Репортаж

По данным различных исследований, большинство российских компаний верит в пользу ИИ, но до реального внедрения доходит лишь около трети из них. Во многом это связано с высокой сложностью таких проектов и необходимостью менять процессы и регламенты. На этом фоне интерес бизнеса к ИИ смещается от абстрактных экспериментов к тем областям, где ИИ можно начать использовать в работе сразу после запуска. Один из таких контуров — документооборот.

Где ИИ реально работает в СЭД

ИИ сегодня уже стал частью большинства российских СЭД. Речь не об отдельной умной кнопке, а о полноценном интеллектуальном слое внутри систем. В его основе — языковая модель (LLM), дополненная RAG-подходом: перед тем как сформировать ответ, система подтягивает релевантные фрагменты из корпоративных документов — договоров, переписки, базы знаний — и отвечает уже с опорой на этот контекст. Поверх этого слоя реализованы прикладные сценарии. В отличие от внешних ассистентов, здесь ИИ действует в рамках корпоративных регламентов, поэтому пользователь работает не с абстрактным ответом, а с результатом, включенным в действующий бизнес-процесс.

Самый простой сценарий – подготовка документов. Руководитель или сотрудник формулирует задачу в интерфейсе — например, просит подготовить официальный ответ партнеру, — а система предлагает несколько вариантов текста, которые дальше можно дорабатывать, согласовывать, утверждать. Еще один сценарий — поиск информации. Вместо того, чтобы искать по папкам и фильтрам, сотрудник просто задает вопрос в СЭД, а ИИ помогает найти нужные документы или данные в контексте. Третий сценарий — постановка задач. Руководитель создает запрос в свободной форме, — система оформляет его по рабочему шаблону: уточняет цель, сроки и ожидаемый результат.

Роль-ориентированная аналитика документов: от вычитки к управлению рисками

В СЭД ИИ анализирует документы по-разному в зависимости от роли пользователя и стоящей перед ним задачи. Например, для юристов сразу выделяет ключевые риски: штрафы, сроки, обязательства, условия расторжения. Для финансовых директоров фокус смещается на суммы, графики платежей, возможные штрафы и влияние условий на бюджет и денежные потоки. Для руководителей ИИ собирает общую картину по массиву договоров: где концентрируются риски, какие документы выбиваются по срокам или условиям и где могут возникнуть проблемы.

За этими пользовательскими сценариями ИИ в СЭД стоит сложная внутренняя логика обработки документов. Именно она и дает эффект на масштабе — там, где объемы измеряются тысячами и десятками тысяч документов.

Экономика и масштаб

Практика внедрений показывает, что автоматизация обработки входящей корреспонденции с применением распознавания и интеллектуальной классификации может сократить время работы с одним документом с пяти до двух минут. В процессах с распоряжениями на вывод ИИ может уменьшить время обработки одного документа с 15 до 1,5 минуты. В работе с договорной и закупочной документацией интеллектуальное сравнение версий позволяет сотрудникам экономить до двух часов в день и перераспределять это время на другие задачи.

В одном из проектов при годовом объеме около 50 тыс. документов использование ИИ для первичной вычитки и аналитики дало эффект, сопоставимый с работой двух штатных единиц — без организационных изменений и снижения качества.

При этом система не становится полностью автономной. Например, в пилотах по подготовке ответов на обращения граждан ИИ сократил время подготовки черновика с 15 до 5 минут, однако около 13% ответов потребовали полной переработки, а средняя оценка качества составила 63%. То есть система ускоряет работу, но ответственность за итоговый результат остается у специалиста.

Таким образом, разговор об экономическом эффекте ИИ в документообороте никогда не сводится к сокращению людей. Главное, что получает бизнес, — возможность обрабатывать растущий объем документов без пропорционального увеличения нагрузки на ИТ и бизнес-подразделения. ИИ в СЭД позволяет компании расти по числу договоров, партнеров и операций без потери управляемости и резкого роста издержек.

Ограничения и условия внедрения: где проходят границы ИИ

Важно также зафиксировать границы применения ИИ в документообороте. Не потому, что технология чего-то не умеет, а потому что понимание этих границ делает внедрение устойчивым.

Первое и самое важное — ИИ не принимает решения. Он может помочь подготовить документ, подсветить риски, собрать информацию, ускорить анализ. Но юридические, финансовые и управленческие решения остаются за человеком. В корпоративных процессах это принципиально: ответственность никуда не уходит.

Второй момент — ИИ работает в рамках заданной логики и разработанных сценариев. Эти сценарии фактически описывают, какие параметры и аспекты документа должны анализироваться в каждой роли. Если они заданы слишком широко или отсутствуют вовсе, ИИ будет отвечать общими словами. Поэтому для ИИ в СЭД не так важны формулировки разовых запросов, как качественная настройка сценариев анализа.

ИИ работает с теми же документами и правилами, что и сотрудники. За счет этого он обнажает реальное состояние процессов. Он не способен компенсировать отсутствие структурированных данных, несогласованные процессы или противоречивые регламенты работы с документами. Если процессы выстроены правильно — положительный эффект заметен сразу, если нет – проблемы становятся виднее.

ИИ в СЭД как управленческий инструмент

На практике ИИ в документообороте перестает быть экспериментом ровно в тот момент, когда от него не ждут универсальных решений и отводят ему понятную роль — помощника в уже существующих процессах. Поэтому успешные внедрения ИИ в СЭД выглядят совсем не как технологический прорыв, а как аккуратное усиление управляемости: меньше ручной рутины, быстрее доступ к информации, выше предсказуемость на масштабе. Все остальное — вопрос зрелости процессов и того, насколько компания готова работать с ними осознанно.

Следующий этап — переход от отдельных ИИ-функций к ИИ-агентам, которые не только анализируют документ, но и инициируют цепочку действий: создают задачи, формируют проекты резолюций, запрашивают данные из смежных систем. Такой подход требует еще большей зрелости архитектуры и четкого разграничения ответственности между системой и человеком.

Автор — Полина Дуйкова, директор направления СЭД/ECM «Софтлайн Решения»

В России усиливаются меры, призванные ускорить переход на отечественные ИТ-решения. Министр цифрового развития Максут Шадаев объявил о возможном введении оборотных штрафов для компаний, отвечающих за значимые объекты КИИ, если они не успеют перейти на российское ПО в установленные сроки. Фактически КИИ становится первой площадкой, где государство использует финансовую ответственность как инструмент ускорения импортозамещения. Но очевидно, что этим дело не ограничится: подобная логика неизбежно будет распространяться и на другие технологические контуры.

Стратегия государства в целом понятна: в последние годы появляются все более жесткие требования, запрещающие использовать зарубежное ПО и оборудование. Постановление Правительства № 1875 устанавливает единые требования в части национального режима для закупок в рамках 44-ФЗ и 223-ФЗ. Для объектов КИИ действует Указ Президента Российской Федерации № 166, который запрещает закупку иностранного ПО, в том числе в составе программно-аппаратных комплексов, без согласования с федеральным органом исполнительной власти, уполномоченным Правительством Российской Федерации. С 1 января 2025 года действует запрет на использование иностранного ПО и ПАК на значимых объектах КИИ для органов власти и заказчиков, определенных Указом. То есть экосистема регулирования последовательно «закручивается», выталкивая иностранные технологии из критичных и инфраструктурных сегментов.

Сама идея стимулировать переход штрафами выглядит рабочей: когда компании понимают, что за задержку придется платить ежегодно, мотивация переходить на отечественные решения действительно возрастает. Однако одними штрафами проблему не решить. Такой подход дает скорость, но одновременно создает целый пласт рисков — технических, финансовых и организационных. И именно эти риски сегодня важно учитывать так же серьезно, как и саму стратегическую задачу импортозамещения.

Риски форсированного перехода

Формальное импортозамещение вместо инженерного результата

Когда главным стимулом становятся штрафы и жестко фиксированные дедлайны, компании начинают действовать по логике минимизации санкций, а не по логике инженерной целесообразности. Переход на отечественные решения превращается в административную процедуру: главное — «закрыть» требования, подтвердить соответствие, пройти контрольные точки.

В итоге возникают поверхностные миграции: ключевые системы переводятся на российское ПО без полноценной адаптации архитектуры, часть функций временно заменяется упрощенными модулями, интеграция делается «как получится». На бумаге все будет выглядеть корректно, но фактической устойчивости, производительности и безопасности такие проекты не дают. В сложных отраслях — от энергетики до транспорта — это означает высокие операционные риски при видимой формальной дисциплине.

Рост технических, архитектурных и операционных рисков

Экстренное импортозамещение затрагивает все уровни технологического стека: программное обеспечение, промышленные контроллеры, телеком-узлы, САПР, автоматизированные системы управления, инженерное оборудование. Любой такой переход требует времени на обследование архитектуры, ревизию протоколов, перенастройку защитных механизмов, тестирование совместимости и проверку производственных цепочек.

Под давлением сроков этот цикл неизбежно сокращается. Компании вынуждены мигрировать без глубоких тестов, откладывая часть работ «на потом». Это приводит к ошибочным архитектурным решениям, появлению уязвимостей, несовместимости оборудования, нарушению отказоустойчивости или сбоям при пиковой нагрузке. В промышленности это может привести к простоям; в телекоме — к деградации связи; в КИИ — к повышению вероятности инцидентов ИБ.

Дефицит отечественных решений и рост стоимости проектов

Во многих сегментах — от промышленных ПАК до операторского телеком-оборудования — отечественные аналоги только проходят фазу развития. Их функциональность или экосистема еще не полностью закрывают потребности отрасли. Когда государство устанавливает сроки миграции, рынок сталкивается с резким ростом спроса при ограниченном предложении.

Это приводит к ряду эффектов:

• повышение стоимости лицензий и оборудования;
• удорожание услуг интеграторов, которые не справляются с валом проектов;
• очереди на внедрение и задержки в работах;
• монополизация: несколько поставщиков начинают определять правила рынка.

В итоге переход может оказаться не только более затратным, но и менее технологически оптимальным, чем если бы он строился на рыночной скорости.

Риск превращения штрафов в «стоимость использования иностранного»

Оборотные штрафы задумываются как инструмент стимулирования перехода. Но есть риск, что для части финансово устойчивых компаний они станут фактически «стоимостью продолжения работы с существующей технологической экосистемой». Особенно если речь идет о бизнесах, где иностранная инфраструктура глубоко интегрирована и замена требует многолетних проектов.

