Новости

Выбор платформы затрагивает работу ряда подразделений. Производству нужно обслуживать оборудование, сервисной службе – распределять заявки и курировать сроки, руководству – видеть результаты и затраты. ИТ-команда отвечает за совместимость с системами и устойчивость инфраструктуры. Если все требования не согласовать до покупки, ограничения могут обнаружиться после запуска, и устранение потребует дополнительных ресурсов.

Первая ошибка – сравнивать возможности продуктов, не определив, какой процесс нужно улучшить. Наличие мобильного приложения, аналитики или конструктора процессов не объясняет, как изменится работа сотрудников. Например, предприятие выбирает платформу для ускорения ремонта, но оценивает только удобство регистрации заявок. Основное время уходит на согласование работ и поиск запчастей. После внедрения обращения создаются быстрее, но длительность простоя остается прежней. Во избежание такой ситуации, нужно заранее описать путь задачи от возникновения до выполнения, найти причины задержек, выбрать показатели для оценки результата.

Вторая ошибка — откладывать проверку интеграций до начала внедрения. Заявленную возможность подключения к ERP, сервис-деску или оборудованию необходимо проверить в условиях заказчика. Значение имеют версии систем, состав передаваемых данных, права доступа и порядок работы при потере связи. Если эти вопросы остаются без внимания, могут возникнуть дубли заявок, расхождения в статусах и задержки уведомлений. Сотрудникам придётся перепроверять информацию вручную, а ИТ-службе — выполнять незапланированные доработки. До покупки важно проверить полный сценарий: от поступления события из внешней системы до назначения исполнителя и передачи результата выполненной работы.

Третья ошибка — оценивать решение только по начальной стоимости. При сравнении предложений компания может ориентироваться на цену лицензии, не учитывая перенос данных, настройку интеграций, обучение и сопровождение. Дополнительные расходы становятся особенно заметны при подключении новых подразделений и площадок. Проект, который укладывался в бюджет на старте, требует новых вложений, а его расширение приходится откладывать. Снизить этот риск помогает расчет полной стоимости владения за одинаковый период для всех рассматриваемых решений.

Четвертая ошибка — выбирать платформу ради ИИ, не оценив готовность собственных данных. Интеллектуальный помощник может классифицировать обращения, находить похожие инциденты и предлагать дальнейшие действия. Для этого ему нужны корректные сведения об объектах, история заявок и результаты работ. Если информация неполна или противоречива, сотрудники будут тратить время на исправление маршрутизации и проверку рекомендаций. До выбора решения следует определить задачу для ИИ и проверить ее выполнение на данных компании. Оценивать нужно правильность обработки обращений, число ручных исправлений и изменение сроков работы.

Пятая ошибка — недостаточно оценивать команду, которая будет внедрять и сопровождать платформу. Для запуска необходимо обследовать процессы, подготовить данные и обучить пользователей. Если обязанности заказчика, вендора и интегратора не распределены, часть работ может остаться без ответственного. Это приводит к переносу сроков, спорам при приемке и дополнительной нагрузке на внутреннюю ИТ-службу после запуска. При выборе поставщика важно оценить его опыт в похожих проектах, доступность специалистов и готовность помочь с проработкой требований.

Причины таких ошибок связаны с нехваткой времени на подготовку, недостаточным опытом внедрения и разным представлением участников о будущем процессе. Каждое подразделение хорошо знает собственный участок, но может не учитывать, какие сведения и действия нужны коллегам. В STAQ рекомендуют начинать выбор с формирования рабочей группы, в которую входят владелец процесса, представители ИТ, информационной безопасности и будущие пользователи. Вместе с поставщиком они должны определить границы проекта, интеграции, ожидаемый результат и порядок его проверки.

Следующий этап — пилот на одном объекте. До запуска фиксируют исходные показатели, потом оценивают изменения при сопоставимой нагрузке: время обработки задач, соблюдение сроков, объём ручной работы и затраты.

Разработанный агент самостоятельно анализирует данные в CDP-платформе, формулирует гипотезы и готовит под них сегменты, триггерные сценарии и проекты коммуникаций, однако финальное решение о запуске кампании принимает по-прежнему человек. Clover стал одним из первых решений такого класса на российском рынке.

Обычно ИИ-ассистент работает по запросу, выполняет команду специалиста или следует заранее настроенному сценарию. Clover действует иначе – он сам отслеживает поведение клиентов и новости конкурентов, изменения в данных, проводит анализ, формулирует гипотезы и под каждую готовит кампанию: подбирает сегмент, формирует сценарий и создает текст сообщения. Например, узнав об акции конкурента, он предложит ответную акцию для клиентов, которые чаще покупают товары этой категории. Запуск всегда утверждает человек, без его подтверждающих действий рассылка невозможна.

