От экспериментов к автономным системам: сможет ли ИИ трансформировать работу компаний в 2026 году

2025 год на российском ИТ-рынке подтвердил тренд на охлаждение после двухлетнего ралли. Согласно статистике рост составил всего около 3-5% против 32% и 18% в 2023 и 2024 году. Компании переходят в режим оптимизации и осознанного спроса на технологии. А экономическая эффективность и надежность решений стали главными критериями выбора.

Однако на искусственном интеллекте бизнес экономить пока отказывается. По данным исследования АБД и Б1 в прошлом году рынок корпоративного ИИ показал аномальный рост на 21%, что как минимум в 4 раза выше средней «температуры по больнице». Ожидается, что к 2033 году CAGR сохранится на уровне 25%-35%.

Но завершил ли российский крупный бизнес этап пилотов и смогли ли большие языковые модели и ИИ-агенты вытеснить алгоритмические ML-решения? Вместе со специалистами Jet AI Lab разобрались в статье.

От точечных внедрений к росту выше рынка

Зрелость рынка измеряется не только объемом инвестиций, но и долей проектов в продуктивной эксплуатации. По нашим оценкам за год на российском рынке этот показатель вырос с 15 до 40%. Бизнес перестал воспринимать искусственный интеллект как дорогую и не очень полезную игрушку.

Однако в 2025 году большинство крупных компаний в промышленности, финансовом и государственном секторах, ИТ или ритейле тестировали гипотезы и внедряли искусственный интеллект в бизнес-процессы точечно. ROI части проектов стал более прозрачным, и заказчики видят выгоду, выраженную в конкретных цифрах. Тем не менее, в большинстве случаев измерить эффект внедрения ИИ все еще можно только по косвенным признакам. Этот фактор так же сильно влияет на скорость проникновения технологии в бизнес, как и стоимость железа.

«Проблема 62%» и зачем нужны ИИ-лаборатории

В мировой практике уровень вовлечения бизнеса в ИИ-трансформацию можно оценивать как очень высокий. По данным исследования McKinsey, 88% опрошенных компаний внедрили искусственный интеллект для решения хотя бы одной задачи. При этом в части экономических результатов статистика уже не такая оптимистичная. Всего 39% компаний говорят хотя бы о минимальной выгоде реализованных проектов, и только 6% – отмечают значительный вклад ИИ в эффективность и операционную прибыль.

В августе 2025 года вышел разгромный отчет MIT, согласно которому 95% пилотных проектов по внедрению генеративного искусственного интеллекта в компаниях провалились. В докладе говорится, что успеха чаще всего достигают стартапы и крупные компании, четко решающие одну бизнес-проблему.

Итак, языковые модели развиваются, однако бизнес во всем мире при внедрении ИИ сталкивается с похожими проблемами.

Во-первых, это неоправданно дорого делать своими силами. Только создание MVP может занять месяцы, а time-to-market – растягиваться на 10-12 месяцев. При этом разработка требует колоссальных ресурсов на железо и команду без явного возврата инвестиций в обозримом будущем.

Во-вторых, нет экономических результатов – нет понимания, стоит ли продолжать инвестировать в ИИ.

На российском рынке эти проблемы помогают решить специализированные ИИ-лаборатории. Они позволяют быстрее и дешевле получить отдачу от внедрения ИИ, при этом не перегружать команду заказчика и не превращать проекты в «кладбище» прототипов.

Заказчики выбирают лаборатории по четырем причинам:

1. Короткий цикл «сценарий → прототип → MVP». Это позволяет сэкономить время и деньги еще на начальном этапе, а также в сжатые сроки понять потенциальный ROI проекта.
2. Учет рисков. Корпоративная LLM или ИИ-агент by design рассчитаны на работу в управляемом контуре.
3. Интеграции и масштабирование. Большинство лабораторий реализуют проект «под ключ» – даже на этапах интеграции и тиражирования решения вовлечение внутренней команды заказчика минимально.
4. Снижение затрат на оборудование. Большинство лабораторий применяет гибридный подход, при котором ИИ обучается на выделенных GPU, а работает в контролируемой инфраструктуре заказчика.

Какие решения востребованы на рынке

Компании хотят автоматизировать как работу бэкофиса, так и специализированные задачи. В этом бизнесу помогают большие языковые модели и ИИ-агенты.

Разберемся в терминах и особенностях технологий.

Большие языковые модели (LLM)

В потребительском сегменте онлайн-сервисы ассистентов (Алиса от Yandex, ChatGPT, DeepSeek, Perplexity и другие) — уже помогают автоматизировать десятки рутинных задач. Языковые модели выступают в роли «второго пилота» и помогают с саммари объемных документов, брейнштормами, созданием графиков и презентаций, разработкой.

