21 мая IT World и сообщество ИТ Диалог собрали за виртуальным круглым столом ИТ-директоров и интеграторов, чтобы , где сегодня реально работает искусственный интеллект, а где его «продали» ради галочки в отчете.
Внедрение ИИ уже давно перестало быть игрушкой для лабораторий или PR-поводом. Бизнесу нужны конкретные выгоды — и желательно без пяти лет пилотов и бесконечных презентаций. «Нам неинтересно, что где-то Сбербанк сэкономил 10%, и непонятно как это посчитали. Хотим понять, как ИИ работает у вас, здесь и сейчас», — так обозначил повестку модератор встречи Максим Каранкевич, директор по цифровой трансформации порта «Ультрамар».
Для него ИИ — не абстракция, а рабочий инструмент. Чем меньше ручного и рутинного труда, тем выше эффективность. В порту это особенно чувствуется.
Начали, как водится, с голосов. Компания BSS — партнер круглого стола и давний игрок в финтехе — уже десять лет активно осваивает речевые технологии. «Контакт-центр — идеальное поле для ИИ. Большие команды, рутинная работа, стандартные сценарии — здесь автоматизация ощутима сразу», — объяснят Александр Крушинский, директор департамента голосовых цифровых технологий.
Что уже работает? Голосовые и текстовые боты, речевая аналитика, чат-платформы, симуляторы клиентов для обучения операторов. Один из последних продуктов Agent Trainer обучает сотрудников, имитируя сложные клиентские диалоги. Система не просто «натаскивает», но и оценивает поведение оператора: как справился, где ошибся, как можно было ответить лучше.
Однако ИИ — это не только про «голос». На производстве все гораздо шире. В Ультрамаре ИИ тестируют на задачах контроля: за действиями сотрудников, техникой и состоянием оборудования. «Мы только начали, но уже видим, как это может сэкономить деньги. И, главное, это работает не в вакууме, а в реальном секторе», — уточнил Максим Каранкевич. И все бы хорошо, если бы готовые решения действительно были… готовыми. Так например в Ультрамаре возникла неожиданная проблема: порт хочет использовать машинное зрение на видеопотоке с уже установленных 600 камер, но вендоры настаивают — нужно ставить их камеры. Новые. Рядом. «Вроде купили решение, а теперь меняйте инфраструктуру», — говорит Максим Каранкевич.
Когда ИИ помогает не «в общем», а по делу — это уже рабочий инструмент. В текущей практике «Домового» — осторожное, но прагматичное использование ИИ. Например, генерация дизайнов через «Гигачат» не из-за любви к отечественным разработкам, а по требованию юристов. По словам Андрея Власенко, ИТ-директора УК «Старт», управляющей сетью магазинов, после пары неприятных случаев с авторскими правами было решено: минимизируем риски, используем безопасный в правовом плане инструмент. Также у компании есть проект по мониторингу цен конкурентов. Решение построено на платформе PIX Robotics и помогает искать товары-аналоги не по артикулу, а по описанию и изображению. Прямого ИИ там немного, но «умных» функций достаточно, чтобы снять часть рутины с сотрудников.
Контакт-центр — популярная точка входа для ИИ. В компании «НордСтар» сейчас именно туда направлены усилия, планируется внедрение генеративной модели, которая поможет справляться с пиковыми нагрузками. «Пока тестируем, но если будет эффект — пойдем дальше», — отмечает ИТ-директор Олег Бей-Биенко.
Собственная нейросеть или готовое решение?
Для Руслана Гайнанова, генерального директора «НейроСтаффинг», искусственный интеллект — это не про замены, а про усиления. Его компании важны не только технологии, но и люди, умеющие с ними работать. Поэтому вместо «цифровых двойников» здесь появляются «усиленные» сотрудники — живые специалисты с ИИ-инструментами в руках
Алексей Наймушин, проректор по стратегическому развитию и цифровой трансформации ВГИКа подошел к ИИ с художественной стороны. Киновуз использует нейросети на всех этапах кинопроизводства — от генерации сценариев до анализа архивов. «У нас снимается около ста учебных работ в год, и за 106 лет накопился огромный видеоархив. Сейчас с помощью нейросетей мы распознаем титры, определяем локации, даже национальность персонажей», — добавляет он. ИИ здесь — не просто модная игрушка, а инструмент, чтобы упорядочить и использовать культурное наследие.
