Новости

Российский бизнес уже несколько лет уверенно движется от парадигмы «владеть» к парадигме «использовать». Компании, которые первыми адаптируют гибкие модели потребления GPU-мощностей, получат преимущество в скорости вывода продуктов и оптимизации затрат.

В M1Cloud подчеркивают, что ключевое преимущество облачных GPU – не только доступ к мощности, а финансовая гибкость. Традиционная модель покупки оборудования (CapEx) предполагает высокие первоначальные вложения, риски морального устаревания, затраты на обслуживание, охлаждение, электроэнергию и простои между проектами.

Циклы инженерного моделирования

Согласно исследованию Polaris Market Research, мировой рынок систем автоматизированного проектирования (САПР) оценивался в 13,6 млрд долл. с прогнозируемым среднегодовым темпом роста 11,5% до 2034 года.

В сфере CAE/CAD (Computer-Aided Engineering/Design) облачные GPU решают задачу ускорения итераций при проектировании. Аэродинамические симуляции, расчеты прочности, тепловые модели — все это требует массивных параллельных вычислений. Инженерная команда может разворачивать временный GPU-инстанс в облаке, запускать симуляцию и получать результат за часы, а не дни. После завершения задачи ресурсы освобождаются.

Ускорение открытий в биоинформатике через параллельные вычисления

В науке каждая минута вычислений может приблизить открытие нового препарата или расшифровку генома. Современные задачи молекулярной динамики, анализа последовательностей ДНК и предсказания структуры белков идеально ложатся на архитектуру GPU.

Согласно данным M1Cloud, использование графических ускорителей позволяет ускорить обучение моделей и выполнение расчетов в биоинформатике в 10–100 раз по сравнению с традиционными CPU-системами. Это критически важно для исследований, где время вычислений напрямую влияет на скорость научных публикаций и вывода продуктов на рынок.

Облачный GPU-кластер позволяет обработать базу данных за день, тогда как локальная инфраструктура потребовала бы недель. При этом исследовательская группа не инвестирует в специализированное оборудование, которое может устареть к следующему проекту.

Облачная эластичность для рендеринга

Индустрия компьютерной графики исторически зависела от дорогостоящего «железа». Однако рост сложности сцен, внедрение трассировки лучей в реальном времени и требования к срокам сдачи проектов сделали локальные рендер-фермы экономически неэффективными для многих студий.

По данным DataIntelo, глобальный рынок облачного рендеринга на базе GPU оценивается в 1,95 млрд долл. и демонстрирует устойчивый рост. При этом сегмент облачных рендер-ферм, по прогнозам, к 2033 году увеличится до 18 млрд долл. со средним темпом роста почти 30% в год.

Для российских компаний, работающих в условиях ограниченного доступа к импортному оборудованию, облачные GPU-сервисы становятся стратегическим инструментом. Возможность арендовать вычислительные ресурсы у локального провайдера позволяет соответствовать требованиям по локализации данных, не жертвуя производительностью.

Одна из главных проблем, с которой сегодня сталкиваются компании, — сложный доступ к аналитике. Во многих организациях для работы с данными по-прежнему требуются специальные знания: владение SQL, глубокое понимание принципов функционирования BI-инструментов или привлечение узкопрофильных специалистов. Это увеличивает нагрузку на команды и удлиняет путь от бизнес-запроса до итогового решения.

На этом фоне все более заметным становится запрос на аналитические инструменты, не требующие высокого порога входа. Современные ИТ-решения, построенные на базе больших языковых моделей, позволяют работать с данными на естественном языке — без знания языков программирования и других инструментов. Это расширяет доступ к аналитике за пределы ИТ-команд: бизнес-пользователи могут быстрее проверять гипотезы, находить закономерности и получать ответы на прикладные вопросы. Такой подход становится критически важным в условиях, когда скорость принятия решений является прямым фактором, определяющим успешность и эффективность бизнеса.

