Российский бизнес готов к ИИ на словах, но не рублём

Российские компании массово внедряют искусственный интеллект, но выделять на него серьёзные деньги не спешат. По данным «Технологий Доверия», 53% представителей бизнеса направляют на ИИ-проекты не более 3% инвестбюджета, при этом 86% компаний уже используют технологию, а 63% уверены, что игнорирующие её организации потеряют конкурентоспособность за пять лет.

Исследование построено на опросе более 1000 представителей бизнеса и интервью с руководителями «Сбера», ВТБ, Альфа-банка, «Яндекс Финтеха», Yandex Cloud и «Точка Банка». Картина получилась парадоксальная — ИИ признают обязательной технологией, а тратить на него готовы по остаточному принципу, сообщает Forbes.

Большинство компаний застряло на второй из пяти стадий развития ИИ — переход от простого инструмента к ассистенту, затем к исполнителю, автономному агенту и мультиагентной системе. Ассистент напишет письмо, подготовит отчёт, обработает документ. Автономный агент должен сам получить задачу, обратиться к корпоративным системам, принять решение и отчитаться о результате.

Для полноценной работы агента одного доступа к языковой модели мало. Нужны:

• интеграция с ERP и CRM, корпоративные базы знаний, API;
• система идентификации агентов и разграничение прав;
• аудит действий, защита данных, механизм аварийной остановки;
• переобучение сотрудников и постоянный мониторинг работы.

Стоит обратить внимание, что пока российские компании выбирают локальные сценарии — ИИ становится помощником конкретного сотрудника, но редко управляет полноценным бизнес-процессом.

Появляется феномен «партизанского» внедрения. Сотрудники сами пользуются публичными нейросетями, создают ботов, автоматизируют операции без централизованной стратегии. Плюс очевиден — стартовать можно без многомиллионных инвестиций. Минус тоже — руководство не знает, какие модели работают в компании и какие корпоративные данные туда уходят.

Для российских пользователей это оборачивается прямыми рисками. Персональные данные клиентов российских банков, страховых компаний и ритейлеров могут попасть в зарубежные ИИ-сервисы через сотрудников, которые загружают туда клиентские базы для быстрой обработки. Утечка через shadow AI не отслеживается стандартными системами защиты периметра.

Мировой бизнес тоже не спешит отдавать агентам ключи. По данным McKinsey, к концу 2025 года 62% компаний экспериментировали с ИИ-агентами, но только 23% масштабировали хотя бы одну агентную систему.

Три процента бюджета не позволяют построить полноценную ИИ-инфраструктуру. Сама нейросеть — не самая дорогая часть проекта. Основные расходы возникают вокруг неё — подключение источников данных, приведение информации к машинно-читаемому виду, создание API, настройка прав доступа, безопасность, тестирование.

Интересно, что агентные системы требуют постоянного контроля — понимания, какой агент выполнил действие, с какими данными работал, почему принял конкретное решение.

Российскому рынку не хватает не только денег. Наблюдается дефицит специалистов, разбирающихся одновременно в ИИ, корпоративной инфраструктуре и экономике бизнес-процесса. Возникает замкнутый круг:

• чтобы доказать экономический эффект ИИ, нужно внедрить его глубже;
• чтобы внедрить глубже, надо инвестировать в инфраструктуру;
• чтобы инвестировать, требуется обоснование экономического эффекта;
• чтобы получить обоснование, необходимы квалифицированные специалисты.

Ограничения на доступ к зарубежным технологиям добавляют сложности. Крупный российский бизнес либо ищет отечественные решения, либо самостоятельно строит технологический стек. Ещё недавно выбор был неприятным — зарубежные продукты выглядели привлекательнее, но создавали юридические риски, а зрелых российских агентных платформ не хватало.

Принципиальная разница между ИИ-ассистентом и агентом проста. Ассистент помогает работать быстрее, агент позволяет часть работы вообще не выполнять. Сотрудник не просит подготовить коммерческое предложение — агент сам получает заявку клиента, анализирует CRM, проверяет наличие товара, рассчитывает цену, формирует документ, отправляет заказчику и заносит результат в систему.

Уровень ответственности при этом меняется радикально. Если чат-бот ошибся в тексте, сотрудник исправит. Если агент изменил заказ, отправил платёж или удалил данные, последствия становятся финансовыми. Для клиентов российских компаний это означает возможные ошибки в банковских операциях, страховых выплатах, коммунальных начислениях, где виноватым окажется не сотрудник, а автономная система.

Следующий этап развития рынка потребует единой инфраструктуры вокруг моделей:

• системы управления агентами и понятные идентификаторы;
• журналирование всех действий и разграничение прав доступа;
• независимость от конкретной модели;
• возможность мгновенно отключить агента при сбое.

Ранее сообщалось, что российский бизнес массово переходит на китайские большие языковые модели, а объёмы их потребления в отечественных облаках выросли в разы за последний год. Qwen, DeepSeek, GLM и Kimi занимают заметную долю ИИ-трафика, вытесняя американские разработки за счёт открытых весов, возможности локального развёртывания и низкой стоимости инференса. Компании выбирают китайские LLM не как компромисс, а как рабочий инструмент для программирования, автоматизации процессов и создания ИИ-агентов.

Эксперты CISOCLUB отметили, что нынешние 3% инвестбюджета выглядят скорее бюджетом на эксперименты, чем на полноценную ИИ-трансформацию. Массовое появление автономных цифровых сотрудников потребует перестройки корпоративной ИТ-архитектуры, а не просто покупки более мощной нейросети. Обычные ассистенты распространяются стихийно, автономные агенты без серьёзных инвестиций и контроля вряд ли выйдут за пределы пилотов. Разрыв между декларациями и реальными бюджетами сохранится минимум ещё пару лет.