Прикладной ИИ в российском бизнесе: от эйфории пилотов к системному масштабированию
Обзор по материалам конференции о внедрении искусственного интеллекта в бизнесе и государственном управлении
Введение
2025 год стал для российского рынка искусственного интеллекта годом экспериментов: компании массово запускали пилоты, тестировали модели, собирали "фабрики гипотез". 2026-й, судя по выступлениям представителей банков, промышленных холдингов, интеграторов и регулятора, стал годом отрезвления и системного подхода. Общий лейтмотив десятков докладов можно сформулировать одной фразой одного из спикеров: индустрия проходит путь "от пилота к масштабу", и на этом пути гораздо больше организационных и методологических барьеров, чем технологических.
Ниже — синтез ключевых тезисов, статистики и практических кейсов, прозвучавших на конференции: от макрокартины рынка и причин провала ИИ-проектов до конкретных архитектурных решений и вопросов регулирования.
Конференция CNews «Технологии искусственного интеллекта 2026»
1. Рынок: масштаб, структура, реалистичные ожидания
По оценке представителя Национального фонда искусственного интеллекта, прикладной ИИ в России демонстрирует экспоненциальный рост, однако реальный экономический эффект от внедрения куда скромнее маркетинговых обещаний вендоров (которые нередко сулят кратный рост эффективности): если вычесть затраты на внедрение, речь идёт в среднем о повышении эффективности процессов примерно на 20%.
Структура рынка выглядит так:
- около **65%** приходится на разработку программного обеспечения (доработка существующих решений и продукты с ИИ-ядром);
- **25%** — консалтинг и интеграция, с которых, как правило, и начинается путь любой компании к внедрению;
- **10%** — аппаратное обеспечение, где Россия ощутимо отстаёт из-за санкционных ограничений.
По отраслям лидируют финансовые услуги (~28% рынка) — банки исторически лучше всех умеют считать деньги и инвестировать в R&D-центры и пилотирование. Далее следуют производство (~12%) и госсектор (~10%), который, несмотря на репутацию неповоротливой среды, показывает довольно высокую для государственного управления долю внедрения.
При этом в международном рейтинге темпов внедрения ИИ (по данным Института экономики Microsoft) Россия занимает достаточно скромную позицию — около 119-го места среди почти 300 стран. Одновременно страна остаётся одной из немногих, обладающих полным набором признаков цифрового суверенитета: собственные госуслуги, национальный мессенджер, поисковая система и видеохостинг.
Показательные отраслевые кейсы, прозвучавшие как иллюстрация зрелости рынка: рекомендательные и динамические ценовые системы на АЗС "Газпромнефти", повышение прибыли восточной горно-рудной компании примерно на 15% за счёт цифровизации процессов, а также решение задачи прогнозирования дефицита товара (out-of-stock) для производителя потребительских товаров, где ИИ пришлось учитывать не только спрос, но и цепочку поставок сырья и данные ритейлеров.
2. Почему ИИ-проекты застревают на пилотах
Тема провалов пилотов — сквозная для всей конференции, и разные спикеры называли разные, но взаимосвязанные цифры: от 90–95% неудачных ИИ-инициатив (со ссылкой на отчёт MIT "State of AI 2025") до более узких оценок отдельных исследователей о том, что лишь 20% компаний достигают заметного результата, а масштабирования добиваются не более 5%.
2.1. Организационная культура как предиктор успеха
Исследовательская группа Московской школы управления Сколково, проанализировавшая десятки интервью и более 1600 открытых кейсов, предложила рамку из трёх типов организационной культуры:
- **people-driven** — источником знания и решений остаётся авторитетный человек (типичный пример — киноиндустрия, где решает режиссёр);
- **process-driven** — решения фиксируются в регламентах;
- **data-driven** — решения принимаются на основе экспериментов и накопленных данных.
