Технологии ИИ в российских компаниях: кто и что внедряет

Российские компании внедряют технологии искусственного интеллекта неровно: банки и ритейл ушли далеко вперед, а небольшой региональный бизнес часто ограничивается чат-ботом в поддержке. Разница объясняется просто - у крупных игроков есть данные, бюджет на серверы и штат специалистов, а у остальных этого либо нет, либо не хватает свободных рук, чтобы разобраться в теме.

За последние пару лет ситуация с доступом к иностранным сервисам осложнилась, и это подтолкнуло часть компаний присмотреться к отечественным разработкам. Свою роль сыграл и рост качества российских языковых моделей: то, что три года назад заметно уступало зарубежным аналогам, сегодня во многих задачах справляется сопоставимо. Дальше - о том, кто из российского бизнеса уже пользуется нейросетями, какие задачи им поручают и на что стоит рассчитывать, если решите внедрять ИИ у себя.

Кто в бизнесе уже работает с нейросетями

Банковский сектор одним из первых начал массово применять нейросети - и остается лидером. Сбербанк разработал собственную языковую модель GigaChat и встраивает её в приложения для частных клиентов и бизнеса, а Т-Банк и ВТБ используют алгоритмы для скоринга заемщиков, обнаружения мошеннических операций и поддержки клиентов через чат-ботов. У банков для этого есть главное условие - огромные массивы исторических данных, на которых можно обучать и проверять модели.

Ритейл идет следом. Wildberries и Ozon применяют рекомендательные системы, которые подбирают товары под конкретного покупателя, и постепенно автоматизируют склады - от сортировки посылок до расчета маршрутов комплектации заказа. В телекоме МТС, Билайн и МегаФон используют нейросети для голосовых и текстовых чат-ботов поддержки, а также для анализа нагрузки на сеть и прогнозирования сбоев оборудования.

В тяжелой промышленности картина скромнее, но заметна: нефтегазовые компании вроде Газпром нефти применяют ИИ для анализа геологических данных и предиктивного обслуживания оборудования - модель подсказывает, что деталь скоро выйдет из строя, и это дешевле аварийного ремонта. В медицине выделяется московский проект по автоматическому анализу снимков лучевой диагностики: нейросеть подсказывает врачу, на какой участок снимка стоит обратить внимание, а окончательное решение остается за человеком.

Малый и средний бизнес до таких интеграций почти не добирается - для этого просто нет ни данных, ни отдельного ИТ-бюджета. Вместо собственной модели предприниматели пользуются готовыми конструкторами чат-ботов для мессенджеров и обычными подписками на нейросети для генерации текстов и картинок под соцсети. Это тоже внедрение ИИ, просто на другом уровне: не своя разработка, а чужой сервис, встроенный в повседневную рутину без участия программистов.

Какие задачи нейросети решают внутри компаний

Набор задач у большинства компаний похож, меняется только масштаб. Самое массовое применение - чат-боты и голосовые помощники на первой линии поддержки: они закрывают типовые вопросы про статус заказа, возврат или баланс, а сложный случай переключают на живого оператора. Следом по частоте идет обработка документов: нейросеть достает нужные поля из счетов, накладных и договоров, и то, что раньше сотрудник делал вручную несколько минут, сокращается до секунд на проверку результата.

Дальше идут более специфические сценарии. В маркетинге нейросети генерируют черновики описаний товаров и рекламных текстов, которые потом правит редактор - публиковать такой текст без вычитки рискованно, качество плавает от абзаца к абзацу. Программисты используют ассистентов для автодополнения кода и поиска ошибок, это реально экономит время на рутинных участках, хотя архитектурные решения нейросеть за разработчика принимать не должна. В аналитике модели прогнозируют спрос, отток клиентов и оптимальную цену: ценность здесь именно в том, что решение остается за человеком, а модель подсвечивает закономерности, которые в таблице глазами не разглядеть.

Есть и менее заметная область - подбор и обучение персонала. Отделы кадров используют нейросети для первичного отбора резюме, а компании, которые всерьез взялись за автоматизацию, отправляют сотрудников на школы и курсы по искусственному интеллекту в России, потому что готового специалиста, который одновременно разбирается в отрасли и в нейросетях, на рынке найти сложно.

