Новости

Первым этапом проекта стала миграция сегмента обработки персональных данных с другого российского решения на PT NGFW. Платформа была развернута параллельно с действующей системой. Чтобы проверить работу PT NGFW на продуктивном трафике, сначала на него перевели часть сервисов и только затем затем – весь контур. Миграция прошла без потери быстродействия и доступности, а фактические показатели производительности подтвердили проектные расчеты.

На втором этапе решение разворачивается в качестве первого рубежа сетевой защиты, фильтруя входящий трафик до передачи последующим средствам безопасности. Продукт обеспечивает полноценную отказоустойчивость, поддерживает несколько тысяч точечных правил в межсегментном контуре и дает возможность централизованно управлять межсетевыми экранами и политиками безопасности в распределенной инфраструктуре – по модели ведущих мировых производителей. Обе инсталляции развернуты при помощи компании «ТризТех» в отказоустойчивых кластерах и рассчитаны на дальнейший рост нагрузки.

PT NGFW встроен в действующие процессы информационной безопасности «Интерроса». Решение интегрировано с MaxPatrol SIEM – события безопасности и срабатывания передаются в систему, нормализуются и становятся частью общей картины происходящего в инфраструктуре. Кроме того, решение подключается к сторонней платформе централизованного управления продуктами нескольких производителей. Это упрощает совместную эксплуатацию оборудования в период поэтапной миграции.

Следующим шагом станет развертывание PT NGFW в новых сегментах инфраструктуры «Интерроса».

Исследование, подготовленное при участии Газпромбанка, «Газпром нефти», «Северстали» и «Газинформсервиса», посвящено анализу состояния и перспектив рынка промышленного ИИ в России и мире, основным технологическим направлениям, инвестициям, барьерам внедрения, вопросам регулирования и кибербезопасности. По оценке авторов, мировой рынок промышленного ИИ вырастет с 53,8 млрд долл. в 2025 году до 153,9 млрд долл. к 2030 году при среднегодовом темпе роста 23,4%. В промышленности ИИ применяется для предиктивной аналитики, компьютерного зрения, управления эффективностью активов, обработки данных, машинного обучения и периферийных вычислений.

Российский рынок промышленного ИИ имеет ряд особенностей. Крупные промышленные компании преимущественно разворачивают ИИ-решения внутри собственных закрытых ИТ-контуров, что повышает требования к вычислительным мощностям и собственной технологической инфраструктуре. По оценке исследования, на организации промышленного сектора приходится порядка 24% совокупных расходов на цифровые технологии, а объем российского рынка промышленного ИИ в денежном выражении в 2025 году оценивается в 40 млрд руб.

К 2030 году структура российского рынка может заметно измениться. Объем сегмента платформ машинного обучения, по прогнозу исследования, увеличится с 4,8 до 18,8 млрд руб., периферийных вычислений — с 1,6 до 10,7 млрд руб. Сегмент компьютерного зрения может достичь 24,1 млрд руб. против 10,4 млрд руб. в 2025 году. Рынок предиктивной аналитики оценивается в 21,4 млрд руб. к 2030 году против 8 млрд руб. в 2025 году.

В исследовании также сформулированы стратегические контуры развития промышленного ИИ в России до 2030 года. В качестве одного из целевых состояний указано достижение высокой готовности к внедрению ИИ в 95% приоритетных отраслей экономики. Точечные пилотные проекты при этом должны постепенно уступать место типовым отраслевым платформам с готовыми домен-специфичными моделями. Еще один контур связан с развитием вычислительной инфраструктуры и снижением зависимости от импортных аппаратных решений.

Отдельная часть исследования посвящена кибербезопасности промышленного ИИ. Авторы предлагают определять требования к защите с учетом уровня зрелости конкретной ИИ-системы, ее роли в производственном процессе и степени автономности. По мере роста автономности повышаются требования к контролю данных и доступа, мониторингу моделей, управлению изменениями и сохранению человеческого контроля над работой системы.

Российский бизнес находится на переходном этапе зрелости управления разработкой – к такому выводу пришли эксперты платформы «Сфера» (ИТ-холдинг Т1), Ассоциации ФинТех (АФТ) и АНО «Цифровая экономика» по итогам исследования компаний крупного и среднего размера из 17 отраслей. Средняя оценка развития процессов составила 2,2 балла из 3, при этом разрыв между лидерами и аутсайдерами почти двукратный — от 1,6 до 2,98 балла.

