Пятикратный рост и пилотный тупик: что стоит за цифрами российского рынка ИИ?
Рынок генеративного ИИ в России вырос впятеро: с 13 млрд рублей в 2024 году до 58 млрд по итогам 2025-го, подсчитали аналитики Onside и Just AI. К 2030 году прогнозируют, что он достигнет 778 млрд при среднегодовом росте около 68%, правда, с оговоркой, что такой сценарий реализуется только при успешном масштабировании существующих пилотных проектов в ближайшие два года.
Я работаю с машинным обучением и языковыми моделями с 2018 года, и здесь есть что разобрать: какая часть этого возможного роста основана на реальных сдвигах, а какая приходится на бюджеты, которые еще не дали измеримого эффекта. Действительно ли 71% крупных компаний используют ИИ в бизнес-процессах или это только проба пера? Где проходит граница между импортозамещением софта и зависимостью от иностранного «железа»? И почему регулирование может повторить ошибку принудительного замещения?
Ажиотаж отразился в бюджетах компаний, но пока не принес отдачи
Я хорошо помню, как выглядел рынок в 2018-м: единичные проекты, скепсис заказчиков, отсутствие готовой инфраструктуры. Сегодня картина радикально изменилась. По данным совместного исследования «Якова и Партнеров» и «Яндекса», 71% крупных российских компаний уже использует ИИ хотя бы в одной бизнес-функции. Честно говоря, я уверен, что значительная часть этих внедрений — пилоты, которые еще только пытаются выйти в продакшен. Мы в той фазе, когда хайп уже трансформировался в бюджеты, но эти бюджеты еще не дали понятного экономического эффекта.
Рынок продолжит расти, но переживет фазу болезненной трансформации. Далеко не все пилоты доберутся до конечного пользователя. Многие компании запускали их под давлением тренда, без внятной экономической модели и без готовности перестроить процессы с учетом ИИ. Те, кто подходил к внедрению как к инженерной задаче с набором метрик, останутся и будут масштабироваться. Те, кто работал больше с пресс-релизами и красивыми отчетами, понемногу свернут проекты в течение ближайших года-полутора.
Банки впереди всех, в госсекторе темпы тоже растут
Лидер по объему внедрений и их зрелости — финансовый сектор. На банки и страхование к концу 2025 года приходилась примерно пятая часть рынка генеративного ИИ — около 12 млрд рублей. Это закономерно, ведь у банков накоплены огромные данные и есть культура работы с моделями — они первыми пошли в машинное обучение, построили инфраструктуру, адаптировали процессы. И главное, у них понятная и экономически измеримая отдача от автоматизации. Следом идут ИТ с оборотом около 7 млрд рублей и ретейл с 6 млрд. В ИТ генеративные модели стали обычным рабочим инструментом разработчика, ускоряя написание и ревью кода. В ретейле ИИ используется для персонализации предложения, прогнозирования спроса, управления ассортиментом. Еще около 3 млрд приходится на телеком.
Отдельная история — государственный сектор, где ИИ внедряется в рамках нацпроекта «Экономика данных и цифровая трансформация государства». Одни только ИИ-агенты на портале «Госуслуги», по официальным оценкам, экономят порядка 15 млрд рублей в год. В Росреестре алгоритмы анализируют данные кадастра и выявляют незарегистрированные объекты в объемах, недостижимых при ручной обработке.
Самый массовый сценарий применения ИИ сегодня — обработка естественного языка: чат-боты, ассистенты поддержки, автоматизация документооборота, извлечение данных из неструктурированных документов. В сфере промышленности и безопасности прочно закрепилось использование компьютерного зрения для контроля качества на производстве, видеоаналитики, распознавания технологических нарушений и подозрительного поведения. Самый перспективный, но при этом пока наименее зрелый сегмент — автономные ИИ-агенты, которые выполняют сложные задачи, выходя за рамки простого ответа на запрос пользователя.
Экосистемы, интеграторы и лишние звенья
Ядро рынка формируют технологические экосистемы, у которых есть собственные большие языковые модели, вычислительная инфраструктура и доступ к данным. Это Сбер с линейкой GigaChat и «Яндекс» с семейством YandexGPT. По открытым данным, GigaChat обслуживает более 15 тысяч бизнес-клиентов, YandexGPT обрабатывает порядка 2,9 млрд запросов в год. Следом подтягиваются телеком-операторы и их ИТ-подразделения, «T-технологии» и другие компании, выстраивающие ИИ-направления вокруг основного бизнеса.
Помимо вендоров фундаментальных моделей, есть широкий круг компаний-внедренцев, интеграторов и нишевых разработчиков, которые создают узкие прикладные решения под конкретные отрасли — медицинский ИИ, промышленное компьютерное зрение, юридические и финансовые ассистенты. Именно их успехи определят зрелость рынка в ближайшие годы. Сегодня фундаментальную модель можно подключить через API за несколько дней, а вот превратить ее в работающий продукт в контуре конкретного предприятия — с учетом данных, процессов и требований безопасности — это сложная инженерная задача, и качество результата здесь может различаться на порядок.
Я бы предостерег от использования агрегаторов, перепродающих доступ к чужим моделям: для бизнес-интеграции это лишнее звено, создающее дополнительные риски для данных и ухудшающее экономику проектов.
