Как корпорации и госструктуры внедряют ИИ: первые результаты исследования TAdviser
Аналитический центр TAdviser совместно с Группой Rubytech представил предварительные результаты исследования, посвященного внедрению искусственного интеллекта в крупных государственных и коммерческих организациях. В исследовании рассмотрен практический опыт ИТ-подразделений российского мегаполиса, крупного банка, промышленного холдинга и федерального ведомства.
Полученные данные показывают: российские организации уже перешли от экспериментов с ИИ к формированию системных программ развития. Однако темпы внедрения по-прежнему сдерживают нехватка вычислительных ресурсов, дефицит подготовленных данных, сложные процедуры закупок и отсутствие универсальных методик оценки экономического эффекта.
Ключевые технологические приоритеты
Основными направлениями развития ИИ участники исследования называют компьютерное зрение, генеративный искусственный интеллект и прогнозную аналитику. Эти технологии используются как по отдельности, так и в составе комплексных цифровых решений.
Computer Vision востребован там, где требуется автоматическая обработка изображений и видеопотоков. Речь идет о контроле качества на производстве, мониторинге городской инфраструктуры, обеспечении безопасности и выявлении нарушений технологических процессов.
Генеративные модели применяются для создания цифровых помощников, поиска информации в корпоративных базах знаний, подготовки документов, обработки обращений и поддержки сотрудников. При этом организации стремятся контролировать жизненный цикл моделей самостоятельно. Большинство участников используют собственные MLOps-платформы - на базе открытого программного обеспечения или специально разработанных компонентов.
Такой подход позволяет централизовать вычислительные ресурсы, контролировать доступ к данным, отслеживать версии моделей и обеспечивать воспроизводимость результатов. Часть организаций, напротив, привлекает внешних подрядчиков: внутренних специалистов и инфраструктуры для самостоятельного выполнения всех работ им пока недостаточно.
Где ИИ приносит наибольшую пользу
Сферы применения искусственного интеллекта можно условно разделить на три группы. Первая связана с автоматизацией рутинных операций: обработкой заявок, классификацией документов, подготовкой отчетности, поиском информации и формированием ответов на типовые запросы.
Вторая категория включает поддержку специалистов. ИИ помогает сотрудникам анализировать большие массивы данных, находить взаимосвязи, составлять прогнозы и быстрее принимать решения. Особенно заметен эффект в ИТ-поддержке, закупках, разработке программного обеспечения и клиентском обслуживании.
Третье направление - критически важные процессы, где цена ошибки значительно выше. К ним относятся управление производственными объектами, контроль финансовых и операционных рисков, обслуживание оборудования и мониторинг инфраструктуры. В таких сценариях внедрение требует более строгой проверки моделей, резервных процедур и повышенных требований к информационной безопасности.
Примерно три четверти организаций придерживаются централизованной модели: создают единые платформы и повторно используют готовые компоненты в разных подразделениях. В других компаниях разрабатываются отдельные дорожные карты для классического машинного обучения и генеративного ИИ. Разделение объясняется различиями в технологиях, требованиях к данным, инфраструктуре и контролю рисков.
Организационные барьеры и проблема взаимодействия с бизнесом
Практически все участники исследования сталкиваются с трудностями, которые невозможно решить только закупкой оборудования или программного обеспечения. Одна из главных проблем - разрыв между ИТ-службами и бизнес-заказчиками. Руководители подразделений нередко воспринимают ИИ как универсальный инструмент, но не всегда понимают, какие задачи действительно целесообразно передавать алгоритмам.
В результате формируются завышенные ожидания: от модели ждут мгновенной автоматизации сложного процесса, хотя для этого нет необходимых данных, понятных критериев качества или готовой инфраструктуры. ИТ-командам приходится объяснять ограничения технологии, уточнять постановку задачи и переводить абстрактный интерес к ИИ в измеримые показатели.
Дополнительным препятствием становится бюрократия. Длительные процедуры согласования, закупок и проверки безопасности плохо сочетаются с экспериментальным характером ИИ-проектов. Пока организация получает разрешение на пилот, выбранная технология может устареть, а бизнес-задача - потерять актуальность.
Данные и оценка экономического эффекта
Около половины исследованных организаций испытывают дефицит структурированных данных для обучения моделей. Информация часто распределена между разными системами, хранится в несовместимых форматах или содержит большое количество ошибок. Особенно сложно работать с наследуемыми ИТ-системами и внешними источниками, где качество и полнота данных не всегда контролируются.
Подготовка информации требует значительных ресурсов. Данные необходимо собрать, очистить, классифицировать, проверить и защитить. В некоторых случаях именно этот этап занимает больше времени, чем разработка самой модели.