Главный вывод, к которому пришли авторы исследования, — зрелость управления в бизнесе определяется не отраслью и не размером ИТ-функции. Она зависит от сочетания четырех взаимосвязанных характеристик: критически важной роли разработки для бизнеса, централизации ключевых платформ и архитектурных практик, сочетания единых стандартов с достаточной автономией команд, а также трансформации проектной модели в продуктовую.

Высокий уровень зрелости, соответствующий модели технологического производства, показали лишь четыре компании из десяти. Еще четыре находятся на переходном этапе: отдельные элементы продуктовой модели и стандартизации уже сформированы, но пока не складываются в единую систему управления. Две компании продемонстрировали локальную и фрагментированную модель, при которой процессы в большей степени зависят от отдельных подразделений, подрядчиков и конкретных сотрудников.

При этом отраслевой разброс оценок оказался значительным: наиболее высокие результаты показали представители финансового сектора (2,98 балла), ретейла (2,87 и 2,48) и электронной коммерции (2,57), тогда как в логистике и строительстве средняя оценка составила 2,02 балла, в нефтехимии — 1,89, в агропромышленном комплексе — 1,88, а в энергетике — 1,60.

Одновременно исследование выявило и проблемные области. Несмотря на высокий уровень зрелости в бюджетировании проектов (2,9 балла) и финансовом контроле (2,56 балла), крупный бизнес слабее работает с рисками, интерпретацией результатов и накоплением опыта. Наименьшие оценки получили практики обзора завершенных проектов и извлечения опыта (Lessons Learned) — 1,60 балла, ведения реестра рисков и формирования резервов на случай их реализации — по 1,80, оценки бизнес-ценности после завершения проектов — 1,80, анализа экономических результатов разработки — 1,90 и изучения потребностей пользователей перед запуском проектов (Discovery) — 1,90.

Отдельным трендом, который отметили участники исследования, стало распространение искусственного интеллекта в разработке: компании ожидают, что ИИ изменит распределение ролей внутри команд, повысив спрос на специалистов, способных сочетать инженерную экспертизу, понимание бизнеса и навыки управления изменениями.

Для бизнеса и руководителей ИТ-направлений результаты исследования означают необходимость сместить фокус с «освоения бюджетов» на управление эффективностью и рисками. Разрыв в оценке Lessons Learned говорит о том, что компании фактически не учатся на своих ошибках, а это тормозит масштабирование и рост производительности. Низкие баллы за реестр рисков и резервы означают уязвимость проектов к сбоям, поэтому необходимы формализованные процедуры риск-менеджмента. Оценка бизнес-ценности после релиза показывает, что ИТ-проекты часто остаются «вещью в себе», и бизнесу стоит требовать от разработки измеримых результатов и влияния на финансовые показатели. Наконец, подготовка к ИИ-трансформации уже сейчас требует специалистов, сочетающих инженерную экспертизу с пониманием бизнеса и навыками управления изменениями.

Основной склад «Л.Арго» площадью более 8 тыс. кв. м находится в Домодедово и обеспечивает поставки в торговые сети по всей России. По мере роста бизнеса и складских оборотов возможности прежней системы управления складом перестали соответствовать задачам. Компании требовалось решение, способное поддерживать растущие объемы операций и дальнейшее развитие складской логистики. Дополнительным стимулом для перехода на новую систему управления складом стали расширения перечня требований к маркировке товаров для детей в рамках системы «Честный знак». Для «Л.Арго» было важно заранее подготовить складские процессы к новым требованиям: обеспечить прослеживаемость продукции, контроль партий и сроков годности, а также создать технологическую основу для взаимодействия с ГИС МТ «Честный знак».

Для решения этих задач компания выбрала «1С:WMS Логистика. Управление складом», а реализацию проекта доверили «Корус Консалтинг». Команда проекта обследовала складские бизнес-процессы и спроектировала переход с прежней системы управления складом. Затем были настроены процессы адресного хранения, приемки и размещения продукции, сборки и отгрузки заказов, а также контроль партий и сроков годности. Кроме того, специалисты разработали интеграцию 1С:WMS с ERP-системой «Бухта» со стороны WMS. В результате «Л.Арго» объединила складские операции и корпоративную учетную систему в едином информационном контуре и сократила объем ручной работы при передаче данных между системами.

Отдельного внимания на этапе опытной эксплуатации потребовала работа с маркировкой. Для таких проектов особенно важно проверить все сценарии непосредственно в условиях реальной работы склада – от приемки и отгрузки до корректности обмена данными с внешними системами.

