские сервисы на основе биометрических данных, решение сложных проблем клиентов, их персональное консультирование в совокупности с виртуальными голосовыми или видео-ассистентами, геймификация и метавселенные, управление стратегиями кибербезопасности, разработка приложений и сервисов».

Сергей Карпович: «ИИ уже приносит прибыль в задачах предиктивной аналитики и прогнозирования, а также в алгоритмах динамического ценообразования»

Как отмечает Сергей Карпович, заместитель руководителя компании Т1 ИИ (холдинг Т1), ИИ уже приносит прибыль в задачах предиктивной аналитики и прогнозирования на основе исторических данных, а также в алгоритмах динамического ценообразования, которые адаптируют цены в реальном времени. И добавляет: «Все больше применений находят технологии компьютерного зрения, решающие широкий круг задач — от распознавания дефектов на производстве до запуска беспилотного транспорта. Технологии генеративного ИИ применяются также в “классических” RPA-роботах, виртуальных ассистентах и продуктах, автоматизирующих работу с документами».

По наблюдениям Михаила Кузнецова, заместителя генерального директора компании N3.Tech, в России продолжает формироваться пул ИИ-практик с доказанными, стабильными и измеримыми эффектами: «Например, ИИ хорошо проявляет себя в процессах, где основной вклад в результат обеспечивают сотрудники, выполняющие интеллектуальные, но типовые задачи. В частности, в нашей платформе “N3.Туристический налог” ИИ ежедневно агрегирует и обрабатывает большие массивы слабо структурированных данных об объектах размещения (гостиницы, хостелы, гостевые дома и т.п), представленных в широком перечне открытых источников, избавляя специалистов от этой рутины. Есть хорошие примеры в промышленности: системы компьютерного зрения помогают контролировать качество металла, обнаруживая микроскопические дефекты поверхности, не всегда заметные человеческому глазу. Внедрение таких систем на прокатных станах позволяет повысить эффективность контроля качества продукции на 20-30%, сокращая в итоге издержки производства. В финтехе и ритейле вырос уровень автоматизации аналитики для прогнозирования поведения клиентов, динамического ценообразования, выявления аномалий, операционного скоринга — эти инвестиции показывают высокую окупаемость. В целом выгода появляется там, где есть большие объемы данных, повторяемые процессы и высокая зависимость от трудозатрат».

Дарья Кагарлицкая: «Потенциал ИИ можно раскрыть в любой области, если есть достаточный объем качественных данных»

Дарья Кагарлицкая, технический директор компании Navicon, считает, что наибольший эффект наблюдается в практиках, связанных с предиктивной аналитикой, прогнозированием и распознаванием: «Благодаря накопленным данным и опыту применения компании готовы использовать их в полной мере. Полагаю, потенциал ИИ можно раскрыть в любой области, если, конечно, имеется достаточный объем качественных данных».

Главные принципы успешных ИИ-кейсов

Разумеется, далеко не всякий кейс по внедрению ИИ будет успешным. Тем не менее, есть ряд принципов и факторов, соблюдение которых в значительной степени способствует успеху проекта.

Михаил Кузнецов: «Успешные кейсы, в том числе с ИИ, начинаются с четкого понимания цели: зачем мы это делаем?»

«Успешные кейсы, в том числе с использованием ИИ, начинаются с четкого понимания цели: зачем мы это делаем? — напоминает Кузнецов. — Ответ на этот вопрос должен содержать измеримые, одинаково трактуемые и признаваемые всеми сторонами результаты. Важно, чтобы предложенные решения опирались и на техническую экспертизу, и на ясное понимание области или процесса. Также необходимо провести коммуникационную работу с сотрудниками, охваченными проектом, чтобы предотвратить противодействие внедрению. Исследование Claude показало, что порядка 27% задач, выполненных с помощью ИИ, — это задачи, которые никогда бы не сделали вручную и которые без автоматизации были бы нерентабельны. Кроме того, критично наличие культуры работы с данными в компании, включая наличие “единых источников правды”, MDM, озера данных, культуры поддержания “живучести” данных. Для успешного масштабирования ИИ-кейсов необходимо освоение подхода AIOps, в том числе правильного выбора моделей, стабильных сред исполнения, способов их обновления и безопасной интеграции во внутренние процессы. Когда компания совмещает все эти элементы — цели, людей, данные, гибкость и инфраструктуру, ИИ начинает работать, становясь источником реальной производственной эффективности.

Евдаков также считает, что успешные ИИ-проекты всегда начинаются с ясного понимания конкретной проблемы, которую нужно решить: «Только когда фокус направлен на бизнес-задачу, ИИ становится инструментом, который помогает ускорить процессы, повысить безопасность, улучшить клиентский опыт или сократить издержки. Для достижения лучшего результата должно быть налажено взаимодействие между коммерческим подразделением и ИТ-службой: техническая команда должна разбираться в бизнес-процессах, а бизнес — знать о возможностях ИИ. И, конечно же, в основе любого успешного ИИ-кейса лежат качественные данные. С технологической точки зрения все довольно прагматично: сегодня доступны зрелые ИИ-платформы и модели, причем не только иностранные, но и российские, их можно адаптировать под конкретные процессы, не изобретая велосипед. Главное — чтобы внедряемые ИИ-решения были органично встроены в имеющиеся ИТ-системы компании».

