Новости

«Ингосстрах» развивает рекомендательную систему на базе искусственного интеллекта, которая помогает формировать персонализированные предложения для клиентов. На новом этапе развития системы рекомендации формируются непосредственно в момент оформления страхового полиса онлайн. Решение анализирует данные о клиенте в режиме реального времени и подбирает релевантные варианты дополнительных страховых продуктов.

Система работает в компании два года и является частью развития клиентского цифрового опыта. Персонализированные рекомендации формируются автоматически в процессе оформления договора: клиент получает предложения, которые соответствуют его потребностям и выбранному страховому продукту. Такой подход позволяет сделать дополнительные предложения более релевантными и одновременно повысить удобство для клиента.

Развитие рекомендательной системы стало частью масштабной стратегии цифровизации «Ингосстраха». Ранее компания внедрила корпоративного ИИ-ассистента для поддержки сотрудников, что позволило сократить время маршрутизации и решения обращений на 45%, а также повысить качество ИТ-сервисов на 50%. Кроме того, в компании создана единая платформа управления жизненным циклом ИИ-моделей IMAN, которая обеспечивает быстрое внедрение новых решений на базе искусственного интеллекта.

В фокусе внимания компаний – устойчивость цифровых сервисов, управляемость затрат и подготовка вычислительной базы для новых классов задач.

Меняется подход к резервированию

Рост числа кибератак делает способность быстро восстановить ИТ-ландшафт одним из ключевых условий устойчивости бизнеса. По данным «Лаборатории Касперского», в первом квартале 2026 года количество обнаруженных и предотвращенных ИБ-инцидентов в российских организациях выросло на 68% по сравнению с аналогичным периодом 2025 года. При этом риски для инфраструктуры не ограничиваются киберугрозами: компании учитывают также недоступность площадок, перебои энергоснабжения, повреждение каналов связи и другие физические факторы, способные нарушить работу критичных сервисов.

В ответ меняется подход к резервированию инфраструктуры. Наряду с защищенными резервными копиями компании развивают изолированные контуры восстановления, резервные вычислительные мощности и независимые каналы связи. Критичные данные выносят в отдельные контуры с раздельными учетными записями, неизменяемыми копиями, сетевой изоляцией, удаленным или офлайн-хранением. Одновременно возрастает значение независимости резервных ресурсов: площадки, энергоконтуры, каналы связи и системы управления не должны образовывать единую точку отказа. Контрольной метрикой становится не объем сохраненных данных или количество резервных элементов, а способность восстановить критичные сервисы в заданные сроки и из заранее определенной точки восстановления.

При серьезном инциденте восстановление редко сводится к возврату данных из резервной копии. Сначала необходимо понять, каким системам можно доверять, где развернуть чистый контур, как изолировать восстановленную среду и обеспечить ее вычислительными ресурсами. Поэтому готовность к критическим событиям должна быть спроектирована заранее: с независимыми резервными копиями и мощностями, отработанными процедурами и понятным распределением ролей между ИТ, ИБ и бизнесом.

Переход к сценарному планированию

За последний год изменился набор факторов, которые компании учитывают при развитии ИТ-инфраструктуры. Наряду с ростом требований к устойчивости бизнес сталкивается с нестабильной стоимостью компонентов, неопределенностью сроков поставки, необходимостью поддерживать основные и резервные мощности, а также с увеличением затрат на эксплуатацию. Поэтому инфраструктурная устойчивость все чаще рассматривается не как отдельный проект по защите, а как долгосрочная задача управления мощностями, затратами и готовностью сервисов.

В этих условиях компании переходят от единого календарного цикла обновления к сценарному планированию. Для разных классов систем определяются требования к производительности, сроку поддержки, доступности компонентов и необходимому уровню готовности. Это позволяет точечно модернизировать отдельные узлы, перераспределять нагрузки, сочетать собственный контур с облачными ресурсами и не создавать избыточную инфраструктуру «на вырост».

