Сколько компаний в России используют ИИ и почему цифры расходятся в семь раз

Начну с того, что обычно замалчивают: единой цифры не существует, и это важно понимать до того, как опираться на чужие данные в презентации для руководства.

Свежие исследования 2026 года дают следующую картину:

Разброс от 14% до 95% объясняется не ошибками, а разными определениями. Одно дело — сотрудник, который иногда просит нейросеть переписать письмо. Другое — компания, где ИИ встроен в процесс, имеет владельца и измеримые показатели. Первое считается «использованием» в одних опросах и не считается в других.

Практический вывод: когда вам приводят цифру доли компаний, использующих ИИ, стоит уточнить, что именно засчитывалось. Разница между «сотрудники пользуются ChatGPT» и «процесс автоматизирован» — это разница между отсутствием проекта и проектом.

Более полезные для планирования цифры — не про распространённость, а про результат. По данным того же опроса Банка России, треть компаний, внедривших ИИ, зафиксировала рост эффективности процессов, а рост прибыли отметила каждая десятая. Это честное соотношение: улучшение процессов достигается заметно чаще, чем прямой финансовый эффект.

Что считать внедрением ИИ: три уровня

Разброс в статистике выше — прямое следствие того, что под внедрением понимают несовместимые вещи. Различать полезно три уровня.

Уровень 1: сотрудники используют готовые инструменты

Подготовка текстов, перевод, помощь в написании кода, обработка данных силами самих сотрудников.

Стоимость: подписки. Срок: дни. Что даёт: ускорение отдельных операций конкретных людей. Ограничение: эффект не накапливается и уходит вместе с сотрудником, процесс компании не меняется. Риск: бесконтрольная передача корпоративных данных во внешние сервисы. Это не теоретическая проблема — загрузка конфиденциальной информации в публичные модели уже становилась в российской практике основанием для увольнений.

Именно этот уровень раздувает статистику до 70–95%. Начинать с него разумно — он бесплатно показывает, где реально возникает польза, — но проектом это не является.

Уровень 2: ИИ встроен в конкретный процесс

Обработка обращений, извлечение данных из документов, ответы по базе знаний, подготовка черновиков.

Стоимость: от разработки одного сценария. Срок: недели. Что даёт: воспроизводимый измеримый эффект, не зависящий от конкретного сотрудника. Ограничение: требует подготовки данных, интеграций и сопровождения.

Это то, что имеется в виду под внедрением ИИ в бизнес-процессы, и то, что даёт лучшее соотношение результата к вложениям.

Уровень 3: процессы перестроены вокруг ИИ

Процесс проектируется заново, меняются роли, регламенты, метрики.

Стоимость: высокая, включая организационные изменения. Срок: месяцы. Ограничение: требует зрелости данных и опыта предыдущих уровней.

Переход на третий уровень без прохождения второго почти всегда заканчивается неудачей: компания перестраивает процесс под технологию, реальных ограничений которой ещё не знает.

Стратегия внедрения ИИ: последовательность действий

Стратегия — не документ на сорок страниц, а ответ на четыре вопроса: какие процессы кандидаты, какой идёт первым, что считается успехом, что делать с результатом.

Шаг 1. Инвентаризация процессов

Список повторяющихся операций с текстом, документами, обращениями или данными. По каждой зафиксировать: кто выполняет, сколько раз в неделю, сколько занимает, где хранятся исходные данные, что считается правильным результатом.

Признаки процесса, пригодного для автоматизации:

• выполняется регулярно, а не эпизодически;
• имеет формализуемый критерий правильного результата;
• исходные данные существуют в электронном виде;
• ошибка обнаружима и не катастрофична;
• результат проверяем.

Шаг 2. Приоритизация

Первым берётся не самый ценный процесс, а тот, где отношение достижимости к пользе лучше всего.

Задача первого проекта — не максимальная экономия, а организационный опыт. Начинать с ключевого процесса компании — распространённая и дорогая ошибка: риск высок, а провал закрывает тему внутри организации на годы.