Софт свой, «железо» чужое
На уровне программного обеспечения и больших языковых моделей импортозамещение в значительной степени состоялось, причем не из-под палки регуляторов, а по объективным причинам. Российские LLM по качеству работы с русским языком, отечественным законодательством, нашими ГОСТами и специфическими формами документов на профильных задачах не уступают западным, а в ряде сценариев превосходят их, поскольку были обучены на более релевантных данных. Западные облачные модели компаниям, работающим с критической информационной инфраструктурой, необходимо полностью исключить по соображениям безопасности и в соответствии с требованиями регулятора, то есть отечественные решения для них — единственный легальный выбор. Но не следует забывать, что под капотом большинства российских моделей — зарубежные с открытым исходным кодом.
Главная и пока не решенная проблема — не в софте, а в «железе». Обучение и эксплуатация больших моделей требуют мощных графических ускорителей и высоконагруженных серверов, и здесь зависимость от зарубежных производителей остается критической. Дефицит и дороговизна GPU, а также ограничения по строительству новых ЦОДов, связанные с дефицитом электроэнергии, — главное физическое ограничение рынка ИИ. Компании все чаще уходят в облачные сервисы российских провайдеров, которые берут инвестиции в инфраструктуру на себя. Дефицит «железа» подталкивает рынок к сервисной модели потребления. Полноценное импортозамещение на аппаратном уровне — задача не на один год, и в среднесрочной перспективе это все равно останется узким местом.
Четыре вызова, которые не решаются технологиями
Первый и главный вызов — в том, что ИИ не является «коробочным» продуктом, это проект, нацеленный на радикальное изменение бизнес-процессов. За годы работы в роли директора по цифровой трансформации я видел десятки внедрений, и причиной провала почти никогда не становилась выбранная технология. Провал терпели проекты, где ИИ пытались встроить в старые привычные процессы, ожидая, что модель «сама все исправит». LLM ускоряет хорошо выстроенный процесс, но в плохо выстроенном лишь усиливает накопившийся хаос. Так что первым и самым важным условием успешного внедрения должна быть готовность бизнеса перестроить процессы под новые возможности, а не попытка влить новый инструмент в «старые мехи».
Второй вызов — кадры. Дефицит специалистов по данным и инженеров по машинному обучению давно стал общим местом, но острее всего ощущается нехватка тех, кто умеет довести модель от лабораторного прототипа до промышленной эксплуатации в реальном корпоративном контуре. Таких людей на рынке единицы, и спрос на них продолжает опережать предложение.
Третий — измеримость. Огромное число пилотов запускается без заранее определенных метрик успеха, и поэтому потом никто не может точно сказать, принес ли проект пользу. На уровне ТЗ это решается несложно: ключевые показатели — экономия времени, снижение издержек, рост конверсий — и сроки их достижения фиксируются до старта. Проблема в том, что в процессе реализации про эти договоренности быстро забывают.
Четвертый и часто недооцениваемый вызов — безопасность ИИ-систем. Модель, интегрированная в корпоративный контур, становится новой входной точкой для кибератак: через нее можно вытащить чувствительные данные, ею можно манипулировать через специально сконструированные запросы. Внедрение ИИ должно идти рука об руку с уточнением и контролем модели угроз для самой ИИ-системы, иначе компания, избавляясь от одних рисков, взамен получает другие, не менее серьезные.
Как не повторить ошибку принудительного импортозамещения
Сегодня регулирование ИИ в России состоит из нескольких разнородных элементов. Существует рамочная Национальная стратегия развития ИИ до 2030 года, механизм экспериментальных правовых режимов (регуляторных «песочниц», которых к 2025 году насчитывалось около полутора десятков), добровольный Кодекс этики в сфере ИИ и отдельный кодекс этики Банка России для финансового рынка. Есть требования ФСТЭК к защите информации в государственных системах, касающиеся в том числе использования ИИ. А еще Минцифры разрабатывает свой законопроект о регулировании систем искусственного интеллекта, но пока он не принят. Фундамент закладывается, но цельной правовой конструкции еще нет.
Рынку нужно такое регулирование, которое решает актуальные задачи, но не убивает возможности развития. Нужно разработать и утвердить понятийный аппарат и классификацию систем ИИ по уровню риска: медицинский диагностический алгоритм и чат-бот для подбора товаров требуют разного подхода. Необходимо четкое распределение ответственности: кто отвечает за вред, причиненный решением, принятым с участием ИИ, — разработчик модели, внедренец или эксплуатант. Без ответа на этот вопрос любой бизнес будет опасаться использовать ИИ в чувствительных областях.
Необходимо сформулировать четкие требования к данным, на которых обучаются модели, и требования к защите самих ИИ-систем. Оптимальный путь — риск-ориентированный подход, при котором жесткость требований пропорциональна потенциальному ущербу, а низкорисковые области применения остаются максимально свободными. Ведь «песочницы» как раз и нужны, чтобы отрабатывать подходы на практике перед тем, как они станут обязательными для всех.
С оглядкой на усиление запретительной риторики и наблюдаемую прямо сейчас «децифровизацию» очень важно, чтобы диалог между бизнесом и регуляторами шел постоянно. Иначе из-за лоббирования интересов нескольких конкретных компаний мы рискуем отстать по использованию ИИ безнадежно — как это уже случалось в других областях, где грубо применялось принудительное импортозамещение.
Опубликовано 10.07.2026
