Новости

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.

Модернизировать мониторинг T2 потребовалось из-за роста объемов данных и повышенных требований к надежности сервисов. Любые сбои в инфраструктуре напрямую влияют на миллионы абонентов, репутацию и выручку компании. Оператору требовалось зрелое вендорское решение, которое обеспечивает полную наблюдаемость инфраструктуры, высокую производительность и устойчивость к внешним воздействиям.

Разработка построена на базе российской системы «Пульт» компании «Лаборатория Числитель», в основе — ядро Zabbix. Одним из ключевых преимуществ системы перед Zabbix являются доработки, которые позволяют ей стабильно и надежно работать при высоких нагрузках в enterprise-инфраструктуре и хранить большие объемы данных. В результате удалось в три раза увеличить мощности по сбору данных мониторинга и оптимизировать их хранение в 10 раз.

Геораспределенная архитектура охватывает три ЦОДа и 12 площадок. Решение отличается повышенной производительностью — система обрабатывает до 15 млн метрик. Сбор данных происходит через прокси-серверы, а гибридное хранение обеспечивается PostgreSQL и ClickHouse. Комбинирование технологий обеспечивает высокую скорость обработки данных и простую масштабируемость.

Ключевой результат проекта — увеличение скорости реагирования на инциденты в 2,7 раза. Архитектура выдерживает трехкратный рост количества данных и обеспечивает долгосрочное хранение до семи лет и анализ больших данных.

Как отмечает Павел Ковальский, директор по стратегическому развитию сети Т2, внедрение катастрофоустойчивого мониторинга позволило не только повысить скорость реакции на инциденты, но и перейти к проактивному управлению инфраструктурой. Компания уверена в устойчивости системы даже в самых сложных сценариях.

Система, внедряемая в «Пятерочке», работает на базе нейросети. Алгоритмы распознают отсутствие ценников, наличие пустот в выкладке товаров на полках и т.д. Преобразуя визуальную информацию в структурированные данные, Shelf Sense позволяет видеть фактическое состояние магазинов без выездных проверок, обеспечивая дисциплину торгового пространства и точность аналитики.

Цифровой контроль ценников осуществляется по расписанию — автоматические сканирования проходят в заданное время. Алгоритмы выявляют ряд несоответствий, такие как: неправильные ценники, отсутствующие или лишние ценники. Каждая позиция, которая требует корректировки, для удобства и скорости выполнения содержит точную навигацию: номер стеллажа, полки, название товарной позиции, фотографию для визуального подтверждения.

Параллельно система решает задачу распознавания пустот на полках. Сканируя стеллажи по заданному графику, Shelf Sense определяет отсутствие товара, анализирует остатки на складе магазина и формирует рекомендации по пополнению — предлагая конкретное товарное наименование (SKU) для выкладки. Это исключает субъективность оценок и сокращает время реакции, что в конечном счете повышает эффективность точки.

Как отмечает Георгий Кононов, директор по поддержке и эффективности бизнеса торговой сети «Пятерочка», в ходе теста нейросеть проходит обучение, поэтому система может допускать неточности при распознавании. Успешность пилота напрямую зависит от обратной связи сотрудников магазинов, которые подтверждают или корректируют работу технологии. Такой подход позволит повысить точность алгоритмов перед масштабированием решения.

В начале 2024 года «КуйбышевАзот» запустил проект по созданию импортонезависимой ИТ-инфраструктуры и внедрению ERP-системы на базе программных продуктов «1С:Корпорация» и отраслевых решений «1С». В рамках проекта формируется единая централизованная система управления предприятием. Ее основа — модуль «1С:ERP Управление холдингом», к которому подключаются специализированные отраслевые решения. Первая очередь проекта была направлена на перевод критических бизнес-процессов на отечественную ERP-платформу, вторая — на масштабирование автоматизации и запуск новых подсистем.