Для обеспечения работоспособности критичных сервисов нужно определить требования сервисов к готовности, оценить потребность в основных и резервных мощностях, а также возможности для обновления оборудования и оптимизации его использования. Практика показывает, что аудит, перераспределение нагрузок и контроль утилизации позволяют высвободить порядка 2–10% имеющихся ресурсов, подобрать оптимальное сочетание защиты и вычислительных мощностей, обеспечить устойчивость бизнеса и сохранить управляемость инвестиций.

ИИ-инфраструктура: от пилотов к платформенному подходу

ИИ превращает высокопроизводительные вычислительные ресурсы в капиталоемкий актив, эффективность которого зависит от загрузки, качества данных и зрелости бизнес-сценариев. Потребности в инфраструктуре существенно различаются для экспериментов, тестовых запусков и промышленного использования моделей, поэтому компании наращивают ИИ-мощности поэтапно – по мере подтверждения задач и роста спроса.

При планировании масштабирования они оценивают стоимость обработки запросов, потребность в хранении и подготовке данных, требования к скорости отклика, загрузку GPU и экономику дальнейшего развития. Исходя из этих параметров выбирается модель потребления: собственный вычислительный кластер, аренда ускорителей, облачные сервисы, GPU-as-a-Service или гибридная схема.

Для ИИ-инфраструктуры недостаточно рассчитать количество серверов и графических ускорителей. При создании ИИ-платформы важно оценивать всю цепочку: как готовятся и хранятся данные, как они поступают в вычислительный контур, какая нагрузка приходится на GPU, как организованы сеть и инженерная инфраструктура и каким образом система будет масштабироваться. Такой подход позволяет управлять GPU как капиталоемким активом и избежать ситуации, когда инвестиции в вычисления сделаны, а платформа не обеспечивает нужного бизнесу результата.

Управляемость становится ключевым принципом инфраструктурной стратегии: от способности восстановить критичные сервисы до контроля стоимости владения и эффективного использования новых вычислительных активов.

Долгое время команда ЦМТ пользовалась системой Directum 5.5 с высокой степенью кастомизации. Часть процессов велась в электронном виде, но значительный объем документов находился на бумаге. Переход на Directum RX должен был сохранить исторические данные и действующие бизнес-процессы, и при этом расширить электронный документооборот.

Центр международной торговли перенес в Directum RX согласование договоров и допсоглашений, служебных и докладных записок, входящих и исходящих писем, приказов и распоряжений, прейскурантов, а также все исторические данные за 20 лет. Параллельно с миграцией специалисты ЦМТ разработали 50 маршрутов согласования и 130 шаблонов документов, развернули финансовый архив, настроили интеграцию с «1С».

Сегодня в Directum RX работают более 600 специалистов ЦМТ. В едином цифровом контуре платформы объединены договорный, канцелярский и финансовый документооборот, а также финансовый архив. Доля бумажных документов снизилась с 40% до 10%, а согласование оплат счетов ускорилось на 41%.

В ближайших планах ЦМТ — увеличить количество пользователей платформы и внедрить кадровые решения на базе Directum HR Pro.

Старту проекта предшествовал этап тестирования: команда ВДГБ начала работу в облачной версии «Фарадей» весной 2026 года и, убедившись в эффективности решения, в августе приняла окончательное решение о внедрении. За это время платформа прошла проверку на соответствие требованиям безопасности холдинга: решение поддерживает логирование событий ИБ, настройку политик управления паролями и доступами, интеграцию с SIEM-системами. Платформа соответствует уровню безопасности для работы в контуре государственной корпорации и может разворачиваться без доступа в интернет, использует внутренние стандарты и регламенты заказчика.

Для ВДГБ «Фарадей» автоматизирует ключевые этапы проектного цикла: составление требований, подготовку оценок трудозатрат и работу с проектной документацией. В условиях растущего числа проектов миграции на продукты «1С» решение позволяет ключевым специалистам заказчика кратно повысить скорость и качество выполнения проектных задач.