Естественно, что в data-driven культуре ИИ приживается проще всего, но большинство организаций представляют собой смесь этих типов на уровне отдельных подразделений, и задача — понять, какая культура преобладает именно там, где планируется внедрение.
2.2. End-to-end против "лоскутного" внедрения
Согласно данным Accenture, компании-победители чаще делают одну "жирную ставку" — переносят на ИИ целиком один сквозной процесс, а не пытаются точечно внедрить технологию в разных частях организации одновременно. End-to-end подход даёт меньше знаний об организации в целом, зато быстрее демонстрирует ценность руководству и позволяет привлечь дополнительное финансирование.
2.3. Правило 90 дней
Успешные организации быстро — в течение приблизительно 90 дней — останавливают пилоты, не показывающие результата, не пытаясь "реанимировать" заведомо провальные инициативы. Это условная, но практичная граница: меньше — есть риск не учесть сезонность и другие факторы, больше — организация рискует поддерживать нежизнеспособный проект слишком долго.
2.4. Ловушка тотальной автоматизации
Один из самых контринтуитивных выводов исследования: только около 30% успешных кейсов реализуют полную автоматизацию (без участия человека на всех этапах — распознавание, принятие решения, исполнение), тогда как среди неуспешных кейсов доля попыток полностью автоматизировать процесс существенно выше — порядка 50%. Иными словами, стремление избавиться от человека любой ценой чаще ведёт к провалу, чем к успеху: юридические, социальные и репутационные ограничения делают полную автоматизацию оправданной далеко не всегда. Здесь исследование Сколково перекликается с данными BCG: около 70% бюджета компаний-победителей уходит не на замену людей, а на редизайн процессов и апскиллинг персонала — сотрудников "подтягивают" до уровня работы в связке с ИИ-системой.
2.5. Когнитивная дистанция между командами
Отдельная причина провалов — разрыв в языке и ментальных моделях между тремя ключевыми группами стейкхолдеров: топ-менеджментом, бизнес/продуктовой командой и дата-специалистами. Слишком большая "когнитивная дистанция" приводит к тому, что стороны буквально не понимают друг друга; слишком малая — к обратному эффекту, когда, например, инженеры полностью подчиняются модному лозунгу руководства "теперь мы AI-first" без учёта технических ограничений. Оптимальный баланс достигается через людей, говорящих на "двух языках" (например, продакт-оунеров с бэкграундом в data science), через хорошо документированные артефакты, понятные обеим сторонам, и через регулярные организационные процедуры согласования.
2.6. Барьеры по данным исследования К2Тех
Собственное исследование интегратора К2Тех даёт похожую, но более детализированную картину барьеров при запуске ИИ-инициатив: 14% — отсутствие референсного опыта в отрасли, 21% — недостаток IT-компетенций, 36% — проблемы информационной безопасности и несоответствие регуляторике. Но на первом месте — не деньги и не технологии, а **качество данных**: недостаток или низкое качество данных оказались главным барьером. При этом ущерб от некачественных данных, по оценке спикера, измеряется в масштабах рынка триллионами рублей, а реальный ущерб, скорее всего, ещё выше, поскольку рынок пока не научился корректно измерять весь каскад последствий неверных автоматизированных решений.
3. Архитектура рабочих ИИ-систем: от универсального ассистента к команде узких агентов
Практически все спикеры, имеющие реальный продакшн-опыт, независимо друг от друга пришли к одному архитектурному принципу: **широкие, универсальные агенты работают плохо**, узкоспециализированные — хорошо.