Шаг 3. Критерии успеха и замер «до»

До начала разработки фиксируется: какой показатель улучшается, каково его текущее значение, какое значение считается успехом, когда проводится оценка.

Замер «до» обязателен. Без него доказать эффект будет нечем — и это одна из главных причин, по которым технически успешный проект не получает продолжения.

Шаг 4. Проверка гипотезы на реальных данных

До полноценной разработки — проверка достижимости требуемого качества на выборке ваших реальных данных, а не подобранных демонстрационных.

Этот этап чаще всего вскрывает состояние данных: противоречащие регламенты, документы в трёх редакциях, знания, нигде не зафиксированные. Обнаружить это здесь стоит несопоставимо дешевле, чем после оплаты разработки.

Шаг 5. Ограниченный запуск

Рабочая версия для небольшой группы пользователей. Цель — обратная связь на реальном использовании, а не полнота функциональности.

Шаг 6. Вывод в эксплуатацию

Полные интеграции, разграничение прав, обработка отказов, мониторинг, документация, обучение пользователей.

H3. Шаг 7. Оценка и решение о масштабировании

Сравнение с зафиксированными критериями. Расширение — только после подтверждённого эффекта на первом процессе.

Сферы внедрения ИИ: где это работает на практике

Данные о том, что автоматизируют российские компании, дают исследование «СберАналитики» и «Сбер Бизнес Софт»: чаще всего это документооборот и обработка заявок (70% компаний), бухгалтерия и финансовый учёт (55%), HR-процессы и стратегическое планирование (по 34%), поддержка клиентов (30%).

В сегменте малого и среднего бизнеса картина другая: по данным опроса ПСБ и «Опоры России», предприниматели чаще применяют нейросети в маркетинге, аналитике и работе с клиентами.

Разница объяснима: у крупной компании основная боль — объём документооборота, у малого бизнеса документооборота меньше, а нехватка рук в маркетинге острее.

Ниже — направления по типу задачи, а не по отрасли: один и тот же тип задачи встречается в разных отраслях, и решение переносится.

Обработка обращений и клиентский сервис

Классификация входящих по теме и срочности, маршрутизация, черновики ответов, ответы по базе знаний, работа вне рабочего времени.

Где эффект наибольший: высокая доля повторяющихся вопросов, база знаний существует и поддерживается. Что измерять: доля обращений, закрытых без оператора; время первого ответа; время обработки. Риск: система, отвечающая уверенно и неверно, вредит сильнее её отсутствия. Обязателен явный отказ при отсутствии информации.

Работа с документами

Извлечение данных из счетов, договоров, спецификаций, анкет. Сверка с шаблоном, поиск расхождений, перенос в учётную систему.

Где эффект наибольший: большой поток однотипных документов, ручной перенос данных. Что измерять: время обработки документа, доля документов без правок, частота ошибок ввода. Риск: сложная вёрстка и сканы низкого качества дают деградацию, которую нужно измерять отдельно.

Поиск по внутренним знаниям

Ответы по документации, регламентам, архиву переписки. Адаптация новых сотрудников.

Это направление сейчас растёт как отдельный рынок: по прогнозу участников отрасли, объём российского рынка ИИ-поиска в 2026 году вырастет минимум на треть и достигнет 2 млрд рублей, причём около половины придётся на корпоративный сегмент — поиск по внутренним системам компаний.

Риск: качество полностью определяется состоянием корпуса. Устаревшие документы дают уверенные неверные ответы.

Продажи и работа с заявками

Квалификация входящих, обогащение карточек, подготовка коммерческих предложений, разбор переписки.

Аналитика неструктурированных данных

Разбор отзывов, обратной связи, записей разговоров — того, что раньше читали выборочно или не читали вовсе.

Особенность: ИИ не заменяет ручной труд, а делает возможным то, что не делалось. Эффект сложнее измерить в часах, но часто наиболее ценен для управленческих решений.

Контент и маркетинг

Подготовка материалов, анализ конкурентов, обработка семантики, варианты объявлений.

Ограничение: опубликованный без проверки сгенерированный текст плохо ранжируется и почти не попадает в генеративные ответы. ИИ ускоряет подготовительную часть, но не заменяет экспертизу и фактическую проверку.