Однако есть и проблемы. «Попробуйте сгенерировать советского солдата или космонавта, у вас почти наверняка получится американец. Потому что нейросети учились на западном контенте», — объясняет Алексей. Российская специфика требует собственных датасетов. Именно поэтому вуз участвует в проектах по обучению моделей на базе Госфильмофонда и собственного архива.
Но обучать нейросети в одиночку дорого. Поэтому чаще приходится работать с готовыми решениями, хотя и не без сожаления. Впрочем, экспериментальный проект все же идет. В ВГИКе тестируют идею ИИ-экзаменатора — системы, которая будет оценивать открытые ответы студентов, а не просто проставлять галочки в тестах. Алгоритм учат на базе учебников и образовательных программ вуза.
По словам Сергея Белана, обучение ИИ с нуля — затратный и трудоемкий процесс, но может быть оправдан, если речь идет о масштабируемой компетенции. Так решения по машинному зрению, полученные в одном проекте, можно будет использовать в других отраслях — от логистики до складов и транспортных узлов. При этом важно учитывать происхождение технологии: «с отечественными решениями меньше рисков, с иностранными — можно остаться без поддержки». В их случае был выбран комбинированный путь: «Мы купили российскую разработку, привлекли собственных инженеров и к концу проекта уже смогли развернуть все на бесплатных библиотеках».
Нейросеть нужно обучать исключительно своими силами, если компания хочет контролировать не только процесс, но и результат, считает Руслан Гайнанов. По его словам, внутренняя интеллектуальная база компании — ее ноу-хау, и отдавать ее поставщику — значит терять часть стратегической ценности.
Если с прикладными задачами вроде чат-ботов или предиктивной аналитики бизнес еще может выбирать между «купить» и «сделать», то в области больших языковых моделей (LLM) поле вариантов заметно сужается.
По словам Александра Крушинского, полноценное обучение собственной LLM под силу только крупнейшим игрокам, и то не всегда. «Если говорить про обучение современных LLM, таких как GPT, то их темпы развития сейчас таковы, что проще дождаться выхода следующей версии, чем пытаться создать аналог самостоятельно», — отмечает он. Кроме того, обучение требует не просто бюджета в сотни миллионов рублей, но и штата специалистов, которых на рынке почти нет.
Есть и другой путь — использовать open-source-модели. Они действительно доступны, их выкладывают иностранные разработчики. Некоторые из них можно развернуть «у себя», при условии, что компания готова инвестировать как минимум 20 миллионов в серверы с GPU. «Можно получить что-то почти на уровне ChatGPT-5, но локально», — признает Александр.
Однако и этого недостаточно. Чтобы LLM реально решала задачи, особенно в клиентских коммуникациях, одной модели мало. Нужна инфраструктура: базы знаний, сценарные движки, механизмы RAG (retrieval-augmented generation), системы безопасности и интеграции. Все это — не игрушка из GitHub, а полноценный программный стек, требующий отдельной разработки и сопровождения.
Вывод такой: даже если компании не нужно обучать свою LLM с нуля, ей все равно придется либо собирать вокруг нее целую платформу, либо обращаться к вендору. Причем второй вариант разумнее для тех, кто не хочет превращаться в интегратора собственной ИИ-экосистемы.
ИТ-инфраструктура под ИИ — не всегда история про «много GPU и в облако». Как отмечает Александр Крушинский, в корпоративных проектах ситуация иная: большинство крупных заказчиков предпочитает разворачивать все у себя, в закрытом контуре. Поэтому компания BSS работает именно с on-premise-развертыванием, используя серверы клиентов.
Полноценное обучение больших языковых моделей (LLM) в таких условиях практически не встречается — слишком затратная история. Но для менее ресурсоемких задач используются более простые модели, которые можно обучать даже на обычных видеокартах. Они ограниченнее по функциональности, но быстро настраиваются и не требуют облачной инфраструктуры.
Когда зашла речь о самостоятельной разработке ИИ, стало ясно: большинство компаний не идут в эту зону безусловно, а лавируют между желаниями и возможностями.