Представитель ОТП Банка иллюстрирует это аналогией с "чанкингом" — свойством человеческого мозга упаковывать сложные последовательности действий (вроде парковки автомобиля) в единый автоматический навык. По его наблюдению, если агенту дать широкий контекст и универсальную роль, растёт число галлюцинаций и падает управляемость; если сузить контекст до одной чёткой роли — резко повышается качество и появляется возможность тиражировать шаблон производства таких агентов в масштабе организации. Практическая архитектура, которую банк выстраивает, зеркалит организационную структуру компании: агент-менеджер (уровень руководителя канала), агенты — доменные эксперты (уровень подразделений) и агенты-специалисты (конкретные задачи вроде вопросов по льготам или отпускам). Владение конкретным агентом-специалистом делегируется профильному подразделению — HR, юристам и так далее, — а не централизуется в одних руках, что снижает риск единой точки отказа: если сломать одного агента, вся система не рухнет.
Похожую логику "команды агентов вместо одного большого агента" описывает и представитель InfoBip на примере построения клиентских чат-ботов: клиентский путь декомпозируется на атомарные задачи, каждую из которых решает отдельный узкий агент под управлением агента-оркестратора. Причина та же — ограничение контекстного окна и риск конфликта инструкций при попытке "впихнуть" в одного агента слишком много знаний и правил. На практике это выразилось в проекте для стоматологической клиники, где лучших продавцов компании (выявленных через анализ переписки в мессенджерах) фактически "растиражировали" в виде команды ИИ-агентов, следующих их проверенным паттернам поведения, и в проекте для аэропорта одной из стран СНГ, где команда агентов сопровождает гостя от регистрации до трансфера.
Показательна и позиция спикера ОТП Банка относительно дообучения моделей под задачи отдельных агентов: специализация через дообучение — "путь в никуда", поскольку модели эволюционируют настолько быстро, что вложенные в дообучение месяцы работы обесцениваются с выходом новой открытой модели. Индустрия движется в сторону промпт-инжиниринга и построения "схем управляемого рассуждения" (Structured/Scripted Guided Reasoning, SGR) вместо дорогостоящего файнтюнинга.
Разработчик из "Систэм Электрик" (клиент Directum) описывает похожий практический опыт: агент для проверки договоров изначально не пытались "нашпиговать" всем Гражданским кодексом и судебной практикой — вместо этого юристы, финансисты и бухгалтеры совместно с IT сформулировали конкретные проверяемые условия и перевели их в промпты, ограничив число пунктов проверки (агент плохо удерживает более пяти пунктов одновременно). Ключевым требованием было не позволять модели "додумывать" отсутствующие в документе условия — система должна честно сообщать об отсутствии данных, а не генерировать правдоподобный, но ложный ответ.
3.1. Три уровня, где рождается экономический эффект
Представитель ОТП Банка предлагает удобную рамку для оценки, где именно ИИ создаёт измеримую ценность:
1. **Люди** — ассистенты и копайлоты, повышающие индивидуальную эффективность сотрудника (метрики: время, качество), но с локальным эффектом;
2. **Операции (operations)** — малая автоматизация цепочек процессов там, где не хватает разработки и много ручного труда; здесь ИИ фактически соединяет между собой существующие системы, заменяя классические RPA-решения;
3. **Рост (growth)** — область, где сосредоточены наибольшие деньги: гиперперсонализация на основе больших языковых моделей, которые способны выявлять неочевидные психотипы и модели поведения клиентов там, где детерминированные алгоритмы бессильны, повышая конверсию, ARPU и customer lifetime value.
4. Data Governance и AI Governance: фундамент, без которого масштабирование невозможно
Интегратор К2Тех формулирует развёрнутый тезис о том, что качество данных — необходимое, но не достаточное условие успеха. Генеративный ИИ — не просто потребитель данных, а динамическая система, которая сама порождает новые данные, решения и риски. Поэтому классического Data Governance (метрики полноты, своевременности, доступности данных) уже недостаточно — требуется отдельная дисциплина **AI Governance**: комплекс практик и инструментов, регулирующих разработку и внедрение ИИ-систем в целом, включая стратегию, зоны, где применение ИИ прямо запрещено, архитектуру, кибербезопасность и вопросы ответственности.
