Новости

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.

Новая коммуникационная среда для «ФК Гранд Капитал» реализована на базе «Битрикс24» с использованием модулей «Улей: Геймификация» и «Улей: Опросы». Внутренняя валюта «Спасибо» позволяет сотрудникам из любых городов поощрять друг друга за достижения и обменивать баллы на мерч. Опросы, переведены на портал, что сократило трудозатраты HR и ИТ на сбор и обработку данных.

Готовые решения позволили объединить более 2 тыс. сотрудников в едином цифровом пространстве. Сотрудники получили инструмент нематериальной мотивации и обратной связи, а компания – современную платформу для укрепления корпоративной культуры.

70% банков не имеют внутренних ресурсов для самостоятельной настройки антифрод-систем, а более половины не смогли внедрить новые регуляторные требования без масштабных доработок со стороны вендора. При этом базовая задача выявления мошенничества в дистанционных каналах в целом решена: уровень защиты интернет-банка и мобильных сервисов достигает почти 100%. Гораздо меньше внимания банки уделяют операциям в отделениях и кредитным продуктам, где уровень покрытия средствами антифрода не превышает 40%.

Еще один вывод исследования — разрыв между ожиданиями рынка от ИИ и реальными результатами. Несмотря на высокий интерес к ИИ, только 13% банков используют машинное обучение как основной механизм выявления мошенничества, и ни один из них не оказался полностью удовлетворен его работой. Основные причины — непрозрачность принятия решений, высокие требования к качеству данных и стоимость эксплуатации моделей. В частности, алгоритмы не раскрывают, по каким критериям относят операции к подозрительным, а это затрудняет анализ и верификацию аномалий специалистами банка.

При этом классические механизмы защиты по-прежнему остаются наиболее востребованными. Сценарии, основанные на правилах, удовлетворяют 87% банков, а многофакторные модели оценки риска — всех опрошенных, однако их внедрили лишь 40% организаций, поскольку такие решения требуют сильную внутреннюю экспертизу.

Исследование также показало, что встроенных возможностей анализа существующих антифрод-платформ уже недостаточно. 73% респондентов считают их функционал ограниченным, поэтому 80% банков создают собственные хранилища данных, а 40% дополнительно внедряют решения для выявления связей между клиентами, счетами и операциями.

По мнению экспертов «Инфосистем Джет», рынок антифрод-систем переходит в новую стадию развития. Базовая задача по выявлению мошенничества в целом решена, о чем говорит большинство участников рынка, однако реальная проблема кроется в архитектуре самих платформ. Волна регуляторных изменений 2023–2025 годов наглядно продемонстрировала, что 73% банков не способны оперативно адаптировать свои антифрод-решения к новым требованиям без масштабного привлечения вендора. При этом речь идет не о дефиците технологий, на первый план выходит контроль процесса настройки, корректировки потоков данных и общей гибкости реагирования.

Маркетинг цифровой платформы требует координации большого числа направлений: брендовых, performance- и digital-размещений, CRM-коммуникаций, SEO, SMM, PR, контента и ивентов. Раньше медиапланы и брифы М2 жили в разных сервисах, что вызывало путаницу, сложные и долгие согласования с агентствами, множество ручных процессов. При росте числа запусков, аудиторий, географий и партнеров команде стало важно работать не с разрозненными файлами, а с единой версией данных по кампаниям, бюджетам и результатам.

MWS Tables была выбрана как no-code платформа, которая позволяет бизнес-командам быстро настраивать процессы без длительного цикла ИТ-доработок. Для M2 также было важно объединить несколько связанных маркетинговых контуров в одном пространстве, работать с формами, дашбордами, справочниками, оповещениями и обеспечить интеграцию с другими сервисами, которыми пользуются как сотрудники, так и внешние агентства-подрядчики.

В MWS Tables собрана рабочая архитектура маркетинга M2: медиапланы, календарь запусков, аллокации бюджета, отдельные контуры для брендовых, performance- и digital-размещений, плановые и фактические KPI. Для брендформанс-кампаний настроены воронка и аналитическая витрина, справочники по географии и периодам, таргетинги, цели, размещения и фактические данные по рекламным кампаниям.

Отдельный блок пространства посвящен брифам продуктов и кампаний: для них настроены формы заведения, библиотека правил UTM-разметки и документы. Команда может связывать в одном процессе продуктовую задачу, целевую аудиторию, ее JTBD, маркетинговый посыл, этап AAARRR, каналы продвижения, посадочные страницы и KPI. Это помогает планировать кампании не как набор отдельных размещений, а как последовательный сценарий работы с пользователем — от гипотезы до измеримого результата.

На первом этапе пространством пользуется команда маркетинга M2, а также агентства-подрядчики в рамках 12 бизнес-процессов и их число постоянно растет. Благодаря облачной модели MWS Tables внешних участников можно подключать к общему рабочему пространству без переноса процессов в параллельные файлы и без необходимости давать доступ к закрытым корпоративным системам. Для заказчиков с особыми требованиями к размещению инфраструктуры аналогичный сценарий совместной работы с подрядчиками может быть реализован и в on-premise варианте.