Как отмечает Сергей Артамонов, генеральный директор ВДГБ:ИТС новая платформа станет инструментом, который позволит быстрее и качественнее реализовывать проекты импортозамещения для предприятий нефтегазовой отрасли, где крайне высоки требования к ИБ и срокам. По итогам тестирования уже сейчас видно, как можно сократить время выдачи оценки по проекту с трех месяцев до одной-двух недель. Кроме того, для компании принципиально важны возможность работы с платформой в закрытом контуре и ее универсальность. Эти свойства открывают перспективы для масштабирования решения на смежные направления – в частности, на работу с инженерными данными и проектирование.

Пилотный проект стартовал в прошлом году, когда на базе платформы «Датабриз» провели капитальные ремонты двух ключевых агрегатов ЕВРАЗ КГОК. Ремонт агломерационной машины №1 завершили за 28 дней вместо 33 — ускорение составило 15,8%. Работы на дробилке крупного дробления закрыли на сутки раньше плана. Разработка стала полноценной заменой зарубежных аналогов и позволила ускорить ремонты ключевых агрегатов.

Платформа дает возможность гибко планировать ресурсы с опорой на данные об их мобилизации, автоматически строить и отслеживать критический путь ремонта, менять график в режиме реального времени через мобильное приложение, а также получать оперативную аналитику и статистику.

После успешного пилота на КГОК систему тиражируют на все предприятия ЕВРАЗа. В 2026 году с ее использованием проходит 13 остановочных ремонтов ключевых агрегатов в дивизионах «Урал» и «Сибирь». На одном из объектов капитальный ремонт и инвестиционный проект ведутся одновременно — с единым управлением работами, оптимальным распределением ресурсов и контролем критического пути. Внедрение платформы уже принесло экономический эффект более 100 млн руб.

Масштаб проекта стал его ключевой особенностью и главным вызовом. Отделения «Почты России» расположены во всех регионах страны, в разных часовых поясах, делятся на несколько классов в зависимости от объемов работы, предоставляемых услуг и графика, и каждое имеет свое штатное расписание с утвержденными обязанностями. Компании была необходима единая информационная система планирования и учета рабочего времени, которая бы позволила консолидировать данные по графикам, табелям и людям. Главная задача — повысить эффективность использования трудовых ресурсов, оперативность и прозрачность процессов.

На первом этапе проекта было настроено интеллектуальное планирование графиков, в результате эффективность работы существенно выросла: количество операторов стало соответствовать объему работ в каждый конкретный момент. WFM-система вычисляет для каждого отделения его возможную нагрузку на основе профиля дня и строит гибкое расписание для сотрудников. Из центрального офиса в Москве теперь можно в режиме реального времени контролировать ситуацию в любом регионе — от Северного Кавказа до Дальнего Востока.

Вторым этапом стал переход на полностью автоматизированный процесс учета рабочего времени для 120 тыс. сотрудников отделений почтовой связи. Ранее итоговые цифры приходилось вручную заносить в программу, что отнимало много времени, теперь табель формируется день в день. WFM-система фиксирует начало и окончание рабочего дня, опоздания и ранние приходы, отпуска и отсутствия и пр., учитывается и совместительство должностей у персонала, что является одной из особенностей «Почты России».

Цифровизация учета рабочего времени дополнена мобильным механизмом регистрации на базе QR-кодов: факт присутствия сотрудника фиксируется через сканирование кода с помощью смартфона. Решение реализовано как часть единой автоматизированной системы и позволяет масштабировать точный учет на всю филиальную сеть без дополнительных технических вложений.

Все данные о фактически отработанном времени, сформированные Goodt WFM, автоматически передаются для расчета заработной платы. Специально для проекта был разработан интеграционный модуль с 1С, который способен вычислять дельту изменений для эффективного обмена данными.

Помимо этого, была выполнена интеграция с другими системами «Почты России» — ИСС «Паспорт ОПС» и Единой информационно-аналитической платформой.