Отдельная проблема - расчет ROI. Для традиционных ML-проектов экономический эффект можно оценить через снижение простоев, уменьшение числа ошибок или сокращение расходов. Для генеративного ИИ такие расчеты сложнее: результат выражается не только в прямой экономии, но и в ускорении работы сотрудников, повышении качества сервиса и снижении нагрузки на экспертов.
Наиболее практичным считается поэтапный подход: сначала создается MVP, затем запускается ограниченный пилот и только после подтверждения результата решение масштабируется. В качестве KPI используют сокращение времени обработки обращений, снижение количества ручных операций, оптимизацию численности занятых сотрудников и улучшение качества обслуживания.
Вычислительные мощности и сложности закупок
Одним из наиболее серьезных технологических ограничений остаются мощности, необходимые для обучения и эксплуатации крупных языковых моделей. Организации сталкиваются с высокой стоимостью оборудования, ограниченным доступом к современным ускорителям и сложностями при расширении вычислительной инфраструктуры.
Проблема особенно заметна в проектах, связанных с большими объемами неструктурированных данных и интенсивным использованием генеративных моделей. Недостаток ресурсов приводит к увеличению сроков обучения, ограничивает число параллельных экспериментов и усложняет масштабирование успешных пилотов.
Для снижения зависимости от дефицитного оборудования компании тестируют открытые модели, оптимизируют архитектуру решений и рассматривают альтернативные аппаратные платформы. Еще один вариант - создание внутренней MLOps-среды, где вычислительные ресурсы распределяются между проектами и используются повторно.
Однако полностью устранить проблему пока не удается. Стоимость инфраструктуры, требования к отказоустойчивости и необходимость защищенного хранения данных остаются значимыми факторами при планировании ИИ-программ.
Отраслевые сценарии развития
В государственном секторе приоритетом становится консолидация данных, связанных с бухгалтерским учетом, национальными проектами и межведомственным взаимодействием. Одновременно повышается интерес к сертифицированным языковым моделям, которые можно применять в регулируемой среде.
Финансовые организации делают акцент на low-code-платформах для создания ИИ-агентов, автоматизации внутренних процессов и управления регуляторными рисками. Для банков особенно важны объяснимость решений, контроль доступа к информации и соответствие требованиям отраслевого надзора.
Промышленные компании сосредоточены на оптимизации цепочек поставок, прогнозировании спроса и профилактическом обслуживании оборудования. Предиктивная аналитика позволяет заранее выявлять признаки неисправностей и планировать ремонт до возникновения аварийной ситуации.
Безопасность как обязательное условие
Работа с чувствительными сведениями требует особого подхода к размещению моделей и данных. Поэтому крупные организации рассматривают on-premise-решения, при которых информация не покидает внутренний контур. Такой вариант актуален для государственных систем, банков, промышленных предприятий и компаний, обрабатывающих коммерческую тайну.
Инфраструктура должна учитывать требования информационной безопасности, включая нормативы ФСТЭК и требования Банка России. Это касается не только хранения данных, но и управления доступом, журналирования действий, разграничения ролей и контроля использования моделей.
Одним из практических решений становятся программно-аппаратные комплексы, развертываемые внутри организации. Они позволяют работать с закрытыми наборами данных без передачи информации во внешнее облако. При этом безопасная эксплуатация ИИ требует заранее спроектированной архитектуры, подготовленных специалистов и постоянного мониторинга.
Что определит успех проектов
Организациям рекомендуется выбирать не самые масштабные, а наиболее понятные и измеримые задачи. Небольшой проект с прозрачным эффектом способен принести больше пользы, чем дорогостоящая программа без четких критериев успеха.
Большое значение имеют центры компетенций, объединяющие специалистов по данным, разработке, информационной безопасности и бизнес-анализу. Они помогают распространять лучшие практики, переиспользовать готовые компоненты и не допускать дублирования разработок.
Для повышения зрелости бизнеса полезны регулярные практические семинары и внутреннее обучение. Сотрудники, которые понимают реальные возможности и ограничения ИИ, становятся проводниками изменений в своих подразделениях.
В ближайшие годы развитие будет идти сразу по нескольким направлениям: цифровые ассистенты, автоматизация сквозных процессов, работа с неструктурированными данными и предиктивная аналитика. При этом ключевыми факторами останутся качество данных, доступность вычислительных мощностей, безопасность и способность организации быстро проверять гипотезы.
Таким образом, успешное внедрение ИИ определяется не одной технологией. Результат складывается из зрелого управления данными, понятной бизнес-цели, подготовленной инфраструктуры, компетентной команды и последовательного перехода от пилотного проекта к промышленной эксплуатации.