При этом универсальные зарубежные модели зачастую оказываются бессильны перед лицом комплексных прикладных задач, которые возникают в корпоративной аналитике. И хотя стандартные LLM-инструменты хорошо справляются с отдельными запросами, глубокая аналитика и инсайты от работы с данными раскрываются через агентный подход, интеграцию с внутренними системами и возможность функционировать в рамках защищенного контура. Некоторые российские ИИ-решения уже развиваются именно в этом направлении: они умеют не только отвечать на запросы на естественном языке, но и выполнять более сложные аналитические сценарии, взаимодействовать с корпоративными базами данных и работать в закрытой инфраструктуре компании, не требуя подключения к глобальной сети.

Эксперты Т1 особо подчеркивают, что для корпоративного сегмента критически важна защищенность подобных инструментов. При работе с данными компании оценивают не только интуитивность интерфейса и скорость обработки запросов, но и безопасность доступа, разграничение прав пользователей и защиту чувствительной информации.

Таким образом, ключевые изменения связаны не просто с появлением новых ИИ-инструментов, а с пересмотром самой модели работы с данными. Аналитика становится понятнее и ближе к бизнес-процессам, а значит, выходит за рамки сугубо специализированной функции, превращаясь в неотъемлемый инструмент для обоснования и принятия стратегических решений.

Работы по внедрению MES стартовали в январе 2022 года с пилотного внедрения на части производственных мощностей с фокусом на оцифровку обогащения угля и завершились опытной эксплуатацией в октябре 2024 года. После подтверждения эффективности было принято решение о масштабировании проекта: тиражирование началось в январе 2025 года и было полностью завершено уже к январю 2026 года.

Ключевой особенностью проекта тиражирования стало внедрение системы в условиях отсутствия развитых АСУ ТП и автоматизированного сбора данных с контрольно-измерительных приборов. Система на базе ExeMES была адаптирована к текущим условиям за счет ручного ввода недостающих показателей, интеграции с существующими весовыми комплексами и онлайн-расчета параметров на основе доступных производственных данных. В результате был обеспечен сквозной автоматизированный учет движения угля — от добычи в забое до отгрузки готовой продукции потребителям.

Система формирует и предоставляет централизованную базу оперативных данных по добыче и движению угля, объемам переработки угля и выпуска готовой продукции, запасам на складах (включая объем угля «на колесах») и отгрузкам. Благодаря целостности, непротиворечивости и централизации в одну систему информации предприятие получило возможность автоматически формировать производственную отчетность в режиме онлайн с использованием продукта ExeReport, существенно снизив трудозатраты сотрудников на подготовку отчетности.

Внедрение ExeMES позволяет получать ощутимые производственные эффекты. Главное из них – снижение уровня брака. Система позволяет своевременно выявлять причины брака на ранних этапах и оперативно корректировать технологический процесс для их устранения. Кроме того, достигнуто повышение эффективности обогащения. Система контроля отдельных параметров технологического процесса обогащения позволяет оперативному персоналу своевременно выявлять отклонения от заданного диапазона и корректировать технологический процесс для максимизации эффективности обогащения угля. Увеличилось время полезной работы оборудования. Автоматическое определение остановки каждого оборудования в цепочке обогащения и унифицированная классификация простоев позволяет детально разбираться в первопричинах остановок оборудования, снижать неплановые простои и увеличивать время полезной работы оборудования.

Произошло повышение точности и прозрачности учета. Автоматизация учета обеспечивает непротиворечивую картину производства и исключает ручные ошибки при сборе в единую систему данных для формирования универсальных отчетов.

Благодаря ExeMES руководители и специалисты получили эффективный инструмент план-фактного анализа, что позволяет оперативно реагировать на любые отклонения и принимать взвешенные решения по управлению производством. Система дает возможность более эффективно выстраивать работу операторов, технологов, диспетчеров и руководителей производственных подразделений. В настоящий момент система охватывает около 1,3 тыс. рабочих центров предприятия, а системой регулярно пользуются порядка 700 сотрудников УК «Кузбассразрезуголь».