Интеграция охватывает полный цикл работ: от обоснования инвестиций до выпуска документации и авторского надзора. Применение данных решений обеспечит прирост результативности без увеличения численности персонала, позволит улучшить качество проектов за счёт точного описания объектов и подготовит институт к переходу государственной экспертизы на машиночитаемые форматы.

В основе инженерных решений «Северсталь-Проекта» лежит информационное моделирование: более 80% объектов «Северстали» ведутся с применением BIM/3D-координации. Именно эта цифровая среда стала фундаментом для внедрения ИИ-инструментов. Они снимают с инженеров рутинные операции и формируют узлы будущего цифрового двойника проекта, где вся информация об объекте существует в единой модели. Например, AI-Ревизор автоматически находит несоответствия в документации со ссылкой на нормы, AI-ПК формирует структуру объекта и оценивает затраты, а AI-УЛ рассчитывает трудозатраты.

В разработке ИИ-решений заняты сами сотрудники института – участники внутреннего сообщества «Амбассадоры генеративного ИИ». Они самостоятельно автоматизируют рутинные операции, рассчитывают пожарную нагрузку и управляют рисками. На сегодняшний день собрано около 20 таких проектов, часть из них уже внедрена в ежедневную работу. Также для удобства инженеров внедрены инструменты «единого окна» с готовыми сценариями, не требующие самостоятельного составления сложных запросов.

Все решения постоянно совершенствуются: накопленные данные и обратная связь автоматически повышают точность алгоритмов, формируя единый информационный контур – основу будущего цифрового двойника проекта.

Каждый крупный проект сопровождается кредитной документацией объемом в сотни страниц и десятками дополнительных соглашений. До внедрения платформы специалистам приходилось вручную сверять актуальные редакции договоров, контролировать сроки исполнения обязательств и вести многочисленные Excel-таблицы. Такой подход увеличивал трудозатраты и повышал риск работы с устаревшими версиями документов или пропуска отчетных дедлайнов.

Теперь эти процессы полностью автоматизированы. ИИ-контролер автоматически формирует мастер-версию каждого кредитного договора с учетом всех дополнительных соглашений в хронологическом порядке. Система ведет единый календарь обязательств и заранее предупреждает ответственных сотрудников о приближении дедлайнов. ИИ берет на себя рутинный контроль, позволяя команде сосредоточиться на принятии решений, а не на ручной проверке документов.

Эффект от внедрения оказался ощутимым уже на первых этапах работы. Время на анализ кредитной документации сократилось на 80%, все ковенанты и обязательства по разным банкам-кредиторам объединены в единый цифровой контур, а система готова к аудиту и комплексным проверкам в любой момент. При этом экспертиза больше не зависит от присутствия конкретного сотрудника — знания и контроль процессов стали частью единой интеллектуальной платформы.

Аналитический центр проекта STAQ оценил масштаб использования инструментов ИИ в сфере ретейла в России по итогам I полугодия 2026 года. Доля инструментов искусственного интеллекта в цифровых экосистемах российских ретейлеров в данном периоде составила 26%. Для сравнения, в финансовом секторе доля ИИ-инструментов достигает 30%. Розничная торговля остается на втором месте по насыщенности ИИ на российском рынке: применение ИИ в рознице за полугодие выросло на 22% по сравнению с аналогичным периодом прошлого года, уступив только финансовому сектору (+28%).

Изменилась и структура этого роста. Если раньше ИИ в рознице ассоциировался прежде всего с работой на стороне покупателя — персонализацией, рекомендациями, ценообразованием, — то порядка 60% прироста первого полугодия 2026 года пришлось на операционные сценарии: управление заявками, обслуживание оборудования торговых объектов и поддержку персонала.

По оценке аналитиков STAQ, у этого сдвига три причины. Первая — экономика самой розницы: на фоне замедления роста оборота отрасли и дорогих денег ИТ-бюджеты сетей развернулись с задач роста выручки на сокращение операционных затрат, и ИИ начали оценивать по тем же правилам, что и любую другую статью расходов. Вторая — кадры: розница конкурирует за линейный персонал с доставкой, складской логистикой и производством, и автоматизировать рутину стало дешевле, чем удерживать под нее штат. Третья — накопленные данные: у большинства крупных сетей уже выстроен цифровой учет заявок, оборудования, смен и подрядчиков, а разрозненные системы связаны в единый цифровой контур, поэтому у моделей появилась база, на которой их можно обучать и проверять.