Олег Бей-Биенко уточняет, что в «НордСтаре» не создают модель с нуля, а работают в партнерстве, комбинируя генеративные решения с заранее заданными сценариями. Главное, по его словам, — не сама нейросеть, а инфраструктура вокруг нее: «библиотека знаний», механизмы RAG, сценарные блоки, которые позволяют добиться живого диалога в контакт-центре. Один из ключевых факторов — время отклика. Если ИИ-ответы генерируются слишком медленно (например, из-за удаленного облака), контакт с клиентом теряет естественность. Кроме того, как отметил Олег, SaaS-решения могут не соответствовать требованиям безопасности и устойчивости, особенно если используются иностранные модели. Поэтому ставка сделана на минимизацию рисков, как технологических, так и этических. Параллельно в компании формируют и собственную экспертизу — не ради показателей, а чтобы в будущем принять осознанное решение: развивать направление дальше или нет.
Андрей Власенко подтверждает: самостоятельно заниматься ИИ бессмысленно без понятной экономической модели. «Пока я не могу обосновать даже 10 миллионов на это, не говоря уж о сотне», — признает он. Вся работа с ИИ у них строится через партнерские решения. Самостоятельное развитие — это всегда про деньги, и серьезные.
ИИ ради эффекта или имитации?
Что все-таки стоит за волной проектов с искусственным интеллектом — реальная польза или красивая имитация? «Разговаривал с руководителем проектов одной крупной компании с огоньком на логотипе. Они делают ИИ-проекты, но никто ими не пользуется. Не приживаются. Но зарплату платят», — делится мыслями модератор. И задает участникам прямой вопрос: считают ли компании реальный экономический эффект? Кто-то получил с ИИ вложенные 100 миллионов обратно — да еще и с прибылью?
Действительно экономический эффект есть, но далеко не везде. По данным BSS, там, где речь идет об автоматизации контакт-центров, расчеты прямые. Один оператор — это порядка 800 тысяч рублей в год. Если таких сотрудников сто, экономия даже при 30% автоматизации становится очевидной. А если операторов тысяча — цифры растут экспоненциально.
Сложнее с речевой аналитикой. Она дает не прямую экономию, а инсайты, и от того, как компания ими воспользуется, зависит эффект. В ряде случаев это помогает обучить операторов, в других — изменить бизнес-процессы. Выгода есть, но менее линейная.
А вот генеративные модели, по словам Александра Крушинского, пока остаются на стадии энтузиазма. «Говорят о них гораздо больше, чем используют», — отмечает он. Причина — слабая управляемость и непредсказуемость результата, что для бизнеса остается сдерживающим фактором. Их внедрение требует много проверки, тестирования и осторожности.
Зато появился неожиданный тренд: автоматизация «снизу». Когда не компания централизованно внедряет ИИ-инструменты, а сами сотрудники начинают использовать их в повседневной работе, без указаний сверху. Например, в BSS уже около 20 программистов используют AI-инструменты вроде Cursor на базе LLM, и некоторые не мыслят без него своей работы. Это тот редкий случай, когда технология приживается не по приказу, а потому что реально помогает.
Экономическая эффективность ИИ-проектов остается камнем преткновения. Одни компании говорят о впечатляющих результатах, другие — о неприменимых на практике разработках, которые так и остаются внутри лабораторий и презентаций.
По мнению Сергея Белана, в задачах анализа цен, инфляции и продаж ИИ становится безальтернативным. При работе с массивами данных — миллионы чеков, сотни магазинов, тысячи показателей — человек физически не способен обрабатывать информацию с нужной скоростью и точностью. Модель, обученная один раз, выдает результат за ночь. Масштаб экономии оценивается в сотни человеко-ресурсов.
Оценки Руслана Гайнанова чуть сдержаннее: средний эффект — около 30% экономии на фонде оплаты труда. Однако в отдельных случаях, особенно при автоматизации шаблонных процессов вроде генерации типовых отчетов, производительность может вырасти на порядок. В то же время он предупреждает: высокая отдача не отменяет серьезных затрат. Стоимость внедрения, поддержки, вычислительных ресурсов может свести на нет быстрые выгоды, особенно если проект перегружен амбициями.