Показательный кейс: пилот в одном из филиалов крупной сети показал высокую точность, но при попытке масштабировать решение на весь бизнес совет директоров задал вопросы об управлении рисками, репутации, ответственности за решения системы и защите данных — ответов на которые на уровне пилота попросту не существовало. Именно ради устранения подобных барьеров К2Тех предлагает последовательный путь: сначала — единый понятийный аппарат и обучение внутри компании, затем — стратегия и цели, аудит данных и готовности, построение или доработка дата-платформы, и только после этого — выстраивание пайплайнов работы с ИИ. Пропуск этих шагов означает, что каждая новая ИИ-инициатива будет каждый раз натыкаться на одни и те же организационные и инфраструктурные барьеры, не позволяющие выйти на масштаб.
Похожий вывод, но со стороны управления портфелем инициатив, делает интегратор К2Тех в докладе про "ИИ-офис": в 2025 году компания через внутренний акселератор и "фабрику гипотез" сгенерировала множество экспериментов, но не имела инструмента, чтобы понять, куда уходит время команд, как утилизируется GPU-кластер и какие из гипотез реально создают ценность для бизнеса. Решением стал собственный продукт для управления портфелем ИИ-инициатив с расчётом ROI вплоть до стоимости токена на конкретную гипотезу — в итоге около 87–88% сгенерированных гипотез были признаны неперспективными ("манипит") и отсеяны, а фокус оставлен на десятке наиболее эффективных.
5. Отраслевые кейсы
5.1. Документооборот и юридический комплаенс
Совместный доклад Directum и "Систэм Электрик" показывает типичную траекторию зрелости: от классического OCR и машинного обучения (классификация документов, извлечение фактов) — к генеративному ИИ, который проверяет договоры на соответствие юридическим, финансовым и бухгалтерским условиям, формирует краткие выжимки для руководства и отвечает на вопросы в диалоговом режиме ("какие у меня суточные в командировке", "когда заканчивается срок договора с ООО..."). Итоговый эффект — ускорение обработки документов в 2–3 раза, а согласования и подписания договоров — в 5–7 раз, при этом рост объёма работы не требует пропорционального роста штата. Малорисковые договоры (условно до определённой суммы) при полном совпадении всех проверяемых условий проходят мимо юриста автоматически; при расхождении хотя бы по одному пункту решение остаётся за человеком.
5.2. Банковский сектор
ОТП Банк выстраивает архитектуру ассистентов, зеркалящую структуру организации (см. раздел 3), сознательно отказываясь от дообучения моделей в пользу промпт-инжиниринга и делегирования владения агентами профильным подразделениям.
Компания Farzoom (резидент "Сколково", партнёр X-технологий "Ростелекома") демонстрирует, пожалуй, наиболее технически насыщенный кейс конференции — запуск полнофункционального кредитного конвейера для сегмента МСБ за один месяц. Методология строится на трёх этапах: диагностика (перевод разнородных банковских регламентов — порядка полутора тысяч страниц — в единую машиночитаемую базу знаний с помощью ИИ-агентов, включая распознавание схем и диаграмм в документах и семантический анализ для выявления противоречий), понимание (генерация процесса в нотации Mermaid, а не сразу в BPMN — прямая генерация BPMN из требований оказалась практически бесполезной из-за сложности нотации; полученный процесс "челленджился" против базы знаний компании, что дало 150–170 рекомендаций по улучшению) и улучшение (генерация технического задания на выявленные пробелы, реализация недостающих компонентов и автоматическая сборка BPMN-процесса из табличного описания). По итогу цикл от согласованных требований до рабочего стенда, на котором можно подавать заявки, занимает 3–4 часа, а полный цикл с автотестированием на реальных исторических заявках — около одного рабочего дня; экономия ресурсов оценивается спикером примерно в 80%. Существенная оговорка: тиражировать такой подход силами джуниоров или мидлов невозможно — нужны эксперты, одновременно глубоко понимающие и предметную область, и технологию, а таких людей на рынке единицы.