В такой конфигурации крупнейшие игроки будут платить штрафы и продолжать работу с иностранными решениями, а средние и малые — вынуждены будут мигрировать, потому что не могут позволить себе дополнительные расходы. Это создает асимметрию рынка, в которой скорость перехода определяется не технической готовностью или критичностью инфраструктуры, а объемом бюджета. Эффект меры теряется, а отрасль становится более неоднородной.

Регуляторные и методологические ограничения, тормозящие развитие

Импортозамещение — это не только про технологии, но и про процедуры: категорирование объектов, подтверждение отечественного происхождения решений, работа с реестрами, получение лицензий, прохождение сертификаций. Многие из этих процессов остаются сложными, неоднозначными и требующими больших ресурсов.

В условиях жестких сроков любое разночтение или неясность превращается в фактор риска. Бизнес тратит время на споры о классификации систем, процедуру включения продукта в реестр или согласование доли локализации вместо того, чтобы инвестировать эти усилия в развитие решений. Ограничения на использование иностранных технологий без гибких исключений усиливают проблему: компании рискуют потерять доступ к лучшим мировым практикам в тех сегментах, где отечественных продуктов пока объективно нет. В результате регуляторная нагрузка может не ускорять развитие, а наоборот — замедлять его, уменьшая гибкость и затрудняя внедрение перспективных технологических подходов.

Все эти риски не отменяют необходимости движения, но подчеркивают одно: импортозамещение требует не только скорости, но и аккуратной настройки правил. Чтобы переход был не формальным, а устойчивым, важно заранее заложить в регулирование механизмы, которые снизят вероятность ошибок и перегибов.

Что важно учесть в регулировании импортозамещения

Реалистичное планирование и гибкие сроки

Технологические контуры в разных отраслях развиваются неравномерно, и единый дедлайн для всех — очевидный риск. Важно, чтобы установленные сроки перехода опирались на реальную готовность рынка, а правила продления были прозрачными и объективными. Нужен и постоянный мониторинг: доступность отечественных решений, успешность внедрений, показатели отказоустойчивости. На основе этих данных регулирование должно корректироваться, обеспечивая управляемый, а не авральный переход.

Дорожные карты и методическая поддержка компаний

Импортозамещение — это не одномоментная замена технологий, а поэтапный инженерный процесс. Он начинается с инвентаризации зависимостей, определения критичных систем и построения дорожных карт. Но одного планирования недостаточно. Компании, особенно региональные и средние, нуждаются в методической опоре: типовых архитектурах, отраслевых рекомендациях, каталогах проверенных российских решений. Такая инфраструктура снижает риски неудачных внедрений и ускоряет формирование зрелой практики разработки и эксплуатации отечественных продуктов.

Баланс штрафов и стимулов

Финансовая ответственность действительно повышает скорость перехода, но устойчивого эффекта она не дает, если действует в одиночку. Чтобы импортозамещение было экономически оправданным, жесткие ограничения должны сочетаться с поддержкой: субсидиями, льготным финансированием, налоговыми мерами и приоритетом российских технологий в закупках. Только такая комбинация стимулирует реальную миграцию, а не формальное выполнение требований.

Приоритет качества и надежности, а не только происхождения

Происхождение технологии — лишь часть картины. Если регулирование фокусируется исключительно на «российскости», компании будут стремиться закрыть чек-лист, а не обеспечить устойчивость архитектуры. В центре контроля должны быть надежность, производительность, совместимость компонентов, уровень кибербезопасности и способность систем работать без перерывов. Именно этот подход делает импортозамещение не формальной заменой, а шагом к более зрелой и управляемой технологической среде.

Заключение

На сегодняшний день процесс импортозамещения ПО и оборудования в России находится между фазой массовых деклараций и полноценной реализацией. С одной стороны, зарубежные решения составляют целых 75% инфраструктуры. С другой стороны, регуляторная нагрузка уже значительно возросла: введены запреты на закупку иностранных решений, утверждены сроки, развиваются отечественные серии ПО и оборудования. При такой «переходной» стадии важно признать: стимулы, в том числе штрафы, имеют смысл, но только если они встроены в комплексный подход. Если государство усиливает ответственность за промедление, но не обеспечивает инфраструктуру поддержки, компетенции, зрелые отечественные аналоги и разумные сроки, риск «быстрой миграции» с минимальной ценой для штрафов становится высок. Поэтому ответ на вопрос: «Нужны ли штрафы?» скорее всего — «Да, но в сопровождении». Штрафы могут выполнять функцию «ускорителя», напоминания о серьезности задачи, но они не могут заменить инженерную подготовку, модернизацию цепочек поставок, развитие отечественных решений и постепенное внедрение.

В конечном счете, цель — не просто заменить «чужое» на «российское», а создать технологически устойчивую, конкурентоспособную и безопасную среду. И только когда отечественные решения станут по качеству и масштабу сопоставимы с иностранными, механизм штрафов станет не просто рычагом принуждения, а дополнением к зрелой экосистеме.

Автор – Дмитрий Битченков, руководитель направления разработки технической и проектной документации компании «ГИГАНТ Компьютерные системы»

До 95% компаний в России и мире внедряют ИИ без необходимой отдачи и не окупают инвестиции. Об этом и самых распространенных ошибках говорится в исследовании «От пилота к масштабу: как встроить ИИ в процессы и получить отдачу», проведенном Школой управления «Сколково».

Первая причина провалов ИИ-проектов — неверный выбор формы и культуры работы с информацией. Исследование показало: успешность ИИ-проекта в компании зависит не от технологии, а культуры работы с получаемой информацией и принятием решений.

Если в компании новое решение считается обоснованным только после одобрения признанного эксперта — это people-driven культура. Если ключевым источником легитимности выступают регламенты: пока документ не обновлен, инновация не будет внедрена — это process-driven культура. Когда решающим аргументом служит эксперимент или результат анализа данных: если цифры подтверждают гипотезу, решение принимается без дополнительных «авторитетов» — это data-driven подход.

Эксперты выявили закономерность: от того, какая культура доминирует в той или иной организации, напрямую зависит, как компания внедряет новые технологии, в том числе ИИ. Анализ показал: компании с преобладанием культуры, ориентированной на данные (data-driven), успешнее внедряют ИИ, чем организации, полагающиеся на авторитет отдельных экспертов или формальное следование регламентам.

Вторая причина неудач — низкое качество и хаотичность исходных данных в компании. Если корпоративная система переполнена дублями, устаревшими файлами и несовместимыми форматами, а то даже лучшие алгоритмы не работают. Анализ показал: именно подготовка и стандартизация данных занимала во многих кейсах больше ресурсов, чем сама разработка модели. Вывод экспертов: без Data Story — общего для бизнеса и ИТ описания качества и доступности данных — риск провала резко возрастает.

Третий негативный фактор — стремление максимально автоматизировать все процессы и функции в компании. Исследование показало: попытки тотальной автоматизации чаще несут больший риск, чем эффективность, и приводят к провалам. Наибольший эффект достигается при грамотном сочетании режимов: ИИ усиливает или заменяет человека там, где это оправдано, а ключевые процессы остаются за людьми.
Авторы исследования выделили три ключевые когнитивные функции в работе организаций: распознавание, принятие решений и исполнение. Каждая из них может выполняться вручную, совместно с ИИ (аугментированно) или полностью автоматически. Но все их автоматизировать — ошибочно.

Четвертая причина — когнитивная дистанция и отсутствие взаимопонимания в коллективе компании. Эксперты выявили: причина большинства провалов ИИ-инициатив не в технологиях как таковых — не в «железе» и не в моделях, а в когнитивной дистанции – в том, как думают и разговаривают между собой участники проекта. Чем больше разрыв в языке и мышлении у топ-менеджеров, владельцев процессов и разработчиков, тем больше проекты буксуют из-за недоверия и срывов сроков.

При этом на пике популярности искусственного интеллекта многие компании запускают ИИ-проекты скорее ради статуса, чем ради результата.

Как подчеркивают аналитики, в этих случаях топ-менеджменту важно показать: «мы тоже в тренде», а разработчикам интересно протестировать новые модели. Пилот оказывается в плане в рекордные сроки, но ключевые бизнес-подразделения в процесс не вовлечены: их не спрашивают, какую задачу стоит решать, как измерять эффект и что будет считаться успехом. Дальше проект живет своей технической жизнью. Есть прототип, серверы работают, расходы учтены. Но поскольку бизнес-логика и пользовательский опыт остались без внимания, процессы внутри компании не меняются, клиенты не видят ценности и могут даже не пользоваться новым решением. Итог предсказуем: галочку «ИИ внедрен» поставить можно, но бизнес-пользы нет. Проект превращается в «технологическую витрину» — эффектную, но бесполезную.

Пятая причина неудач — внедрение ИИ-проектов без последующего регулярного анализа эффективности. Исследование выявило: проекты, где команды показывают результат короткими циклами (прототип - тест - обратная связь - улучшение), значительно устойчивее: быстрее выявляют ошибки и корректируют ожидания. Напротив, длинные изолированные спринты без демонстрации промежуточных версий приводят к накоплению ошибок, росту недоверия и увеличению рисков провала.

Наконец, шестая причина — использование устаревших методов анализа эффективности внедряемых ИИ-процессов. Анализ показал: классический метод CRISP-DM и его отраслевые продолжения (DataPro, CRISP-ML(Q), MAISTRO) задали высокие стандарты работы с данными, но почти не учитывали управленческие и культурные барьеры. Из-за этого даже технически безупречные решения нередко оказывались невостребованными в компаниях.
При этом авторы выявили, что пробел восполняет обновленный фреймворк (AI Success Cycle), в котором управление когнитивной дистанцией и мониторинг принятия технологии пользователями встроены на каждом этапе. Это помогает адаптировать и внедрять ИИ-решения так, чтобы они естественно «приживались» в организации и приносили реальную пользу. Например, команда делает шаг вперед, показывает промежуточный результат, получает комментарии от бизнеса и дорабатывает продукт с их учетом. Такой ритм, по мнению экспертов, помогает держать участников «на одной волне» и превращает разницу в подходах в источник знаний, а не конфликтов.

Исследование показало, для эффективного внедрения ИИ-проектов компаниям необходимо выполнять следующие правила:

• оценить культуру принятия решений в компании, чтобы понять, насколько она реально data-driven;
• провести аудит данных до старта проекта и создать Data Story как «единый источник правды» для бизнеса и ИТ;
• разбить ключевые процессы на этапы и определить, где безопасно автоматизировать, а где важно оставить человека;
• создавать кросс-функциональные команды и назначать брокеров знаний, чтобы бизнес и разработка разговаривали на одном языке;
• запрашивать у команды рабочий прототип каждые 3–4 недели и обсуждать прототипы вместе с бизнесом, а не только внутри разработки;
• внедрять обновленный фреймворк (AI Success Cycle), чтобы эффективнее встроить ИИ в бизнес-процессы.

