Новости

Как отмечают в iKS-Consulting, замена зарубежных решений сохраняет влияние на динамику рынка, но дальнейший рост будет определяться развитием сформированного российского ИТ-стека, инвестициями в данные и ИИ, облачные технологии, автоматизацию и модернизацию инфраструктуры. Следующий этап импортозамещения будет связан уже не столько с замещением отдельных зарубежных продуктов, сколько с совместимостью российских решений, зрелостью архитектуры и возможностью формировать из отечественных продуктов полноценные технологические стеки.

Один из главных структурных сдвигов — опережающий рост технологического ПО относительно прикладного. Технологическое ПО становится основным источником прироста рынка. К 2031 году технологические классы (информационная безопасность, системное и инфраструктурное ПО, средства разработки и управления данными) обеспечат около 60% всего прироста рынка ПО. При этом их доля на рынке ПО увеличится с 51% до 55%.

Усложнение ИТ-ландшафта одновременно создает новые продуктовые ниши. В информационной безопасности, например, формируются самостоятельные классы решений, связанные с мониторингом и защитой данных. DSPM — один из примеров такого класса решений.

ИИ переходит от экспериментов к встраиванию в корпоративный контур

ИИ не просто создает новый спрос – он перераспределяет ИТ-бюджеты. Растет потребность в платформах данных, средствах разработки, инфраструктурном ПО, решениях по информационной безопасности и новой функциональности прикладных систем. Одновременно автоматизация оказывает давление на типовую разработку, тестирование и ресурсную модель, основанную на продаже человеко-часов.

Таким образом, ИИ постепенно становится не отдельным сегментом рынка, а новым функциональным слоем российского ИТ-стека, который одновременно меняет спрос на программные продукты и экономику их разработки и внедрения.

Меняется модель рынка ИТ-услуг

Автоматизация разработки повышает производительность команд и ограничивает потенциал роста ресурсной модели сервисного бизнеса. Спрос смещается от предоставления ресурсов и типовой разработки к архитектуре, сложной интеграции, данным, ИИ, DevSecOps и специализированной экспертизе.

Одновременно усложняется конкурентная среда: крупные ИТ-группы расширяют продуктовые портфели и формируют платформы, однако специализированные вендоры сохраняют сильные позиции в сегментах, где ключевыми преимуществами остаются глубина функциональности и технологическая экспертиза.

Попадание инородных тел в поток руды, поступающий на участок дробления, – классическая проблема горнодобывающих и перерабатывающих предприятий. Твердосплавные куски металла и неметаллические засоряющие тела – например, крупные куски деревянных балок – могут стать причиной выхода из строя или остановки дробильного оборудования. Такие инциденты влекут внеплановые простои и потери для бизнеса.

Решение представляет собой классическую систему видеоаналитики. В отличие от систем, построенных с применением металлоотделителей, данная технология позволяет детектировать не только металлические, но и иные инородные предметы. Система включает камеры, инфраструктуру для их работы и самоочищающиеся кожухи, которые исключают необходимость ручной протирки оптики над конвейером. Передача данных организована по проводным каналам связи в соответствии с высокими требованиями отказоустойчивости. Программное обеспечение видеоаналитики построено с применением нейросетей и является собственной разработкой объединенной команды Рексофт и «Норникеля».

Качество работы системы рудозасорения оценивается по трем классическим метрикам видеоаналитики: Precision, Recall и интегральной метрике F1. Precision оценивает количество ложных срабатываний. В рамках приемо-сдаточных испытаний по двум объектам из трех Precision составил 100% – ни одного ложного срабатывания, на третьем объекте – 95%. Recall показывает точность работы системы и по разным объектам составил от 90% до 98%. Интегральная метрика F1 на трех предприятиях составила от 0,96 до 0,98. Помимо обнаружения рудозасоряющих тел, в проекте также реализован функционал определения возможных дефектов конвейерной ленты – порезов, пробоев и глубоких царапин.

Кроме того, система включает веб-интерфейс и дашборды. Их ключевые пользователи – непосредственно выборщик, а также руководители производственных подразделений, для которых предусмотрены отдельные вкладки со статистикой по предприятию, переделу и цеху. Верхнеуровневый дашборд позволяет руководству Заполярного филиала оценить общее количество рудозасоряющих тел за выбранный период, их классы и другие параметры. Отдельные камеры системы также фиксируют присутствие персонала у конвейера.