В рамках второй очереди проекта команда К2Тех внедрила новые отраслевые и корпоративные решения, ориентированные на повышение качества управления вспомогательными процессами, унификацию учета и ускорение подготовки отчетности. В состав внедренных продуктов вошли решения для управления качеством сырья и выпускаемой продукции, метрологической службы, производственной безопасности, транспорта и логистики, а также технического обслуживания и ремонтов оборудования.

Новые подсистемы органично встроены в уже действующий единый информационный контур. Это позволило масштабировать автоматизацию без потери управляемости и создать основу для дальнейшего развития цифровой платформы предприятия.

В результате второй очереди проекта автоматизированы ключевые процессы в областях качества, метрологии, казначейства, МСФО, инвестиционных проектов, документооборота, транспорта, ТОиР и EHS. Автоматизация позволила сократить долю ручных операций при сборе, проверке и обработке данных; повысить оперативность подготовки управленческой и регламентированной отчетности; усилить контроль за затратами, активами и исполнением планов; повысить прозрачность производственных и вспомогательных процессов; снизить влияние человеческого фактора на рутинные операции.

Так, в блоке качества и метрологии был обеспечен сквозной контроль показателей и методик измерений, а также автоматизирован учет затрат на метрологические и ремонтные работы. В финансовом контуре реализованы процессы по казначейству, планированию и анализу проектов, а также автоматизирована подготовка данных для МСФО и консолидированной отчетности. Для документооборота и логистики проект обеспечил переход к более прозрачной маршрутизации документов, а в части транспорта и ремонтов — автоматизацию учета выработки, планирования техобслуживания, формирования заявок и анализа технического состояния оборудования.

По итогам второй очереди проекта при сохранении непрерывности производства и стабильной работы предприятия было автоматизировано более 200 бизнес-процессов в ключевых функциональных областях, а на новую систему перешли более 1,3 тыс. пользователей. Таким образом, «КуйбышевАзот» получил единый цифровой контур для управления качеством, метрологией, казначейством, МСФО, инвестиционными проектами, документооборотом, EHS, транспортом и ремонтом оборудования, что позволило повысить прозрачность процессов, ускорить подготовку отчетности и усилить контроль за затратами, активами и исполнением планов.

В настоящее время половина российских промышленных компаний уже имеет опыт применения отечественных систем автоматизации. Российское ПО используется более чем на десяти миллионах рабочих мест в авиа и судостроении, железнодорожном машиностроении и других сферах. В этом году ЦИПР зафиксировал важный сдвиг в повестке: промышленная автоматизация перешла из фазы «догоняем Запад» в режим «строим свое». Отечественная промышленная платформа активно развивается и готова к работе с искусственным интеллектом, однако есть некоторые сложности, которые мешают предприятиям двигаться дальше в этом направлении.

Первым барьером является инфраструктура. Развернуть полноценный ЦОД под LLM, способный обслуживать корпоративный контур крупного промышленного предприятия – это серьезные капитальные затраты. В данный момент рынок перегрет спросом, комплектующие в дефиците, а сроки растянуты. Но это решаемая инженерная задача, и компании уже находят рабочие модели.

Вторым барьером являются данные. Пока данные не описаны корректно – не нормализованы, не структурированы, не разложены под конкретные задачи – разговор о промышленном ИИ остается декларативным. Стандарты типа ОРС UA – это не опция и не «хорошая практика». Это базовое условие любой цифровизации вне зависимости от того, есть ли в проекте ИИ или нет. Именно поэтому в реальных проектах первые месяцы часто уходят не на внедрение умных алгоритмов, а на то, чтобы собрать данные с оборудования в единую точку и привести их в порядок.

Третьим барьером стали датасеты, причем у крупных предприятий этой проблемы нет. Получить качественный промышленный датасет со стороны практически невозможно. Это связано со спецификой процессов, коммерческой тайной и требованиями безопасности. Но крупным компаниям, как правило, своих данных хватает в силу масштаба. Многие из них уже давно обучают модели на собственных данных. Сложнее приходится предприятиям среднего размера – им придется искать партнерские модели или отраслевые консорциумы.