Компания уже реализовала интеграции с внедренными смежными системами управления ремонтами ТОиР, управления качеством LIMS и намерена и дальше развивать внедренную систему на базе ExeMES по мере роста производства за счет подключения новых источников данных, автоматизации части процессов производства, внедрения подсказчиков производства на базе нейросетевых технологий, включения в периметр системы новых производственных объектов и развития интеграции с блоками единой системы управления производством ERP.

В 2025 году на машиностроительном рынке наблюдался заметный рост. Суммарное производство в некоторых машиностроительных отраслях оказалось на 7,4% выше уровня декабря 2024 года. Однако к сентябрю суммарный рост именно промышленного производства составил всего 0,8% за 9 месяцев, тогда как годом ранее этот показатель превышал 5%. Уже в 2026 году возможно снижение темпов рыночного роста. Требования регуляторов ужесточают условия, и теперь на первый план выходит эффективность производства, возможная за счет цифровизации и автоматизации.

Среди основных ИТ-трендов в машиностроительной отрасли аналитики выделяют несколько направлений. Первое из них касается внедрения отечественных PLM/CAD/CAM/CAE-систем. Российские машиностроительные предприятия внедряют отечественные системы управления инженерными данными, проектирования и производства, чтобы заменить зарубежные решения.

Второе направление заключается в импортозамещении инженерного ПО. Согласно дорожной карте «Новое индустриальное ПО», утвержденной Правительством РФ, машиностроительной отрасли необходимо обеспечить технологический суверенитет по критическим узлам, а доля российского промышленного ПО должна достичь 90% к 2030 году. Но переход на отечественные решения тормозится состоянием инфраструктуры: по результатам совместного исследования К2Тех и аналитического центра при Минпромторге РФ ФГАУ ЦИТ, лишь у 7% компаний она полностью готова к масштабированию и нагрузкам. Разрозненные решения, накопленные годами, затрудняют интеграцию и создают эффект «лоскутного одеяла». При этом 70–80% ИТ-бюджета все еще уходит на поддержание текущих систем и инфраструктуры, а не на новые проекты.

Наблюдается автоматизация учета и управления ресурсами. Машиностроительные компании заменяют SAP на отечественные решения, чаще всего 1C:ERP.

Происходит и автоматизация производственных площадок. Промышленность внедряет MES/SCADA-системы управления, IoT-датчики для мониторинга состояния оборудования и системы технического зрения для контроля качества продукции (сбор телеметрии с валов и двигателей), моделирование (прогноз нагрузки и усталости материалов) с помощью CAE, «умную сборку» с алгоритмами машинного зрения (контроль сварных швов), а также решения допечатных технологий (3D-печать прототипов, авиатильных деталей). Мониторинг в реальном времени позволяет перейти от плановых ремонтов к обслуживанию по фактическому состоянию, сокращая простои. Контроль энергопотребления каждого станка помогает экономить ресурсы, а системы технического зрения снижают процент брака.

Наконец, промышленная роботизация. Растет использование станков с ЧПУ и промышленных роботов российского производства для сварки, сборки и покраски.

Как отмечают эксперты, в перспективе трех-пяти лет конкурентное преимущество будут иметь компании, наиболее активно внедряющие ИТ и готовые к реализации пилотных проектов на основе инновационных технологий. Переход на отечественные решения и необходимость развития собственной базы продуктов станет драйвером компаний для поиска партнеров: возникнут новые технологические альянсы между производителями, ИТ-компаниями и ИТ-интеграторами, которые смогут обеспечить комплексную поддержку и развитие уже работающих решений.

Несмотря на общее сокращение количества вакансий в ИТ, остается большой спрос на опытные кадры. Особенно востребованы DevOps-инженеры, разработчики ПО, мидл- и синьор-специалисты в области ИИ, машинного обучения, аналитики данных и кибербезопасности.

Отдельным приоритетом становится работа с молодежью и системой образования. Если раньше участие бизнеса в подготовке студентов во многом было инициативой самих компаний, то теперь эта работа становится системной и ведется совместно с государством и вузами. Такой подход позволяет не только увеличивать кадровый резерв, но и сокращать разрыв между требованиями рынка и навыками выпускников.

