Новости

В рамках проекта на распределительном центре внедрены 67 FMR-роботов (автономных вилочных погрузчиков), 15 автоматизированных палетообмотчиков и робот-инвентаризатор. Все решения интегрированы в единую систему управления складом собственной разработки X5 – Nexus WMS.

FMR-роботы обеспечивают беспилотное перемещение палет весом до двух тонн, точное позиционирование и безопасную транспортировку грузов внутри склада. Палетообмотчики автоматизируют упаковку палет по всей высоте, обеспечивая сохранность товаров при отгрузке и транспортировке. Робот-инвентаризатор – подвижный комплекс для поддержания актуальности данных о складских запасах в зонах стеллажного хранения – автоматически сканирует наличие товаров и синхронизирует информацию с системой управления складом. Использование одного робота позволяет экономить 180 человеко-часов за одну процедуру инвентаризации.

Внедрение роботизированного комплекса, основанного на российских ИТ-решениях и программном обеспечении, позволило компании сократить количество низкоэффективных операций, увеличить производительность складских операторов, минимизировать влияние человеческого фактора и риск ошибок, а также повысить точность и скорость выполнения операций. Производительность складской обработки выросла на треть, улучшились показатели пропускной способности и точности операций, снизились затраты на ручной труд и риски повреждения грузов.

В дальнейшем X5 планирует масштабировать аналогичные решения на другие распределительные центры своих торговых сетей по всей географии присутствия.

В сравнительный анализ вошли продукты ключевых производителей из топ-рейтинга ЦСР за 2024 год: Digital Q.DataBase (Диасофт Экосистема), Jatoba (Газинформсервис), Platform V Pangolin (СберТех), Postgres Pro Enterprise (Postgres Professional) и Tantor (Тантор Лабс).

Эксперты отмечают, что разнообразие сценариев позволяет компаниям оптимизировать ИТ-бюджеты: вместо приобретения избыточной функциональности заказчики смогут выбрать решение с точным попаданием в задачи. На основе детального сравнения функциональности также удалось выделить ключевые тенденции, которые характеризуют отрасль в 2026 году.

Обновление ядра: ведущие игроки уже перешли на актуальную версию PostgreSQL 18. Новая версия ускоряет работу с данными за счет асинхронного ввода-вывода и оптимизации запросов, а также добавляет поддержку современных стандартов. Остальные поставщики планируют обновление в течение 2026 года.

Облегченная миграция с Oracle и Microsoft: если раньше переход на российскую СУБД требовал множества ресурсов, то теперь вендоры предлагают инструменты автоматической конвертации. Некоторые продукты (Postgres Pro Enterprise, Digital Q.DataBase) понимают язык запросов Oracle и Microsoft «из коробки», что сокращает время и стоимость миграции в разы.

Безопасность как стандарт: шифрование данных, защита от внутренних угроз, детальный аудит действий пользователей – эти функции стали обязательными для всех enterprise-решений. Один из игроков (Jatoba) внедрил SQL Firewall с алгоритмами машинного обучения для предотвращения SQL-инъекций в реальном времени.

Простое управление: чтобы снизить затраты на эксплуатацию, вендоры добавляют графические интерфейсы, автоматическое резервное копирование в облако и инструменты диагностики проблем в один клик. Администраторам больше не нужно писать сложные скрипты для рутинных задач.

Как отмечают эксперты, рынок перешел из фазы «вынужденного выбора» в фазу осознанного сравнения. Заказчики больше не спрашивают, можно ли доверять российскому продукту, а подбирают решение, исходя из конкретных задач. Все пять участников обзора представляют зрелые продукты с сертификацией ФСТЭК, поддержкой российского оборудования и собственными уникальными функциями. Это позволяет заявить, что отечественные СУБД состоялись как полноценная альтернатива Oracle и Microsoft SQL Server для критически важных систем крупного бизнеса.

Аналитики ЛАНИТ сравнили производителей и их решения по почти 200 параметрам, распределенным на восемь групп по показателям надежности, скорости работы, простоты миграции, удобства интерфейса и другим.