Однако полноценно использовать привычные модели в корпоративном секторе невозможно по трем причинам:

1. Риски информационной безопасности при работе в публичных сервисах
   Любые данные в чате с публичной LLM можно считать в зоне риска утечки. Данные хранятся в памяти модели и при определенных условиях злоумышленники могут их извлечь. Например, скомпрометировать облако публичной модели. В этом случае загруженные в LLM корпоративные данные могут попасть не в те руки.
   Кроме того, никто не отменял человеческий фактор. Последние исследования показали, что в 2025 году российские корпорации в 30 раз чаще «сливали» коммерческую тайну в нейросети. Сотрудники массово загружают служебную документацию в ChatGPT и Gemini для анализа. Юридические же и корпоративные нормы не поспевают за технологиями — 60% компаний до сих пор живут без формализованных правил работы с ИИ.
2. Регуляторные риски
   Российские компании, работающие с объектами критической информационной инфраструктуры, отрезаны от большинства зарубежных ИИ-моделей: те хранят и обрабатывают данные за пределами страны, и это несовместимо с требованиями законодательства. Для остального бизнеса небо вроде бы открыто, но с оговорками: использовать такие сервисы можно, только если не передавать им чувствительную информацию.
3. Функциональные ограничения
   Для полноценной работы искусственный интеллект необходимо адаптировать с использованием корпоративных данных, а также предоставить доступ к ним в режиме реального времени. Однако из соображений безопасности интегрировать общедоступную языковую модель с data-платформой, ERP, CRM или базой знаний не получится.
   В результате ИИ становится «вторым пилотом» с ограничениями: он может помочь сотруднику с базовыми задачами, но без погружения в специфику процессов и знаний компании.

Чтобы получить эффективный инструмент и нивелировать риски безопасности, бизнесу необходим корпоративный GPT, обученный на данных компании и развернутый в локальной ИТ-инфраструктуре.

ИИ-агенты

Основное отличие ИИ-агентов от больших языковых моделей – способность влиять на реальный мир при минимальном участии человека.

LLM — это инструмент, который по запросу пользователя предоставляет необходимую информацию. Когда LLM получает способность планировать шаги, использовать корпоративные инструменты и данные, помнить контекст и работать над контролем правил безопасности, языковая модель становится ИИ-агентом. Он не только отвечает на вопросы, но и самостоятельно выполняет задачи.

При этом роль человека в рабочих процессах сводится к контролирующей – агент вместо сотрудника обращается к сторонним инструментам в корпоративной инфраструктуре.

Компании тестируют три типа ИИ-агентов:

1. Полуавтономные. Самостоятельно формируют план действий и следуют ему, однако на каждом шаге требуют подтверждения человека.
2. Автономные. Выполняют многоэтапные операции без вмешательства сотрудника и самостоятельно инициируют действия на основе заданных сценариев.
3. Мультиагентные системы. Несколько скоординированных агентов для решения комплексных задач.

Кроме того, архитектура агентов включает Multi Step Reasoning (многошаговое рассуждение) и валидацию результатов. Когда задача выполнена, можно проследить цепочку действий и выводов агента и при необходимости скорректировать его логику.

По сравнению с классическими решениями на базе машинного обучения и большими языковыми моделями, ИИ-агенты пока занимают небольшую долю проектов, а кейсы промышленной эксплуатации технологии только появляются.

ИИ-агенты в промышленности и финансах: сценарии применения

Урегулирование страховых выплат

Обработка страховой заявки – многоэтапный и трудоемкий процесс. Клиент подает заявление, прикладывает документы в разных форматах и качестве, а специалист вручную анализирует информацию, проверяет соответствие полиса, рассчитывает покрытие и принимает решение о выплате.

Средний цикл урегулирования для стандартных случаев составляет 1-2 недели, для сложных – от месяца. Операционные затраты возрастают, а недовольство клиента растет.

Решение: полуавтономный агент.

ИИ-агент принимает заявку и параллельно выполняет несколько задач:

1. Извлекает сведения из заявления и приложенных документов, а если они в виде сканов — распознаёт текст автоматически (например, с помощью технологии OCR).
2. Классифицирует тип инцидента.
3. Автоматически сверяет требования клиента с условиями полиса.
4. Для стандартных случаев предлагает автоматическую выплату, для сложных – формирует расчет с флагами для проверки специалистом.

Результаты:

1. Среднее время урегулирования сложных страховых случаев сокращается до 1-2 дней.
2. Типовые случаи закрываются без участия человека за несколько минут. Так, например, благодаря ИИ-сервису клиент на Дальнем Востоке за 5 минут получил выплату по больничному листу.
3. От 20 до 70% рабочего времени сотрудников освобождается на решение сложных страховых случаев. Это позволяет снизить издержки и стоимость операций с экономией сотни миллионов рублей ежегодно.

ИИ-поддержка

К 2025 году около 66% банков и финансовых организаций автоматизировали клиентскую поддержку. Искусственный интеллект классифицирует запросы пользователей и без участия человека отвечает на типовые вопросы. В более сложных случаях – подключает оператора и дает ему подсказки.