Наконец, четвертый барьер – безопасность. Регулирование доступа ИИ к промышленным данным – горячая тема, но на практике она снимается правильно выбранной архитектурой. Базовый принцип прост: ИИ развернут внутри корпоративного контура, не имеет прямого автоматизированного воздействия на технологический процесс и работает в рекомендательном режиме для оператора. Когда система видит отклонение, она предлагает решение, а человек в дальнейшем принимает решение и действует. Регулярных проблем при такой схеме, как правило, не возникает.

MES играет огромную роль при внедрении ИИ в промышленной автоматизации. MES – это точка, где сходятся данные с оборудования, операционная логика предприятия и человек, принимающий решения. Именно здесь промышленный ИИ начинает давать измеримый результат – не в пилоте, а в продакшене. Нужна среда, в которой телеметрия с датчиков, инциденты, заявки на обслуживание, ТОиР, производственные задания и выездной сервис живут в едином контуре и связаны между собой.

Нагрузка на транспортные сети операторов связи кратно растет вместе с количеством абонентов, поэтому критически важно не просто оперативно устранять аварии, а предотвращать их ещё до того, как они повлияют на качество связи. Теперь «Ростелеком» может проводить профилактику серверов, дисковых массивов, коммутаторов и каналов связи, а также оперативно локализовывать любые неисправности. В результате среднее время недоступности сетевого элемента сократилось с нескольких дней до 1–2 часов, а сама сеть перешла из режима регулярных сбоев в состояние контролируемой и прогнозируемой работы.

Первым и самым трудоемким этапом стала полная актуализация топологии: инженеры РТК-Сервис собрали данные со всей России, нарисовали новую схему и заполнили ее реальными параметрами конфигурации. Сеть включала более 4 тыс. элементов, в том числе коммутаторы, маршрутизаторы и конвертеры, от самых старых устройств 90-х годов до оборудования, установленного непосредственно перед 2022 годом. Весь этот разнородный «зоопарк» был объединен в единую систему управления.

Следующим шагом стало точечное устранение критических замечаний в каждом регионе. Инженеры интегратора систематически анализировали конфигурации, находили неверные настройки, конфликты, проблемы с резервированием и исправляли их. Важно, что оборудование при этом не заменялось. Работы велись исключительно на уровне конфигураций и схемных решений. Такой подход позволил уложиться в минимум затрат, используя только собственные ресурсы компании, и при этом заложить фундамент для превентивного реагирования.

Однако самым значимым шагом стало решение, которое изначально вообще не входило в договор технической поддержки. Специалист РТК-Сервис проявил инициативу и развернул на сети систему мониторинга Zabbix. До этого момента оборудование DCN никто не контролировал в реальном времени, о выходе из строя коммутатора или жесткого диска на сервере управления узнавали постфактум, когда проблема уже приводила к потере управляемости сетевыми элементами.

Внедрение системы мониторинга кардинально изменило ситуацию. Теперь инженеры РТК-Сервис в онлайн-режиме видят состояние всех коммутаторов, каналов связи и серверов. Если начинают сыпаться жесткие диски, система сигнализирует об этом за недели до потенциального краха. Если канал перешел на резервный, это сразу заметно, и можно разобраться с причиной без потери управления. Если какой-то сетевой элемент показывает аномальное поведение, профилактика проводится до того, как произойдет отказ. Благодаря возможности превентивно реагировать на возможные проблемы удалось вовремя заметить массовый выход из строя жестких дисков на серверах, проработавших более пятнадцати лет, и заменить их без остановки системы управления.

По итогам проекта количество заявок по недоступности сетевых элементов сократилось в несколько раз. Но ключевой показатель – среднее время недоступности сетевого элемента – уменьшилось с нескольких дней до 1–2 часов. Достигнуто это за счет двух факторов. Во-первых, точная схема сети позволяет оперативно локализовать отказ, не тратя дни на выяснение топологии. Во-вторых, система мониторинга дает возможность узнать о проблеме еще до того, как она переросла в аварию. При этом все работы выполнялись удаленно, без выезда на узлы связи, и практически незаметно для текущей эксплуатации.