Авторы исследования также дали семь управленческих рекомендаций для успешного внедрения ИИ.

1. Вовлекать всех участников с самого начала. Не запускать проект только усилиями топ-менеджмента или разработчиков. Уже на старте за одним столом должны быть бизнес-владельцы, инженеры и менеджеры. Это поможет сразу выявить ограничения по данным, архитектуре и ресурсам.

2. Проверять, есть ли у проекта реальная цель. Формулировка цели «внедрить ИИ» — тревожный сигнал. Настоящая цель звучит как конкретная бизнес-задача: «снизить коэффициент оттока на 10%» или «сократить время обработки заявки на 20%». Если такого фокуса нет, проект рискует превратиться в витрину.

3. Поддерживать баланс между стейкхолдерами. Не стремиться полностью стереть разницу в подходах между бизнесом, разработкой и другими стейкхолдерами. Разные взгляды полезны, если они не мешают понимать друг друга. Важно следить, чтобы команда сохраняла критический взгляд, но при этом могла находить общий язык.

4. Организовать «торговые зоны». Повысить продуктивность могут различные форматы совместной работы: стратегические сессии, спринт-планирование, кросс-функциональные ревью. Это пространство, где стейкхолдеры синхронизируют ожидания и договариваются о следующих шагах.

5. Работать через граничные объекты. User Story, Data Story, MVP-прототип, дашборд с метриками — любые артефакты, которые понятны и бизнесу, и разработчикам. Важно фиксировать договоренности через такие объекты, чтобы все стороны видели одно и то же и могли отслеживать прогресс.

6. Назначать брокеров знаний. В команде должны быть люди «на стыке»: продукт-менеджеры с опытом разработки, бизнес-аналитики, системные аналитики. Их задача — переводить с языка бизнеса на язык технологий и обратно. Без таких посредников коммуникация быстро ломается.

7. Не отпускать проект «на автопилот». Даже после релиза продолжайте поддерживать общий ритм: короткие циклы обратной связи, регулярный мониторинг и открытые обсуждения. Это убережет проект от вырождения в формальную «галочку» в отчетах.
 

За последние десять лет спрос на бухгалтеров вырос на 318% — такие цифры приводят hh.ru и банк «Точка». Проблема в том, что предложение не успевает за спросом. По оценке правительства РФ, дефицит в этой сфере — около 1,5 млн кадров. И это неудивительно: чем крупнее компания, тем больше документов, сверок и операций ложится на плечи одного специалиста. При этом задач становится все больше — меняется законодательство, усложняются стандарты, растут требования.

Локальная автоматизация проблему не решает. Даже если компания использует «1С», СБИС, «Диадок», CRM и Excel-шаблоны, это еще не означает, что процессы стали сквозными. Данные остаются разрозненными: счета — в одном окне, договоры — в другом, выписки — в интернет-банке, сверки — в почте или мессенджерах. В итоге бухгалтеру все так же вручную приходится проверять:

• первичные документы — счета, акты, УПД, договоры. Нужно открыть, сверить, внести в учет, а если пришли по почте — сохранить, переименовать, согласовать;
• взаиморасчеты — даже обычная сверка с данными контрагента может занять часы, особенно в случае с авансами, частичными оплатами или ошибками в назначении платежа;
• банковские выписки — бухгалтер получает их ежедневно, разносит оплаты по договорам, проверяет, кто и за что заплатил. Если платеж пришел с ошибкой, без ссылки на договор или в валюте, требующей конвертации, обработка занимает еще больше времени;
• отчетность — может формироваться автоматически, но сдача в ФНС, ФСС и Росстат требует ручной загрузки, сверки квитанций, контроля статусов и оперативной реакции на запросы контролирующих органов.

Кто не ошибается

При ручной работе ошибки — лишь вопрос времени. Проводки забываются, документы дублируются, и все это всплывает в самый неподходящий момент. Достаточно одной неверной цифры в реквизитах контрагента — ИНН, КПП, расчетном счете или БИК, — чтобы деньги ушли не туда. Это не только прямые финансовые потери, но и риск нарушения валютного законодательства и 115-ФЗ: банк вполне может признать такую операцию подозрительной.

Ошибки в первичных документах — неправильная цена, количество, ставка НДС или скидка — почти всегда приводят к убыткам, доначислениям налогов и репутационным проблемам. Типичный пример: в договоре появился лишний ноль рядом со 100 тыс. Документы подписали, декларацию сдали — налоговая заметила расхождение. Исправления, подача уточненных деклараций и повторные согласования занимают больше месяца.

Ошибки в расчетах зарплаты и страховых взносов — одна из самых частых причин штрафов и претензий от ПФР, ФСС и ФОМС. Даже небольшая неточность в отчетах — будь то 6-НДФЛ, СЗВ-ТД или РСВ — почти гарантированно выявляется при камеральной проверке. В итоге бухгалтерия тратит массу времени и сил на исправление ошибок и подготовку уточненных отчетов.

Опоздание со сдачей отчетности — прямой путь к штрафу. А при накоплении долгов или системных нарушениях налоговая вправе инициировать выездную проверку или заблокировать расчетный счет.

Автоматизация снижает эти риски. Но пока часть процессов остается ручной, ошибки неизбежны, а их исправление отнимает время, силы и деньги.

Автоматизация бухгалтерских процессов: что происходит внутри

Представьте, что рутинные операции бухгалтера в «1С», СБИС или «Диадоке» выполняет виртуальный сотрудник — и делает это в среднем в 2–3 раза быстрее человека. Чтобы это организовать, достаточно внедрить готовую RPA-платформу (Robotic Process Automation) и настроить роботов под конкретные задачи. По нашему опыту, половина компаний успешно реализуют такие проекты самостоятельно при наличии внутренних компетенций и ИТ-ресурсов.

Первый шаг — предоставить роботу доступ к системам: специалист по автоматизации настраивает права и защищенно передает учетные данные. Далее робот запускается на выделенной виртуальной машине или сервере, где он повторяет действия человека в интерфейсе по прописанному сценарию.

Настройка робота занимает от 15 минут до нескольких часов — в зависимости от сложности задачи. В сложных сценариях робот последовательно выполняет десятки шагов: открывает документы, собирает данные из разных систем и сайтов, формирует отчеты и отправляет их ответственным. Запуск процесса в любом случае происходит за пару секунд. Такая система «читает» документы с помощью OCR, сверяет данные с внутренними справочниками и правилами, автоматически создает записи — или сообщает о расхождениях.

Важно, что робот не просто собирает данные — он их анализирует: выявляет дубли и пустые поля, сравнивает позиции, находит расхождения, готовит черновики актов. Может сам зайти в интернет-банк, скачать выписки, загрузить их в систему, распознать назначения и распределить платежи по заданным правилам. Сомнительные операции уходят на проверку человеку.

После обработки данных робот формирует готовые документы — акты, отчеты, проводки — в нужном формате: PDF, Excel, XML или напрямую в интерфейсе учетной системы. Он может отправлять их через внешние ЭДО-сервисы, корпоративные платформы и, при наличии доступа, через модули сдачи в ФНС. Также он умеет отслеживать статус доставки, сохранять подтверждения и архивировать данные.

Что может помешать автоматизации работать как надо: семь причин

Сами по себе технологии RPA не создают сложностей. Проблемы возникают из-за «особенностей бизнеса» и организации проектов. Вот почему автоматизация часто приносит меньше пользы, чем могла бы.

1. Автоматизация хаоса

Бизнесу может казаться, что сотрудники работают медленно. Но часто дело в том, что процесс изначально построен неэффективно. Как известно, автоматизировать хаос — значит, получить автоматизированный хаос. Роботизация должна начинаться не с покупки лицензий, а с анализа процессов.

По данным ОБИТ, 35% провалов ИТ-проектов связаны именно с несоответствием ИТ-решений реальным бизнес-требованиям, в том числе из-за недостаточного анализа на старте.

2. Процесс описан «на коленке»

Если процесс живет лишь «в голове бухгалтера» или базируется на неформальных договоренностях, робот здесь бессилен. Автоматизировать можно только четко описанные, формализованные шаги. Есть ошибка в логике процесса — робот честно воспроизведет ее, только быстрее человека. Поэтому важно сначала тщательно описать процесс и все сценарии.

3. Проблемы с доступами и ИБ

Боль большинства RPA-проектов — доступ к системам в подразделениях, работающих с чувствительными данными. Служба ИБ требует, чтобы доступы были привязаны к конкретному сотруднику, с подтверждением личности, например, по паспорту — а у робота паспорта нет. В результате согласование доступов затягивается — сроки проекта сдвигаются на недели или даже месяцы.

4. Нет синхронизации между командами

Сначала настроили робота, а затем компания перешла с Google Docs на «МойОфис», сменила интегратора ЭДО или перенесла данные в другую CRM. Когда нет налаженной коммуникации между ИТ, бизнесом и командой автоматизации, роботу «забывают» сообщить об изменениях, и автоматизация внезапно перестает работать.

5. Стремление автоматизировать все

В коммерческом секторе можно автоматизировать до 70–80% операций, и даже больше. Но есть процессы, где это неуместно: юридически значимые действия, зоны с высокими рисками и жесткими требованиями безопасности. Например, в финансовом мониторинге, госсекторе и на регулируемых рынках критично участие человека.

6. Недооценка сложности интеграции

Сложность интеграции зависит не столько от RPA-платформы, сколько от того, насколько «открыта» и готова к взаимодействию исходная система. С «1С», СБИС или «Диадоком» обычно проблем нет — там все стандартизировано. С кастомными системами могут возникать нюансы. Чаще всего интеграцию удается настроить через API, но нужно быть готовыми к тому, что если они реализованы недостаточно качественно, то потребуются доработки.

7. Считать окупаемость только в деньгах

Как бизнес может оценивать окупаемость RPA-проекта: допустим, бухгалтер обходится компании 1,2 млн руб. в год, а лицензия на робота — 1,5 млн. На первый взгляд, внедрение робота кажется невыгодным. Но так ли это?

Реальная картина складывается не только из прямых затрат, но и из рисков. Ошибки в отчетности могут обойтись в сотни тысяч, а то и миллионы рублей штрафов. Новый сотрудник тратит месяцы на адаптацию, робот — нет. Человеческий фактор непредсказуем: сегодня сотрудник внимателен, завтра допускает ошибку. Текучка кадров и обновления ПО неизбежно приводят к простоям и дополнительным расходам.