Существенный фактор, который также влияет на HR-процессы и рынок труда в целом, — это искусственный интеллект. ИИ может взять на себя рутинные задачи в HR, но он не заменит человека там, где нужно понимать психологию людей, разрешать конфликты, формировать команды и принимать стратегические решения. Как отмечают эксперты, автоматизация освобождает HR для главного — формирования культуры, которая позволит привлекать таланты, развивать компетенции будущего и создавать гибкость.

Сегодня HR не ограничивается наймом, адаптацией и кадровым сопровождением, а играет гораздо более стратегическую роль, непосредственно влияя на устойчивость бизнеса. В 2025 году 65% крупных российских компаний отметили рост ценности HR и усиление его влияния на бизнес. В условиях нестабильности ИТ-рынка эффективное развитие специалистов, их мотивация и формирование команд под ключевые проекты становятся решающими для финансовых результатов и будущего успеха компаний.

Ежемесячно «Ростелеком» совершает миллионы звонков клиентам с использованием робота-оператора, однако часть вызовов перехватывается автоответчиками и голосовыми помощниками. Эти сервисы, изначально созданные для защиты от спама и мошенников, стали барьером для получения важной финансовой информации. Внедренная ML-модель анализирует аудиопоток и метаданные звонка в реальном времени и соединяет робота-оператора или специалиста контакт-центра только с реальными абонентами. Точность детектирования составляет 90%. Это позволяет оптимизировать коммуникации с клиентами по вопросам просроченной задолженности, сократить расходы на телефонию, а также высвободить рабочее время операторов контакт-центра, которые ранее тратили его на прослушивание автоответчиков.

Как отмечает Илья Курцев, директор Центра кредитного контроля «Ростелекома», из-за умных ассистентов, которые имитируют человеческую речь, компания тратила колоссальные ресурсы на звонки, которые не доходили до адресата. Благодаря решению VS Robotics удалось «пробить» эту цифровую стену, чтобы своевременно донести информацию о состоянии счета непосредственно владельцу, а не его голосовому помощнику. Это повышает эффективность коммуникаций и оптимизирует расходы контакт-центра.

До внедрения новой функциональности учет в фонде велся децентрализовано: плановые и фактические данные собирались в Excel-таблицах, а сотрудники в регионах использовали личные записи. Число подопечных, партнеров и мероприятий росло, и такой подход приводил к высокой трудоемкости, риску ошибок и сложности подготовки консолидированной отчетности.

Специалисты «Норбит» адаптировали CRM-систему фонда под управленческие потребности некоммерческой организации. Ключевым результатом стало внедрение модуля планирования, который позволит руководству «Хранителей детства» задавать ожидаемые показатели по каждому проекту. Для сотрудников была разработана персонализированная домашняя страница, где отображаются индивидуальные KPI с плановыми и фактическими значениями. Система обеспечила прозрачность вклада каждого члена команды в достижение социальных результатов.

Особенностью стала интеграция в CRM раздела «Публикации» для учета упоминаний фонда в СМИ, на собственных ресурсах и площадках партнеров. Материалы логически связаны с проектами и показателями, поэтому PR-активность теперь включается в общую отчетность. Есть привязка и к ролям пользователей: директора, региональные координаторы, методисты и специалисты онлайн-обучения. Для фонда новая функциональность поможет решить ключевые операционные проблемы: сократилось время на сбор и подготовку документации, повысилась управляемость проектов в 20 регионах, а процесс предоставления данных партнерам и грантодателям стал прозрачным и структурированным.