H3. Разработка

Ревью кода, документирование, генерация тестов, миграция устаревшего кода.

Особенность: одна из немногих областей, где эффект проявляется быстро и почти без подготовки данных — код уже структурирован и хранится в системе контроля версий.

Внедрение генеративного ИИ: чем отличается от классической автоматизации

Классическая автоматизация детерминирована: одинаковый вход — одинаковый выход, правила заданы явно, отладка сводится к поиску ошибки в логике.

Генеративный ИИ вероятностен: один и тот же запрос может дать разные ответы, правила задаются описанием задачи, отладка сводится к статистической оценке качества на выборке.

Практические следствия:

Нельзя гарантировать 100% корректности. Можно говорить о доле правильных ответов на контрольной выборке. Там, где нужна гарантия, нужна проверка человеком или детерминированная валидация результата.

Тестирование устроено иначе. Проверка «работает / не работает» бессмысленна. Нужен набор эталонных примеров с проверенными ответами и регулярная прогонка после любого изменения промпта или модели.

Качество зависит от данных сильнее, чем от модели. Замена модели на более мощную даёт меньший прирост, чем приведение в порядок исходных документов.

Стоимость эксплуатации переменная. Каждое обращение стоит денег, и при росте объёма расходы растут линейно. Наглядный пример этой экономики приводило агентство «Синьхуа» в январе 2026 года применительно к промышленности: если распознавание дефекта одного винта через облачный инференс стоит 1 юань, это уже дороже самого винта. Прежде чем проектировать решение, стоит посчитать стоимость обработки одной единицы при реальном объёме.

Вывод: генеративный ИИ применим там, где задача не формализуется правилами, а результат проверяем. Если задача формализуется, скрипт или готовый инструмент дешевле, быстрее и надёжнее. Это самый частый случай, когда от ИИ разумно отказаться.

Эффекты внедрения ИИ: что реально меняется

По данным опроса Банка России, среди компаний, внедривших ИИ, рост эффективности процессов зафиксировала треть, а рост прибыли — каждая десятая. Это соотношение стоит держать в голове при планировании: операционное улучшение достигается втрое чаще прямого финансового эффекта.

Эффекты, наступающие предсказуемо

Сокращение времени на подготовительную работу. Наиболее устойчивый эффект. Сотрудник не пишет с нуля, а правит черновик; не ищет по десяти документам, а проверяет найденное.

Выравнивание качества. Ответы перестают зависеть от того, кто сегодня на смене. Для клиентского сервиса это часто ценнее экономии часов.

Обработка того, что раньше не обрабатывалось. Отзывы, обращения, документы, которые складывали в архив.

Ускорение реакции. Ответ вне рабочего времени, немедленная классификация входящего.

Эффекты при определённых условиях

Снижение затрат. Наступает при достаточном объёме операций. Отдельный драйвер в текущих условиях — дефицит кадров: при высокой стоимости найма компании используют ИИ, чтобы увеличивать объём работы без пропорционального расширения штата. Это одна из причин резкого роста применения ИИ в МСП — с 17% до 53% за год по данным индекса RSBI.

Снижение ошибок. Наступает там, где ошибки были следствием невнимательности. Там, где они были следствием сложности задачи, ИИ может добавить свои.

Высвобождение сотрудников. Обычно выражается в перераспределении на более содержательные задачи, а не в сокращении штата.

Чего обычно не происходит

Автоматического роста продаж. ИИ ускоряет операции; спрос от этого не появляется. Отдельные вендорские оценки — например, прогноз «Сбера» о возможности увеличить выручку на 48% за два года — относятся к комплексной трансформации, а не к внедрению отдельного решения, и это разные вещи.

Полной замены сотрудников. В подавляющем большинстве прикладных сценариев остаётся точка проверки человеком — это осознанное проектное решение, а не недоработка.

Мгновенного эффекта. Между запуском и измеримым результатом лежит период отладки, обучения пользователей и накопления статистики.

Эффекта без сопровождения. Качество деградирует: меняются данные, процессы, поставщики моделей.