ROI RPA — это не только про ФОТ и лицензии. Это снижение текучки, минимизация ошибок, избежание штрафов, сокращение срывов сроков и защита персонала от эмоционального выгорания. И, конечно, стабильный результат при вложении определенной суммы денег.

Пора нанимать роботов: чек-лист для бизнеса

Внедрение RPA — серьезный шаг, который меняет бухгалтерские процессы и повышает их эффективность. Вот признаки, по которым бизнес понимает, что пора доверить рутинные задачи роботам:

• Операционка растет, а людей больше не становится. Команда уже не справляется, но быстро изменить текущие процессы не представляется возможным.
• Бизнес не масштабируется. Количественный рост остановился, а без цифровой трансформации качественный рост невозможен.
• На стратегические задачи не остается времени. Когда сотрудники целый день тратят на ручной ввод данных в CRM, то физически не могут выделить время на более важные задачи — например, анализ налоговой нагрузки или подготовку финансовой аналитики для руководства.
• Расширение штата не дает ожидаемого результата. Персонала становится больше, но эффективность отдела не растет.

В компаниях с устойчивыми оборотами и налаженными процессами RPA помогает разгрузить сотрудников от рутины, снизить количество ошибок и добиться стабильности в выполнении задач в бухгалтерии. Для малого бизнеса с ограниченным бюджетом автоматизация может быть слишком дорогой и рискованной. Здесь стоит сначала оптимизировать процессы и вложиться в развитие команды.

Автор – Сергей Азаров, руководитель направления департамента бизнес-решений «Софтлайн Решения» (ГК Softline)

«СберАналитика» разработала сервис «Геоаналитика», который помогает предпринимателям эффективно использовать данные о потенциале локации для принятия обоснованных бизнес-решений. С подробностями проекта знакомит Денис Козицкий, директор по развитию ИТ и инновациям компании «СберАналитика».

С помощью платформы «Геоаналитика» можно выбрать наиболее подходящую для открытия бизнеса локацию, выявить неудовлетворенный спрос, а также изучить потребности клиентов и потенциальной аудитории. Платформа позволяет мониторить важные финансовые показатели территории и конкурентного окружения, учитывать влияние жилых комплексов и транспортных узлов на клиентский поток, находить участки с максимальной проходимостью пешеходов.

- Что предшествовало появлению решения?

«Геоаналитика» – это один из первых продуктов нашей аналитической линейки. Его создали в ответ на многочисленные запросы клиентов, которые уже работали с нами и оценили ценность и уникальность данных СберАналитики.

Те, кто занимался розничным бизнесом, наверняка знают, как непросто бывает выбрать подходящее место для открытия новой точки продаж или обслуживания — магазина, пункта самовывоза, отделения банка или страховой компании, автомобильного техцентра и пр. Для этого необходимо много информации из разных источников. Сбер как крупнейший банк, накопил огромный массив больших данных о потребительских предпочтениях. Поэтому мы решили помочь предпринимателям в выборе розничных точек и филиалов и создали уникальный сервис «Геоаналитика».

- Почему так важно и так сложно выбрать подходящую локацию?

Правильный выбор локации — один из ключевых факторов успеха любого бизнеса, особенно в сфере розничной торговли, общественного питания или услуг. Если выбрать неподходящее место, даже самая успешная бизнес-концепция может столкнуться с недостатком клиентов и низкой рентабельностью. С другой стороны, правильный выбор позволит обеспечить стабильный поток покупателей и высокую прибыль.

Анализ множества различных критериев требует большого объема данных и серьезных инструментов для их глубокого изучения. Эту сложность берет на себя сервис «Геоаналитика», делая работу над стратегическим планированием доступной и удобной для компаний любого размера.

- Каковы ключевые возможности вашего сервиса?

Платформа «Геоаналитика» представляет собой комплексный инструмент для предпринимателей, позволяющий эффективно оценивать привлекательность различных локаций для бизнеса.

Ключевыми особенностями сервиса являются возможность проведения детальных исследований клиентской аудитории, основных финансовых показателей и плотности конкурентов в конкретной локации на базе фактического потребления. За основу берутся данные более 110 млн физических лиц и 10 млн терминалов, при этом вся информация представлена в агрегированном и обезличенном виде. Сервис можно применять по всей России, включая даже небольшие населенные пункты с населением от 5 тыс. человек.

Для выбора точек с максимальной проходимостью используются карты пешеходных потоков. Также применяются предиктивные геомодели и технологии машинного обучения для оценки товарооборота, среднего чека и количества покупок при открытии нового объекта. В сервисе задействована гравитационная модель Хаффа, которая предсказывает количество потенциальных покупателей и возможную выручку каждой торговой точки на основе привлекательности или вероятности ее посещения.

- На какие технологии и платформы опирается решение?

Платформа «Геоаналитика» работает на базе «связки» Django и Vue. В продукте мы используем решения на стыке технологий (геоданные и большие данные). Кроме того, мы исследуем на базе нашей платформы возможности новых технологий подготовки и отображения данных.

- Какие данные обрабатывает сервис?

В основе нашего сервиса лежат большие данные, включающие активность клиентов Сбера – 110 млн физических лиц, а также данные мобильного приложения Сбербанк Онлайн и 10 млн терминалов. Всю информацию мы получаем в агрегированном и обезличенном виде. Кроме того, используются открытые данные о количестве проживающих в домах, сведения об объектах инфраструктуры, а также пешеходные и дорожные графы.

- Какой математический аппарат используется в продукте?

Для прогноза показателей выручки используются модель градиентного бустинга. Это ансамблевая модель, состоящая из множества простых деревьев решений, где каждая новая модель улучшает предыдущую. Эффективные алгоритмы обработки данных и построения деревьев обеспечивают точные результаты.

Дополнительно в сервисе мы используем гравитационную модель Хаффа, которая предсказывает количество потенциальных покупателей и потенциальную выручку каждой торговой точки на основе «привлекательности» или вероятности посещения объекта.

- Какую функциональность или особенность решения вы считаете реализованной наиболее удачно?

Главным достоинством «Геоаналитики» мы считаем возможность быстро работать с очень большими объемами данных. Сервис построен на базе фактического потребления с применением ML-моделей, что позволяет предоставлять точные ответы на все индивидуальные вопросы клиентов, строить предиктивные и гравитационные модели и предоставлять отчет в формате pdf. в режиме онлайн. Точность модели прогнозирования товарооборота составляет 90%, а в 80% подобранных локаций заказчик достигает ожидаемого результата.

- Каков круг заказчиков этого решения?

Среди наших заказчиков — представители малого, среднего и крупного бизнеса из различных отраслей экономики. Такую широкую аудиторию нам помогает охватывать возможность персонализации наших продуктовых решений. Например, мы предоставляем клиентам сегментацию аудитории в разрезе как городов, так и отдельных гексагонов. Так, мы сотрудничаем с крупнейшим игроком отрасли «Ритейл», благодаря чему он смог получить детальную аналитику по тратам покупателей в разрезе гексагонов по всей России. У другого нашего клиента – одного из лидеров категории фаст-фуд, была задача дополнительно оценить специфику портрета своих торговых точек по всей России и отдельно посмотреть на семейный сегмент.

Мы обслуживаем как небольшие стартапы, которым нужны стандартные аналитические модули для оценки перспектив новой территории, так и крупные корпорации, требующие индивидуальных исследований и анализа больших объемов данных. Наш сервис востребован в госструктурах, продуктовом ретейле, а также среди аптек, банков, сетей ресторанов, фитнес-центров и во многих других сферах. Сервис доступен как крупным клиентам и малому бизнесу, так и физическим лицам.

Благодаря интеграции с ГБУ «Малый бизнес Москвы» сервис «Геоаналитика» стал доступен всем текущим и будущим предпринимателям уже сейчас. Данные открыты по городу Москва.

Когда пользователь изучает потенциальную квартиру для покупки или аренды, крайне важно понимать портрет своих будущих соседей. Благодаря сотрудничеству с Домклик, мы внедрили наш сервис на сайт клиента, чтобы помочь физическим лицам при принятии решения о покупке или аренде жилья.

- На какие результаты могут рассчитывать клиенты сервиса?

Используя сервис «Геоаналитика», компании могут более эффективно — взвешенно и обоснованно выбирать новые локации для развития своих сетей. Детализированные аналитические модули помогают находить самые привлекательные районы для размещения любых объектов — от офисов и магазинов до кафе и производственных площадок.

Сервис также позволяет оценивать существующие локации и выявлять зоны с низким потенциалом — это помогает принимать своевременные решения по оптимизации сети, включая возможное закрытие или перемещение неэффективных и неперспективных точек. Благодаря возможностям «Геоаналитики», компании могут избежать ненужных затрат и сконцентрироваться на местах с высокой проходимостью и покупательной способностью, что способствует росту прибыли и конкурентоспособности их бизнеса.

- В чем вы видите значимость продукта для рынка?

«Геоаналитика» является важным инструментом для поддержки стратегического развития бизнеса в России, предлагая компаниям различного масштаба возможности для эффективного территориального планирования. Наш сервис использует актуальные и проверенные данные, чтобы помочь выбрать оптимальные места для открытия новых точек и снизить риски. Точные данные о спросе и доходах позволяют лучше планировать расходы компании и делать инвестиции в наиболее перспективные проекты.

Кроме того, с помощью машинного обучения мы создаем решения для подбора оптимальных локаций и предоставляем прогнозы об успешности торговых точек в любой выбранной территории. Наши модели способны предсказывать товарооборот, средний чек и объем покупок на ближайшие 12 месяцев, что делает процесс принятия решений более обоснованным и взвешенным.

Мы добавили инновационный модуль «Гибкие слои», который обеспечивает визуализацию любых пространственных данных внутри платформы. Функционал позволяет подключать необходимую информацию и отображать все в удобном интерфейсе. С помощью этого инструмента мы можем оперативно обновлять данные, например, по коммерческим помещениям и в режиме онлайн добавлять их.

- По каким направлениям планируете развивать сервис?

Мы непрерывно развиваем наш продукт, стремясь повысить его эффективность и удобство использования. Одним из ключевых направлений является разработка новых моделей и алгоритмов, позволяющих пользователям получать еще более точные прогнозы и рекомендации. Особое внимание уделяем улучшению визуализации, чтобы вся необходимая информация представлялась в легко воспринимаемой форме.