По результатам внутреннего тестирования благодаря помощи ИИ-агента полный цикл подготовки кампании (от выбора гипотезы до готовой к отправке рассылки) занял у маркетолога 15-20 минут. По оценке участников исследования, раньше на такую работу с учетом проверки шаблона уходило до двух суток. На сбор сложного сегмента Clover тратит от 2 до 16 минут, тогда как специалист – минимум полчаса. Для маркетинга это означает более быструю реакцию на изменения рынка, действия конкурентов и возможность проверить большее число гипотез. Агент существенно экономит время, которое маркетолог может направить на решение более интересных и высокоуровневых задач.

Работа с Clover начинается с онбординга: помощник уточняет отрасль, маркетинговые цели и стиль коммуникаций компании, определяет конкурентов и целевую аудиторию. Кроме проактивного режима, Clover выполняет задачи по запросу на естественном языке, без SQL: создает и редактирует сегменты, шаблоны, кампании и сценарии.

Решение построено по трехконтурной модели безопасности. Исходные клиентские данные хранятся в закрытом контуре CDP. Clover работает в изолированной среде и получает только агрегированные показатели, метаданные и обезличенные описания аудиторий. Языковые модели вынесены в отдельный слой и могут быть развернуты полностью в инфраструктуре заказчика. Персональные данные подставляются в готовые шаблоны уже внутри CDP и не передаются языковым моделям. Такой подход снижает и затраты: ИИ работает на уровне сегментов и сценариев, поэтому расходы на него почти не зависят от размера клиентской базы.

Агент функционирует на платформе LANDEV AI (решение компании ЛАНИТ). Она поддерживает работу с несколькими языковыми моделями и позволяет выбирать подходящую в зависимости от сложности задачи. За счет этого сокращается расход токенов и снижается совокупная стоимость эксплуатации помощника. Токены тратятся на подготовку сегментов, сценариев и шаблонов коммуникаций, после чего CDP персонализирует сообщение для каждого получателя без обращения к языковым моделям. Поэтому расходы на ИИ практически не зависят от объема клиентской базы.

При согласовании медицинской услуги специалисту необходимо учитывать несколько факторов: соответствие назначения клиническим рекомендациям по конкретной нозологии, необходимость услуги для пациента, а также то, не дублирует ли она уже оказанную медицинскую помощь. Одна из особенностей этого процесса — большой объем медицинской информации. В рубрикаторе клинических рекомендаций Минздрава России опубликовано более 700 документов, которые регулярно актуализируются. При ручной работе специалисту необходимо найти в этом массиве нужную информацию и сопоставить ее с конкретным случаем. Скорость такого поиска в том числе зависит от опыта специалиста в соответствующей области медицины.

Для автоматизации этой части работы «Ингосстрах» сформировал базу знаний на основе клинических рекомендаций с использованием технологии RAG (Retrieval-Augmented Generation) и разработал на собственной платформе IMAN ИИ-ассистента для специалистов медицинского блока.

Система получает информацию о жалобах пациента, диагнозе и возрасте, а также перечень назначенных медицинских услуг. На основе этих данных ассистент определяет релевантные положения клинических рекомендаций и формирует заключение с обоснованием возможности согласования услуги.

Таким образом, ИИ берет на себя значительную часть работы по поиску и анализу информации в больших массивах медицинской документации. При этом окончательное решение остается за врачом. Специалист получает от системы релевантные положения клинических рекомендаций и подготовленное обоснование, после чего самостоятельно оценивает возможность согласования медицинской услуги.

По данным «Ингосстраха», использование ИИ-ассистента позволяет в два раза сократить время, необходимое для поиска информации. Единая база знаний также помогает стандартизировать этот этап работы и обеспечивает единый подход к поиску медицинской информации.

Проект стал частью программы ИИ-трансформации департамента медицинского страхования «Ингосстраха». Один из ее принципов — использование ИИ как инструмента поддержки специалистов в процессах, где необходимо одновременно работать с большим объемом информации и сохранять экспертный контроль человека.

Для эффективной деятельности «Трансэнерго» необходимо оперативно закупать детали и комплектующие, рационально планировать производство, контролировать выпуск и качество продукции, точно рассчитывать себестоимость и управлять затратами. Ранее для учета и управления в компании использовался комплекс систем на платформе «1С:Предприятие»: для регламентированного учета применялась «1С:Бухгалтерия», управление договорами и согласованием было организовано в «1С:Документооборот КОРП», мастер-системой выступала кастомизированная программа. При этом обмен данными между конфигурациями был нерегулярным и выполнялся вручную, как и часть других задач, которые были лишь частично автоматизированы. Большое количество ручных расчетов приводило к неточностям и ошибкам, было сложно консолидировать данные подразделений, планировать и контролировать работу и финансовый результат.