Эксперты выделили ключевых задач, для которых ИИ используется российскими ретейлерами чаще всего. Первая задача — классификация и маршрутизация сервисных заявок. Торговая сеть получает единую точку входа вместо обращений по телефону, почте и в мессенджерах, а система по тексту обращения определяет, идет ли речь об отказе холодильной витрины, сбое кассового узла или протечке, и назначает исполнителя с нужной компетенцией без участия диспетчера.

Вторая задача — прогнозирование отказов торгового и инженерного оборудования. Холодильные установки, кассовые узлы, вентиляция: отказ означает не только ремонт, но также списания товара и потери продаж. Модель отслеживает не сам факт поломки, а предшествующие ей признаки — отклонение температурного режима, изменение частоты включений компрессора, повторяющиеся кратковременные сбои. Далее работает принцип автоматической реакции на события: при выявлении отклонения система сама формирует задачу, назначает ответственного и контролирует срок выполнения.

Третья задача — поддержка диспетчеров и директоров магазинов. ИИ подсказывает приоритет, предупреждает о риске нарушения SLA и подсвечивает объекты, где одна и та же неисправность повторяется несколько раз за квартал, — такие случаи обычно указывают не на поломку, а на системную причину. Применяется тот же принцип контролируемого ИИ, который используется в промышленности: система анализирует данные и формирует рекомендации, но значимые решения остаются за человеком. В распределенной рознице это принципиально, поскольку цена автоматической ошибки на сотнях объектов слишком высока.

Там, где ИИ встроен в сквозной процесс с измеримой метрикой — срок закрытия заявки, доля повторных выездов, простой оборудования, — заказчики оценивают эффект положительно: результат виден в операционных показателях, и его несложно подтвердить. Там, где ИИ внедряли как отдельную технологию без привязки к операционной метрике, ожидания оказались выше результата: точность модели улучшилась, а бизнес-показатель не изменился. В таких проектах постановку задачи нередко пересматривают уже после пилота. Разочарование здесь вызвано не ИИ, а тем, что эффект изначально не был определен.

За полтора года ИИ в рознице сменил место в архитектуре: из витринных сценариев он переместился в бэк-офис и торговый зал, где отвечает за непрерывность работы объектов. Это изменило и экономику масштабирования — сеть может расширяться без пропорционального роста дежурных и диспетчерских служб. Второе следствие — выросла ценность эксплуатационных данных. Учет оборудования, история ремонтов и корректно оформленные заявки превратились из отчетной дисциплины в актив, определяющий, какие сценарии вообще доступны компании. Помимо этого, изменились требования к поставщикам: ретейлеры все чаще запрашивают не отдельную ИИ-функцию, а ее встроенность в процесс — кто получит задачу, как будет проверен результат и по какой метрике оценивается эффект.

Сотрудники ГНИВЦ удаленно получают информационные сообщения от компании, подают кадровые заявления по готовым шаблонам и в свободной форме, оформляют согласия на обработку персональных данных, подписывают кадровые документы, знакомятся с ЛНА. Прием на работу проходит полностью в цифровом формате с идентификацией через Госуслуги. Трудозатраты HR-специалиста и кандидата при оформлении в штат сократились в два раза

Компания самостоятельно развивает систему под свои процессы: настраивает интеграцию с внутренними системами для передачи и подписания документов, созданных вне 1С:ЗУП. С помощью no-code инструментов сформировали маршруты для контроля движения ЛНА: руководитель или ответственный специалист в любой момент видят, кто уже ознакомился с документом, кто отказался подписывать или еще не приступил к выполнению задачи.

В ближайшие два года компания планирует интегрировать архив кадровых документов с общефирменным электронным хранилищем.