• Postgres Pro Enterprise демонстрирует высокие позиции по таким показателям, как масштабируемость и надежность, производительность, графический интерфейс, а также общие характеристики и миграция.
• Tantor входит в число лидеров по удобству разработки и графическому интерфейсу.
• Digital Q.DataBase показывает один из лучших результатов по удобству разработки, а также высокий результат по миграции.
• Jatoba демонстрирует самый высокий среди представленных СУБД результат по безопасности, занимая по этому показателю второе место среди всех продуктов.
• Platform V Pangolin получил высокие оценки по масштабируемости и надежности, а также безопасности.

Российский рынок серверов и СХД по итогам 2025 года почти удвоился в денежном выражении — до 280 млрд руб. против 155 млрд руб. годом ранее. Однако участники рынка подчеркивают, что это произошло главным образом из-за роста цен. С августа 2025 года цены на СХД выросли в несколько раз, а на их долю приходится до двух третей себестоимости сервера. Как отмечают эксперты, рост рынка систем хранения данных — это зеркало того, как дорожают компоненты и само оборудование. В 2026 году можно констатировать факт, что подорожал сам «входной билет» в инфраструктуру.

Расходы на ИТ растут, но не ради расширения

У 53% опрошенных компаний бюджеты на ИТ-инфраструктуру в 2025 году выросли, однако эксперты указывают, что это далеко не всегда означает наращивание парка, чаще речь идет о компенсации ценового давления. Еще 34% компаний удерживают бюджеты на прежнем уровне, что формирует риск накопления «инфраструктурного долга» — отложенных обновлений, которые придется финансировать позднее и дороже.

Бюджеты на облака: ни одного сокращения

На фоне давления на капитальные расходы облачные бюджеты демонстрируют принципиально иную динамику. Ни один из 70 респондентов не сообщил о сокращении расходов на облака: у 43% они выросли, у 57% — остались прежними. Это совпадает с общерыночной картиной: по итогам 2025 года рост российского облачного рынка оценивается в 29%.

Смена стратегии: гибрид вместо отказа от железа

Кризис железа не привел к массовому исходу компаний с собственной инфраструктуры. Согласно опросу K2 Cloud, 45% респондентов сохраняют фокус на оборудовании on-premise. Вместе с тем 36% рассматривают полный или частичный переход в облако. Рынок движется не к отказу от железа, а к смешанным моделям, при которых облако закрывает риски непредсказуемых закупок.

Проект «Квантовый криптоанклав» стартовал по итогам заключенного на ПМЭФ-2025 соглашения по развитию квантовых технологий и к сегодняшнему дню подтвердил возможность безопасного обучения ML-моделей на объединенных данных нескольких организаций.

В рамках проекта ключи шифрования автоматически генерируются в режиме реального времени с использованием квантовых эффектов, что исключает хищения или дешифрацию, и передаются по специализированной оптоволоконной линии, предоставленной РЖД. Это дает возможность транслировать данные самых высоких категорий защищенности в изолированную среду, в которой происходит обучение ML-моделей. Решение ПАК «Эвирис», разработанное ИТ-холдингом Т1, – программно-аппаратный комплекс для защищенных совместных вычислений на  основе объединенных данных, позволяет обогащать эти данные информацией от других игроков рынка. Система проводит объединение датасетов, обучение модели и валидацию результатов, при этом ни один из участников не получает доступа к исходным данным партнера.

Работоспособность решения была подтверждена на подготовке скоринговых и аналитических ML-моделей для банка ВТБ.

Потенциальный круг пользователей «Квантового криптоанклава» охватывает как государство, так и множество отраслей, располагающих поведенческими или транзакционными данными, на основе которых могут быть созданы эффективные ИИ-инструменты: промышленность, телеком, финансы, крупный ретейл, электронная коммерция и другие.

С учетом планов по масштабному внедрению ПАК «Эвирис» в операционную практику на рынке в 2027 году, следует особо отметить, что дополнительный уровень защиты данных, в том числе от квантовых угроз, дает продукту уникальные рыночные преимущества, как первому в мире квантово-защищенному криптоанклаву.

Как отмечает Сергей Безбогов, заместитель руководителя технологического блока – старший вице-президент ВТБ, главный барьер для межотраслевого обмена информацией – длительный цикл согласований, который обесценивал обогащающие данные и порождал избыточные операционные издержки. В рамках пилота удалось решить эту проблему: модель была обучена на объединенных данных, при этом банк не раскрывал своей клиентской базы и не получал чужих данных. В будущем это позволит кратно сократить цикл от идеи до работающей ИИ-модели.