Результаты внедрения ИИ: как их измерять

H3. Операционные метрики

Время выполнения операции до и после; число обработанных единиц за период; доля обращений, закрытых без человека; доля переданных человеку и причины; время реакции.

Метрики качества

Доля корректных результатов на контрольной выборке; доля ответов, подтверждённых источниками; частота отказов системы отвечать; оценки пользователей.

Контрольная выборка формируется один раз и используется постоянно — она позволяет отвечать на вопрос «стало ли лучше после изменения» цифрой, а не ощущением.

Экономические метрики

Стоимость обработки одной единицы с учётом расходов на модель и инфраструктуру; сравнение с текущей стоимостью в человеко-часах; срок окупаемости; совокупная стоимость владения за год.

Ориентир по порядку затрат в сегменте МСП: по оценке Axenix и Исследовательского центра ИИ МГУ, расходы малого бизнеса на внедрение ИИ-агентов за последние три года составили от 5 до 15 млн рублей. Цифра относится к агентским решениям с интеграциями; отдельный сценарий автоматизации стоит существенно меньше.

Метрики принятия

Доля целевых сотрудников, реально использующих решение; частота использования; доля случаев, когда сотрудники обходят систему и делают по-старому.

Последняя — самый честный индикатор. Пренебрежение ею даёт технически исправное решение с нулевым фактическим эффектом.

Проблемы внедрения ИИ: почему проекты не доходят до результата

Масштаб проблемы подтверждается независимыми оценками. Gartner прогнозирует, что до 85% проектов в области ИИ не достигают стадии промышленной эксплуатации, и что к концу 2026 года организации откажутся более чем от половины ИИ-проектов, не обеспеченных подготовленными данными. Широко цитируемое исследование MIT даёт цифру 95% пилотов, не доходящих до продакшена, — правда, её методология оспаривается, поскольку в выборку попали в том числе учебные эксперименты, изначально не предполагавшие внедрения.

Проблема признаётся и на уровне крупнейших российских компаний: на конференции Data Fusion в апреле 2026 года ВТБ публично констатировал, что их ИИ-проекты массово застревают между пилотом и промышленной эксплуатацией.

Ниже — причины, повторяющиеся от проекта к проекту.

Начали с инструмента, а не с задачи

«Нам нужен чат-бот» — это выбор решения до постановки проблемы. Дальше проект превращается в поиск задачи под купленную технологию. Как избежать: сначала процесс и критерий результата, потом инструмент.

Данные оказались хуже ожиданий

Самая частая техническая причина, и именно её выделяет Gartner как основание для отказа от половины проектов. Документы в противоречащих редакциях, часть информации нигде не зафиксирована, процессы живут в почте и мессенджерах. Модель, запущенная на таких данных, не просто работает плохо — она уверенно даёт неверные ответы. Как избежать: проверка гипотезы на реальных данных до бюджета на разработку.

Нет владельца проекта внутри бизнеса

Отдельная организационная причина, на которую указывают практики интеграции: прототип нравится пользователям, но после демонстрации возникает вопрос, кто отвечает за развитие. Если владельца в бизнесе нет, проект остаётся задачей ИТ-службы — а она не может сама определить, какой результат нужен подразделению. Как избежать: назначенный заказчик со стороны бизнеса до старта, а не после пилота.

Не зафиксировали критерий успеха

Проект без ответа на вопрос «что считается правильным результатом» нельзя ни отладить, ни принять, ни защитить.

Пилот выглядел хорошо, эксплуатация развалилась

Демонстрация на десяти подобранных вопросах ничего не говорит о поведении на тысяче реальных. Как избежать: оценка на представительной выборке с краевыми случаями.

Система выдумывает

Модель отвечает уверенно и неверно, когда не нашла информации. Как избежать: архитектурно — ответы строго по найденным источникам, явный отказ при отсутствии данных, привязка утверждений к источникам, порог релевантности. Инструкция «не выдумывай» в промпте мерой не является.

