Новости

MLSecOps (Machine Learning Security Operations) — подход, объединяющий машинное обучение, DevOps и информационную безопасность. Он подразумевает, что безопасность ИИ-систем обеспечивается на каждом этапе их жизненного цикла, начиная от самых ранних этапов разработки до эксплуатации. Внедрение MLSecOps позволяет существенно снизить ИБ-риски. Результаты исследования говорят о том, что пока эта методология не стала общепринятым стандартом управления безопасностью ИИ в российских компаниях.

Как отмечают аналитики, рынок MLSecOps находится на этапе становления, и единая зрелая практика пока еще не сформировалась. Защитные подходы и специализированные решения появляются разрозненно, прежде всего в тех областях, где риски уже проявились на практике и стали ощутимыми для бизнеса, разработки и ИБ-команд. Ситуация осложняется тем, что задачи безопасности ИИ-систем распределены между несколькими уже существующими функциями: безопасностью разработки, защитой данных, контролем инфраструктуры, мониторингом эксплуатации и расследованием инцидентов. Именно поэтому безопасность ML-разработки невозможно эффективно выстроить без постоянного взаимодействия ИБ-отдела с командами по исследованию данных. Значительная часть рисков возникает не только в инфраструктуре, но и непосредственно в данных, пайплайнах обучения, логике валидации и процессе поставки модели в промышленную среду.

Из-за скорости развития технологий рынок решений по безопасности ИИ очень динамичен: меняется набор инструментов, которые нужно защищать, параллельно растет набор угроз, которые необходимо предотвратить. Если еще недавно речь шла о защите от джейлбрейков и утечке персональных данных в чатах, то сейчас необходимо обнаруживать потенциально опасные действия код-ассистентов и вредоносный код в агентных навыках. Роль ИБ-вендора в данном случае — отслеживать ландшафт угроз и оперативно реагировать на его изменения: понимать, какие из рисков уже закрываются имеющимися решениями (например, они адаптируются для поиска вредоносных закладок в открытых моделях), для каких необходимо реализовывать продукты в новых классах (например, AI Firewall), а где первоочередную роль играют повышение осведомленности среди пользователей и разработчиков инструментов на базе машинного обучения — в частности, путем создания руководств, регламентов и обучающих курсов.

Не все российские организации оперативно внедряют необходимые меры контроля за ИИ-системами. Только у трети компаний есть централизованный реестр моделей. Отсутствие такого реестра повышает риск запуска непроверенного артефакта, зависимости от неизвестного источника или уязвимости в цепочке поставок.

Централизованный каталог датасетов есть меньше, чем у половины (43%) компаний. С точки зрения безопасности датасеты — это не вспомогательный ресурс, а фундамент. Именно через них в AI/ML-контур могут проникнуть ошибки, а также могут произойти утечки, нарушения прав доступа и возникнуть риски скрытого изменения поведения модели.

Контроль версий моделей реализован у 61% компаний. Значительная доля компаний, не владеющих информацией о наличии контроля версий моделей, косвенно показывает, что AI/ML-ландшафт во многих организациях пока еще не собран в единый операционный контур. Если процессы существуют, но не воспринимаются как заметный элемент архитектуры, это указывает на размытость ответственности между командами разработки, управления данными, ИТ и ИБ.

Рынок уже научился переносить на ИИ часть зрелых практик классического ИБ- и ИТ-управления. Однако из-за отсутствия устоявшихся методологий защиты некоторые аспекты безопасности остаются без внимания. Так, контроль доступа и доставки (фундаментальная практика ИБ) есть у большинства (59%) компаний. Однако наличие базовых практик не гарантирует защищенность ИИ-среды. Для достижения высокого уровня безопасности требуется расширение зон контроля: защита наборов данных, контроль промптов, обучение модели и т.д. Защиту датасетов внедрили 46% компаний. Ее отсутствие означает, что компания фактически оставляет без контроля основу будущего поведения модели.