Компании стала необходима новая информационная система, которая позволила бы объединить работу подразделений. Требовалось улучшить планирование закупок, производства и продаж. Обеспечить точный расчет предварительной стоимости и фактической себестоимости продукции, ускорить обработку заказов и усилить контроль за их выполнением. При этом важно было сохранить историю деятельности компании и не нарушить сложившиеся за годы алгоритмы работы.

Для решения поставленных задач была выбрана система 1С:ERP, а партнером стала компания «1С:Первый Бит».

В ходе проекта система развернута на 100 рабочих местах в отделах продаж и закупок, на складе, в производственных подразделениях, бухгалтерии, финансовом и юридическом отделах. Выполнена интеграция с «1С:Документооборотом», перенесены исторические данные. Реализованы необходимые настройки и доработки, в частности, разработаны специализированные автоматизированные рабочие места для мастеров и диспетчеров производства, сотрудников отдела технического контроля, кладовщиков и логистов. Для обеспечения качественной поддержки пользователей на технологии «1С:Предприятие.Элемент» создана система контроля входящих заявок. Для адаптации использовалось сквозное сценарное тестирование — отделы пошагово отрабатывали свои процессы в 1С:ERP, что позволило еще до запуска выявить и устранить слабые места и увеличить доверие сотрудников к новой системе.

В результате проекта организовано оперативное управление производством от поступления заказа до передачи лифта в монтаж. Обеспечен надежный контроль состава изделий, стадий производства, остатков материалов и полуфабрикатов.

Внедрено динамическое планирование производства. Система автоматически на основе заказов клиентов формирует производственную программу, с учетом временных норм выполнения операций заполняет состав работ в ресурсных спецификациях, по параметрам спецификаций формирует комплектовочную ведомость на продукцию, списывает в производство детали и комплектующие, закупленные для выполнения заказа.

Разработаны параметрические ресурсные спецификации. Менеджер указывает в системе параметры, которые согласовал с клиентом (высота, нагрузки, тип шахты, двери и пр.), конструкты добавляют свою часть вводных. На основе установленных параметров система автоматически формирует спецификацию конкретного изделия. Чтобы упростить расчеты — реализованы около десяти шаблонных спецификаций для типовых моделей лифтов. При планировании и запуске производства шаблонная спецификация автоматически разузловывается, формируется конкретный состав материалов, полуфабрикатов, работ и т.д.

Реализована возможность группового формирования партий (этапов) производства изделий. Для формирования оптимальных карт раскроя настроен вывод информации о минимально-необходимом для запуска количестве деталей, изготавливаемых из одного материала. Комплект документации по этапам производства формируется автоматически, причем система сама находит нужные данные в базе и на локальном диске пользователя.

При формировании этапов производства в системе учитывается компания-производитель каждой детали и сборочной единицы, что обеспечивает прослеживаемость партий, помогает оперативно выявлять брак и контролировать качество готовой продукции.

Специализированное автоматизированное рабочее место мастера с подключенными сканерами штрихкодов позволяет фиксировать выполнение всех технологических операций в режиме реального времени. Система отображает доступные работнику операции в зависимости от его специализации, при этом она распознает по характеристикам продукции те операции, которые не нужны для конкретного изделия (например, покраска для нержавеющей стали), и автоматически пропускает их без участия пользователя. Ввод фактических данных так же контролируется в режиме-онлайн.

Обеспечен оперативный контроль исполнения заказов на каждом этапе технологической цепочки. Вся информации о состоянии выполнения производственной программы аккумулируется в специализированном отчете «Производственная программа». При изменении сроков выполнения той или иной операции пользователи получают соответствующие уведомления. Появилась возможность точно рассчитывать себестоимость по каждой партии и по каждому конкретному лифту, анализировать рентабельность отдельных заказов, модельных рядов и единиц продукции.

Оптимизировано управление закупками. Система помогает рассчитывать и анализировать потребность в материалах, формировать заказы поставщикам с учетом различных данных: свободный остаток, нормативы min/max, количество товаров в пути с датой ближайшего поступления, данные последней закупки (поставщик, цена, дата) и др. При приемке материалов и комплектующих автоматически формируются серии номенклатуры, данные для обеспечения прослеживаемости (дата поступления, номер УПД, контрагент) заполняются автоматически.

Повысилось качество отчетности и взаимодействия с контролирующими органами. Структуру и состав изделия по каждому лифту можно оперативно предоставить регуляторам по запросу в виде понятных и детальных отчетов.

Все это помогло компании оптимизировать работу и добиться значительных экономических эффектов: обработка заказов ускорилась на 27%, оборачиваемость склада повысилась на 15%, простои сокращены на 18%, себестоимость снизилась на 15%, а количество брака — на 10%. Объемы выпуска на мех же мощностях выросли на 24%, прибыль повысилась на 14%.

