Почему российский бизнес отказывается от использования ИИ?
Совместное исследование «Инфосистемы Джет» и Smart Ranking, выявило любопытный парадокс. ИИ-технологии давно стали рутиной, но все же осталась невидимая граница, за которую не решаются заходить российские компании. К слову, мешают развитию даже не высокие требования к «железу» или плохо проработанные законы, а элементарное отсутствие денежной отдачи и страх перед самостоятельностью машин. Давайте разберемся, почему сейчас компании предпочитают использовать ИИ-инструменты самым примитивным образом.
Все играют, но никто не рискует
Аналитики опросили пятьдесят две крупных компании, в которых трудятся почти полмиллиона человек (450 тысяч сотрудников), и распределили их по пятиуровневой шкале ИИ-зрелости. Лестница выглядит так: от простого изучения технологии до внедрения автономных мультиагентных систем.
Итог получился немного неожиданным. Оказывается, что 46% компаний уже эксплуатируют большие языковые модели (LLM), а еще 40% проводят пилоты. Однако как только речь заходит о настоящей автономии — интеллектуальных ботах и агентах, которые принимают решения без человека, — цифры резко падают. Например, полуавтономных агентов пытаются внедрить 44%, но лишь 15% решили использовать их постоянно. А полностью автономные системы, способные действовать самостоятельно, есть только у 8% опрошенных. Иными словами, бизнес освоил «умные» чат-боты, но до создания полноценных ИИ-сотрудников ему еще далеко.
Кто быстрее, кто умнее, а кто системнее
Любопытно, что разрыв между отраслями по уровню зрелости оказался минимальным. Средний балл по стране — твердая «троечка» из пяти. При этом с небольшим отрывом вперед вырвались компании из сферы торговли, логистики и сервиса (3,3 балла). В этой группе больше всего восприимчивых к инновациям руководителей, которые быстрее тестируют гипотезы и запускают повторяющиеся сценарии в работу.
Финансовый сектор выглядит иначе. Здесь подход более формализованный: больше контроля, логирования и жестких управленческих правил. В реальном секторе (промышленность, производство) ИИ жестко привязан к конкретной инженерной задаче. А вот ИТ-компании и технологический бизнес оказались самыми гибкими, используя нейросети для самых разных целей.
Главный стоп-кран
Почему же проекты не переходят из стадии «поигрались» в стадию «работает»? Главная причина оказалась банальной и весьма циничной: бизнес просто отмечает отсутствие устойчивого экономического эффекта. Так ответили 46% респондентов. Проект может быть красивым технически, но если он не приносит прибыль или не экономит ресурсы, его сворачивают.
Еще 40% жалуются на нехватку экспертов по внедрению и на то, что качество работы моделей оставляет желать лучшего. Интеграция с устаревшим ИТ-ландшафтом и вопросы кибербезопасности замыкают топ проблем. Причем внешние барьеры тоже давят: 58% компаний пугает стоимость вычислительных мощностей (GPU) и оплата сервисов, а 56% — юридические риски.
Смешанный подход и зона комфорта
Интересно, что отечественный бизнес уверенно пытается самостоятельно внедрять ИИ-технологии. Только 12% фирм используют исключительно вендорские (платные) решения, а вот открытые модели предпочитают 25%. Абсолютное большинство (62%) выбрали гибридную стратегию, комбинируя открытые и проприетарные инструменты.
Проблема доверия к ИИ
Что касается доверия, то здесь российские компании проявляют разумную осторожность. 60% бизнесов считают допустимым лишь формат рекомендаций, когда ИИ подсказывает, а человек решает. Автоматическое принятие решений при низком риске готовы доверить 40%, а при высоком — только 2%. Список задач, которые охотно делегируют машине, тоже показателен: это безопасные вещи — ответы по базе знаний (94%), подготовка черновиков (87%) и извлечение данных из документов (87%). А вот допустить нейросеть к изменению данных в системах CRM и ERP согласна лишь пятая часть респондентов.
Основные причины и ошибки мешающие полноценному внедрению ИИ
Финансовый и инфраструктурный барьер
Главная причина, по которой пилоты не становятся рабочими инструментами, как уже отмечалось, отсутствие экономического эффекта. Проекты запускают, но не могут доказать их окупаемость. При этом стоимость вычислительных мощностей (GPU) и платных сервисов называют критическим препятствием 58% компаний. Ошибка здесь – стартовать без четкого расчета ROI* и без плана масштабирования, что приводит к заморозке даже технически удачных решений. К этому добавляется и сложность интеграции с устаревшим ИТ-ландшафтом, что делает внедрение долгим и дорогим.