Высокая доля внедрения ролевой модели доступа показывает, что для большинства компаний тема управления ИИ уже вошла в область корпоративного управления. Это важный маркер зрелости: рынок начинает понимать, что доступ к модели, датасетам, inference-сервисам и связанным с ними артефактам должен регулироваться так же строго, как и доступ к критически важным ИТ-системам.

При этом наиболее слабым звеном в системе защиты ИИ остается мониторинг drift: только 15% компаний внедрили его, еще 15% пилотируют, а у 70% он вовсе отсутствует. Это один из самых важных результатов, потому что именно мониторинг drift отделяет «формально работающую» модель от реально управляемой.

В проектах «Гарден Сити» одновременно участвуют архитекторы, инженеры, снабженцы, строители, авторский надзор, сервисные подразделения и команды благоустройства. Работы распределяются по исполнителям на «Agile-досках»: на тикетах указывается плановая и фактическая загрузка, статус выполнения. Внутренние обращения также фиксируются в системе и направляются ответственным сотрудникам.

Для хранения регламентов, проектных наработок и шаблонов документов в «Гарден Сити» подключили «Базу знаний». Нужные материалы сотрудники находят по меткам и связям между статьями.

Основой для цифровизации внутренних процессов компании служит платформа Directum RX. Когда в «Гарден Сити» появилась необходимость в инструменте для проектной работы, предпочтение отдали продукту той же экосистемы.

В результате был сделан заметный шаг от системы электронного документооборота к единой цифровой среде компании. Удалось создать новую корпоративную культуру, выведя работу пользователей на новый уровень. В результате на 70% ускорены бизнес-процессы, а экономия составила 400 тыс. руб.

Главной сложностью компании называют высокую стоимость ИТ-оборудования, прежде всего оперативной памяти и графических ускорителей: об этом сообщили 28% респондентов. По 18% опрошенных сталкиваются с трудностями при поиске оборудования в нужной конфигурации и с дефицитом запасных частей для ремонта. Еще 19% отмечают необходимость обновления или ремонта техники, 17% — нехватку кадров и инженеров. Среди других барьеров — ненадежность поставщиков, непредсказуемая логистика, отсутствие подходящих площадей и гарантий соблюдения сроков поставки.

Компании с гибридной инфраструктурой сталкиваются с такими проблемами чаще пользователей публичного облака: хотя бы одну сложность отметили 72% и 69% респондентов соответственно. Наиболее заметна разница в оценке стоимости оборудования — 34% против 21%. Найти технику в нужной конфигурации сложно 23% пользователей гибридной модели и 12% пользователей публичного облака, а с дефицитом запчастей сталкиваются 22% и 13% соответственно. О необходимости обновления или ремонта оборудования сообщили 20% пользователей гибридной инфраструктуры и 18% пользователей публичного облака.

В ближайшие 12 месяцев почти половина рынка ожидает дальнейшего удорожания инфраструктуры. Рост цен на ИТ-оборудование прогнозируют 48% респондентов, на GPU-ресурсы — 47%. Среди ИТ-экспертов доля ожидающих повышения цен достигает 55% по обеим категориям. Одновременно 45% участников исследования считают, что значимость GPU-ресурсов для бизнеса продолжит расти.

На этом фоне компании намерены активнее использовать облачные и ИИ-сервисы. Увеличить потребление услуг ИИ-провайдеров планируют 48% респондентов, платформ для создания ИИ-агентов — 46%. Рост использования облачных систем хранения и обработки данных ожидают 45% компаний, облачных сервисов для работы с базами данных и облачных технологий для бизнеса — по 44%.

Аппетиты к ИИ опережают качество управления и инвестиции. 58% компаний подтвердили, что вообще не включили ИИ в ИТ-стратегию, либо пока рассматривают его только как перспективное направление. Лишь 22% респондентов сформировали цели и закрепили ответственных за развитие ИИ, у 11% есть утвержденная стратегия и всего 9% выделили под ИИ отдельную структуру.