Предприятие специализируется на разработке и производстве широкого спектра материалов и изделий. Одновременно в работе у компании могут находиться 100-200 контрактов. Для их эффективного выполнения необходимо оперативно планировать закупки и производство, точно рассчитывать себестоимость, контролировать расходы и рентабельность.

Ранее для учета и управления в компании использовалась устаревшая информационная система. Регламентированный учет вели в отдельной информационной базе. Было сложно контролировать затраты, на расчет себестоимости уходило много времени. В работе службы снабжения не всегда точно учитывалась оперативная потребность производственных цехов в материалах, зачастую приходилось заказывать сырье с избыточным запасом. Формирование плана производства выполнялось вручную в электронных таблицах и было очень трудоемким.

Предприятию стала необходима информационная система, которая позволила бы объединить работу производственных подразделений, отделов сбыта и снабжения, улучшить планирование производства, обеспечить бесперебойные поставки сырья и материалов, усилить контроль затрат, повысить точность расчета себестоимости с необходимой детализацией по продукции и проектам. Для решения поставленных задач была выбрана система «1С:ERP Управление предприятием», а партнером по внедрению стал ИТРП.

За шесть месяцев система была развернута на 150 рабочих местах в подразделениях сбыта, на производстве, в учетных подразделениях, в службе снабжения и на складах. Ключевые задачи решены с использованием типового функционала 1С:ERP без доработок, специализированные программные обработки реализованы для переноса и нормализации остатков и оборотов из старой системы, создано несколько дополнительных отчетов по анализу себестоимости.

В результате проекта улучшилось планирование закупок. На основании плана производства в 1С:ERP оперативно рассчитывается потребность в материалах, автоматически формируются заказы поставщикам. Обеспечено бесперебойное снабжение производства сырьем, сокращены избыточные закупки, оборачиваемость склада повысилась на 15%. Автоматизирован расчет плановой себестоимости по проектам, что позволяет значительно быстрее обрабатывать поступающие заказы.

Обеспечен сквозной контроль затрат на всех этапах обработки заказов – от планового расчета стоимости до фактического выпуска продукции. Повысилась точность расчета производственной себестоимости по продуктам и проектам, в том числе по направлениям ГОЗ в соответствии с требованиями 275-ФЗ. Это помогло оптимизировать затраты и выявить источники потерь – например, перерасход материалов в производстве, пересортица на складе и др. Уже в первые месяцы работы в новой системе удалось снизить себестоимость продукции на 10%, рентабельность производства повысилась. В несколько раз ускорилась подготовка регламентированной и управленческой отчетности.

Российские компании активно интегрируют ИИ в повседневные бизнес-процессы, но делают это крайне осторожно. 60% российских компаний, опрошенных системным интегратором УЦСБ и ГК «Солар», уже используют различные формы ИИ в своей деятельности, а почти треть организаций уже перешли к работе с современными генеративными моделями (LLM) и их комбинациями. При этом 32% не применяют ИИ, но активно изучают возможности или планируют внедрение в ближайшее время. Полностью автоматизированные решения на базе ИИ применяют лишь 3% респондентов.

Среди компаний, которые пока не используют ИИ, основной причиной отказа названы высокие риски безопасности и конфиденциальности данных (утечка кода, коммерческой информации) — 42% ответов. На втором месте — нехватка компетенций внутри компании (35% ответов). При этом треть респондентов (33%) указали на отсутствие понятных и экономически обоснованных сценариев применения ИИ в их бизнесе. Высокая стоимость внедрения (20%) и регуляторная неопределенность (25%) играют менее критичную роль.

Как отмечают эксперты, компании видят высокий потенциал в ИИ, но хотят четко понимать, как не потерять данные и контроль, — особенно когда генеративные модели начинают использовать в разработке и других бизнес-процессах. Рынок в целом созрел для управляемого использования генеративных моделей, и ждет от вендоров и интеграторов методик внедрения с гарантиями безопасности.

