Инвестиция в будущее: какие ИИ-решения станут драйверами развития

11 августа 2025

Автор: Денис Хлебородов, основатель и генеральный директор Cloud X

От эксперимента – к зрелым стратегиям

Искусственный интеллект перестал быть экспериментом – сегодня он занимает место полноценного бизнес-инструмента.

Крупные международные мероприятия, посвященные ИИ, такие как Dubai AI Festival 2025 продемонстрировали в этом году зрелость глобальной ИИ-повестки: акценты сместились с вопросов типа «что может ИИ» к глубокому обсуждению того, как ИИ меняет экономику, политику, промышленность и управление, как оценивать эффекты и нивелировать риски.

75–79 % компаний по всему миру внедрили ИИ хотя бы в одну бизнес-функцию. В России эта цифра составляет 54 %. Ожидается, что к 2026 году темпы внедрения ИИ ускорятся, но спрос со стороны бизнеса ощутимо трансформируется.

Запрос бизнеса концентрируется на осязаемых бизнес-эффектах. В фокусе прикладные вопросы: какова эффективная стратегия внедрения, каков горизонт окупаемости, какова повторяемость кейсов?

В чем ценность ИИ

Согласно данным AI Index Report, 42 % компаний отмечают снижение затрат и 59 % – рост выручки после внедрения ИИ.

В России 77 % компаний, внедривших ИИ-решения, фиксируют положительный эффект, свидетельствует аналитика Национального центра развития ИИ. Речь идёт о таких метриках как:

рост производительности труда,
оптимизация логистики и производственных процессов,
повышение качества продукции за счёт мониторинга и предиктивной аналитики,
снижение операционных издержек и потерь от простоев.

Лидеры по внедрению

Наиболее активные внедрения происходили в следующих секторах:

В финансовой сфере – для создания алгоритмов для персонализированных рекомендаций, оценки кредитных рисков, отслеживания паттернов мошенничества в режиме реального времени.

Финансовый сектор – лидирующая отрасль по внедрению ИИ: 95 % компаний финансовой отрасли в России уже используют ИИ в своих процессах.

В логистике ИИ-решения помогают рассчитывать лучшие пути доставки с учетом всех факторов, управлять запасами и прогнозировать потребительский спрос.

Например, РУСАЛ использовал ИИ для технологии по контролю за контейнерами. Благодаря ей процесс отправки контейнеров с терминала на загрузку необходимой продукцией теперь занимает несколько минут, а не 30 минут, как было ранее. В основе решения – создание виртуального двойника терминала, где с помощью компьютерного зрения и специального позиционирования отслеживается расположение и идентификационный номер каждого контейнера.

В медицине ИИ применяется для мониторинга состояния здоровья, помощи в постановке диагнозов, анализа большого количества медицинских данных и оптимизации рутинных процессов.

Так, GE HealthCare – международная медицинская технологическая компания, на примере своих заказчиков Nova Scotia Health, Duke University Health System и других отчитывается о существенной оптимизации загрузки госпиталей, в частности снижении простоев и ускорения выписки, повышении качества и безопасности обслуживания.

В промышленности ИИ-решения используются для совершенствования логистических процессов, анализа процессов на производстве и прогнозирования дефектов оборудования.

Хотя на сегодня лишь у 37% промышленных предприятий по всему миру есть опыт применения искусственного интеллекта (ИИ) в производственных и операционных процессах, на горизонте двух лет именно на внедрение ИИ промышленные предприятия делают ставку.

В ритейле и электронной коммерции с помощью ИИ создаются персонализированные рекомендации, динамическое ценообразование.

Например, Amazon применяет ИИ более 30 лет, и по мере зрелости технологии перестают восприниматься как ИИ – они становятся операционным стандартом. Постепенно в электронной коммерции искусственный интеллект становится незаметной, но фундаментальной частью всего бизнеса: от персонализированных рекомендаций и борьбы с «тиранией выбора» до прогнозирования спроса, логистики и выявления мошенничества.