Решение применимо для любых горнодобывающих и перерабатывающих компаний, поскольку проблема рудозасорения общая для отрасли, и масштабы ее разнятся в зависимости от особенностей добычи. Кроме того, функционал определения дефектов конвейерной ленты универсален для любых производств, где есть конвейер. Технологию возможно использовать и за пределами горной добычи – в непрерывных производствах, нефтехимии и химии, а также в дискретных производствах и непроизводственных сферах, поскольку задачи анализа инородных тел в потоке и поведения человека схожи.

76% казахстанских директоров по информационной безопасности ожидают, что в период с 2025 по 2028 год злоумышленники начнут использовать новые, более эффективные способы кибератак. При этом руководителей сильнее беспокоит то, как сотрудники применяют ИИ, чем защита самих ИИ-моделей от внешних атак.

Основной риск связан с так называемым «теневым ИИ» – использованием публичных сервисов без согласования с ИТ-службой и подразделением информационной безопасности. В запросы к таким системам могут попадать корпоративные документы, персональные данные и сведения, составляющие коммерческую тайну. Компания при этом не всегда знает, какие нейросети используют сотрудники и сохраняются ли введенные данные на стороне поставщика.

Для контроля предлагается создать реестр разрешенных ИИ-моделей, журналировать запросы и ответы, а также отслеживать передачу чувствительной информации. Системы предотвращения утечек данных (DLP) можно настраивать на обнаружение попыток загрузить корпоративные сведения в публичные сервисы. Для конфиденциальных данных компании могут использовать закрытые модели.

Также рекомендуется учитывать все используемые ИИ-сервисы и фиксировать взаимодействие с ними. При разработке внутренних правил компании могут опираться на стандарт управления ИИ ISO/IEC 42001, рамочную модель управления рисками ИИ NIST AI RMF и перечень уязвимостей приложений на базе больших языковых моделей OWASP Top 10 for LLM Apps.

Опрос отражает обеспокоенность руководителей, но не позволяет оценить число фактических утечек: открытой статистики по Казахстану пока нет. Поэтому компаниям важно не ждать появления подтвержденных инцидентов, а заранее учитывать ИИ-сервисы в общей системе контроля внешних приложений и определять правила передачи данных.

В офисах RBI работают около 500 сотрудников, это определяет высокие требования к качеству кадрового учета и планирования ФОТ. Перед интегратором ROXIT стояла задача перенести кадровый учет и бюджетирование ФОТ в контур «1С:ЗУП КОРП», сопоставив процессы компании с возможностями типового решения. Проект включал два основных этапа: первый — аудит, моделирование целевых сценариев в системе и фиксацию функциональных разрывов, второй — разработка дополнительной функциональности ЗУП, перенос данных и настройка системы с учетом задач RBI, обучение персонала и запуск решения в эксплуатацию.

На этапе моделирования специалисты продемонстрировали ключевые объекты и функциональные блоки системы: карточку сотрудника, кадровые документы, штатное расписание, документы по отсутствиям, кадровый план, настройки начислений и формирование бюджета ФОТ. Такой подход позволил команде RBI заранее оценить, какие задачи решаются за счет встроенных возможностей системы, а какие потребуют доработки типового решения с учетом специфики компании.

По итогам проекта кадровый учет, штатное расписание, расчет заработной платы и бюджетирование ФОТ в RBI работают в едином контуре на базе «1С:ЗУП КОРП». Кадровые данные перенесены в общую систему, бюджетирование расходов на персонал реализовано и принято на тестовом контуре, а расчет мотивационных начислений, который прежде велся вручную в Excel параллельно с расчетом в системе, автоматизирован. В итоге компания получила инструмент для формирования бюджета, расчета показателей корпоративной системы мотивации и план-фактного анализа расходов на персонал. В ROXIT отмечают, что команда сознательно придерживалась курса на использование типовой конфигурации с минимальными доработками — такой подход снижает совокупную стоимость владения системой и упрощает ее последующие обновления.

На следующем этапе сотрудничества ROXIT будет сопровождать RBI при первом формировании бюджета: консультации функционального архитектора призваны снизить риски перехода от тестового к рабочему режиму. Среди дальнейших возможных направлений развития — полный отказ от параллельного расчета мотивации в Excel, интеграция управленческого учета ФОТ с «1С:ЗУП» и «1С:Бухгалтерией», а также переход на кадровый электронный документооборот (КЭДО).