Научно-производственная фирма «Экопром» для регламентированного учета, расчета зарплаты и договорной работы компания использует «1С:Бухгалтерию», «1С:Зарплату и управление персоналом» и «1С:Документооборот». Для управления на местах применялись самописные программы на базе устаревшей версии «1С», каждая из которых решала свою локальную задачу: одна использовалась для учета в отделе продаж, другая — на складе, в производстве и отделе закупок, третья — для консолидации управленческой отчетности. Для оперативного управления применялись электронные таблицы. Из-за разрозненности данных возникали расхождения, которые приводили к неточностям при расчете фактической себестоимости продукции, планировании закупок, производства и продаж. Например, нередки были случаи, когда по итогам инвентаризации возникали существенные несоответствия, а продукцию приходилось списывать из-за окончания срока годности.

Финансово-экономическое подразделение вручную заполняло документы и отчеты. Структура компании в рамках центров финансовой ответственности (ЦФО) была настроена не полностью. Бюджеты доходов и расходов и бюджеты движения денежных средств собирались в электронных таблицах. Согласование заявок на платежи не было автоматизировано, при этом не учитывались лимиты бюджетов, что приводило к перерасходу денежных средств.

Предприятию стала необходима новая информационная система, которая позволила бы объединить работу подразделений, улучшить планирование производства, повысить точность расчета себестоимости, обеспечить рациональное управление закупками и продажами, организовать точное финансовое планирование, ускорить согласование заявок на расходование денежных средств, усилить контроль расходов.

Для решения поставленных задач была выбрана система «1С:ERP.Управление предприятием». Партнером по внедрению стала компания «1С:Первый Бит».

В ходе проекта 1С:ERP была развернута на 150 рабочих местах. С помощью «1С:Шины» система встроена в существующую ИТ-архитектуру, выполнена интеграция с другими системами компании. В ERP выстроена «эталонная» нормативно-справочная информация, в систему добавлены специализированные рабочие места для управления производством, закупками, продажами и другими задачами предприятия. Также разработана модель бюджетирования, учитывающая потребности компании, реализованы дополнительные отчеты для контролеров в центрах финансовой ответственности.

В результате реализации проекта оптимизировано управление производством. В системе создано специализированное рабочее место для планирования выпуска продукции, создания заказов на производство и работы с нормативно-справочной производственной информацией. План производства формируется на основе планов продаж и текущих остатков на складах с учетом необходимого остаточного срока годности по направлениям. Точность и оперативность в расчетах помогают избежать сбоев при планировании, оптимизировать процесс выпуска продукции и минимизировать возможные потери из-за порчи товаров. Реализован детализированный учет полуфабрикатов и сырья. Это позволяет распределять имеющиеся полуфабрикаты с учетом их наличия и состояния, а также контролировать серии выпускаемой продукции на каждом этапе производства.

Обеспечено оперативное получение данных о плановой и фактической себестоимости продукции. Себестоимость теперь рассчитывается с высокой степенью детализации по видам расходов, номенклатуре, направлениям деятельности, клиентам и документам реализации. В расчете учитываются затраты труда и объем произведенной продукции, маржинальный доход, выручка и объем реализованной продукции. Все это помогло усилить контроль за затратами, обеспечить более рациональное управление ценовой политикой, повысить точность прогнозирования финансовых результатов. Себестоимость готовой продукции снизилась на 10%.

Усилен контроль за закупками сырья и материалов для производства продукции. При поступлении заказа на производство система на основании ресурсной спецификации рассчитывает необходимые материалы и проверяет их наличие на складах производства. Заказы поставщикам формируются автоматически с учетом данных о текущих остатках на складе и в цехах. В итоге предприятию удается избегать дефицита или излишков сырья в производстве, при этом расходы на материалы снизились на 17%.

Улучшилось управление продажами. Реализована интеграция с маркетплейсами, усовершенствован учет по комиссионной торговле. Специализированое рабочее место для трейдмаркетинга помогает учитывать, согласовывать и контролировать начисления и выплаты бонусов по маркетинговым акциям. Усовершенствован учет по комиссионной торговле. Товары, переданные на комиссию, учитываются по номерам заказов из личного кабинета маркетплейсов и индивидуальных штрихкодов. Для более детального анализа товародвижения между поставщиком и комиссионерами создан отдельный регистр, а специальные внешние отчеты помогают отслеживать движение комиссионных товаров. Обработка входящих заказов ускорилась. Усилен контроль за рентабельностью продаж.

