Где и как сегодня используют ИИ в корпоративной среде

«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 речевого ИИ. Компания BSS — партнер круглого стола и давний игрок в финтехе. «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», основателя «ТИМ ФОРС», 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, начальника управления защиты информации "Белорусской универсальной товарной биржи", обучение ИИ с нуля — затратный и трудоемкий процесс, но может быть оправдан, если речь идет о дальнейшем масштабировании. 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». Целесообразно выбрать комбинированный путь: «Купить российскую разработку, привлечь собственных инженеров и к концу проекта появятся компетенции 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, предлагая именно enterprise-решения, работает с on-premise-развертыванием, используя серверы клиентов, хотя может и онлайн.

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 тысячи 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.

Читайте также

Иван Казарин: «ИИ в РУСАЛе — это команда, процессы и инфраструктура»

В РУСАЛе технологии искусственного интеллекта работают не в вакууме, а в реальном производстве: от мониторинга гранулометрического состава спека до цифрового контроля техники безопасности. Но за каждым ИИ-продуктом здесь стоит не только код, но и методология — со своими стадиями, ролями и метриками. Руководитель направления Data Science Operations Департамента технологий ИИ Иван Казарин рассказал IT-World, как устроен этот процесс изнутри и почему стандартизация важнее гипотез.

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.

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.

На практике, 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.

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.