«Цели и критерии оценки окупаемости должны быть четко сформулированы, — добавляет Петухов. — Данные для ИИ-проекта должны быть качественными — для большинства проектов с ИИ наличие качественной, чистой и актуальной базы данных критически важно. Также крайне важна инфраструктура (оборудование с GPU) — без хорошего “железа” успешный проект реализовать сложно. И, конечно же, ИИ-проект не получится без слаженного и плотного взаимодействия команды ИТ-разработчиков, представителей бизнеса и инженеров данных.

Карпович обращает внимание на три ключевых принципа, способствующих успеху ИИ-проектов: «Первый заключается в том, что ИИ — не замена, а усилитель: ИИ эффективно работает там, где он дополняет людей, а не заменяет их, когда он берет на себя монотонные задачи, сокращая рутинную работу и высвобождая сотрудников для творческих и управленческих функций. Второй принцип: данные — это “топливо” для ИИ, и без качественных данных даже самый продвинутый алгоритм бесполезен. Поэтому успешные компании инвестируют в создание КХД, автоматизацию сбора и мониторинга данных через IoT, CRM и ERP-системы, а также внедрение Data Governance, включая контроль качества, безопасности и соответствия регуляторным требованиям. И третий принцип — гибкость и итеративность. ИИ-проекты редко запускаются “раз и навсегда”. Использование ИИ-фабрик — платформ Low-Code/No-Code для быстрого создания и внедрения ИИ-моделей позволяют бизнес-аналитикам самостоятельно обучать свои модели».

Евгений Осьминин: «Заметно больше шансов на успех получает проект, изначально имеющий четкую цель, зафиксированную в метриках»

Осьминин выделяет еще один ключевой принцип — ориентация на бизнес-результат: «Заметно больше шансов на успех получает проект, изначально имеющий четкую цель, зафиксированную в метриках (показатели прироста эффективности, KPI и т.д.). Сегодня актуален подход, при котором ставятся вопросы: что ИИ может нам дать, как еще его можно использовать, где граница между рисками и экономическим эффектом, и т.д. Детали внедрения при этом непрерывно связаны с творческими поисками и научными изысканиями. Среди технологических принципов неизменным остается доступ к качественным данным для обучения, аппаратные ресурсы и мощности, а также правильно организованное, гибкое управление ими».

С коллегами соглашается Кагарлицкая: «Безусловно, чем полезнее выбранный кейс для бизнеса, тем он успешнее. Важна реальная, а не выдуманная польза — а она всегда измерима. Бизнес-выгода может выражаться в снижении трудоемкости, прямой экономии затрат, а также усилении влияния на бренд через имиджевую составляющую. С технологической стороны основная задача — сделать так, чтобы архитектура системы поддерживала достижение бизнес-пользы, а не противоречила ей».

Максим Андрианов: «Среди организационных подходов наиболее успешен принцип фабрики MLOps»

Андрианов призывает не забывать еще один важный принцип: «В основе успешных ИИ-кейсов лежит подход Data-Based — опора на данные. Возможности цифровых двойников, предиктивного ТОиР и больших языковых моделей максимально раскрываются только при условии правильной оцифровки и структурированного хранения данных — это фундамент любой ИИ-трансформации. Технологии обработки данных аккумулируют и структурируют потоки информации из десятков систем компании, поэтому именно они становятся ключом к экономической эффективности ИИ-проектов: чем проще искусственному интеллекту получить качественные данные, тем лучше он решает задачи бизнеса. Еще одна метрика успеха проекта — сроки сдачи в эксплуатацию (Time-to-Market): дата-технологии помогают в разы сократить время и затраты на тестирование, обучение и передачу работающего решения заказчику. Благодаря дата-каталогам и озерам данных компании тратят на ИИ-проекты в среднем в два-три раза меньше времени и денег. Среди организационных подходов наиболее успешен принцип фабрики MLOps — валидации ML-проектов, при котором компании последовательно тестируют, проверяют гипотезы и выбирают наиболее релевантные. Этот подход помогает сконцентрироваться именно на экономически эффективных кейсах.

Итак, для успеха ИИ-проектов необходимо добиться выполнения ряда ключевых принципов. Пожалуй, главные из них — ориентация на важный для компании бизнес-результат и достаточно выгодное соотношение затрат и получаемой пользы. Ну и, конечно, получаемые выгоды следует рассматривать не только в краткосрочном периоде, но и в более далекой перспективе. Впрочем, в отношении технологических решений тоже не стоит жить одним днем.