Ключевым оказывается не столько процент экономии, сколько подход. ИИ не должен восприниматься как инструмент для немедленного сокращения персонала. Скорее, это способ перераспределения задач с рутинных на интеллектуальные. Вместо замещения — усиление. Вместо «вместо» — «вместе». Такой сдвиг в мышлении позволяет снизить риски отторжения ИИ внутри команды. Особенно в тех сферах, где ставка делается на «интеллектуальную совместимость» человека и машины.
На конференциях искусственный интеллект нередко звучит как волшебное решение: «сэкономили 50%», «заменили бухгалтеров», «работают без сотрудников». Но в реальности даже самые продвинутые ИИ-проекты могут не прижиться, и не потому, что не работают, а потому что вызывают страх внутри организации.
Алексей Наймушин вспоминает случай, когда попытка внедрить ИИ в образовательный процесс встретила открытое сопротивление. Руководство предложило разработать учебную программу, полностью построенную на нейросетях — от плана до приема экзаменов. В ответ сотрудники отказались участвовать, опасаясь, что передача знаний машине сделает их самих ненужными. Саботаж оказался сильнее приказов и расчетов.
Со стороны собственников запросы выглядят иначе. Максим Каранкевич приводит типичный пример: «Зачем нам бухгалтеры, если можно все отдать ИИ и роботам?» Такие вопросы звучат все чаще — и требуют аргументов. Главный из них: искусственный интеллект работает только в строго формализованных бизнес-процессах. А люди, в отличие от ИИ, способны действовать в условиях неопределенности, учитывать нюансы, адаптироваться к изменениям.
Попытки применять ИИ, например, для анализа юридических документов часто заканчиваются разочарованием. В «Ультрамаре» рассчитывали, что «Гигачат» снизит нагрузку на юристов, помогая инициаторам договоров находить ключевые ошибки. На практике модель выявляла лишь поверхностные несостыковки, но не справлялась с отраслевыми нюансами и вопросами интеллектуальной собственности. Юристы сочли, что теперь им приходится переписывать все, теперь еще и после ИИ.
Кто подставит плечо, когда система ошибается
Вопрос, казалось бы, простой: если искусственный интеллект ошибается — кто за это отвечает? Но как только речь доходит до конкретных сценариев, выясняется: никто не хочет брать на себя риски, а законодательство пока не готово.
Например, если машинное зрение распознало дефекты, а менеджер лишился премии — виноват ИТ? На уровне образовательных организаций эта проблема ощущается особенно остро. Алексей Наймушин говорит о том, что в ВГИКе ИИ используется строго как помощник — система может указать на проблемный фрагмент в видео или выделить слабые места в договоре, но никогда не принимает окончательное решение. И это сознательная позиция: пока искусственный интеллект юридически не несет ответственности, доверять ему принятие решений — значит рисковать. Ответственность остается на человеке, который воспользовался результатами работы модели.
Неопределенность в правовом поле — одна из причин, почему ИИ сдержанно внедряется. Вопросы, кто может использовать ИИ, в каких целях, на каком уровне ответственности остаются открытыми. Пока ситуация напоминает «перекидывание горячей картошки»: ошибки передаются по кругу, но никто не готов сказать «я отвечаю», считает Андрей Власенко.
Олег Бей-Биенко подтверждает: правового регулирования нет не только в России, но и в мире в целом. Вопрос лишь начинает подниматься на международных форумах, но до реальных норм еще далеко. Поэтому сейчас ИИ можно рассматривать исключительно как инструмент поддержки, а финальное решение — всегда за человеком. Если система ошиблась, виноват тот, кто внедрил, проверил, подтвердил — но не сама модель. «Наказывать ИИ за ошибку невозможно. Но можно задать вопрос: кто описал процесс, кто оцифровал, кто перевел это в код?», — говорит Олег. Пока таких рамок нет, ИИ-решения внедряются точечно, осторожно, и чаще — без критически важной функции принятия решений.
А как компании вообще допускают ИИ до «производства»? И здесь участники единодушны: ни одна система не может быть внедрена в критически важный процесс без периода «стажировки».