Вместо того чтобы вручную вводить каждое название на сайте лаборатории, пользователь фотографирует назначение и загружает его в сервис. Агент распознает список, находит соответствующие исследования Lab4U, проверяет, доступны ли они в нужном городе и сколько времени займут, а затем формирует ссылку на готовую корзину.

Другой вариант – если пациент вообще не знает названий исследований. Например, пользователь может написать «хочу проверить щитовидную железу» или «хочу пройти базовый чекап». ИИ подберет исследования, объяснит свой выбор, сверится с каталогом и соберет корзину. Если выбранные анализы входят в готовый комплекс, агент может предложить его и объяснить, какие дополнительные исследования помогут дополнить обследование.

Для связи ИИ с лабораторией используется Model Context Protocol (MCP). Это открытый протокол, позволяющий ИИ обращаться к внешним сервисам и использовать предоставленные ими инструменты. При этом ИИ не получает от Lab4U результаты ранее выполненных анализов пациента. Компания не планирует передавать такие данные сторонним ИИ-сервисам. Персональные данные также не нужны для подбора исследований, пользователь вводит их непосредственно на сайте Lab4U уже при оформлении заказа.

Главное отличие сервиса от обычного поиска на сайте состоит в том, что человеку не нужно заранее знать точное название исследования и самостоятельно сопоставлять позиции каталога, а отличие от обычного медицинского чат-бота – в возможности обратиться к актуальной системе лаборатории. Чат-бот может дать текстовый ответ или рекомендацию, но сам по себе не знает, какие исследования доступны сейчас в конкретном городе. Новый сервис позволяет ИИ получить эти сведения непосредственно из каталога и перейти от ответа к действию – сформировать реальный заказ.

Например, если пользователь отправит агенту назначение на ТТГ, свободный Т4 и антитела к ТПО, ИИ сможет найти соответствующие исследования в каталоге, проверить их доступность в городе пользователя и собрать корзину. Если же человек напишет «хочу проверить щитовидку», ИИ сначала определит, какие исследования соответствуют задаче, а затем проверит их наличие в Lab4U.

Сейчас ИИ-агентам доступны сведения о 780 анализах и комплексах в 144 городах. Lab4U передает только фактическую информацию из своего каталога: доступные исследования, комплексы и сроки их выполнения. Подбор исследований и объяснение рекомендаций выполняет сам ИИ.

Во время внутреннего тестирования сервис проверили на 132 сценариях, основанных на реальных обращениях клиентов: назначениях врача, запросах на чекапы и подборе исследований по жалобам. В финальной версии при просьбе оформить заказ агент формировал корзину в 92% тестовых сценариев, а ее состав соответствовал эталонной рекомендации в 90%. Для тестирования использовались модели OpenAI и Anthropic. Результат при этом зависит в том числе от возможностей конкретной ИИ-модели.

Сервис также можно подключать к корпоративным ИИ-агентам клиник, страховых компаний и телемедицинских сервисов. В дальнейшем Lab4U планирует добавить поиск ближайшего медицинского центра, запись на конкретное время, получение статуса заказа и повторный заказ.

Ретейл привлекает злоумышленников прежде всего потому, что торговые компании обрабатывают большие объемы личных и финансовых данных клиентов, включая платежную информацию и сведения программ лояльности. Мошенники крадут данные, чтобы затем монетизировать их — например, через продажу в даркнете — или использовать для дальнейших атак.

Основные риски для торговых компаний

Атаки на платежную инфраструктуру. В онлайн-торговле мошенники перехватывают данные транзакций через заражение браузера или сервера и подменяют платежные реквизиты в момент оплаты. В офлайн-рознице под угрозой находятся POS-терминалы: в зависимости от конфигурации атака может привести к хищению средств или компрометации данных карт и программ лояльности. Отдельная угроза — DDoS-атаки на цифровые витрины и платежные шлюзы, которые ведут к прямым финансовым потерям из-за простоя.

Атаки через цепочки поставок. Системы поставщиков и партнеров нередко защищены слабее, чем инфраструктура самой торговой компании, что делает их удобной точкой входа для злоумышленников.

Социальная инженерия и человеческий фактор. Мошенники реализуют различные схемы обмана: создают поддельные счета, компрометацию деловой переписки, а в последнее время — голосовые дипфейки. Высокая текучка кадров и ориентация на скорость обслуживания в ретейле усиливают эту уязвимость: сотрудники не всегда успевают отличить легитимный запрос от мошеннического.