Обследование логистических процессов и настройка 1С:WMS шли параллельно. Благодаря этому специалисты «Л.Арго» могли проверять спроектированные процессы непосредственно в системе еще до промышленного запуска и уточнять требования по ходу проекта. Отдельное направление работ команда посвятила складской аналитике. В 1С:WMS установили и настроили подсистему для контроля ключевых показателей склада. Теперь сотрудники «Л.Арго» могут отслеживать выполнение операций, анализировать их результаты и выявлять отклонения на основе актуальных данных системы.

Переход на новую систему затронул не только технологии, но и привычные сценарии работы сотрудников склада. Поэтому на этапе запуска специалисты интегратора сопровождали пользователей, помогали разбирать возникающие вопросы и адаптироваться к новым логистическим процессам. Одним из показателей успешного перехода стало расширение круга пользователей WMS: с новой системой начали работать и сотрудники, которые ранее не использовали ее в ежедневной работе. Это позволило вовлечь больше специалистов в работу непосредственно в системе и сократить зависимость отдельных операций от привычных ручных сценариев.

Ранее операторы «РКС-энерго» дистанционно обслуживали клиентов посредством IP-телефонии на основе Asterisk. Отсутствие «единого окна» ограничивало оперативный доступ к полному профилю клиента во время разговора, а также затрудняло централизованное управление нагрузкой операторов и контроль качества клиентского сервиса.

Технологической основой проекта стала платформа Naumen Contact Center, а в качестве партнера выступил «ОБИТ». Его специалисты обеспечили внедрение платформы, настройку интерактивного голосового меню (IVR) и автоматической маршрутизации вызовов, рабочих мест операторов и супервизоров, инструментов формирования отчетности. Особое внимание было уделено интеграции платформы с системой «1С:Биллинг», которая используется для работы с клиентскими данными. Двусторонний обмен информацией между системами реализован с помощью корпоративной сервисной шины данных Datareon ESB.

После завершения настройки платформа прошла комплексное нагрузочное тестирование и опытную эксплуатацию. Параллельно команда проекта обучила сотрудников работе в новой системе. Все компоненты решения развернуты в on-premise инфраструктуре.

Теперь при поступлении звонка оператор получает полную информацию о клиенте, включая данные по договору, приборам учета электроэнергии, платежам. В едином рабочем интерфейсе оператор может редактировать данные и передавать информацию в другие отделы для дальнейшей обработки обращений, не переключаясь между несколькими системами.

Проект также позволил стандартизировать обработку звонков, поступающих на разные номера — все входящие звонки проходят через интерактивное голосовое меню, где клиент может автоматически получить ответы на ряд стандартных вопросов без привлечения оператора. При нахождении в очереди голосовой помощник информирует клиента о статусе ожидания.

Руководители, в свою очередь, получили возможность отслеживать качество клиентского сервиса по ряду метрик: автоматический расчет показателей времени ожидания и ответа, информация о вызовах в очереди и их продолжительности и др. По итогам проекта среднее время обработки клиентских обращений сократилось на 40%, а показатель уровня обслуживания составляет более 80%. Новая платформа позволяет автоматизировать типовые сценарии обслуживания, повышать качество клиентского сервиса и последовательно развивать контакт-центр.

Более 130 продуктовых команд «Лемана ПРО» соприкасаются с клиентскими данными в разных контекстах – от заказов и MDM до сайта, мобильного приложения и программы лояльности. Раньше для работы с каждым сегментом специалисты обращались к аналитикам и ждали выгрузку около недели. Проверка качества данных была отдельной ручной операцией и занимала еще до трех дней после сбора.

Платформу CleverData Join развернули во внутреннем ИТ-контуре, чтобы избежать передачи чувствительных сведений внешним сервисам. В CDP интегрировали данные сайта, мобильного приложения, чеков, офлайн-магазинов и CRM – всего более 50 систем. На их основе собран единый профиль клиента и домохозяйства. Контроль качества данных теперь срабатывает автоматически: DQ-логика надстроена поверх CDP. Собранную аудиторию не нужно выгружать вручную: она в один клик попадает в CVM-модуль, где кампания начинается сама.

CDP работает в «Лемана ПРО» как хаб данных, на базе которого действуют ML-модели. Например, модель склонности к проекту определяет, какое помещение клиент планирует ремонтировать следующим (кухню, ванную или спальню), и подсказывает конкретный магазин, в который он, скорее всего, обратится. Это позволяет начать персонализированное взаимодействие еще до момента покупки. ИИ также определяет предпочтительный канал и время коммуникации: у одних клиентов конверсия в почте втрое выше, чем в push-уведомлениях, у других – наоборот.