Важную роль в будущем развитии занимает создание простого и интуитивно понятного интерфейса, который сделает работу с платформой доступной даже для тех, кто не обладает специализированными знаниями в области аналитики. Это повысит охват и популярность среди различных категорий пользователей.

Наши усилия направлены на улучшение качества обслуживания, повышение точности рекомендаций и упрощение процесса принятия стратегических решений для наших пользователей.

Продукт «Геоаналитика» основан на уникальных, запатентованных алгоритмах, которые обеспечивают высокую точность и большую вариативность показателей, используемых для исследований. Например, патент номер 2766548 (способ и устройство определения местоположения терминала) позволяет обеспечить почти 100% покрытие по размещению торговых точек и корректно оценивать их местоположение в гексагональной сетке.

Точность определения местоположения объекта достигается благодаря алгоритму, направленному на анализ финансовой активности торговых точек (патент номер 2770568). С помощью данного метода мы можем определять принадлежность POS терминалов торговым точкам на основании обработки транзакционных потоков.

ИИ и облака

Два года назад на конференции CloudFest из всех динамиков звучали прогнозы касательно искусственного интеллекта, докладчики говорили, что ИИ — панацея от всех бед, инструмент, который сможет решать абсолютно любые проблемы и взять на себя все задачи, заменив собой человека. Однако сейчас размышления об этом перешли из теоретической плоскости в практическую, и эксперты делают уже вполне конкретные выводы.

Качество кода. Сейчас ИИ массово используется в разработке продуктов и приложений, на базе которых работают облака. Однако, как отмечают специалисты, генерируемый ИИ код пока не дотягивает до уровня профессиональных разработчиков с точки зрения информационной безопасности, в результате чего в программном обеспечении могут появляться незаметные уязвимости, которые особенно критичны в облачных средах, где концентрируется гигантский объем конфиденциальных данных. Эксперты сходятся во мнении, что в ближайшие два-три года именно ИИ, при всем его потенциале, несет в себе основной риск для облачной индустрии.

Ошибки в автоскейлинге на базе искусственного интеллекта оказались серьезнее, чем многие ожидали. Изначально предполагалось, что ИИ будет идеально распределять ресурсы и оперативно подстраиваться под меняющуюся нагрузку, однако в реальности эти алгоритмы пока не справляются с резкими скачками потребления. Особенно ярко проблема проявляется во время праздничных распродаж, когда активность покупателей может меняться не только ежедневно, но и каждый час: вместо того чтобы вовремя увеличить вычислительные мощности, система порой неожиданно «ужимает» ресурсы в самый разгар покупок, что оборачивается недовольством клиентов и прямыми убытками для бизнеса. Поскольку достоверных примеров полностью успешного применения подобных технологий в мире до сих пор нет, многие компании предпочитают доверять автоскейлинг полностью или частично людям — пока живой специалист способен учесть нюансы конкретного проекта и принять более гибкие решения.

Геополитика. Эпоха «простых и доступных больших облаков», где главные американские гиганты вроде Amazon, Google и Microsoft без особых проблем предоставляли свои сервисы по всему миру, постепенно уходит в прошлое. Европейский бизнес все острее осознает угрозу неконтролируемого роста стоимости, а также опасность ограничения доступа к собственным данным, которые по факту им не контролируется. В результате многие компании начинают консолидироваться вокруг местных поставщиков, пытаясь выстраивать инфраструктуру, меньше зависящую от глобальных гиперскейлеров.

Однако у европейских игроков тоже есть свои проблемы. Высокая стоимость электроэнергии в большинстве стран ЕС ставит локальные дата-центры в заведомо невыгодные условия: масштабирование облачных мощностей, особенно тех, что ориентированы на работу с ИИ, требует колоссальных энергозатрат, что отражается на конечной цене услуг. К этому добавляются жесткие нормативные требования, включая GDPR и ряд экологических стандартов. С одной стороны, они повышают уровень доверия и задают высокую планку качества, с другой — серьезно усложняют техническую и финансовую стороны облачных проектов.

На фоне этих факторов формируется сразу несколько отчетливых тенденций:

1. Растущая неуверенность в том, как именно будет развиваться рынок и какие новые барьеры могут появиться.
2. Активные поиски новых решений, а также переход к разработкам, которые обходят продукты гиперскейлеров.
3. Укрепление идеи цифрового суверенитета: страны и компании пытаются взять инфраструктуру и хранение данных под собственный контроль, стремясь избежать внешних рисков и политических ограничений.

Локализация против глобализации

Как было упомянуто выше, сегодня «суверенное против глобального» становится одной из ключевых тенденций в сфере корпоративных и облачных технологий: компании все чаще выбирают локальные решения, стремясь минимизировать риски, которые могут быть связаны с геополитикой или монополизацией рынка. Показательный пример — Broadcom, крупнейший поставщик ПО для глобальных облачных решений, чьим флагманским продуктом является VMware. Этот инструмент давно признан де-факто стандартом в корпоративной виртуализации, но уже на последней конференции многие участники отмечали, что активно помогают клиентам уходить с VMware на альтернативные платформы. Причина проста: Broadcom — американская компания, и в текущем политическом контексте это вызывает опасения и дополнительные риски.

Схожая картина складывается и в сфере европейского хостинга, где повсеместное использование WordPress начинает восприниматься проблемой из-за опасности монополизации. Я лично не считаю подобные крайности оптимальным путем, но отрицать реальность этого тренда невозможно — бизнесу приходится учитывать политическую обстановку и повышать степень независимости своих инфраструктур.

В долгосрочной перспективе такая политика может стимулировать появление полностью самостоятельных европейских решений, по аналогии с тем, как в России после 2022 года начали ускоренно развиваться собственные операционные системы, виртуализационные платформы и почтовые сервисы. Тогда никто не мог предсказать масштаб грядущих перемен, и компании использовали самые разные обходные пути (включая, например, VPN для доступа к заблокированным сервисам), пока шла активная разработка собственных решений. Сегодня эти продукты стали заметной частью российского ИТ-ландшафта, и очевидно, что Европа движется примерно в том же направлении, стремясь создать свой устойчивый и независимый рынок технологий.

Нынешняя политическая турбулентность, включая действия нового руководства США и прочие резонансные события, продолжает кардинально менять правила игры. Показательно, что, по словам большинства докладчиков, если бы CloudFest проходил всего парой месяцев ранее, фабулы докладов выглядели бы совсем иначе.

Логистика и серверы

Аппаратное обеспечение также отражает все вышеописанные тенденции. В рамках одного из докладов директор небольшого французского завода по производству серверов заявил о планах расширить производство, ориентируясь на резко возросший спрос, при этом максимально снижая долю американских и китайских компонентов, чтобы не только стремиться к собственной технологической независимости, но и нивелировать риски сбоев в логистике, вызванных политическими факторами или торговыми ограничениями, для конечных заказчиков.

Кроме того, крупные игроки вроде Intel и AMD представили новые сверхмощные процессоры, в которых насчитывается до 288 физических ядер, при этом энергопотребление составляет всего 500 Вт. Такая эффективность открывает перед облачными провайдерами и крупными центрами обработки данных серьезные возможности для оптимизации: теперь можно разместить то же количество вычислительных ресурсов в половине одного стандартного шкафа вместо, например, четырех. Для экологии это означает меньшее энергопотребление, а для бизнеса — более высокую плотность размещения серверов и экономию на счетах от дата-центров.

Выводы

Курс на сокращение зависимости от глобальных облачных гигантов в пользу местных провайдеров уже доказал свою состоятельность и набирает обороты не только в России и Беларуси, но и во многих других странах. На CloudFest настроения докладов недвусмысленно намекали, что обратный процесс — возвращение к глобальной унификации и доминированию гиперскейлеров — в ближайшее время крайне маловероятен.

Как технический директор, я считаю наиболее перспективным шагом расширение использования отечественных или локализованных разработок. Он позволяет снизить влияние внешних факторов и укрепить надежность всей инфраструктуры, обеспечивая при этом большую предсказуемость и стабильность для клиентов, а бизнес в результате получает не только дополнительную безопасность в условиях растущей геополитической турбулентности, но и более широкие возможности для долгосрочного планирования и развития.

Автор — Руслан Райкевич, СТО ActiveCloud (ГК Softline)

Информация всегда была ключевым ресурсом — и в личной жизни, и в управлении организациями, и в государственной деятельности. Она помогала принимать решения, планировать будущее и понимать окружающий мир. Однако термин «данные» в его современном значении вошел в широкий обиход лишь во второй половине XX века, когда информационные технологии начали менять нашу реальность. С развитием компьютеров, баз данных и сетей данные превратились из абстрактного понятия в конкретный актив цифровой экономики. Сегодня их называют «новой нефтью», подчеркивая их ценность. Но, как и с нефтью, качество этого ресурса определяет, принесет ли он пользу или станет источником проблем. Важно не только собирать данные, но и обеспечивать их качество, безопасность и возможность использования для создания ценности. В цифровой экономике качество данных стало критическим фактором успешности — как для бизнеса, так и для государственного управления.

Масштабы проблемы впечатляют. По данным исследования Gartner, компании ежегодно теряют до 30% выручки из-за низкого качества данных — ошибок, пробелов или несогласованности. Experian сообщает, что 91% организаций сталкиваются с финансовыми последствиями, вызванными «грязными» данными: от упущенных возможностей до прямых убытков. В России 72% компаний фиксируют финансовые потери из-за проблем с данными, а 36% признают, что им не хватает компетенций для управления быстро растущими объемами информации. Казалось бы, рост применения цифровых технологий должен решать эти вопросы, автоматизируя процессы и повышая точность. Но на деле он часто их усугубляет: чем больше данных, тем сложнее следить за их качеством.

При этом цифровая экономика все больше опирается на ИТ, которые зависят от качественной информации. Искусственный интеллект (ИИ), машинное обучение (ML), большие данные (Big Data) и аналитика в реальном времени — это инструменты, которые преобразуют бизнес и управление. Например, ИИ может прогнозировать спрос, оптимизировать логистику или выявлять мошенничество, но только если данные точны и актуальны. Машинное обучение строит модели на основе исторических данных — если они содержат ошибки или дубликаты, модель будет выдавать неверные результаты. Аналитика Big Data помогает находить закономерности в огромных массивах информации, но без стандартизации и достоверности она теряет смысл. Даже простые системы автоматизации, такие как CRM или ERP, зависят от качества данных: неверный адрес клиента в CRM приведет к сбою доставки, а ошибки в ERP исказят финансовые отчеты. Таким образом, технологии не просто решают проблемы — они требуют качественного «сырья», чтобы работать эффективно.