Вам также может быть интересен материал Компас CIO:

Как 100 ИТ-директоров крупных компаний создают и покупают решения Gen AI в 2025 году

Реальный опыт коллег: как обосновать бюджет на ИИ перед руководством, какие поставщиков выбирают для критических задач и как измеряют ROI. Конкретные инсайты о том, что работает, а что нет - на основе опыта ИТ-директоров из 15 отраслей, включая финансы, ритейл и промышленность.

Ключевые критерии отбора ИИ-решений в 2025 году

По данным отраслевых опросов, бизнес ориентируется на четыре главных признака «приоритетных» ИИ-инициатив:

Экономический эффект – измеримая выгода: снижение затрат или рост выручки.
Высокая финансовая эффективность – высокий NPV, быстрый ROI, низкий CAPEX.
Подтверждённые кейсы – отраслевые примеры с доказанной отдачей.
Возможность пилота (MVP) – запуск решений с минимальными затратами и быстрым циклом обратной связи.

Какие ИИ‑технологии будут востребованы

Компании смещают фокус с точечных сервисов к универсальным ИИ-платформам и инструментам с глубоким проникновением в инфраструктуру:

NLP и компьютерное зрение: в промышленности и логистике они используются для обработки документации, обнаружения дефектов, контроля техпроцессов.
ИИ-ассистенты: ускоряют выполнение рутинных задач, особенно в офисных функциях.
Платформы для обучения и инференса: облачные и гибридные среды, в т.ч. с приватной инфраструктурой.
ИИ для разработчиков и аналитиков: инструменты, помогающие генерировать код, искать ошибки и анализировать данные.
Интеллектуальные поисковые системы и семантические движки – всё чаще становятся частью внутренней ИТ-экосистемы.

Условия успеха внедрения

Компании, добившиеся реального эффекта от ИИ, демонстрируют несколько общих признаков:

Интеграция в бизнес-процессы, а не просто автоматизация одного участка.
Облачная гибкость, позволяющая масштабировать решения без CAPEX-нагрузки.
Сильная цифровая стратегия, где ИИ не фрагмент, а элемент архитектуры роста.

Как это может выглядеть на практике?

Например, внедрение системы мониторинга и предиктивной аналитики на ТЭЦ – это не задача внедрения ML, а задача модернизации IT-архитектуры в рамках комплексной стратегии. Эффективное решение на практике выглядит так: проведен аудит и оптимизация существующих информационных систем и несинхронизированного, разрозненного ПО. Создан цифровой двойник ТЭЦ, внедрена архитектура IoT. Все технические данные о работе оборудования и инженерных систем теперь поступают в единое озеро данных для глубокой аналитики на базе ML-моделей. Внедрены системы аналитики и визуализации данных в реальном времени, что в разы повышает эффективность диспетчеризации ТЭЦ.

Барьеры и риски

Инфраструктурные ограничения – Инфраструктура касается не только специализированных центров обработки данных, где решены вопросы теплоотведения и электроснабжения, ландшафтов распределенных вычислений с применением графических карт, но и построения граничной инфраструктуры для инференса, кеширования данных и Интернета вещей. В случае использования собственной приватной инфраструктуры компании могут понести большие капитальные затраты на создание специализированных дата-центров и необходимой программно-аппаратной инфраструктуры.
Дефицит кадров и MLOps-специалистов – особенно остро стоит задача обучения и удержания команды.
Отсутствие аннотированных наборов данных – тормозит обучение моделей и реализацию ИИ на реальных производственных данных.
Сложность построения и защиты бизнес-кейса. Если оценивать выгоду от внедрения ИИ-решений по-отдельности, инициативы могут казаться малорентабельными, особенно если требуют значительных вложений в инфраструктуру.

Для адекватной всесторонней оценки необходимо выстраивать скоординированную цифровую стратегию, с учетом внедрения ИИ в бизнес-функции. Такой подход позволит максимизировать отдачу от инвестиций в искусственный интеллект.