На данный момент компании удалось добиться роста конверсии из клика в заказ в полтора раза и роста объема персональных коммуникаций с клиентами в три раза. Срок подготовки и запуска маркетинговой кампании операционной командой сократился с двух недель до трех дней. Если раньше на создание нового аудиторного признака аналитик тратил около недели, то теперь задача занимает 1-3 дня.

Платформу используют подразделения маркетинга, аналитики и омниканальные продуктовые команды компании. Коммуникации с клиентами осуществляются через email, телефонные звонки и push-уведомления.

Согласно исследованию, проведенному Postgres Professional, 92% компаний уже рассматривают аналитику как стратегический ИТ-актив либо целенаправленно развивают ее в этом качестве. При этом 80% респондентов продолжают использовать зарубежные аналитические решения — активно или для отдельных задач.

Аналитика стала одним из драйверов ИТ-инвестиций: 36% опрошенных компаний увеличили бюджеты на нее за последние два года. При выборе решений компании учитывают не только стоимость лицензий, но и совокупную стоимость владения аналитическим стеком.

Как отмечают аналитики, сегодня компании все внимательнее считают полную стоимость владения аналитического стека: помимо лицензий, она включает внедрение, интеграцию, масштабирование, поддержку и работу смежных команд. Поэтому при выборе аналитической СУБД на первый план выходит способность решения ускорять работу с данными и одновременно делать эксплуатацию более простой и предсказуемой.

Переход к новым аналитическим платформам определяется не только задачами импортозамещения. 47% участников исследования называют производительность на больших объемах данных главным триггером для перехода на новую аналитическую СУБД.

Таким образом, компании оценивают аналитические СУБД по практическому эффекту: способность работать с растущими объемами данных, встраиваться в действующий ИТ-контур, масштабироваться без остановки процессов и обеспечивать прогнозируемую стоимость эксплуатации — все это становится весомее абстрактных технических характеристик при выборе решения.

Торговая точка открылась летом 2026 года в IQ-квартале делового центра «Москва-Сити». При оснащении магазина особое внимание было уделено цифровым инструментам, которые помогают автоматизировать повседневные операции сотрудников и сделать процесс выбора товаров более удобным для покупателей. В рамках проекта дистрибьютор OCS поставил цифровые решения для оформления торгового пространства, автоматизации операционных процессов и взаимодействия с покупателями.

Для оформления торгового пространства были установлены видеостена и цифровые панели от ведущих производителей, часть из которых были кастомизированы специально для проекта. Они используются для размещения рекламного и навигационного контента и позволяют оперативно обновлять информацию без использования печатных материалов.

Из основных особенностей флагмана — наличие цифрового сомелье на основе искусственного интеллекта. Воспользовавшись цифровой панелью, покупатель сможет с помощью ИИ подбирать вино с учетом своих вкусовых предпочтений, под конкретное блюдо или в подарок. Модель BB разработана и обучена специально для «ВинЛаб» и учитывает актуальный текущий ассортимент магазина.

Для автоматизации операционных процессов используются мобильные принтеры Bixolon XM7-30 и терминалы сбора данных Bluebird S10. С их помощью сотрудники выполняют приемку и переоценку товара, маркировку продукции, аудит, замену ценников непосредственно в торговом зале. Использование этих устройств позволяет сократить время выполнения таких операций примерно в четыре раза.

В магазине также используется робот-промоутер Industry F, который перемещает товары в торговом зале и привлекает внимание покупателей к отдельным категориям продукции. За поддержание чистоты отвечает робот-поломойщик. Использование роботизированных решений позволяет сети «ВинЛаб» передать технике часть рутинных операций, снизить нагрузку на сотрудников магазина и сократить затраты на фонд оплаты труда.

Кроме поставки решений, специалисты OCS участвовали в подборе устройств с учетом задач и технологических требований проекта, консультировали по вопросам их применения, взаимодействовали с производителями и тестировали оборудование перед вводом в эксплуатацию. При выборе решений эксперты учитывали требования к надежности, условиям эксплуатации, сроку службы и экономической эффективности.

Как отмечают в iKS-Consulting, замена зарубежных решений сохраняет влияние на динамику рынка, но дальнейший рост будет определяться развитием сформированного российского ИТ-стека, инвестициями в данные и ИИ, облачные технологии, автоматизацию и модернизацию инфраструктуры. Следующий этап импортозамещения будет связан уже не столько с замещением отдельных зарубежных продуктов, сколько с совместимостью российских решений, зрелостью архитектуры и возможностью формировать из отечественных продуктов полноценные технологические стеки.