Почему же рост технологий не устраняет проблему, а порой делает ее острее? Чем больше данных мы собираем, тем сложнее их контролировать. Чем шире применяем ИИ и аналитику, тем выше цена ошибки. В этой статье мы рассмотрим подход к управлению качеством данных, который поможет организациям не утонуть в цифровом потоке, а использовать его для достижения целей. Мы разберем, как связать данные с результатами, какие аспекты качества важны и как современные технологии могут стать союзниками, а не источником новых вызовов.

Подход к анализу качества данных

Для анализа качества данных воспользуемся моделью DIKAR, связывающей данные с конечными результатами, а также десятью аспектами качества данных по DMBOK. Модель DIKAR описывает путь от данных к результатам: Data (данные) → Information (информация) → Knowledge (знания) → Action (действия) → Results (результаты). Она показывает, как качество данных влияет на решения и успех и используется для анализа управления информацией. Предлагаем рассмотреть проблему качества данных через три перспективы:

• Перспектива владельца данных определяет, какие данные должны собираться и обрабатываться.
• Перспектива обработки данных в информационных системах фокусируется на стандартизации, верификации и доступности данных.
• Перспектива анализа данных оценивает пригодность данных для принятия решений.

Три перспективы качества данных: ролевая модель

Управление данными — междисциплинарная деятельность. Чтобы понять качество данных, нужно взглянуть на него с разных сторон. Представьте: вы собираете паззл, но у вас есть только часть деталей. Как собрать целую картину? Мы предлагаем разделить задачу на три перспективы, которые отражают роли участников процесса. Эти роли могут пересекаться, но каждая из них вносит уникальный вклад в общее понимание качества данных.

1. Перспектива владельца данных

Кто лучше всех знает, какие данные нужны для работы? Конечно, тот, кто ими владеет и отвечает за деятельность, связанную с ними. Владелец (информации) данных — это человек или подразделение, которое создает информацию и заинтересовано в ее контроле. В российском контексте это закреплено в 149-ФЗ, ГОСТ Р 50922-96, Гражданском кодексе РФ, где подчеркивается важность управления информацией как ресурсом.

Для владельца данных качество определяется следующими аспектами: полнота (собраны ли все необходимые данные), точность (соответствуют ли они реальности), актуальность (обновляются ли они вовремя) и защищенность (безопасны ли данные с точки зрения конфиденциальности).

Если данные неполные или устаревшие, владелец теряет контроль над своим ресурсом. Вы бы доверили управление бизнесом информации, в которой не уверены?

2. Перспектива обработки данных в информационных системах

Теперь перенесемся в мир ИТ. Здесь данные превращаются из абстрактного ресурса в рабочий инструмент, готовый к использованию в цифровой экономике. ИТ-подразделения обеспечивают обработку, стандартизацию и доступность данных, задавая скорость и масштаб принятия решений в организациях. Их роль — это не просто техническая поддержка, а критический этап жизненного цикла данных, где хаотичный поток информации превращается в структурированный актив. Без качественной обработки данные остаются сырыми и бесполезными, как необработанная руда, из которой нельзя сразу сделать инструмент. Качество определяется следующими аспектами:

• Стандартизация: данные должны соответствовать единому формату. Например, даты в виде «01.01.2025», а не смесь «январь 25» и «25/01», чтобы системы могли их корректно интерпретировать.
• Верификация: отсутствие дубликатов или противоречий. Если одна система показывает 100 продаж, а другая — 90, то это подрывает доверие к данным.
• Доступность: легкость извлечения данных. Если аналитику нужно неделю копаться в старой базе, чтобы найти нужные записи, данные теряют свою ценность.
• Стабильность: целостность данных при передаче между системами. Например, при интеграции CRM и ERP информация о заказах не должна искажаться или теряться.

Если система выдает ошибку из-за несогласованных данных — скажем, клиентский заказ дублируется в базе из-за сбоя синхронизации, — весь процесс останавливается: доставка задерживается, отчеты искажаются, доверие к системе падает. ИТ отвечает за очистку и доставку данных, превращая их в надежный инструмент. Рассмотрим пример: компания, стремящаяся увеличить продажи на 10%, зависит от ИТ, чтобы интегрировать данные о заказах из разных филиалов, устранить дубликаты и обеспечить их доступность для аналитиков в реальном времени. Без этого усилия владельцев данных по сбору информации о клиентах окажутся напрасными, а аналитики не смогут построить точные прогнозы.

3. Перспектива анализа данных

Наконец, данные доходят до тех, кто использует их для принятия решений — аналитиков и руководителей, применяющих подход data-driven. Это последний этап, где данные превращаются в ценность для бизнеса: стратегии, прогнозы, операционные улучшения. Качество здесь определяется:

• Достоверностью: основаны ли данные на фактах? Если записи о продажах содержат ошибки, прогнозы будут ложными.
• Релевантностью: подходят ли данные для задачи? Устаревшая информация о спросе бесполезна для текущего планирования.
• Интерпретируемостью: понятны ли данные с метаданными? Без контекста (например, откуда взялись цифры) они теряют смысл.
• Интегрируемостью: можно ли объединить данные из разных источников? Например, сочетание продаж и погодных данных дает более точные тренды.

Недостоверные данные ведут к катастрофам: неверный прогноз спроса может привести к перепроизводству или дефициту товара. Стоит ли доверять стратегии, построенной на «грязных» данных?

Эти три перспективы взаимосвязаны: проблемы на одном этапе — например, неполные данные у владельца — тянут за собой ошибки в обработке ИТ и провалы в анализе. Разделение позволяет структурировать подход и выявить слабые места в цепочке управления данными.

Роль CDO: стратегический координатор баланса

В условиях экономики данных управление качеством становится все более сложной задачей. Объемы информации растут с каждым днем, процессы усложняются из-за интеграции новых технологий и систем, а ответственность за данные распределяется между множеством участников — от операционных отделов до ИТ и аналитических команд. Кто же должен держать все под контролем? Chief Data Officer (CDO) выступает стратегическим координатором, а не просто исполнителем отдельных задач. Его миссия — не утонуть в операционной рутине, а выстроить систему, которая обеспечит качество данных на всех уровнях. Как сделать управление эффективным, избегая громоздкости и хаоса? Здесь нам помогает принцип Эшби («управляемая система не должна быть сложнее управляющей»), предлагающий баланс между структурой и гибкостью.

Организация — как оркестр: владельцы данных, ИТ и аналитики играют свои партии. Без координации это превращается в хаос, где каждый тянет в свою сторону. CDO — дирижер, задающий гармонию, чтобы разрозненные усилия стали единой системой. Система данных сложна: множество источников (CRM, ERP, внешние API), форматов (структурированные таблицы, неструктурированные тексты), проблем (дубликаты, несогласованность, устаревшие записи). Если управление пытается копировать этот хаос — вводя бесконечные правила, избыточные проверки и провоцируя конфликты ролей, — оно становится неэффективным и превращается в бюрократический кошмар. Принцип Эшби требует от CDO найти баланс: система управления должна быть структурированной, а не хаотичной, как сами данные, но при этом достаточно гибкой, чтобы держать ключевые аспекты под контролем.

Структурированность достигается через несколько подходов. Во-перввых, это единые стандарты: использование фреймворков вроде DMBOK, которые охватывают полноту, точность и другие аспекты качества, задает общие правила игры для всех участников. Во-вторых, автоматизация: мониторинг согласованности и целостности данных с помощью инструментов (например, ETL-процессов, систем MDM, Каталог данных) снижает нагрузку на людей и ускоряет процессы. Наконец, распределение ролей: владельцы данных отвечают за актуальность, ИТ — за целостность и доступность, аналитики — за релевантность и интерпретируемость.

Например, в компании внедряют новую CRM-систему для управления клиентскими данными. CDO координирует усилия: владельцы данных (отдел продаж) регулярно обновляют записи о клиентах, ИТ синхронизирует CRM с другими системами (например, складским ПО), а аналитики используют обработанные данные для прогнозирования спроса. Без такой координации данные о клиентах могли бы устареть, синхронизация — дать сбой, а прогнозы — оказаться бесполезными. Хаос укрощен четкой системой, где каждый знает свою роль.

Главный продукт CDO — это не исправленные данные, а система договоренностей о критериях качества и его стоимости. Сколько стоит актуальность данных в реальном времени? CDO помогает бизнесу понять: 1% роста точности прогнозов может окупить затраты на внедрение системы мониторинга — например, потоковой обработки данных для анализа поведения клиентов. Data-контракт становится инструментом, который фиксирует эти ожидания: владельцы определяют, какие данные критически важны (например, записи о заказах), ИТ гарантирует их обработку и доступность, аналитики подтверждают пригодность для стратегических решений. CDO внедряет политики защиты данных и контроля доступа, поддерживая безопасность и репутацию, а также организует обучение сотрудников новым методам анализа.

Это «дорожная карта», где прописаны роли, стандарты качества и зоны ответственности, упрощая координацию и снижая риски недопонимания между участниками процесса. Управление остается структурированным (четкие роли, стандарты, автоматизация), эффективным (охват всех ключевых аспектов качества, от полноты до надежности), гибким (адаптация к изменениям, таким как добавление новых источников данных или требований бизнеса).

Вопрос к вам: если бы вы были CDO, как бы вы организовали управление данными в своей организации?

От результата к данным

Любая деятельность организации направлена на достижение определенного результата: увеличение прибыли, повышение эффективности процессов, соблюдение нормативных требований или улучшение клиентского опыта. Это требует затрат ресурсов — временных, финансовых, человеческих. В условиях цифровой экономики важнейшую роль в этом процессе играют данные, которые становятся основой для принятия решений на всех уровнях. Однако связь между данными и результатами часто недооценивается: многие организации либо не осознают ее значимости, либо воспринимают как нечто само собой разумеющееся, упуская из виду необходимость контроля качества. Согласно модели DIKAR, для достижения результата необходимо пройти путь:

1. Данные: владельцы и ИТ задают стандарты и источники, собирая сырую информацию.
2. Информация: офис CDO и ИТ-подразделения структурируют и обрабатывают данные, превращая их в осмысленные отчёты, готовые для анализа.
3. Знания: аналитики выявляют тренды и закономерности на основе этой информации.
4. Действия: руководители и операционные менеджеры реализуют стратегии, опираясь на знания.
5. Результаты: конечные итоги, измеряемые конкретными показателями — выручка, скорость процессов, удовлетворенность клиентов.