Использование MWS Tables помогает M2 повысить прозрачность маркетингового планирования, упростить контроль бюджетов и KPI, снизить объем ручной синхронизации между участниками и сформировать единый источник данных для план-факт анализа. Вместо отдельных файлов, переписок и статусов команда получает связанную среду, где можно управлять кампаниями, отслеживать вклад каналов и принимать решения о следующих запусках на основе накопленных данных.

В результате М2 удалось устранить разрыв между внутренними сервисами и внешними инструментами, в которых ранее работали агентства и подрядчики. Теперь все участники процесса — и штатные команды, и внешние партнёры — действуют в общем контуре, что сокращает цикл согласований и убирает задержки, связанные с передачей данных. В результате решения по кампаниям принимаются в разы оперативнее, а значит выросла эффективность работы маркетинговой команды. Подготовка и согласование брифов и медиапланов стали занимать на 22% меньше времени, а количество ошибок и ручных сводок сведено до нуля.

В дальнейшем M2 планирует расширить использование MWS Tables на другие маркетинговые процессы и исследования. Это позволит хранить в едином контуре не только брифы, правила разметки, сервисные и операционные процессы, медиапланы и фактические KPI, но и маркетинговые гипотезы, пользовательские инсайты и решения по будущим кампаниям.

ИИ-агенты помогают сотрудникам выполнять рутинные и аналитические задачи: работать с документами и корпоративными базами знаний, готовить материалы и заключения, проводить проверки и поддерживать принятие решений. При этом создавать таких ИИ-агентов можно без сложного программирования — с помощью визуального конструктора. Для более сложных сценариев предусмотрена возможность разработки с использованием кода.

IMAN объединяет в одной платформе инструменты для создания и эксплуатации ИИ-агентов. В частности, решение позволяет работать с корпоративными базами знаний, документами в разных форматах, распознавать текст на изображениях с помощью технологии OCR, а также взаимодействовать с пользователями через электронную почту и другие каналы.

Все компоненты IMAN работают в защищенном внутреннем контуре «Ингосстраха». Платформа предусматривает ролевую модель доступа, управление секретами, аудит действий и мониторинг работы агентов. Это позволяет контролировать доступ к корпоративным данным и отслеживать работу созданных решений.

Среди уже реализованных сценариев — автоматическая подготовка аналитических материалов и заключений, юридическая поддержка, помощь в закупках, урегулировании убытков и управлении проектами. Также в компании реализуются пилотные проекты в области ДМС, в том числе для поддержки решений при подборе клиник и согласовании медицинских услуг.

Одно из ключевых преимуществ IMAN — возможность создавать и запускать различные ИИ-сценарии на единой технологической платформе. Это позволяет применять общие подходы к безопасности и управлению при использовании искусственного интеллекта в разных подразделениях компании.

До внедрения Directum СЭД+ в учебном центре «РАТА» (дочернем обществе предприятия «Яковлев») использовали «Битрикс24». Возможностей этой платформы было недостаточно для полноценной автоматизации документооборота по российским стандартам. Для структурированного хранения документов и контроля исполнения поручений требовалось специализированное решение.

Компания перевела в систему Directum СЭД+ основные «бумажные» процессы. Решеением охвачено делопроизводство (регистрация входящей и отправка исходящей корреспонденции, работа с внутренними документами, выдача поручений и контроль исполнения), управление договорами на всех этапах их жизненного цикла, организацию совещаний (формирование повестки, ведение протоколов, автоматическая рассылка распоряжений по принятым решениям).

Подрядчиком на проекте выступила компания ТАНАИС — системный интегратор и партнер Directum. Дальше специалисты компании осваивали систему самостоятельно. Восемь человек из рабочей группы подготовились по обучающим материалам вендора и прошли аттестационные курсы. Для штатных сотрудников провели два вебинара с демонстрацией ключевых процессов в Directum СЭД+.

Быстрое освоение нового ПО стало возможным благодаря интуитивно понятному интерфейсу. Также компании отметили высокую готовность «коробочной» версии Directum СЭД+, где решения разработаны с учетом удобства для пользователя.

Глобальный рынок агентного ИИ, по оценкам Stratistics MRC, в этом году достигнет 10,3 млрд долл. и будет расти до 207 млрд к 2034 году при среднегодовом темпе роста 46%. По данным PwC, 88% руководителей планируют увеличить бюджеты на ИИ именно ради агентных сценариев, а в Gartner прогнозируют, что к концу 2026 года 40% корпоративных приложений будут оснащены специализированными ИИ-агентами. Агентный ИИ – это принципиально иная парадигма. Автономные агенты планируют действия, обращаются к корпоративным API, делегируют задачи другим ИИ-системам и выполняют многошаговые сценарии с минимальным участием человека. Человек смещается из позиции исполнителя в позицию супервайзера.

Изменение характера нагрузок

За взрывным ростом внедрения ИИ-агентов скрывается фундаментальная проблема: корпоративная инфраструктура к этому не готова. По данным Google Cloud, 83% организаций заявляют о необходимости срочной модернизации мощностей для поддержки промышленного агентного ИИ.