ИИ позволяет снизить затраты на первую линию поддержки, но человек все еще играет ключевую роль примерно в 67% запросов.

В чем проблема существующих решений: ИИ-ассистент может поговорить с пользователем. Клиенты от поддержки ждут не разговоров, а решения проблем. Поэтому наиболее популярное сообщение часто – «соедини с оператором».

Решение: полуавтономный агент.

Агент полностью берет на себя коммуникацию с клиентами:

1. Определяет тип запроса.
2. Рассуждает, сверяется с внутренними базами знаний и регламентами, планирует действия.
3. В зависимости от запроса пользователя самостоятельно решает проблему. Например, переводит средства на другую карту.
4. В наиболее сложных случаях подключает оператора.

Результаты:

1. Снижает нагрузку на службу поддержки: в среднем около 45% запросов разрешаются без участия оператора. В некоторых кейсах показатель может достигать 85-90%.
2. Растет точность и скорость ответов.
3. Уровень удовлетворенности клиентов растет в среднем до 85%.

Восстановление и сверка конструкторского состава изделия

Конструкторская документация и информация в системе управления данными об изделии (PDM) нередко имеют существенные различия, и при подготовке к производству конструкторы, технологи и PDM-операторы вынуждены вручную сверять источники.

Проблемы «ручного режима»:

1. Высокие трудозатраты: сверка суммарно требует несколько часов времени сотрудников.
2. Потери из-за человеческого фактора: ошибки ручного ввода задерживают производство.
3. Несистемность работы с данными: актуализация документации скорее реактивная, процесс приходится регулярно повторять.

Решение: ИИ-агент для восстановления и сверки конструкторского состава изделия.

Искусственный интеллект берет на себя рутину конструкторов, технологов и операторов PDM:

1. Извлекает информацию из файлов и сканов конструкторской документации, в том числе с помощью технологии OCR.

2. Сверяет ее с системой управления данными об изделии (PDM).

3. Отправляет результаты ответственным сотрудникам: подсвечивает расхождения и предлагает принять, отклонить или исправить их.

Результаты:

1. Ускоряется подготовка к производству: автоматическая сверка конструкторской документации не приводит к задержкам и потерям.
2. Растет качество данных в PDM-системе, снижается вероятность ошибок ручного ввода.
3. Продуктивность сотрудников повышается на 10-15%: автоматизация рутины позволяет переключиться на приоритетные задачи.

Видео-аудит безопасности и SOP

Системы видеоконтроля производства и методология SOP (Standard Operating Procedures) часто существуют отдельно друг от друга. Специалисты по безопасности или операционные менеджеры вынуждены анализировать видеозаписи вручную.

Проблемы ручного аудита:

1. Высокие временные затраты. Анализ видеозаписей занимает дни у целой команды аудиторов и операционных менеджеров.
2. Операционные риски из-за недостаточной полноты анализа и субъективных оценок.
3. Несистемность аудита. Проверки проводятся периодически и не охватывают все рабочие смены и процессы.

Решение: ИИ-агент для видео-аудита безопасности и SOP.

Искусственный интеллект в реальном времени выполняет роль аудитора:

1. Обрабатывает видеопоток с камер видеонаблюдения и анализирует действия сотрудников с помощью технологии компьютерного зрения (Computer Vision).
2. Сравнивает зафиксированные операции с заложенными при обучении стандартными процедурами (SOP).
3. Отправляет ответственным сотрудникам детальный отчет, в которых детально фиксирует обнаруженные нарушения.

Результаты по опыту проекта Jet AI Lab в нефтегазовой отрасли:

1. Непрерывный контроль операций.

2. Снижается число критических происшествий. Отклонения от стандартов пресекаются на ранних стадиях, и потери компании минимизируются.

3. Производительность аудиторов растет на 40-50%: автоматизация рутины позволяет сфокусироваться на стратегических инициативах и критических инцидентах.

ИИ-агенты становятся ключевой технологией на мировом рынке. По прогнозам Gartner к концу 2026 года в 40% приложений для бизнеса будут интегрированы со специализированными ИИ-агентами. А к 2029 году 70% компаний развернут агентский искусственный интеллект в ИТ-инфраструктуре.

Прорывом аналитики называют мультиагентные системы, которые помогут не просто трансформировать существующие процессы, а создать новые сценарии взаимодействия человека и ИИ.

Ожидаем, что в России по прогнозам 2026 год станет переходным: от экспериментов к первым промышленным внедрениям. Однако массовое внедрение агентского искусственного интеллекта возможно только в 2027 году, когда компании преодолеют барьеры качества данных, кадров и инфраструктуры.

Проконсультироваться и получить комплексный проект ИИ-трансформации уже сейчас можно на сайте Jet AI Lab.