Кадровый голод и нестабильность моделей
Дефицит экспертов, способных не просто запустить нейросеть, а встроить ее в бизнес-процессы, отмечают 40% респондентов. Еще столько же жалуются на нестабильное качество самих моделей – они могут давать сбои или «галлюцинировать». Ошибка многих организаций – переоценка готовности ИИ к реальной работе и недооценка необходимости собственной команды, которая будет дообучать и контролировать систему, а не просто покупать готовое API.
Управленческие и юридические риски
Высокий уровень недоверия к автономии – бизнес готов делегировать ИИ лишь безопасные задачи вроде подготовки черновиков, но не допускает его к изменению данных в CRM или принятию решений при среднем и высоком риске. Это сдерживает переход к агентным системам. Юридические риски (56%) и нехватка внутренних регламентов контроля – еще одна причина, почему компании предпочитают оставаться на уровне чат-ботов. Ошибкой становится запуск пилотов без предварительной проработки правовых аспектов и без системы логирования действий ИИ, что в итоге тормозит одобрение со стороны руководства и юристов.
Как решить проблемы внедрения ИИ?
Смена подхода к экономике проектов
Чтобы побороть главный стопор – отсутствие экономического эффекта, стоит перейти от пилотов «ради интереса» к пилотам с жесткими KPI. Перед запуском необходимо четко определить конкретные цели, такие как экономия времени сотрудников, снижение числа ошибок или рост конверсии. Причем эффект нужно считать не в вакууме, а с учетом затрат на дообучение моделей и аренду мощностей. Компании, которые начнут с малого, но измеримого сценария (например, автоматизация ответов на типовые вопросы), смогут быстрее накопить статистику и оправдать перед руководством дальнейшие вложения.
Разумное управление инфраструктурой и данными
Проблему дорогих GPU и сложности интеграции можно решить не покупкой своего «железа», а гибкими облачными решениями с оплатой по факту использования. Это снизит порог входа. Что касается качества моделей и их капризности, здесь путь – в создании внутреннего корпоративного «хаба знаний». Вместо того чтобы использовать сырые открытые модели, компании стоит заняться очисткой и структурированием собственных данных, а также внедрением системы RAG**, когда ИИ ищет ответы в проверенной базе знаний, а не галлюцинирует на пустом месте. Это требует времени, но повышает надежность и доверие к системе.
Пересмотр кадровой политики
Дефицит экспертов – объективная реальность. Но не обязательно искать дорогих специалистов на каждую задачу. Разумнее вырастить внутренних «промпт-инженеров» из числа действующих ИТ-специалистов и бизнес-аналитиков. Они знают специфику компании и смогут формулировать запросы для моделей на понятном языке. Также полезно привлекать внешних консультантов не для полного внедрения, а для аудита процессов и обучения собственной команды.
Управление рисками и автономией
Боязнь доверить ИИ изменение данных или принятие решений можно нивелировать с помощью многоступенчатого контроля. Начать стоит с простейшего взаимодействия, когда ИИ предлагает решение, а оператор его утверждает. Постепенно, по мере накопления статистики безошибочной работы, можно повышать уровень автономности для низкорисковых операций. Также важно разработать внутренние регламенты и провести юридический аудит, чтобы выяснить реальные риски штрафов и защитить компанию от возможных исков.
Отраслевая стратегия
-
Финансовому сектору, который любит формализм, стоит уделить больше внимания автоматизации отчетности и комплаенс-контролю, где ИИ может работать как суперкалькулятор.
-
В торговле и логистике можно активно масштабировать уже работающие сценарии, такие как прогнозирование спроса и оптимизация маршрутов.
-
У реального сектора, вероятнее всего, получится интегрировать ИИ с промышленным интернетом вещей, чтобы предсказывать поломки оборудования.
-
А у ИТ-компаний есть возможность использовать ИИ-агенты для написания кода и тестирования, что уже дало доказанный эффект.
В итоге, если вместо погони за модными мультиагентными системами сконцентрироваться на «закрытии гештальтов» в трех-четырех повторяющихся сценариях с высокой частотой использования, можно добиться стабильного эффекта, и тогда доверие к технологии вырастет само собой.
Между тем, аналитики прогнозируют, что в ближайшие два года рынок пойдет по пути наименьшего сопротивления, фокусируясь на направлениях с уже доказанным эффектом. Быстрее всего в эксплуатацию пойдут ИИ-боты использующие корпоративные базы знаний, инструменты для разработчиков и агенты поддержки клиентов, однако массовый переход к полноценному ИИ-менеджменту пока откладывается до лучших времен и появления более зрелых технологий.
* финансовый коэффициент, который показывает окупаемость и прибыльность вложенных в проект или бизнес средств.;
** технология, которая помогает нейросетям отвечать на вопросы точнее, используя внешние базы знаний и документы.
Опубликовано 27.08.2026