При этом исследование показало взаимосвязь между зрелостью системы управления ИИ и объемами инвестиций. Так, среди компаний с выделенным ИИ-офисом половина респондентов инвестирует в ИИ от 5% до 15% от ИТ-бюджета, а еще треть — более 15%. В то время как 94% предприятий, где ИИ не упоминается в стратегии, вкладывают в него менее 5% всех технологических расходов.

Все это отражается и на подходах к оценке финансовых результатов: 44% компаний вообще не измеряют эффект от внедрения ИИ, еще 25% отслеживают отдельные показатели, но не связывают их с экономикой бизнеса. В результате, почти 7 из 10 компаний пока не могут показать, что конкретно изменилось в экономике бизнеса после применения ИИ.

Пока сложно с эффектом масштаба

Наиболее частая модель интеграции ИИ в бизнес-процессы — точечное внедрение, через отдельные эксперименты (44%). 22% компаний используют ИИ сразу в нескольких подразделениях, а 14% применяют на постоянной основе в одном или нескольких бизнес-процессах. Встроить ИИ в ключевые процессы как стандартный инструмент работы пока смогли лишь 12% организаций.

Существенным барьером масштабирования ИИ-инициатив остается недостаток инфраструктуры и внутренних компетенций. Почти половина компаний (45%) используют отдельные облачные сервисы и специализированные инструменты под конкретные задачи, тогда как единую масштабируемую ИИ-платформу развивают только 13% организаций.

Внедрение ИИ по-прежнему во многом держится на отдельных специалистах у 48% компаний. Специализированные команды сформированы у 19% респондентов, а программы развития ИИ-компетенций только у 14%. При этом заметна прямая зависимость между навыками и внедрением: в компаниях с высоким уровнем интеграции ИИ в ключевые бизнес-процессы, 88% системно развивают внутреннюю экспертизу в этой технологии.

Безопасность использования ИИ остается зоной риска

Отдельной проблемой остается управление рисками. 47% компаний не имеют внутренних правил или политик, регулирующих применение искусственного интеллекта. Еще 20% находятся на этапе разработки отдельных документов. Только 13% организаций внедрили политики по работе с данными и этике использования ИИ и лишь 17% регулярно оценивают риски и применяют меры защиты.

Даже среди крупнейших компаний с выручкой свыше 10 млрд руб. почти половина не имеет формализованных правил использования ИИ. Это показывает, что масштаб компании сам по себе не гарантирует готовности управлять рисками технологии.

Компании рассматривают ИИ прежде всего как инструмент повышения эффективности в тех процессах, где есть данные, проще встроить технологию в работу и быстро получить измеримый бизнес-результат. Поэтому основные инвестиции в ИИ в ближайшие годы, вероятно, будут направлены на те сценарии, в которых легче пройти путь от работающей модели до понятной экономики.

Правительство Республики Марий Эл более семи лет использует продукты Directum. В системе Directum 5 работали все 23 органа исполнительной власти региона, Администрация и подведомственные учреждения. Новые федеральные стандарты цифровизации потребовали от региона перехода на более гибкую и масштабируемую платформу. В качестве такого решения был выбран Directum RX. Ключевой задачей стало перевести всех пользователей максимально быстро, исключив параллельную работу в двух системах.

В рамках проекта, реализованного в правительстве Марий Эл, в «цифру» перевели работу с входящими и исходящими документами, обращениями граждан, приказами, распоряжениями, служебными записками и исполнением поручений. В ходе внедрения разработали сквозной маршрут согласования исходящих писем с Администрацией главы, скорректировали порядок работы с обращениями граждан и др.

Работы велись на предварительно развернутом тестовом контуре. Благодаря преимуществам no-code платформы большинство настроек выполняли сотрудники подведомственного учреждения без привлечения вендора.

В планах правительства — подключение к работе на базе платформы Directum RX новых организаций, интеграции с РВД, ПОС и Р7-Офис, а также внедрение ИИ-инструментов в основные процессы.