Внедрена система еженедельного планирования поступлений и расходования денежных средств. Заявки на оплату теперь заполняются с учетом лимитов денежных средств и аналитик по статьям бюджетирования. Согласование заявок ускорилось. Обеспечено более детализированное и точное управление расходами.

В итоге прибыль предприятия выросла на 7%, а оценка эффективности инвестиционных проектов повысилась на 35−40%.

Более 40% опрошенных испытывают от ИИ негативные эмоции: 17% стали получать меньше удовольствия от работы, 11% чаще злятся и раздражаются, 10% ощущают давление из-за необходимости использовать инструмент, еще 4% отмечают, что от них и команды стали больше требовать. Вместе с тем 30% говорят, что ИИ снял с них рутину, 27% нравится его использовать.

Главные опасения специалистов – точность инструментов (67% фиксируют частые ошибки), риск потери профессионализма (61%) и снижение критического мышления (55%). Когда ИИ выдает плохой результат, 36% предпочитают проигнорировать его и выполнить задачу традиционными методами, вообще не используя ИИ.

Обычно ИИ применяется для написания кода (59%), разработки документации (51%) и создания прототипов (44%). Наиболее популярные инструменты — ChatGPT (59%), Deepseek (51%) и Gemini (44%).

Чаще всего ИИ-модели разворачивают в облачной инфраструктуре провайдеров — 32% пользуются готовым решением, где провайдер предоставил ресурсы и помог с развертыванием. Еще 11% работают на облачной инфраструктуре самостоятельно. Собственную инфраструктуру используют 17%, при этом нагрузка растет, но мощностей пока хватает. У 10% ситуация сложнее: мощностей на собственной инфраструктуре уже не хватает. При этом 32% выбрали вариант «другое» — вероятно, это гибридные сценарии, использование SaaS-сервисов или отсутствие развертывания моделей как такового.

Отношение компаний к ИИ существенно различается в зависимости от отрасли. Чаще всего его обязательное использование встречается в финтехе, бигтехе и студиях разработки. В ряде отраслей ИИ активно рекомендуется, но не является обязательным. Такая ситуация характерна для компаний, занимающихся разработкой ПО, e-commerce и бигтеха. Наиболее строгие ограничения на использование ИИ встречаются в промышленности и отдельных компаниях финтеха: 32% респондентов, сообщивших о запрете, работают в промышленности, еще 19% в финтехе.

Большинство компаний придерживаются нейтральной политики: 54% не требуют, но допускают использование ИИ, 16% требуют официально. Из тех, кому использование ИИ предписано, значительная часть применяет его формально: 23% —регулярно для отчетности, 28% — время от времени.

ИИ пока не оказывает заметного влияния на численность команд – лишь 13% специалистов считают, что за его счет можно сократить состав команды, а 17% – что он закрывает задачи джунов и стажеров. У 71% респондентов требования к производительности в связи с использованием ИИ не изменились совсем.

В рамках проекта «СтройЭнергоКом» провел комплексную интеграцию коммуникационной инфраструктуры на базе решений МТС Exolve, в том числе была развернута виртуальная АТС, обеспечивающая централизованное управление корпоративными коммуникациями компании. Переход на виртуальную АТС позволил объединить входящие и исходящие коммуникации в едином цифровом контуре, а также обеспечить запись разговоров и аналитику обращений.

Кроме того, было реализовано решение по защите телефонных номеров, что позволило обеспечить конфиденциальность контактных данных сотрудников «СтройЭнергоКом» и потребителей электроэнергии, а также усилить контроль качества обслуживания. Это особенно важно для выездных специалистов, которые ежедневно взаимодействуют с жителями при установке и обслуживании приборов учета электроэнергии.

Благодаря внедрению комплекса цифровых решений компании удалось создать защищенную коммуникационную среду, а также обеспечить контроль и анализ звонков за счет записи разговоров и сбора статистики обращений.