Опасения бизнеса в отношении генеративного ИИ оправданы. Только в 2025 году в 30 раз вырос объем трафика в публичные большие языковые модели, при этом только 25% компаний разработали политики ИБ для регулирования работы сотрудников с ИИ. Искусственный интеллект — это один из ключевых драйверов технологического сектора, ускоряющий технологическое развитие компаний, но и одновременно приносящий новые угрозы кибербезопасности. Поэтому важна защита от последствий использования ИИ: предотвращение утечек данных, анализ исходящего и входящего ИИ-трафика, анализ кода, написанного ИИ, обеспечение РБПО, ограничение привилегий и контроль действий ИИ. Другие важные направления работ – защита ИИ от нарушителя и защита от атакующего ИИ.

Как показало исследование, проведенное «Корус Консалтинг», подход юнит-экономики используют 86% компаний, при этом решение об использовании данного подхода не зависит от отрасли или масштаба бизнеса – как правило, это определяется внутренними задачами компании, бизнес-моделью и стратегическими приоритетами. 14% респондентов говорят о том, что не пользуются подходами юнит-экономики, а еще 14% указали, что такие подходы используются лишь в пилотных проектах или эпизодически.

Наиболее распространенным драйвером для внедрения юнит-экономики оказался контроль маржинальности: этот фактор выделили 82% респондентов. Также компании используют метод анализа прибыльности бизнеса «по юнитам» для запуска новых продуктов (37%), оценки масштабируемости (26%) и управления маркетинговыми процессам (16%). Еще 17% указали, что один из драйверов – требования собственников.

Среди компаний, которые не используют юнит-экономику, 50% говорят об отсутствии потребности или ценности для бизнеса. Также эти респонденты указывают на недостаток компетенций и ресурсов, недостаточную осведомленность о возможностях подхода, отсутствие инструментов и необходимых данных.

Стоит отметить, что высокий уровень автоматизации расчетов по юнит-экономике характерен только для 13% компаний. 52% говорят только о частичной автоматизации, а 32% отмечают, что расчеты и отчетность формируются в ручном режиме.

При этом компании с высоким уровнем автоматизации юнит-экономики отмечают положительный бизнес-эффект, который выражается в росте прибыльности или маржинальности на единицу товара (67% респондентов), повышении прозрачности ключевых финансовых метрик и отчетности (59%), а также в снижении неэффективных операционных расходов (51%).

Технологической основой масштабирования ИИ стал контур AI Core X5, объединяющий вычислительную инфраструктуру, инструменты управления моделями, механизмы тестирования и оценки решений, работу с ИИ-агентами, доступ к различным языковым моделям и прикладные сервисы для бизнеса. Централизованный подход позволяет компании не запускать изолированные пилоты, а переводить успешные ИИ-модели и агентные сценарии в промышленное применение с едиными стандартами качества, безопасности и оценки эффекта.

Основной вклад в EBITDA обеспечили ИИ-модели, встроенные в ключевые процессы ретейла: прогнозирование спроса и пополнение, ценообразование, управление ассортиментом и рекомендательные механики. Дополнительный эффект компания получила за счет автоматизации операционных процессов, развития цифровых продуктов и ускорения вывода решений в промышленную эксплуатацию.

На прикладном уровне ИИ используется в коммерции, логистике, клиентском опыте и разработке. Компьютерное зрение автоматически контролирует наличие товаров на полках и соблюдение стандартов выкладки, рекомендательные системы помогают формировать персонализированные предложения, а ИИ-ассистент ГаляGPT помогает покупателям подбирать товары, рецепты и готовые сценарии покупок.

Отдельным результатом 2025 года стало массовое использование ИИ сотрудниками компании. Корпоративный сервис CoPilot X5, предоставляющий доступ к различным ИИ-моделям через единый интерфейс, по итогам года использовали более 32 тыс. сотрудников, из которых 21 тыс. пользуются сервисом регулярно. На базе ACE X5 (AgentOps) сотрудники самостоятельно создали свыше 2,3 тыс. ИИ-агентов, обработавших более 150 тыс. пользовательских запросов.

Как отметил Александр Костин, управляющий директор Х5 Tech, компания уже много лет использует машинное обучение и ИИ в повседневной деятельности. В 2025 году она перешла к этапу масштабирования и внедрения AI Core во все ключевые процессы. Это позволило получить весомый экономический эффект, который оценивается по прозрачным бизнес-метрикам и подтверждается финансовыми моделями, A/B-тестами и совместной оценкой с бизнес-командами. В 2026–2027 годах в Х5 сосредоточатся на системном встраивании ИИ в повседневные бизнес-процессы, чтобы сделать его частью операционной модели Х5.