Как подчеркивают аналитики, цифровые платформы обрабатывают огромные объемы личных, финансовых и корпоративных данных. Масштабирование платформенной экономики неизбежно повышает требования к кибербезопасности: успешная атака может затронуть миллионы пользователей и десятки компаний. В этих условиях кибербезопасность — основа доверия к современным сервисам. Защита данных и инфраструктуры требует новых подходов, технологий и распределения ответственности между всеми участниками цифрового взаимодействия.

При переходе ГИС «Обращения граждан» на Directum RX сделали ставку на стандартные возможности платформы. Так систему проще обновлять и развивать без сложной кастомизации. Поэтому вместо адаптации Directum RX под сложившийся порядок работы часть процессов пересмотрели.

Обращения из платформы обратной связи (ПОС), интернет-приемной и системы межведомственного электронного документооборота (МЭДО) в новую систему поступают автоматически. Проекты резолюций и комплект документов для переадресации (сопроводительное письмо и уведомление) формируются по шаблонам. Руководитель за один раз может утвердить или подписать электронной подписью сразу несколько документов. Ответы гражданам проходят весь путь в электронном виде: от согласования до отправки заявителю. От полной миграции исторических данных отказались: записи из прежней ГИС выгрузили в отдельный справочник, где сотрудник может найти предыдущее обращение и связать его с новым.

ГИС «Обращения граждан» стала третьей системой электронного документооборота Вологодской области на базе Directum RX. Ее запуск завершил пятилетнюю программу перехода региональных органов власти на российскую платформу. Ранее на нее перевели подведомственные учреждения и автоматизированную систему электронного документооборота (АСЭД) органов власти. Все этапы прошли по утвержденной дорожной карте и завершились в запланированные сроки.

В дальнейшем планируется подключить к ГИС «Обращения граждан» муниципальные образования Вологодской области. С ростом числа пользователей потребуется развивать инфраструктуру и увеличивать серверные мощности. Руководители получат возможность работать с обращениями на планшетах в защищенном контуре и продолжить развитие обмена данными с федеральными системами.

До внедрения ИИ-помощника первую линию обслуживал аутсорсинговый контакт-центр. На фоне растущего потока обращений «Петрович» искал решение, способное стандартизировать прием звонков и ускорить перевод клиента к профильному специалисту. Голосовой ИИ-помощник BSS взял на себя первичную обработку обращений и их маршрутизацию, полностью заменив аутсорсинговый контакт-центр. Система интегрирована с корпоративной телефонией и рабочим местом оператора. Робот анализирует все входящие звонки, определяет тематику звонка, задает уточняющие вопросы, переводит клиента на нужного специалиста и передает в АРМ оператора контекст диалога и собранную информацию по запросу.

В рамках проекта команда BSS и К2Тех проанализировала массив клиентских обращений, выделила тематики звонков и настроила сценарии диалогов голосового помощника. Специалисты реализовали уточняющие вопросы для повышения точности маршрутизации, автоматическое распределение звонков между группами операторов, а также инструменты no-code-настройки, которые позволяют команде заказчика самостоятельно дообучать робота и создавать новые сценарии обслуживания без привлечения разработчиков.

Отдельное внимание проектная команда уделила аналитике. Специалисты «Петровича» получили онлайн-мониторинг работы голосового помощника, детальную отчетность по каждому сценарию, а также инструмент для анализа диалогов и выявления нераспознанных либо новых причин обращений. Эти данные используются для последующей корректировки сценариев и дообучения модели.

В результате внедрения голосового ИИ-помощника время перевода клиента на нужного специалиста контакт-центра сократилось в 1,7 раза – с 53 до 30 секунд, а успешная маршрутизация звонков достигла 95%. При объеме более 8 тыс. звонков в день даже сокращение одного этапа диалога дает заметный эффект для клиентского опыта. Посетитель быстрее попадает к сотруднику, способному решить его вопрос, а оператор начинает разговор уже с необходимым контекстом. Глубокая аналитика позволила дополнить карту клиентских запросов и точнее развивать сценарии обслуживания.

Для ретейла скорость и точность первого контакта напрямую влияют на клиентский опыт, поскольку лишние переводы, повторные объяснения проблемы и некорректная маршрутизация создают риск потери заказа. Поэтому автоматизация первой линии контакт-центра становится не только инструментом оптимизации операционных процессов, но и способом управлять качеством сервиса.