Один из главных структурных сдвигов — опережающий рост технологического ПО относительно прикладного. Технологическое ПО становится основным источником прироста рынка. К 2031 году технологические классы (информационная безопасность, системное и инфраструктурное ПО, средства разработки и управления данными) обеспечат около 60% всего прироста рынка ПО. При этом их доля на рынке ПО увеличится с 51% до 55%.

Усложнение ИТ-ландшафта одновременно создает новые продуктовые ниши. В информационной безопасности, например, формируются самостоятельные классы решений, связанные с мониторингом и защитой данных. DSPM — один из примеров такого класса решений.

ИИ переходит от экспериментов к встраиванию в корпоративный контур

ИИ не просто создает новый спрос – он перераспределяет ИТ-бюджеты. Растет потребность в платформах данных, средствах разработки, инфраструктурном ПО, решениях по информационной безопасности и новой функциональности прикладных систем. Одновременно автоматизация оказывает давление на типовую разработку, тестирование и ресурсную модель, основанную на продаже человеко-часов.

Таким образом, ИИ постепенно становится не отдельным сегментом рынка, а новым функциональным слоем российского ИТ-стека, который одновременно меняет спрос на программные продукты и экономику их разработки и внедрения.

Меняется модель рынка ИТ-услуг

Автоматизация разработки повышает производительность команд и ограничивает потенциал роста ресурсной модели сервисного бизнеса. Спрос смещается от предоставления ресурсов и типовой разработки к архитектуре, сложной интеграции, данным, ИИ, DevSecOps и специализированной экспертизе.

Одновременно усложняется конкурентная среда: крупные ИТ-группы расширяют продуктовые портфели и формируют платформы, однако специализированные вендоры сохраняют сильные позиции в сегментах, где ключевыми преимуществами остаются глубина функциональности и технологическая экспертиза.

Попадание инородных тел в поток руды, поступающий на участок дробления, – классическая проблема горнодобывающих и перерабатывающих предприятий. Твердосплавные куски металла и неметаллические засоряющие тела – например, крупные куски деревянных балок – могут стать причиной выхода из строя или остановки дробильного оборудования. Такие инциденты влекут внеплановые простои и потери для бизнеса.

Решение представляет собой классическую систему видеоаналитики. В отличие от систем, построенных с применением металлоотделителей, данная технология позволяет детектировать не только металлические, но и иные инородные предметы. Система включает камеры, инфраструктуру для их работы и самоочищающиеся кожухи, которые исключают необходимость ручной протирки оптики над конвейером. Передача данных организована по проводным каналам связи в соответствии с высокими требованиями отказоустойчивости. Программное обеспечение видеоаналитики построено с применением нейросетей и является собственной разработкой объединенной команды Рексофт и «Норникеля».

Качество работы системы рудозасорения оценивается по трем классическим метрикам видеоаналитики: Precision, Recall и интегральной метрике F1. Precision оценивает количество ложных срабатываний. В рамках приемо-сдаточных испытаний по двум объектам из трех Precision составил 100% – ни одного ложного срабатывания, на третьем объекте – 95%. Recall показывает точность работы системы и по разным объектам составил от 90% до 98%. Интегральная метрика F1 на трех предприятиях составила от 0,96 до 0,98. Помимо обнаружения рудозасоряющих тел, в проекте также реализован функционал определения возможных дефектов конвейерной ленты – порезов, пробоев и глубоких царапин.

Кроме того, система включает веб-интерфейс и дашборды. Их ключевые пользователи – непосредственно выборщик, а также руководители производственных подразделений, для которых предусмотрены отдельные вкладки со статистикой по предприятию, переделу и цеху. Верхнеуровневый дашборд позволяет руководству Заполярного филиала оценить общее количество рудозасоряющих тел за выбранный период, их классы и другие параметры. Отдельные камеры системы также фиксируют присутствие персонала у конвейера.

Решение применимо для любых горнодобывающих и перерабатывающих компаний, поскольку проблема рудозасорения общая для отрасли, и масштабы ее разнятся в зависимости от особенностей добычи. Кроме того, функционал определения дефектов конвейерной ленты универсален для любых производств, где есть конвейер. Технологию возможно использовать и за пределами горной добычи – в непрерывных производствах, нефтехимии и химии, а также в дискретных производствах и непроизводственных сферах, поскольку задачи анализа инородных тел в потоке и поведения человека схожи.