Для проверки бизнес-эффекта цифровых и ИИ-решений Х5 использует собственную систему онлайн A/B-тестирования AВsalute, которая ускоряет запуск и анализ экспериментов и помогает оценивать влияние изменений на ключевые бизнес-показатели. MLOps стандартизирует обучение, вывод в промышленную эксплуатацию и мониторинг моделей, сокращая путь от разработки до внедрения. Сервис AI-Run обеспечивает унифицированный доступ к различным ИИ-моделям и помогает оптимизировать стоимость внедрения решений.

Финансовый эффект ИИ-инициатив оценивается через вклад в EBITDA, экономию операционных затрат и совокупную стоимость владения решениями. Для ключевых инициатив эффект валидируется с использованием A/B-тестов и финансовых моделей. Такой подход позволяет компании масштабировать не количество ИИ-пилотов, а решения с подтвержденной экономической отдачей.

Решение проектировалось под задачи ВЭБ.РФ с учетом жестких требований информационной безопасности. В нем использовано оборудование и ПО, включенное в реестр Минпромторга и ЕРПП. Система развернута в изолированном контуре ВЭБ.РФ, вся информация обрабатывается в защищенной среде.

Нейросети берут на себя расшифровку, протоколирование совещаний и подготовку итоговой резолюции, экономя рабочие часы специалистов. Также система сократила время проверки одного листа договоров в десятки раз — с 10 минут до 15 секунд. Взаимодействие с ИИ осуществляется через чат-бот. Встроенный low-code конструктор позволяет сотрудникам собирать «умного» помощника под конкретную задачу без привлечения ИТ-специалистов.

Команда ВЭБ.РФ ежедневно работает с огромным массивом сложных документов. Решение адаптировано под параллельную обработку нескольких файлов до 100 страниц, а точность ответов на сегодняшний день превышает 97%. При этом в пиковых нагрузках система держит свыше 1,5 тыс. одновременных подключений и обрабатывает более 25 запросов в секунду.

Демократизация ИИ-инструментов в корпоративной среде не только позволила повысить эффективность работы с документами до 30%, но и стала новым мотивационным фактором для большого коллектива. Проект стал доказательством того, что финансовые институты могут применять генеративные нейросети, не жертвуя при этом безопасностью и точностью.

С ростом числа пользователей и объема задач у Калужского турбинного завода возникла необходимость перейти от разрозненных инструментов к единой системе управления сервисными процессами. Основной задачей проекта стало создание централизованной точки обработки обращений пользователей, а также внедрение единого подхода к управлению сервисами, доступами и изменениями. Дополнительно требовалось обеспечить прозрачность процессов, включая сбор статистики по доступам и согласование изменений в системе.

Проект стал частью перехода предприятия на отечественные решения и развития единого подхода к управлению сервисами. Использование Naumen Service Desk Pro позволило снизить технологическую зависимость, упростить настройку процессов и создать основу для дальнейшего развития системы. Внедренное ITSM-решение включает преднастроенную экспертную модель сервисного управления. В системе охвачен весь контур работы — от обработки обращений пользователей и ведения каталога услуг до управления изменениями, доступами, активами и конфигурациями, а также сопровождения проектной деятельности.

Такой подход позволил связать сервисные процессы, управление инфраструктурой и развитие ИТ-среды в единой системе. Это обеспечило прозрачность обработки обращений, согласования изменений и управления сервисами на всех этапах работы. Для пользователей был развернут портал самообслуживания, через который осуществляется подача и отслеживание обращений. В системе сформирован каталог услуг, включающий 76 сервисов и около 300 типов запросов, что позволило структурировать взаимодействие и задать единые правила обработки обращений. В системе работают около 80 ИТ-специалистов, поддержка предоставляется для почти 2 тыс. пользователей. Ежемесячно обрабатывается порядка 2,5 тыс. обращений.

Внедрение ITSM-решения позволило предприятию развить централизованную модель управления сервисами и повысить прозрачность процессов. Стандартизация обработки обращений сократила время их маршрутизации и согласования, снизила зависимость от ручных операций и повысила управляемость сервисной деятельности. За счет преднастроенной модели процессов компания сразу перешла к внедрению ITSM-практик, минуя длительный этап их проектирования. Это упростило запуск системы и создало основу для масштабирования сервисной модели без значительных доработок.