Российский рынок решений для интегрированного бизнес-планирования (IBP), систем планирования цепочек поставок (SCP) и финансового планирования (FP&A) определяют пять трендов: гибридные модели, ИИ в ядре продукта, безопасность как драйвер выбора, размывание границ между классами решений и зрелость данных как главный барьер.

Гибридный подход вытесняет крайности

Главный структурный сдвиг в сфере IBP связан с поиском баланса между гибкостью, с одной стороны, и стоимостью, и простотой внедрения – с другой. Рынок уходит от покупки готовых специализированных решений к выбору платформ, позволяющих строить собственные модели планирования. При этом сами платформы разделились на два лагеря: low-code/no-code конструкторы и вендор-центричные платформы с готовыми модулями.

Как отмечают эксперты, однозначного перевеса в сторону гибкой цифровой платформы или готового модульного решения нет – выбор зависит от зрелости компании, скорости изменений в бизнес-модели и влияния внешних факторов на ее бизнес. В последнее время заказчики все чаще выбирают гибридный подход – готовые модули и шаблоны на гибкой цифровой платформе. Чистая самописная гибкость уходит в прошлое из-за стоимости владения, а жесткие монолитные решения из коробки не выдерживают скорости изменений».

Критерии выбора сместились от функциональности к экономике адаптации. Заказчики смотрят на скорость внедрения в сопоставлении со скоростью изменений, на совокупную стоимость владения с учетом ресурсов собственной команды, на отраслевую специфику и интеграционный ландшафт, а также на риск вендор-лока и открытость форматов данных. Практика показывает: в холдингах с несколькими бизнес-направлениями до 30% процессов оказываются уникальными, и именно они определяют, выдержит ли система изменения через год после внедрения.

ИИ уходит в производственный контур

Второе направление изменений – превращение ИИ и ML из маркетингового лозунга в ядро продуктовой дифференциации. Исследование показало, что лидеры рынка уже применяют машинное обучение для прогнозирования, оптимизации и сценарного анализа, но подход становится все прагматичнее: ставка делается не на сложность модели, а на ее измеримый вклад в результат.

Практика показала, что универсально лучшего алгоритма нет: на одном ряду выигрывает машинное обучение, на другом – сезонная статистическая модель, на третьем хорошо работает относительно простой статистический метод. Поэтому разработчики идут по пути, где модели конкурируют: если алгоритм показывает меньшую ошибку на контрольном периоде, используется он; если ML проигрывает классике – используется на классический подход. Корректный выбор уровня прогнозирования и автоматический подбор метода под конкретный ряд дают прирост точности порядка 3–7 процентных пунктов.

При этом аналитики обращают внимание, что ИИ в планировании не становится «черным ящиком» вместо специалиста. Прогнозирование спроса и использование сценариев на базе ML – надстройка, которая уточняет базовый прогноз и автоматически пересчитывает цепочку: спрос – производство – закупки – запасы – cash flow. Следующий шаг – ИИ-агенты, которые не просто отвечают, а выполняют роли в процессе: агент-прогнозист уточняет спрос по SKU, агент-снабженец пересчитывает заказы, агент-финансист проверяет влияние на cash flow и маржу. Человек остается в роли арбитра и владельца допущений.

Исследование фиксирует, что ИИ все реже существует как отдельная функция и все чаще встраивается непосредственно в контур планирования.

Безопасность, аудит и конвергенция контуров

Системы планирования работают с планами, бюджетами, прогнозами и финансовыми моделями – это делает требования к безопасности, аудиту и прослеживаемости критическими, особенно в регулируемых отраслях. Одновременно классическое разделение на SCP, FP&A и IBP размывается: SCP-системы добавляют финансовый контур, финансовые платформы начинают моделировать операции, а универсальные решения объединяют оба мира. Заказчику все важнее способность системы обеспечить единую сквозную модель доступа и прослеживаемости поверх всех контуров.

Зрелость данных как главный барьер внедрения

Восприятие проектов планирования меняется: основные проблемы лежат в организационной зрелости, качестве данных и готовности бизнеса менять модель принятия решений. Отсутствие единых справочников, дублирование, расхождение классификаторов, разрозненные KPI коммерческого блока, финансов, производства и закупок – это то, с чем заказчик сталкивается раньше, чем с функциональными ограничениями платформы.