Одной из ключевых задач проекта стало создание централизованной среды виртуальных рабочих мест. Основным сценарием для РусГидро являлось не подключение пользователей к физическим удаленным компьютерам, а предоставление рабочих столов из серверной инфраструктуры. Виртуальные рабочие места создаются на основе эталонного «золотого» образа, что позволяет централизованно управлять пользовательской средой, унифицировать ее конфигурацию и упростить сопровождение рабочих мест.

Одним из важных критериев при выборе VDI-платформы стало наличие у вендора собственного протокола удаленного доступа. В Termidesk VDI используется собственный проприетарный протокол TERA, предназначенный для подключения пользователей к виртуальным рабочим столам и приложениям.

Еще одним существенным требованием стала возможность работы VDI-платформы с различными отечественными системами виртуализации. Это позволяет использовать Termidesk VDI в гетерогенной инфраструктуре и дает больше возможностей при выборе и развитии базовой платформы виртуализации.

Также для Группы РусГидро была важна поддержка публикации приложений. Помимо предоставления полноценных виртуальных рабочих столов, платформа позволяет централизованно предоставлять пользователям отдельные корпоративные приложения без необходимости выделять для этого полный виртуальный рабочий стол.

Отдельной задачей проекта стало обеспечение функциональности, необходимой для перехода с ранее используемых решений Citrix. На момент начала проекта отдельные возможности Termidesk VDI требовали развития с учетом требований заказчика. Необходимый функционал был реализован в рамках доработок со стороны вендора, что позволило адаптировать платформу к существующим сценариям эксплуатации и обеспечить требуемые РусГидро возможности.

В результате внедренная система обеспечила централизованное предоставление виртуальных рабочих мест и корпоративных приложений пользователям организаций компании независимо от их территориального расположения. Для РусГидро с ее географически распределенной инфраструктурой внедрение VDI позволяет использовать единый подход к организации рабочих мест в разных регионах страны.

Российский облачный рынок уже не первый год входит в число наиболее динамично растущих сегментов ИТ-сферы. Так, по итогам 2025 года объем облачных сервисов увеличился на 29%, достигнув 96 млрд руб. Эксперты прогнозируют сохранение этой тенденции с ежегодным приростом не менее 30% в ближайшие два года. За этой динамикой стоит глубоко структурированный подход бизнеса.

Облачная стратегия в 2026 году, как подчеркивают эксперты DataSpace Cloud, строится на прагматичном распределении нагрузок. Разделение на облачные и локальные ландшафты уходит в прошлое: российские предприятия все чаще разворачивают инфраструктуру в смешанных средах, и это становится новой отраслевой нормой. По оценкам экспертов, около 50% заказчиков выбирает именно гибридный подход, распределяя нагрузку между облаком и локальными мощностями.

Так, в приватном контуре сегодня остаются преимущественно legacy-системы с жесткой привязкой к оборудованию, проприетарные базы данных, а также монолитные приложения, реорганизация которых обойдется дороже, чем их эксплуатация на существующих мощностях. Кроме того, on-premise все еще сохраняет позиции в высокопроизводительных производственных системах с высокими требованиями к задержкам.

Публичное облако, напротив, становится основной средой для большинства рабочих нагрузок – веб-приложений, CRM, корпоративных сервисов, маркетинговых систем, а также аналитических платформ и AI/ML-нагрузок. Возможность мгновенно масштабировать ресурсы под переменный спрос без капитальных инвестиций в избыточные мощности делает эту модель для бизнеса сегодня экономически наиболее предпочтительной. Кроме того, отдельного внимания заслуживает сегмент регулируемых систем, включая банковские решения, обработку персональных данных, которые благодаря сертифицированной облачной инфраструктуре провайдера успешно переносятся в облачные контуры, избавляя компании от затрат на собственный комплаенс.