5.3. Промышленность: топливная компания "Росатома"
Топливная компания "Росатома" (30 тысяч сотрудников, изготовление ядерного топлива и смежные направления) выстраивает внедрение ИИ вокруг четырёх доменов цифровой зрелости — процессы, данные, люди, инфраструктура — и признаёт, что зрелость сильно разнится: сотрудники охотно используют нейросети в личных целях, но инфраструктура и данные производства значительно отстают, в том числе из-за требований информационной безопасности (данные с производственных станков нужно "поднимать" и обезличивать, что само по себе сложная задача) и специфики регулирования (например, обязательность бумажной документации при поставках топлива).
Флагманский кейс — автоматизация закупок: перевод рассылки и сбора технико-коммерческих предложений, их приведения к машиночитаемому виду и сверки на OCR, RPA и постепенно LLM позволил группе из 15 человек, обрабатывавшей около 7 тысяч закупочных процедур в год, взять на себя вдвое возросший объём (14 тысяч процедур) при найме всего двух дополнительных сотрудников. На промышленной площадке система поддержки принятия решений для прокатных станов (AtomMind) снижает риск брака за счёт рекомендаций по корректировке технологических параметров; эффект пришлось доказывать натурным экспериментом (часть партий прокатывалась по старой технологии, часть — по рекомендациям системы), поскольку производственники параллельно внедряли и другие улучшения и оспаривали, что заслуга целиком принадлежит ИИ. Натурный эксперимент подтвердил снижение брака по этим видам дефектов вдвое. Отдельное направление — прогноз выгорания офисных сотрудников по цифровому следу с точностью около 80%, сигнализирующий HR-руководителю о необходимости вмешательства (что особенно значимо на фоне задачи удвоить штат компании к 2030 году). Стратегический вывод компании на 2025–2026 годы — переход от проектного внедрения (каждое решение как отдельный аттестуемый проект) к единой сертифицированной платформе, что должно ускорить тиражирование готовых ИИ-решений в 5–10 раз.
5.4. Крупный корпоративный сектор: опыт 500 проектов
Компания "Сбер Бизнес Софт" (входит в экосистему Сбера, специализируется на внедрении ИИ в крупных корпорациях) формулирует несколько практических принципов на основе опыта около 500 проектов:
- **классические ML-технологии** (OCR, видео- и речевая аналитика, работа с временными рядами) остаются полностью актуальными и часто дают до 80% эффекта дешевле и предсказуемее, чем генеративный ИИ, — правильная последовательность внедрения начинается не с выбора модели, а с диагностики процесса;
- необходима "минимальная цифровая гигиена" — если закупки или документооборот ведутся через мессенджеры, встраивать туда ИИ бессмысленно, технология не работает без базового цифрового процесса под собой;
- метрика успеха ИИ-решения почти никогда не бывает бинарной (работает/не работает) — это всегда компромисс между стоимостью ошибки, скоростью и качеством, и его нужно фиксировать заранее (характерный пример: бот, автоматизирующий 50% обращений контакт-центра ценой глубоко спрятанной кнопки вызова оператора, может оказаться хуже бота с 30% автоматизации, если для бизнеса критичен показатель удовлетворённости клиентов, а не только экономия на операторах);
- 57% компаний, по данным McKinsey, считают свои данные неготовыми к внедрению ИИ;
- ключевые контуры защиты продакшн-решения — контроль источников данных через RAG с привязкой к каноническим ссылкам, guardrails, фильтрующие запросы и проверяющие попытки промпт-инъекций, и непрерывный контроль качества, поскольку модели дрейфуют.
Отдельный демонстрационный кейс — мультиагентная система, консультирующая ветеранов СВО по льготам в 71 регионе, где агент-оркестратор делегирует задачи подагентам: один собирает анкету на основе произвольного рассказа пользователя о своей ситуации, второй ищет релевантные данные в базе знаний, третий формирует документ, четвёртый агрегирует все доступные меры поддержки.