На практике же компании нередко пытаются «перепрыгнуть» через этапы: решения принимаются интуитивно, без четкой привязки к информации и знаниям, а проблемы с качеством данных выявляются только на этапе анализа результатов, когда исправить что-либо уже дорого и сложно. Например, если данные о продажах содержат дубликаты, отчет покажет завышенные цифры, знания окажутся ложными, а решение увеличить производство приведет к переизбытку товара и убыткам.

Обратный инжиниринг переворачивает этот подход, начиная с конца. Сначала определяется желаемый результат — скажем, рост продаж на 10%. Затем выделяются ключевые метрики, которые его характеризуют: средний чек, конверсия в покупку, объем повторных заказов. После этого выясняется, какие данные нужны для расчета этих метрик: записи транзакций, поведение клиентов, история покупок. Такой метод позволяет:

• Сфокусироваться на важных данных — вместо сбора всего подряд ресурсы направляются на ключевые источники.
• Упростить требования к качеству — не нужно доводить до идеала все данные, достаточно обеспечить точность и актуальность тех, что влияют на метрики.
• Повысить вовлеченность владельцев — зная, как их данные связаны с результатом, они охотнее поддерживают качество.
• Создать четкую систему управления: роли и процессы выстраиваются вокруг цели.

Например, цель — повышение эффективности процессов. Метрики — скорость выполнения операций и точность прогнозирования спроса. Данные — логи операций и исторические продажи. Обратный подход связывает данные с целью, минимизируя избыточные усилия и концентрируясь на том, что действительно важно для успеха.

Моделирование результата как мера качества данных

Качество данных в экономике данных — это не просто абстрактная характеристика, которую можно измерить процентами точности или полноты. Главный показатель качества данных — это результат принятых решений, который мы можем и должны моделировать. Результат — это не случайный итог вроде роста прибыли или оптимизации процессов, а доказательство того, что данные сделали возможным осмысленное и эффективное действие. Если решение, основанное на данных, привело к провалу — например, рекламная кампания не привлекла клиентов из-за ошибок в анализе спроса, — разве можно назвать эти данные качественными, даже если они технически безупречны?

Моделирование результата — это ключ к пониманию, какие данные нам нужны и какого уровня качества они должны достичь. Оно включает:

1. Ключевые решения: какие управленческие шаги зависят от данных? Например, корректировка цен для повышения маржи, управление запасами для сокращения затрат, оценка кредитных рисков для минимизации потерь.
2. Критические данные: какие данные влияют на эти решения? Для ценообразования — текущий спрос и конкурентные цены, для запасов — история продаж и прогнозы.
3. Требования к качеству: какие параметры важны? Актуальность данных о спросе, точность клиентских записей, полнота истории транзакций.
4. Оценка ошибок: как «грязные» данные могут повлиять на бизнес? Неточные данные о запасах приведут к дефициту или переизбытку, а ошибки в кредитных данных — к убыткам от дефолтов.

Data-контракт закрепляет эти требования, обеспечивая предсказуемость решений. Он фиксирует, какие данные должны быть собраны, как обработаны и для чего использованы, создавая основу для взаимодействия между владельцами, ИТ и аналитиками.

Пример: цель — рост продаж на 10%. Путь через модель DIKAR: действия (запуск рекламной кампании), знания (тренды покупательского поведения), информация (анализ клиентских данных), данные (записи транзакций и предпочтений). Качество данных становится инструментом, а не самоцелью — оно важно настолько, насколько поддерживает результат.

Три перспективы структурируют этот подход: владельцы задают базовые требования, обеспечивая реальность данных; ИТ гарантирует их готовность к использованию через согласованность и доступность; аналитики проверяют применимость, оценивая релевантность и интерпретируемость. CDO выступает координатором, помогая сторонам договориться о том, что считать качеством и сколько оно стоит. Ведь качество — это не бесплатно: повышение точности на 1% может стоить миллионы (например, внедрение потоковой аналитики), но, если это окупается ростом выручки, инвестиции оправданы. Принцип Эшби напоминает: управление качеством данных должно быть структурированным для контроля, избегая бюрократии или потери управления. Моделирование результата позволяет найти баланс — сосредоточиться на критически важных аспектах качества, экономя ресурсы там, где идеал не нужен.

В итоге качество данных измеряется не только метриками, а их вкладом в успех организации. Экономика данных требует от нас не просто собирать и хранить информацию, а превращать ее в решения, которые работают. Моделируя результат, мы задаем вопрос: «Какие данные приведут нас к цели?» Ответ на него — это и есть настоящий показатель качества.

Заключение

Качество данных — это не просто чистота записей в базе данных, а их способность вести к успеху. Данные выполняют роль топлива: чистое топливо разгоняет бизнес, грязное — тормозит. Три перспективы — владельцы, ИТ, аналитики — и CDO как координатор превращают хаос в систему. Обратный инжиниринг и data-контракт фокусируют усилия на результате, будь то рост продаж или эффективность. Экономика данных требует не просто собирать информацию, а делать ее полезной. Использование данных для конкуренции требует не только технологий, но и культуры работы с данными.

Как вы оцениваете свои данные — по таблицам или итогам? Ответ покажет, готовы ли вы к цифровому будущему. Давайте обсуждать, как данные могут работать лучше — для бизнеса, государства и для каждого из нас.

Автор — Станислав Карамушко, генеральный директор Центра информационного менеджмента

Опрос KPMG показал, что резкий рост корпоративных инвестиций в генеративный ИИ может изменить существующие бизнес-операции: 68% компаний планируют выделить на эти цели в течение года от 50 до 250 млн долл. Предприятия фактически удваивают инвестиции в ИИ. Наблюдается рост интереса к ИИ-агентам, и более половины организаций изучают возможность их использования. При этом в условиях растущего спроса на демонстрацию рентабельности инвестиций крайне важно правильно представлять историю создания ценностей.

Несмотря на значительные инвестиции в генеративный ИИ, представители лишь 31% организаций рассчитывают оценить в ближайшие шесть месяцев их окупаемость. Главным препятствием остается качество данных, об этом упомянули 85% опрошенных. Ситуация усугубляется проблемами конфиденциальности и безопасности (71%), а также сложностью адаптации сотрудников (46%). Динамичный характер ИИ требует новых способов измерения ценности, выходящих за рамки обычного бизнес-анализа. Показатели эффективности должны быть строго согласованы со стратегией бизнеса и учитывать потери от отсутствия инвестиций.

В отчете KPMG отмечается, что ключевыми факторами внедрения искусственного интеллекта в масштабах предприятия становятся ИИ-агенты – автономные инструменты, способные выполнять стоящие перед ними задачи и адаптироваться в режиме реального времени. В настоящее время организации активно изучают потенциал оптимизации административных задач (60%), обслуживания клиентов (54%) и создания бизнес-контента (53%). Но на сегодняшний день внедрением таких инструментов могут похвастаться только 12% предприятий.

В 2025 году основное внимание будет уделяться эффективному масштабированию решений агентного ИИ при сохранении контроля, необходимого для укрепления доверия и сотрудничества между человеком и искусственным интеллектом.

Руководство высшего звена, похоже, берет инициативу в свои руки. Доля представителей этой категории, активно использующих инструменты ИИ, достигла 71%, чего нельзя сказать о менеджерах среднего звена (26%) и рядовых сотрудниках (15%). Эксперты полагают, что это несоответствие может помешать масштабированию: важнейшим фактором остается неготовность сотрудников. Повышение уровня их квалификации и плавная интеграция ИИ в рабочие процессы будет способствовать дальнейшему внедрению и повышению отдачи от инвестиций. Несмотря на имеющиеся трудности, в целом организации настроены оптимистично. Более 80% планируют интегрировать инструменты генеративного ИИ в рамках официальных программ повышения эффективности, стремясь сделать эти технологии неотъемлемой частью рабочих процессов сотрудников и снизить барьеры для их использования.

Руководители высшего звена, естественно, лучше оценивают потенциал генеративного ИИ для решения бизнес-задач, повышения производительности труда и обеспечения стратегического преимущества своим организациям. Это объясняет разницу в уровнях доверия между рядовыми сотрудниками и руководителями.

В отчете KPMG отмечается, что впервые с начала 2024 года ведущим показателем эффективности инвестиций в ИИ стала производительность (79%), а не рентабельность. Рентабельность, увеличившись за 2024 год с 35% до 73%, переместилась на второе место. В отчете указывается, что 54% организаций используют инструменты повышения производительности генеративного ИИ не реже одного раза в неделю. Еще 24% не реже одного раза в неделю обращаются к генеративному ИИ, встроенному в рабочие процессы.

Такой сдвиг подчеркивает нацеленность предприятий на использование ИИ для повышения операционной эффективности в условиях макроэкономического давления. По данным KPMG, 88% руководителей отводят внешним факторам определяющую роль в формировании стратегии ИИ и подчеркивают важность измеримых результатов.

Важнейшее значение для дальнейшего масштабирования ИИ-инициатив имеют качественные данные, надежность управления и стратегический контроль. При выборе поставщиков предпочтение отдается масштабируемости (66%) и технологическому опыту (61%), что свидетельствует о спросе на корпоративные решения, соответствующие поставленным бизнес-целям. По мере ускорения внедрения искусственного интеллекта предприятия подходят к поворотному моменту: использовать потенциал ИИ для трансформации бизнеса или столкнуться с риском отставания в быстро развивающейся цифровой экономике. В 2025 году от генеративного ИИ все ждут перехода от амбиций к реальным преобразованиям.

За покупкой облака любой компанией всегда стоит бизнес-модель, и часто она связана со снижением расходов. Однако прежде всего облако дает не экономию, а возможность гибкого управления ресурсами, в том числе финансовыми, и быстрой адаптации к изменениям. Кроме того, бизнес получает в облаке доступ к новым компетенциям, в частности, связанным с информационной безопасностью. Для того, чтобы получить эти преимущества, переход в облако надо совершить грамотно.

Основные причины перехода в облака

В традиционном понимании ИT- и ИБ-специалистов облаком нельзя назвать просто среду виртуализации с оркестратором. Облако обязательно должно обладать следующими двумя ключевыми качествами: эластичность управления ресурсами облачной инфраструктуры и биллинг (гранулярное управление расходами). На практике к облачной инфраструктуре обращаются компании с определенной зрелостью ИT и бизнеса, с процессной моделью управления, зачастую – с хозрасчетом между подразделениями, что позволяет при запуске внутреннего продукта заранее закладывать бюджет на инфраструктуру и обеспечение ее безопасности.