Доступ к сервисам: свои модели и иностранные аналоги

С доступом к сервисам все не так однозначно, как хотелось бы. Иностранные API - OpenAI, Anthropic и другие - юридическому лицу в России оформить сложно: нужен зарубежный расчетный счет или посредник, а условия использования прямо запрещают доступ из ряда стран. Для частного пользователя остаются обходные пути через VPN, но строить на этом бизнес-процесс рискованно - доступ может пропасть в любой момент, и весь пайплайн встанет.

Поэтому компании чаще смотрят на российские модели: GigaChat от Сбера и YandexGPT от Яндекса предлагают API с оплатой в рублях и договором по российскому праву, что для бухгалтерии и юротдела спокойнее любых серых схем. По качеству эти модели за последние пару лет заметно подтянулись, и на русском языке во многих задачах - от обработки обращений до генерации текстов - работают на уровне зарубежных конкурентов, хотя на сложных рассуждениях и коде разрыв пока чувствуется. Для рядового сотрудника, который хочет попробовать нейросеть без согласований с ИТ-отделом, подойдут и бесплатные нейросети, которые реально работают без оплаты и VPN - но это уже история про личную продуктивность, а не про корпоративное внедрение.

Что мешает внедрению

Внедрение нейросети в компанию на практике идет труднее, чем кажется на старте. Первая проблема - данные. Модель настраивается на внутренних документах компании, а они у многих организаций разбросаны по десяткам систем, дублируются и противоречат друг другу; прежде чем подключать ИИ, приходится наводить порядок в собственных данных, и это может занять больше времени, чем сама интеграция модели.

Вторая проблема - кадры. Специалистов, которые умеют встроить нейросеть в реальный бизнес-процесс, а не просто протестировать в чате, на рынке немного, и за них идет борьба между отраслями - от банков до промышленности. Спрос виден по вакансиям: тем, кто присматривается к смене профессии, стоит заглянуть в разбор вакансий, связанных с нейросетями: кого ищут и сколько платят - там видно, какие навыки компании готовы оплачивать уже сейчас.

Третья проблема - доверие. Нейросеть иногда уверенно выдает неверный ответ, и если это чат-бот поддержки, ошибка обходится дешево: извинился и передал оператору. Если это модель, которая помогает принять решение по кредиту или диагностике, цена ошибки другая, и бизнес часто закладывает обязательную проверку человеком - что снижает ту самую скорость, ради которой все затевалось. Отдельно стоит вопрос персональных данных: обучение модели на данных клиентов требует юридической аккуратности, и не каждая компания готова разбираться в этом самостоятельно.

И последнее - старые системы. У многих компаний учет и документооборот годами работают в самописных или устаревших программах, которые не рассчитаны на подключение внешних сервисов через API. Интеграция нейросети в такую инфраструктуру превращается в отдельный ИТ-проект с собственным бюджетом и сроками, и часто именно эта техническая часть, а не сама модель, съедает основное время внедрения.

На что переходят компании при отказе от иностранных инструментов

Когда иностранный сервис становится недоступен или неудобен для юрлица, замена обычно ищется среди отечественных разработок, а не среди других зарубежных - это тоже способ снизить риск повторной истории с блокировкой. Для генерации изображений в маркетинге пробуют Kandinsky и Шедеврум вместо Midjourney. Для текстовых задач - GigaChat и YandexGPT вместо ChatGPT. Для голосовых интерфейсов в клиентском сервисе - разработки на базе Салют от Сбера вместо иностранных ассистентов. Для облачной инфраструктуры под собственные модели крупные компании смотрят на Yandex Cloud и SberCloud, где ИИ-сервисы уже встроены в общую платформу и не требуют отдельного валютного договора.

Полной замены один в один пока не получается нигде: где-то отечественный сервис уступает по качеству, где-то по набору функций, где-то просто моложе и меньше документации в открытом доступе. Но для типовых задач - поддержка, обработка документов, генерация черновиков текста - разница на практике уже не критична. Если вы только присматриваетесь к внедрению ИИ в своей компании, разумный первый шаг - не гнаться за самой продвинутой моделью, а выбрать одну понятную задачу с измеримым результатом, обкатать ее на отечественном сервисе с оплатой в рублях и уже по итогам решать, расширять ли список задач. Актуальные материалы по теме собраны в рубрике про бизнес и ИИ - имеет смысл заглянуть туда перед выбором конкретного инструмента, ситуация меняется быстрее, чем успевают устаревать статьи.