По оценкам «Рексофт Консалтинг», российский рынок HR Tech превысил 42 млрд руб. в 2025 году, прибавив за год 12%. Согласно прогнозам, в 2026 году он может достигнуть 45,2 млрд руб., составляя около 1% от ИТ-рынка России и 2,8% от рынка ПО.

Как отмечают эксперты, рынок HR Tech в России претерпел серьезные изменения, пережив пик своего роста в 2023 году, и в ближайшем будущем не ожидается новых скачков. В целом потенциал рынка еще далеко не исчерпан – в части как отложенной цифровизации в малом и среднем бизнесе, так и отложенного импортозамещения в крупном. Отчасти, вероятно, данный потенциал будет реализован в форме заказной или внутренней ИТ-разработки и таким образом «растворится» в общем объеме ИТ-индустрии. Рост по сегментам внутри HR Tech останется неравномерным, а влияние ИИ на выручку тех или иных игроков более однозначно проявит себя в течение нескольких лет.

Специализированные и вспомогательные решения

Рынок HR Tech раздроблен и насыщен ИТ-решениями разной степени зрелости для отдельных задач. На ландшафте представлено 220 уникальных HR Tech продуктов, 50% из которых зарабатывают менее 55 млн руб. в год, а 25% – менее 5 млн руб. Число доступных ИТ-продуктов для пользователей возрастает за счет смежных систем, содержащих часть HR-функционала (например, профильные или отраслевые системы управления хозяйственной деятельностью, проектами, операционными процессами для линейного персонала), а также некоторых ИТ-решений из «дружественных» стран.

Наиболее насыщены по количеству игроков сегменты развития персонала (LMS, TMS), подбора (ATS), кадрового администрирования (КЭДО) и управления сквозным опытом сотрудника (корпоративные или HR-порталы). Меньше всего решений в категориях кадровых учетных систем (HRIS), оргдизайна и планирования персонала (CPM и BI-решения для HR), а также комплексных НСМ-платформ.

Создание единого HR-решения откладывается

До настоящего времени среди российских решений не появилось какого-то единого ИТ-продукта, покрывающего весь комплекс HR-процессов, характерных для крупного бизнеса с высокой вариативностью и сложностью операций, – развитие систем на уровне ушедших зарубежных аналогов требует серьезных и многолетних инвестиций. Однако динамика запроса заказчиков, возможности технологий и перспективы рынка таковы, что воспроизведение прошлых эталонов теряет актуальность — индивидуальный подход к автоматизации обходится все дешевле.

Наиболее вероятным сценарием является сохранение большой вариативности и адаптивности ИТ-решений, наряду с усилиями заказчиков по их доработке, интеграции с иными продуктами и обогащению либо замене части систем инструментами на базе ИИ. При этом ряд крупных компаний будут продолжать собственные ИТ-разработки, часть из которых впоследствии либо пополнят HR Tech ландшафт, либо будут заменены на вендорские ИТ-продукты.

В новой реальности задача стандартизации HR-процессов на базе «передовых практик» отходит на второй план. Все большее значение приобретают гибкость и точечная настройка цифровых инструментов под конкретные бизнес-задачи. В фокусе внимания оказывается не процесс, а опыт сотрудника, что закономерно повышает роль владельца HR Tech продукта и владельца сквозного «опыта сотрудника» внутри компаний.

По мнению респондентов, российский рынок ITSM продолжает уверенный рост. В 2022 году его объем оценивался в 8-10 млрд руб., к 2024 году он достиг 12-15 млрд руб., а к 2030 году размер этого сегмента может превысить 25 млрд руб. Эксперты отмечают качественное изменение его структуры: ранее основным драйвером роста было импортозамещение, сегодня фокус смещается на повышение зрелости ITSM-процессов и их экономической эффективности.

Исследование показало заметный разрыв в уровне зрелости. Для 38% компаний ITSM остается прежде всего системой регистрации обращений (Service Desk), 23% используют ее как полноценную операционную платформу для управления ИТ-процессами, изменениями, активами и аналитикой. Еще 8% распространили сервисный подход за пределы ИТ и достигли уровня Enterprise Service Management (ESM) – применение принципов управления ИТ-услугами в других сервисных подразделениях организации.