Запрос, который раньше генерировал один ответ, теперь запускает каскад из сотен действий: чтение баз данных, межсервисное взаимодействие, координация агентов. Каждое действие потребляет токены, генерирует сетевой трафик и требует ресурсов для логирования. Агентам нужна память о контексте и прогрессе. Каждый лишний шаг в цепочке вызовов умножает задержку, что требует от провайдера высочайшей скорости интерконнекта и оптимизированных сетей. Возникает феномен «инференс-налога» – скрытых затрат на вывод данных и разрастания хранилищ, с которыми уже столкнулись 62% компаний.

Российская специфика

В M1Cloud отмечают, что российский рынок следует глобальному тренду, но со своей спецификой. Совместное исследование Apple Hills Digital, VK Tech, Cloud.ru и Selectel показывает, что 46% отечественных компаний уже используют или тестируют ИИ в облаке, а 27% клиентов провайдеров уже применяют облачных ИИ-агентов. Бюджеты на ИИ увеличили 35% компаний, опередив по темпам роста даже кибербезопасность. Если при классическом обучении моделей затраты относительно предсказуемы, то агентный ИИ генерирует расходы экспоненциально. Без автоматического мониторинга и управления каскадными вызовами компании рискуют столкнуться с тем, что до трети (а в случае с агентами – и больше) облачного бюджета будет сожжено впустую на неоптимальные маршруты агентов и простаивающие stateful-контейнеры.

Провайдер в роли архитектора и FinOps-партнера

В новых реалиях облачный провайдер перестает быть просто поставщиком вычислительных мощностей и становится стратегическим партнером. Только облако способно обеспечить экономически обоснованную эластичность под непредсказуемые пиковые нагрузки агентных систем, избавляя бизнес от необходимости покупать дорогостоящее железо, которое устаревает за полтора года. Помимо этого, облако становится единой платформой для управления и безопасности: когда сотни автономных агентов получают доступ к корпоративным данным, централизованный аудит, управление правами и MLOps. Зрелый провайдер берет на себя роль FinOps-консультанта, помогая оптимизировать «инференс-налог»: распределяя нагрузку между CPU (для оркестрации), GPU (для тяжелого инференса) и специализированными ускорителями, а также настраивая автоматическое масштабирование stateful-сред.

На развитие корпоративного ИИ влияет не только качество моделей, но и доступность вычислительных ресурсов. В последние годы технологическим стандартом для задач машинного обучения оставались решения NVIDIA, однако стремительный рост спроса на ИИ привел к дефициту GPU и росту стоимости оборудования, что заставило рынок активнее искать альтернативные платформы. Для России вопрос особенно актуален: обеспечение технологической независимости, включающей собственные LLM и корпоративные ИИ-сервисы, требует соответствующей вычислительной базы.

В ходе испытаний специалисты Rubytech проверили работу одной из ведущих российских LLM — Cotype 3 от MWS AI — на китайских GPU. Для этого инженеры подготовили программное окружение, которое позволило адаптировать модель под альтернативную аппаратную платформу без использования ускорителей NVIDIA. На тестах оценивались ключевые параметры работы системы при повышенной нагрузке: скорость обработки запросов, время отклика и стабильность работы при увеличении объема данных.

Модификация машины искусственного интеллекта «Скала^р» с восемью китайскими GPU показала качественную производительность, которая в наиболее распространенных сценариях инференса сопоставима с конфигурациями на базе NVIDIA H100. Отдельно исследователи оценили влияние программной оптимизации на итоговые показатели. Благодаря настройкам драйверов, программного окружения и инструментов оркестрации в отдельных сценариях удалось получить производительность вдвое выше, чем с использованием исходной программной среды для этих GPU. Использование контейнерной архитектуры дополнительно упрощает развертывание моделей и сокращает время перехода от тестирования к промышленной эксплуатации.

Возможность работать с разными аппаратными платформами снижает зависимость от одного поставщика и дает больше свободы при проектировании ИИ-систем. Связка «китайские GPU — российская платформа — отечественная LLM» становится легитимным вариантом для корпоративных внедрений: компании могут учитывать доступность оборудования, требования конкретных задач и необходимость дальнейшего масштабирования.

Отдельный вопрос — совокупная стоимость владения. Стоимость графических процессоров составляет основную долю бюджета ИИ-проектов и напрямую влияет на затраты при запуске и развитии ИИ-ландшафта, включая стоимость обработки запросов и расширение вычислительных мощностей. В отдельных сценариях сравнение конфигураций на базе китайских GPU и систем с NVIDIA H100 показывает, что альтернативная аппаратная база может быть экономически оправданным решением для корпоративных проектов и позволяет снижать совокупную стоимость владения при масштабировании ИИ-сервисов. При этом речь не идет о полном отказе от действующих технологических стеков, но для рынка критически важно использование различных вариантов оборудования в зависимости от бюджета проекта, характера задач и требований к производительности.