5.5. HR, коммуникационная аналитика и цифровые сотрудники
Сразу несколько докладов затрагивают тему анализа больших массивов внутрикорпоративных коммуникационных данных (переписка, задачи в CRM и таск-трекерах, встречи с транскрибацией) для построения графов коммуникации и тепловых карт загрузки сотрудников. Технически сам граф — стандартная задача визуализации, для которой ИИ не требуется; искусственный интеллект нужен именно для анализа контекста внутри переписок и извлечения из него управленческих инсайтов, которые невозможно получить из одних только количественных метрик (сколько задач закрыл сотрудник, в срок или нет). Отдельно подчёркивается юридическая чувствительность подобных решений: анализ содержимого переписки внутри периметра компании — обычная практика, но предложение подобного решения как SaaS с передачей данных за пределы компании упирается в действующее законодательство. Заявленные результаты подобных внедрений — построение внутренних бенчмарков эффективности сотрудников, выявление токсичных или изолированных из коммуникации сотрудников и данные для пересборки команд под задачи, а не только для решений об увольнении.
Компания "Инфомаксимум" описывает концепцию "цифрового сотрудника" — решения на базе связки языковой модели ("голова", работающая с неструктурированными данными и принимающая решения) и API-интеграций с корпоративными системами ("руки"). Технология Task Mining, предшествующая созданию цифрового сотрудника, выявляет самые трудозатратные и наиболее пригодные для автоматизации операции через мониторинг рабочих станций сотрудников. Продемонстрированные кейсы: цифровой HR-специалист для анализа интервью с кандидатами (сокращение времени обработки одного интервью на 75%), цифровой специалист по приёму документов при трудоустройстве, цифровой специалист по обработке запросов от государственных органов и цифровой специалист по КС-документации в строительстве (ускорение обработки более чем в 12 раз). Ответственность за качество работы цифрового сотрудника в компании закрепляют за владельцами процессов, которые участвовали в его валидации, а не за самой системой.
5.6. Медиа и достоверность информации
Портал Rambler описывает проблему информационной перегрузки: свыше 8 тысяч новостей в день, более 700 доверенных СМИ-партнёров, а прочтение полного новостного потока потребовало бы от пользователя больше суток непрерывного чтения. На фоне роста числа источников (включая десятки тысяч блогеров с большой аудиторией) более половины пользователей, по данным Оксфордского института журналистики, затрудняются самостоятельно отличить достоверную новость от фейка. Ответ Rambler — новостной ИИ-агент на базе RAG и GigaChat, который не "фантазирует", а формирует ответ строго на основе найденных в собственной базе новостей фактов, сопровождая каждый ответ ссылками на источники, с учётом контекста диалога, гибридным (семантическим и лексическим) поиском и приоритетом свежести. Заявленный эффект — сокращение пути пользователя от вопроса до ответа в 5–10 раз. Персонализация выдачи по профессиональным интересам пользователя (чтобы не получать 5000 актуальных, но нерелевантных лично ему новостей) заявлена как следующий шаг развития продукта.
5.7. Маркетинг и клиентский сервис
InfoBip, специализирующаяся на клиентских коммуникациях, отмечает смену запроса клиентов за последние 3–4 года: если раньше просили рассылки и кнопочных ботов в мессенджерах, то сейчас — "умный" ИИ-агент. При этом статистика MIT о 95% проваленных пилотов, по наблюдению спикера, во многом объясняется попытками применять ИИ к задачам, для которых он объективно не подходит (алгоритмические задачи с чёткой логикой, задачи с высокоструктурированными данными, где детерминированные методы пока эффективнее). Критерии успеха, которые компания выделяет из практики: реалистичная оценка применимости задачи под ИИ, полнота и корректность базы знаний бизнеса, необходимые интеграции с внутренними системами (без знания баланса бонусных баллов клиента бот не сможет ответить на вопрос об оплате бонусами) и полнота клиентских профилей (агент должен знать не только вопрос, но и контекст — регион, доступность доставки и так далее).