В то же время в холдинговых структурах подразделения без помощи материнской компании не способны быстро запускать новые продукты или проекты по проверке бизнес-гипотез. Случается, руководство компании понимает, что внутренние ИТ по каким-либо причинам не справятся с поставленными задачами, и тогда можно попробовать найти решение в гибридном или публичном облаке.

Другой тип пользователей облаков – когда бизнес еще нельзя назвать зрелым, но компания готова двигаться в этом направлении и расти. Таким компаниям также подойдут модели публичных и гибридных облаков, где можно гибко использовать ресурсы.

Для организаций, которые попали под санкции, переход в отечественное облако становится возможностью импортозаместиться в нужные сроки, используя готовые рецепты. Здесь важен опыт: у партнера, который помогает внедрять облачный подход, должна быть наработана методология. Со своей стороны, бизнес должен принять, что сделать в российском облаке все точно так, как было в западном, не получится. Надо сосредоточиться на решении своих задач и быть готовым к компромиссам.

Внимание на риски

При построении облака нужно обратить внимание на несколько рисков.

Первым из них являются требования регуляторов, чтобы не попасть на репутационные и финансовые, а тем более уголовные риски. Бизнес должен понимать, в зоне ответственности каких региональных, отраслевых и прочих регуляторных органов он находится, и соответствовать их требованиям. Особенно часто регуляторные риски связаны с данными. Так, если компания, выходя в облако, не учитывает риски, связанные с КИИ, конфиденциальными и персональными данными или чувствительной финансовой информацией, она рискует получить штрафы от регулятора.

Второй вид рисков связан с репутацией компании в случае компрометации данных, потери коммерческого преимущества в случае утечки значимых данных о клиентах и сделках, ключевых бизнес-процессах. Наконец, бывают угрозы самому существованию компании – они возникают, если злонамеренные действия в облаке (внешние и внутренние) могут потенциально привести к невозможности выполнения необходимых бизнес-операций.

Первое, что должна сделать компания для минимизации рисков при переходе в облако, – это получить от облачного провайдера четкий ответ, за какие критические участки отвечает каждая из сторон. Служба безопасности компании должна быть проинформирована, какие услуги предоставляет облачный провайдер с точки зрения обеспечения безопасности, какие инструменты у него для этого есть. Например, у облачного провайдера могут быть расширенные возможности по мониторингу, доступ к журналам и так далее.

Некоторые облачные операторы предоставляют комбинированные услуги по работе приложений и их защите – включающие компенсацию недостатка людей с нужными компетенциями по выстраиванию процессов: менеджеров SOC или vCISO, продвинутые услуги резервного копирования. Про это нужно своевременно узнать и пользоваться такими опциями.

Если облако обладает набором аттестаций и соответствует требованиям регулятора, препятствий для работы в нем, как правило, нет. В нашей стране наработан опыт размещения в облаках даже государственных информационных систем.

Некоторые российские интеграторы и провайдеры облегчают клиентам задачу перехода в облако, предлагая решения «под ключ» и избавляя заказчиков от необходимости собирать облачную инфраструктуру из доступных на рынке составляющих.

Как спланировать максимально безопасный переход в облако

Компания должна понимать расходную часть работы в облаке не только в моменте, но и на достаточно длинной дистанции. В том числе, с точки зрения кадрового вопроса, возможностей управления инфраструктурой, а также рисков, о которых мы говорили выше.

Стратегию перехода в облако следует просчитать заранее. Если опыта таких расчетов у бизнеса нет, он может обратиться к консалтинговой компании или за консультацией к системному интегратору, компетентному в построении облаков. Созданная специально для конкретной компании концепция перехода в облако представляет собой бизнес-план, какие действия по переходу в облако и в какой последовательности надо совершить, чтобы получить запланированный результат.

Выбрать партнера по консалтингу можно, опираясь на референсы. Кроме того, следует помнить, что на рынке есть консалтинговые компании, которые берут на себя финансовую ответственность за работоспособность предложенной концепции. Их немного и их услуги стоят дорого, но в случае партнерства с ними число рисков для клиента уменьшается.

От чего зависит бюджет на облачную инфраструктуру

Можно рассматривать переход в облако как инвест-проект или сделать его частью текущей трансформации бизнеса. В любом случае, бюджеты на инфраструктуру должны всегда находиться в прямой зависимости от бизнес-задач. Надо быть глубоко погруженным в текущий бизнес компании, понимать направление ее движения, знать потребности топ-менеджмента и продуктовых подразделений, чтобы как можно точнее рассчитать, какие инфраструктурные потребности у компании возникнут.

Сложение потребностей по разным бизнес-продуктам дает прогноз по объемам бюджета на инфраструктуру на краткосрочную и среднесрочную перспективу. Иногда при планировании бюджета закладываются возможности «на вырост», и тут важно понять, какого роста ждать суммарно, и не запланировать излишков.

Облака дают множество опций по оптимизации затрат. В частности, подписная модель позволяет оплачивать услуги облачного провайдера исходя из цикла доходов и расходов компании-клиента с наиболее удобной периодичностью. С этой точки зрения облачная модель более гибкая, предсказуемая, выгодная. При этом довольно часто оказывается, что провайдер не готов компенсировать убытки больше чем в размере оплаченных ему средств. К соответствующим пунктам в договорах бизнесу надо относиться предельно внимательно и учитывать это в стратегии.

Для акционерной компании, которая стремится к повышению уровня капитализации, покупка собственной инфраструктуры работает на увеличение акционерного капитала. Компании, ориентированные на OPEX-модель, чаще пробуют гипотезы на арендованной инфраструктуре. Для компаний, которые придерживаются CAPEX-модели, облако позволяет проверять гипотезы с минимальными затратами, не вкладывая больших денег, если компания в данный момент к этому не готова.

Переход в облака работает на имидж

Облака отлично ложатся в бизнес-концепцию развивающихся компаний, которые готовы к переменам и росту. Но и для крупных отраслевых монополистов, позиции которых на рынке устойчивы, перевод инфраструктуры в облако может стать интересным экспериментом. Самим компаниям облака откроют новые возможности, в том числе в сфере информационной безопасности. С точки зрения владельцев продуктов облака дают понятные бизнес-преимущества – сокращение времени запуска продукта, возможность быстро проверять гипотезы с минимальными расходами, быстрое покрытие рынка при экспансии, эластичность в случае повышения спроса. Обращаясь к облакам, которые задействуют сами регуляторы, бизнес получает среду, соответствующую регуляторным требованиям, а также персонал с необходимыми компетенциями для управления облаком. В итоге это не только безопасно, но и экономит средства клиента. Топ-менеджменту проекты перехода в облака позволяют достигать локальных целей и роста персональных показателей, работают на повышение личной репутации.

Автор – Руслан Иванов, CTO компании ITKey

Опрос Gartner, в котором принимал участие 451 представитель высшего технического руководства компаний, показал, что 57% ИТ-директоров считают разработку и реализацию стратегии внедрения ИИ на предприятии своей прямой задачей. Но есть четыре фактора, которые мешают им успешно ее решать.

1. Преимущества для бизнеса от использования ИИ не всегда материализуются

Чтобы добиваться хороших результатов, люди должны постоянно использовать в своем рабочем процессе инструменты генеративного искусственного интеллекта. Согласно опросу 5 тыс. пользователей цифровых технологий, проведенному Gartner во втором квартале 2024 года в США, Великобритании, Индии, Австралии и Китае, используя генеративный ИИ, люди экономят в среднем 3,6 часа в неделю. Однако не все сотрудники получают от него одинаковую выгоду. Результат зависит не только от личной заинтересованности и глубины внедрения, но и от сложности работы и приобретенного опыта. Организации, использующие искусственный интеллект, стремятся автоматизировать с его помощью ключевые бизнес-процессы, перепрофилировать роли для работы с чат-ботами, и добиться улучшений, которые меняют правила игры – создавать новые источники доходов и менять предлагаемые предприятием ценности. В такой ситуации управление рисками и преимуществами ИИ следует осуществлять с учетом особенностей имеющегося ресурсного портфеля.

2. Затраты на ИИ могут быстро выйти из-под контроля

В опросе Gartner в июне-июле 2024 года, в котором принимали участие более 300 ИТ-директоров, более 90% респондентов заявили, что управление затратами ограничивает их возможности по извлечению выгод из ИИ для предприятия. Аналитики Gartner полагают, что затраты несут в себе не меньший риск, чем вопросы безопасности и галлюцинации. Если ИТ-директора не понимают, как масштабируются их затраты на генеративный ИИ, при расчетах ошибки могут достигать 500% и даже 1000%. Нужно четко представлять себе компоненты затрат и варианты моделей ценообразования, понимать, каким образом эти затраты можно снизить, и уметь договариваться с поставщиками. ИТ-директора должны продемонстрировать, как масштабируются затраты, не ограничиваясь одними лишь технологическими вопросами.

3. Повсеместное использование данных и ИИ порождает новые проблемы и риски

В условиях повсеместного распространения на предприятии искусственный интеллект и данные больше не являются централизованными активами, которые напрямую контролируются ИТ-службой. Опрос Gartner показал, что при реализации проектов, связанных с искусственным интеллектом, в среднем в организациях используется только 35% его возможностей. Это означает, что нужны новые подходы к управлению доступом к данным и их защите, управлению входящими и исходящими потоками, а также обеспечению необходимой безопасности. Именно здесь возникает концепция «технологического сэндвича». В нижней его части находятся все данные и ИИ-компоненты, поступающие из ИТ-службы, как правило, централизованные. В верхней части – данные и компоненты, поступающие отовсюду, как правило, децентрализованные. А в середине – технологии управления доверием, рисками и безопасностью (TRiSM). Задача ИТ-директора заключается в том, чтобы сформировать «технологический сэндвич», который поможет справиться с неразберихой в ИИ, но сохранит открытость для новых возможностей.

4. На производительности и благополучии сотрудников применение ИИ может сказываться как положительно, так и отрицательно

Некоторые сотрудники могут испытывать сильную привязанность к ИИ. Другие – ощущать угрозу или обиду. Все это может привести к непредвиденным последствиям, обусловленным завистью к тем, кто использует искусственный интеллект, или чрезмерной зависимостью от инструментов ИИ. Но мало кто задумывается об этом. Согласно опросу Gartner, только 20% ИТ-директоров озабочены смягчением потенциального негативного воздействия генеративного ИИ на благополучие сотрудников. А между тем управление поведенческими результатами имеет не менее важное значение, чем управление технологиями и бизнес-результатами, и подходить к этому вопросу необходимо с той же тщательностью.