Сергей Белан проводит параллель с вводом нового сотрудника в должность. Прежде чем допустить человека к ключевым задачам, его обучают, проверяют, оценивают результат. С ИИ — та же логика: сначала система работает в паре с человеком, затем допускается к самостоятельной работе в ограниченном контуре, и только после этого — в прод. При этом важно регулярно контролировать качество ее решений. В такой модели ИИ становится помощником ИТ-директора, за которым по-прежнему остается ответственность за корректность и устойчивость системы.
Аналогичный пример можно привести из развития беспилотных автомобилей, где до сих пор не решено, кто несет ответственность за действия системы: производитель машины, разработчик ПО или конечный пользователь. И это одна из причин, почему такие технологии не получили массового распространения. В качестве метафоры Руслан Гайнанов вспомнил рассказ Роберта Шекли «Страж-птица»: автономная система, изначально созданная для защиты, начинает наказывать даже за действия, не противоречащие человеческой логике, например, за попытку фермера зарезать курицу. За этим следует запуск «птицы-контролера», а затем — контролера над контролером. Рекурсия систем, в которой каждая следующая контролирует предыдущую, но при этом сама уходит из-под контроля, становится парадоксом.
В реальной жизни, как отмечают участники, избежать этой бесконечной иерархии можно только одним способом: за каждую внедренную ИИ-систему должен отвечать конкретный человек. Не ИИ, не разработчик модели, не подрядчик. А тот, кто допустил ее к работе, внедрил в процесс и утвердил ее результаты.
ИИ и персональные данные
Информационная безопасность и обработка персональных данных — та область, где внедрение генеративного ИИ превращается из эксперимента в зону повышенного риска. Особенно если дело касается колл-центров, где модели обучаются на реальных разговорах клиентов, а значит, работают с объемами К2.
В таких случаях, как поясняет Александр Крушинский, первое решение — максимально локализовать систему. Генеративные модели разворачиваются внутри корпоративного контура, где нет внешнего доступа. Но это требует значительных GPU-ресурсов, к которым компании не всегда готовы — как финансово, так и организационно.
Проблему усугубляет соблазн использовать облачные решения, которые дешевле и проще в запуске. Чтобы снизить риски, предлагается промежуточное решение — нейросетевые анонимизаторы. Эти модели вычищают персональные данные перед отправкой запроса в облако, а при необходимости восстанавливают их обратно. Такой подход позволяет анализировать документы или счета без передачи чувствительной информации.
Однако, как подчеркивается, даже при использовании генеративного ИИ требования по контролю доступа, ролевым моделям и аудиту никто не отменял. «ИИ не освобождает от 152-ФЗ», — считает Александр. Поэтому привычная для ИБ-инфраструктура — с разграничением прав, логированием, маскированием и шифрованием — должна сохраняться.
Для многих компаний вопрос упирается в бюджет. Андрей Власенко признает: формально запрос на размещение Гигачата внутри контура есть, но в реальности обосновать его затруднительно. Собственная инфраструктура требует не только лицензии, но и закупки дорогостоящего оборудования.
В случае с биржей, как рассказывает Сергей Белан, масштаб и чувствительность данных делают вопрос особенно острым. Персональная информация клиентов обрабатывается в больших объемах, поэтому ИИ-система размещена либо в защищенном облаке, либо внутри компании, с обязательным набором ИБ-средств: от сетевых экранов до SIEM и антивируса.
ИИ в бюджете-2026
Планы на следующий бюджетный год показали: искусственный интеллект все чаще рассматривается как средство для решения конкретных, измеримых задач, а не как витрина цифровой трансформации.
В компании «Ультрамар» среди приоритетов на 2026 год продолжение развития машинного зрения на производстве. В фокусе — контроль целостности конвейерных лент и эффективность работы погрузчиков и манипуляторов. В дополнение еще идея внедрить Гигачат как инструмент для предварительной проверки договоров, но только в рамках четко очерченного сценария.
Основной упор в планах Белорусской товарной биржи делается на развитие уже действующих решений и подготовку коммерческих проектов, которые смогут масштабироваться на уровень России и Беларуси. Приоритет остается за машинным зрением и интеллектуальной аналитикой отклонений.