5.8. Институты развития
Корпорация "Туризм.РФ" (управляет портфелем из более чем 40 крупных инвестиционных проектов по строительству туристической инфраструктуры) построила корпоративную AI-платформу на полностью open-source стеке, оплачивая лишь аренду виртуальных машин в защищённом контуре. Помимо функциональных ассистентов (по бизнес-процессам, кадрам, переписке) компания развивает "проектных копайлотов", знающих всю текстовую документацию, бюджеты и сметы по конкретному инвестиционному проекту. Ключевой практический акцент доклада — не на технологии, а на управлении внедрением: необходимость чётко сформулировать бизнес-цель, вовлекать сотрудников через фокус-группы и внутренних "амбассадоров", системно работать с завышенными ожиданиями (сотрудники, привыкшие к качеству публичных чат-ассистентов, ожидают такого же уровня от корпоративного инструмента) и системное обучение персонала — по признанию спикера, именно эта работа с людьми, а не разработка технологии, занимает до 40% его личного времени. Отдельная функциональная особенность платформы — привязка ролевой модели сотрудника к каждому запросу (юрист получает один контекст ответа, координатор проекта — другой), что снимает "эффект белого листа" и повышает релевантность ответа.
6. Кадровый вопрос: тень импортозамещения
Депутат Государственной Думы, курирующий вопросы кадрового обеспечения отрасли, обращает внимание на структурный сдвиг спроса: бизнес всё активнее хочет нанимать сеньоров, эффективно использующих LLM и ИИ-инструменты, и всё менее охотно — джуниоров. В долгосрочной перспективе (20–30 лет) это создаёт риск, аналогичный ситуации 1990-х годов с рабочими специальностями: нынешние сеньоры выйдут на пенсию, а поколение, которое должно было бы прийти им на смену через классический путь "джун → мидл → сеньор", окажется недоукомплектованным. Ответ государства — не отдельная госпрограмма (кадровое планирование признаётся прежде всего задачей бизнеса), а выстраивание "бесшовной" связки между вузами, интеграторами-разработчиками отечественного ПО и конечными заказчиками (Роснефть, Газпромнефть, РЖД, Аэрофлот): продукт бесплатно передаётся вузу для обучения студентов старших курсов, а конечный заказчик берёт подготовленных выпускников на техническую поддержку. Один из ключевых практических тормозов импортозамещения назван прямо: недостаток людей, способных "руками" развернуть и поддерживать отечественный софт на масштабе сотен рабочих мест — задача, для которой у большинства интеграторов сейчас просто недостаточно ресурсов.
7. Регулирование: мировой контекст и российская специфика
7.1. Международный ландшафт
Представитель Минцифры России структурирует мировые подходы к регулированию ИИ по нескольким моделям:
- **США** делают ставку на проинновационность и намеренно ограничивают полномочия отдельных штатов вводить избыточное регулирование на федеральном уровне, стимулируя развитие через доступ к вычислительным мощностям и данным;
- **Евросоюз** одним из первых принял целостный закон об ИИ (AI Act) с классификацией по уровням риска (безрисковый, умеренный, ограниченный, недопустимый), однако полное вступление закона в силу уже дважды переносилось — теперь на декабрь 2027 года — из опасений, что жёсткое регулирование затормозит европейскую отрасль относительно США и Китая;
- **Китай** избрал фрагментированную вертикальную модель — регулирование по отраслям силами профильных ведомств, что даёт больше гибкости; показательный пример — обязательная привязка сгенерированного ИИ материала к конкретному автору промпта, заметно снизившая уровень дипфейков;
- **Южная Корея** первой ввела в полную силу общий закон об ИИ (январь 2026 года), но объявила 2026 год переходным периодом без штрафов, чтобы дать отрасли адаптироваться к требованиям маркировки контента.