Цифровизация редко решает фундаментальные организационные проблемы – в большинстве случаев она лишь делает существующие противоречия более заметными и масштабируемыми. Ошибка в одном контуре быстро распространяется на всю цепочку взаимосвязанных расчетов. Связка 1С и Excel остается привычной, а прозрачность, которую создает интегрированное планирование, вызывает сопротивление. Поэтому главный вопрос проекта все еще в том, кто в компании отвечает за модель принятия решений и готов ли бизнес менять ее вместе с системой.

Что это означает для заказчика

Помимо пяти основных трендов, на горизонте трех–пяти лет проявятся еще несколько сдвигов: управляемые сервисы на базе облаков, контейнеров и Kubernetes становятся инструментом быстрого запуска; средний бизнес все чаще выбирает пилоты и подписочные модели с первым эффектом за недели, а не месяцы. Регуляторные требования – реестр отечественного ПО, ФСТЭК, КИИ и пр. – сформировали понятные правила игры и в дальнейшем продолжат стимулировать платежеспособный спрос.

Для таких отраслей, как промышленность, розничная торговля и транспортно-логистическая сфера цена задержки в решении проблем особенно заметна. Остановка производственной линии сдвигает план выпуска на неопределенный срок. Неисправный холодильник или касса препятствуют работе магазина. Сбой в транспортной инфраструктуре нарушает график и требует координации нескольких служб. При этом информация о сбое часто проходит через разные системы, телефонные звонки и переписку. Время уходит уже на то, чтобы установить причину, найти исполнителя и понять, что происходит с задачей.

На производстве один из примеров управления на основе данных — техническое обслуживание. Показания оборудования, сведения о дефектах, история ремонтов и графики плановых работ стали доступны в одном процессе. Если система фиксирует отклонение, ремонтная служба получает задачу, а руководитель видит срок и результат ее выполнения. Это позволяет учитывать фактическое состояние оборудования при планировании работ и разбирать причины повторных отказов. В результате управления на основе данных по итогам III квартала 2026 года на производственных предприятиях затраты на внеплановые ремонты в среднем снизились на 21%, число незапланированных простоев — на 28%, а реакция на выявленные дефекты ускорилась на 16% по сравнению с показателями до внедрения.

В розничной торговле данные помогают наладить обслуживание распределенной сети. Магазины передают заявки через единый канал; система учитывает адрес, тип неисправности и ее приоритет, после чего направляет обращение нужному исполнителю. Диспетчеру не приходится заново собирать сведения из писем и чатов, а руководитель сети видит, где ремонт задерживается и какие поломки повторяются. Благодаря управлению с использованием данных в сфере розничной торговли сроки исполнения заявок сократились на 30%, число случаев отсутствия товара из-за отказов оборудования — на 50%. Более 20% заявок стали обрабатываться без участия человека, а среднее число обращений, закрываемых одним диспетчером за смену, выросло на 60%.

В транспортно-логистической отрасли тот же подход применяют к инцидентам, техническому состоянию инфраструктуры и закупке запасных частей. У диспетчера появляется общая картина: какой сбой влияет на операции, кто отвечает за устранение и соблюдается ли согласованный срок. В транспортно-логистической сфере число инцидентов, влияющих на операционные процессы, сократилось на 47%, а простои стоек регистрации — на 62%. Выполнение SLA по критичным системам достигло 94%. Интеграция с системой планирования ресурсов предприятия также ускорила закупку запасных частей на два дня.

Главное преимущество управления на основе данных — возможность сократить время между событием и решением. Отчет сам по себе не устранит неисправность. Результат появляется, когда по показанию датчика или сообщению сотрудника можно сразу создать задачу, назначить исполнителя, проверить работу и сохранить ее результат. Накопленная история помогает увидеть, где проблема повторяется, какие ресурсы заняты и когда разумнее запланировать обслуживание, чтобы избежать аварийной остановки.

По оценке STAQ, направление продолжит развиваться в сторону прогнозного обслуживания оборудования, автоматической классификации заявок и выявления отклонений с помощью ИИ. Но эффективность таких инструментов зависит от качества исходных данных: компании нужен точный учет оборудования, история обращений и ремонтов, единые правила фиксации результата. Во второй половине 2026 года ожидается спрос прежде всего на проекты, где можно измерить сокращение затрат и сроков, а затем распространить работающий процесс на другие объекты.