По данным опроса, практический опыт внедрения ИИ в ITSM уже получили 36% крупных компаний: 18% реализуют пилотные проекты и еще столько же используют технологию в промышленной эксплуатации. Наиболее востребованный сценарий – автоматическая классификация и маршрутизация обращений, а также поиск по базе знаний: его отметили 54% респондентов. Далее следуют подсказки специалистам службы поддержки (49%), генерация ответов (44%) и чат-боты (41%).

Ключевым направлением развития ITSM в 2026 году участники исследования назвали внедрение сценариев с использованием ИИ – такой вариант указали 36% респондентов. На втором месте – повышение качества данных, развитие баз знаний и сокращение ручных операций (31%). При этом основными барьерами для развития ITSM компании называют ограниченный бюджет (59%), недостаточную зрелость процессов (44%) и неочевидный бизнес-эффект от внедрения (38%).

В финансовой отрасли 43% компаний указали, что ответственность за ИИ и данные закреплена на уровне выделенного руководителя — CAIO, CDO или сопоставимой роли, тогда как в остальных секторах этот показатель составляет 30%. Еще более заметна разница в подходах к управлению рисками: 24% финансовых организаций за них отвечает риск-менеджмент или комплаенс, в других отраслях — лишь 6%.

Бюджеты на данные и ИИ-проекты выросли у 81% финансовых организаций (у трети — более чем на 50%), при этом ни один банк не сообщил об отсутствии отдельного финансирования. В других отраслях отдельный бюджет не выделяется у 18% компаний, а рост более чем на 50% зафиксирован только у 25%.

Банки также активнее готовятся к новому регулированию в ИИ. Нормы закона обязывают компании КИИ четко знать, какие модели и сервисы используются в корпоративном контуре, на каких данных они работают, к каким системам имеют доступ. 86% финансовых организаций оценили свою data-инфраструктуру как полностью или частично готовую к требованиям закона, тогда как в других отраслях этот показатель составляет 73%. При этом готовность data-инфраструктуры не означает, что конкретные наборы данных уже пригодны для ИИ-сценариев. 62% банков считают, что их данным требуется доразметка, очистка или консолидация. В других отраслях о частичной готовности сообщили 39% компаний. При этом банки реже называют данные главным барьером: 19% против 23% в других отраслях.

Главная системная проблема в управлении ИИ сегодня во всех отраслях — отсутствие измеримых KPI. Лишь 24% финансовых организаций используют количественные метрики, такие как число инцидентов, полнота документации или уровень автоматизации контрольных процедур; в других отраслях этот показатель составляет 26%. При этом 48% банков ориентируются преимущественно на качественные оценки — например, результаты аудитов, а 14% оценивают процесс без формализованных метрик. В результате около трех четвертей компаний не имеют количественных KPI для управления.

Как отмечают аналитики К2Тех, наблюдается парадокс: инвестиции в ИИ растут быстрее, чем у компаний появляется способность измерить и доказать их бизнес-эффект. Поэтому следующий уровень зрелости — не еще один бюджет на GenAI, а портфельное управление: каждая инициатива должна иметь владельца, стоимость, риск-профиль, измеримые метрики эксперимента и понятное решение по итогам — масштабировать, доработать или закрыть. Иначе даже хорошо финансируемая ИИ-программа довольно быстро превращается в дорогую коллекцию пилотов.

В банках наблюдается более сильный разрыв между ожиданиями топ-менеджмента и реальной готовностью бизнеса к внедрению ИИ: 38% финансовых организаций сообщили о сильном разрыве, тогда как в других отраслях — только 24%. Полное соответствие ожиданий ресурсам зафиксировано лишь у 10% банков против 25% в других секторах. Это означает, что даже при более зрелой организационной структуре и финансировании банковское руководство ждет от ИИ большего, чем могут обеспечить текущие данные и инфраструктура.