Общая для всех юрисдикций дилемма — баланс между стимулированием инноваций и управлением рисками (дезинформация через дипфейки, права на результаты интеллектуальной деятельности, использование охраняемых авторским правом данных для обучения моделей, распределение ответственности между разработчиком, интегратором и пользователем системы). По данным, приведённым в докладе, число дипфейков в Великобритании выросло с 500 тысяч до 8 миллионов за два года.
7.2. Российская специфика
Позиция представителя Государственной Думы: жёсткое всеобъемлющее регулирование ИИ в моменте признаётся избыточным и потенциально вредным — большинство используемых в России моделей остаются зарубежными по происхождению, и резкое регулирование по аналогии с историей блокировки Telegram рискует привести к отставанию, а не к безопасности. Межфракционная рабочая группа Госдумы (создана в феврале 2025 года, 15 депутатов, регулярно собирает экспертов, представителей бизнеса и ведомств) за прошедший год не смогла прийти даже к согласованному юридическому определению понятия "искусственный интеллект" — не из-за некомпетентности участников, а из-за принципиальных разногласий в самом экспертном сообществе.
Ожидаемый практический вектор развития на 2027 год — не единый рамочный закон, а отраслевое (вертикальное) регулирование, начинающееся с наиболее чувствительных и одновременно наиболее рискующих принести быстрый эффект сфер:
- **госсектор** — вероятное требование использовать для государственных задач исключительно модели отечественного производства с последующим лицензированием (уже есть де-факто региональный прецедент — в Татарстане местная администрация развернула open-source решение на собственном верифицированном датасете регионального и муниципального законодательства для внутренних задач);
- **здравоохранение** — приоритетное направление лично для докладчика: готовые пилотные решения по анализу флюорографии, ЭКГ и постановке диагнозов уже показывают эффективность в клиниках, но масштабное внедрение блокируется отсутствием регулирования статуса медицинской тайны (которая юридически может оказаться даже более чувствительной категорией, чем персональные данные) — фактически решения сейчас внедряются "на свой страх и риск" отдельных руководителей медицинских учреждений;
- **интеллектуальные права** — растущий поток судебных споров о правах на контент, созданный или изменённый ИИ (в докладе упомянут характерный зарубежный прецедент об использовании образа актрисы после истечения лицензии), требующий отдельного регулирования.
8. Ключевые выводы
Собранные вместе, доклады конференции складываются в несколько сквозных тезисов, повторяющихся у спикеров с совершенно разным профилем — от банка и промышленного холдинга до депутата Госдумы:
1. **Технология давно не является узким местом.** Барьеры лежат в организационной культуре, качестве и управляемости данных, готовности регуляторной среды и, что особенно часто подчёркивалось, в готовности и мотивации людей использовать инструмент.
2. **Узкая специализация побеждает универсальность.** И на уровне архитектуры агентов (команда узких агентов лучше одного универсального), и на уровне организационного внедрения (end-to-end на одном процессе лучше распылённых экспериментов) чётко очерченный периметр задачи оказывается более управляемым и результативным.
3. **Человек не исчезает — его роль смещается.** Практически ни один спикер не говорит о массовых увольнениях как о цели или неизбежном следствии внедрения; напротив, повторяется тезис о переносе ответственности и контроля на человека там, где цена ошибки высока (human-in-the-loop), и о переориентации сотрудников на более сложные и осмысленные задачи.
4. **Data governance и AI governance — не бюрократическая надстройка, а условие масштабирования.** Без выстроенной "железной дороги" правил, ответственности и качества данных каждая новая ИИ-инициатива вынуждена заново преодолевать одни и те же барьеры.
5. **Регулирование системно отстаёт от рынка — и это признают все стороны**, включая самого регулятора. Общемировой тренд — не единый универсальный закон, а точечное отраслевое регулирование, начинающееся с зон повышенного риска и повышенной социальной значимости.