Ключевым фактором эксперты 3Logic Group называют масштабное строительство дата-центров для задач ИИ. Значительная часть производственных мощностей поставщиков микроэлектроники направлена на выполнение заказов для ИИ-инфраструктуры. Это отражается на доступности компонентов как для серверов, так и для персональных компьютеров и ноутбуков. Дополнительное давление на себестоимость оказывает удорожание материалов и электронных компонентов.

Напряженная ситуация с памятью продолжится в следующем году. Быстрого восстановления баланса спроса и предложения в компании не ожидают: расширение производственных мощностей требует времени, а ввод новых предприятий не означает немедленного насыщения рынка.

В сегменте памяти и накопителей после нескольких месяцев относительной ценовой стабильности началась новая волна подорожания. С октября поставщики сообщают о повышении цен в пределах 10–30% в сегменте памяти и накопителей. Эксперты ожидают, что по мере реализации ранее сформированных запасов новые цены будут заметнее отражаться на российском рынке. Для материнских плат влияние обновленных закупочных условий также прогнозируется в ноябре.

При этом ситуация различается в зависимости от категории. Цены на настольные процессоры Intel относительно начала года стабилизировались, а доступность позволяет обеспечивать крупные проекты. В то же время в сегменте AMD сохраняется дефицит отдельных процессоров для платформы AM4 со встроенной графикой.

Стоимость памяти влияет и на выбор платформ для ПК. В 3Logic Group отмечают, что спрос на материнские платы с поддержкой DDR4 остается высоким. Для части заказчиков такие конфигурации позволяют удерживать бюджет закупки. Одновременно реализация крупных проектов в конце года может приводить к краткосрочному дефициту наиболее востребованных бюджетных плат.

На рынке видеокарт эксперты отмечают сокращение доступного ассортимента и рост стоимости новых поставок. В этих условиях подбор оборудования по конкретному артикулу становится сложнее. При подготовке проектов специалисты рекомендуют заранее определять допустимые аналоги с учетом графического процессора, объема памяти и требований к производительности.

В серверном сегменте ограничения затрагивают высокопроизводительные процессоры, GPU и совместимые с ними платформы. Доступность ускорителя сама по себе не гарантирует возможности оперативно собрать систему: необходимо учитывать наличие подходящего шасси, требования к питанию и охлаждению. Срок актуальности предложений по отдельным дефицитным позициям может составлять всего несколько дней.

Предыдущая платформа виртуализации данных использовалась в инфраструктуре банка «Кубань Кредит» четыре года. Переход на российское решение был обусловлен тремя факторами: снижением зависимости от иностранного ПО и связанных с ним санкционных рисков, растущей стоимостью лицензий у зарубежного вендора и стремлением банка использовать технологии, сопоставимые по функциональности с иностранными аналогами.

Команда банка провела сравнительный анализ доступных решений и двухмесячное тестирование в формате Proof of Concept. Выбор был сделан в пользу CedrusData Engine — SQL-движка на базе Trino с нативным исполнением операторов на Rust, включенного в реестр российского ПО. Решение показало оптимальный баланс производительности и безопасности, интегрировалось с СУБД и объектным хранилищем банка, а стоимость владения оказалась существенно ниже зарубежного аналога.

Для бизнес-пользователей переход прошел бесшовно — их привычные процессы работы с данными не изменились. По итогам проекта банк импортозаместил ПО, ускорил выполнение ключевых процессов извлечения и обработки данных за счет более эффективной оптимизации запросов и сократил расходы на лицензии при сопоставимом уровне поддержки.

Запуск корпоративной торговой площадки на базе «Тендеры 2.0» стал продолжением сотрудничества с B2B-Center. На площадке работают 57 сотрудников из 10 подразделений института. Они обеспечивают закупки по ключевым проектам компании, среди которых «Руппур» в Народной Республике Бангладеш, «МБиР» в Димитровграде и «СРЗ-35» в Мурманске.

Площадка дала институту необходимые для системных закупок инструменты: доступ к развитой базе профильных поставщиков, удобное проведение конкурентных процедур и возможность работать с широким спектром закупочных категорий. Это помогло развить конкуренцию среди поставщиков и упростить взаимодействие с участниками закупок.

За время работы на площадке база поставщиков института выросла на 50%, в процедурах приняли участие более 670 компаний. Кроме того, время на поиск контрагентов сократилось в два раза, а процесс документооборота при общении с ними стал проще. Все потребности компании закрыты – от автоматизации закупок до мониторинга объема работ в каждом подразделении.

В следующем году компания планирует увеличивать объем закупок на площадке, а также расширять количество категорий на 15%. Помимо ЭТП, компания рассматривает использование и других инструментов для цифровизации и повышения эффективности закупок.

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.