Андрей Власенко смотрит на ИИ с позиции локального бизнеса. В ближайших планах — протестировать анализ звонков в небольшом колл-центре: вручную все прослушать уже невозможно. Также обсуждается возвращение к проекту видеоаналитики, реализованному ранее без нейросетей. Тогда система с тегами и интеграцией в ERP позволяла отслеживать конфликтные ситуации при отгрузке. Потенциал ИИ видится в ускорении и автоматизации, но пока это — вопрос не бюджета, а готовности обосновать эффективность.
Почти никто из участников не говорит об ИИ как о флагманской статье расходов. В 2026 году его место рядом с производственными задачами, где автоматизация дает прогнозируемую экономию, и только при наличии убедительного TCO. Массовая трансформация отступает, а на смену ей приходит осторожная, прагматичная адаптация.
В компании «НордСтар» планируют прежде всего оценить эффект от текущего пилотного проекта. Только после этого будет принято решение, развивать ли направление дальше. При этом команда хочет использовать приобретенную экспертизу и попробовать внутри компании запустить сервисную функцию на базе закрытой генеративной модели — уже не как витрину, а как полезный ИТ-инструмент.
В нейроориентированном бизнесе тоже ставят на инфраструктурные шаги. Руслан Гайнанов рассказывает о запуске двух платформ: маркетплейса ИИ-инструментов и портала нейросотрудников. Идея — создать пространство, где можно делиться наработками и применять их через сотрудников, усиленных ИИ-помощниками. В планах также развить отдельное направление, связанное с аудитом и сертификацией подобных решений, включая соответствие требованиям по защите персональных данных. Это шаг от технологий к доверию и зрелости рынка.
Образовательный сектор идет своим путем — через эксперимент. Во ВГИКе после запуска первой образовательной программы по ИИ в кино в 2026 году акцент сместится на генеративную музыку и мультимедиа. В планах — разработка методик, курсов и кейсов, позволяющих внедрять ИИ в творческие процессы. Одним из таких кейсов станет «нейроальманах» — цикл короткометражек о космосе, где весь процесс, от сценария до постпродакшна, будет выполнен ИИ. Однако даже в этой среде сталкиваются с ограничениями. Одна из задач — добиться стабильности в генерации: как сделать так, чтобы один и тот же персонаж сохранялся из кадра в кадр, а не «перерисовывался» заново каждый раз. Для этого, по мнению команды, необходимо запускать модель на собственных мощностях, но такие ресурсы пока доступны не каждому вузу. Разворачивание и обучение своих нейросетей остается дорогой, пусть и крайне интересной целью.
В сфере работы с контентом ИИ начинает решать совсем не технические, а редакционные задачи. По словам генерального директора Олега Марсавина, команда IT World в ближайшее время планирует разработать инструменты для анализа пресс-релизов, присылаемых внешними пиар-службами. Многие из них, по его наблюдению, уже создаются нейросетями — шаблоны, повторы, одинаковые обороты. Пока это определяют вручную, но стоит задача перевести анализ на технологические рельсы. Еще один вектор — создание помощников, которые помогут «упаковывать» публикации под поисковые алгоритмы и пользовательские предпочтения. Это должно ускорить редакционный цикл и повысить видимость материалов в сети.
На стороне вендоров тренд куда масштабнее. Александр Крушинский говорит о переходе от обычных LLM к агентным ИИ-системам, которые могут действовать самостоятельно, многократно и поэтапно. В отличие от простых чат-ботов, такие агенты способны планировать серию действий и выбирать нужные инструменты для их выполнения. «Речь не о реакции, а об автономии — нейросеть сама решает, как и чем дойти до результата», — подчеркивает он. В этом направлении сейчас развивается целая инфраструктура: в том числе протокол MCP, синхронизирующий ИИ с внешними сервисами вроде Google Drive, CRM, ERP. В планах BSS на 2026 год — внедрить такую функциональность в свои продукты и предложить клиентам «настраиваемых агентов» для реальных бизнес-задач.
Так, к началу нового бюджетного цикла ИИ-инициативы перестают быть экспериментами ради экспериментов. У кого-то они касаются производственных цепочек, у кого-то — медиа, у кого-то — клиентских сервисов. Но везде звучит одна интонация: ИИ — это уже не просто хайповая витрина, а рабочий инструмент, которому пора доказывать свою пользу делом.