Инцидент безопасности заморозил всё направление

Незащищённые точки доступа, промпты и данные в открытых хранилищах, конфиденциальная информация в публичных моделях без политик. Практики отмечают закономерность: после инцидента замораживают не только проблемный проект, а всю ИИ-программу. Как избежать: политика использования внешних сервисов и обучение сотрудников до, а не после первого инцидента.

Стоимость эксплуатации превысила выгоду

Как избежать: расчёт стоимости обращения при ожидаемом объёме, а не при тестовом.

Решением не пользуются

Причины: неудобно, не доверяют, не научили, воспринимают как угрозу. Как избежать: участие будущих пользователей на этапе ограниченного запуска, обучение при внедрении, честность в отношении целей.

Внедрили и забыли

Через полгода качество ниже, чем при запуске. Как избежать: сопровождение как часть проекта, регулярный прогон контрольной выборки.

Внедрение ИИ в России: что учитывать в 2026 году

Новый базовый закон: 243-ФЗ

26 июля 2026 года подписан Федеральный закон № 243-ФЗ «О поддержке развития технологий искусственного интеллекта в Российской Федерации». Он вступает в силу с 1 сентября 2026 года, за исключением отдельных положений с иным сроком.

Что закон устанавливает:

• закрепляет базовые понятия, включая определение искусственного интеллекта и большой фундаментальной модели;
• вводит понятия суверенных и национальных ИИ-моделей и требования к их разработчикам;
• наделяет президента полномочиями утверждать Национальную стратегию развития ИИ;
• даёт правительству право определять случаи, когда допускается применение исключительно суверенных или национальных моделей, и исключения из них;
• открывает разработчикам таких моделей доступ к государственным данным для обучения и к мерам господдержки;
• обязывает владельцев сайтов и соцсетей с суточной аудиторией свыше 500 тысяч человек предоставлять пользователям возможность маркировки контента, созданного с помощью ИИ.

Что важно понимать бизнесу: закон в основном регулирует разработчиков фундаментальных моделей и применение ИИ в государственном секторе, а не рядовое использование нейросетей компаниями. Обработка пользовательских данных, включая персональные, в нём напрямую не отражена. Отдельно закон разрешает разработчикам моделей использовать для обучения объекты авторского права, находящиеся в открытом доступе или полученные на законных основаниях, без согласия правообладателей.

Ключевое практическое последствие для среднесрочного планирования — полномочие правительства ограничивать применение иностранных моделей в отдельных случаях. Компаниям, чьи процессы завязаны на зарубежные API, разумно заранее иметь план перехода.

Параллельно готовится отдельный законопроект о применении ИИ органами публичной власти, где предлагается разделить ИИ-решения на четыре уровня критичности — от минимального до критического, с обязанностью уведомлять пользователя о работе с нейросетью на уровне «ограниченный».

Персональные данные и требования к защите

Требования 152-ФЗ действуют в полном объёме независимо от нового закона. При обработке персональных данных сохраняется обязанность локализации баз данных на территории РФ, и это напрямую определяет доступную архитектуру решения.

В 2026 году ФСТЭК обновила требования к защите персональных данных, впервые выделив в отдельный перечень защиту информации при использовании искусственного интеллекта наряду с интернетом вещей, виртуализацией и облачными вычислениями. Компаниям, попадающим под эти требования, стоит свериться с новой редакцией до проектирования решения, а не после.

Практическое следствие: для процессов с персональными данными выбор обычно сужается до российских сервисов с размещением данных в РФ или локального развёртывания модели в собственном контуре.

Отдельно стоит регламентировать использование внешних сервисов сотрудниками. Новый закон вопрос обработки пользовательской информации не закрывает, а разработчики большинства моделей не скрывают, что загружаемые данные могут использоваться для обучения. Для чувствительной информации эксперты рекомендуют локальные модели.

Доступные варианты по архитектуре

Российские сервисы (YandexGPT, GigaChat) — размещение данных в РФ, оплата в рублях, отсутствие проблем с доступом. Для большинства прикладных задач качества достаточно.

Открытые модели в локальном развёртывании — данные не покидают контур, предсказуемая стоимость при большом объёме, отсутствие лимитов. Требуют оборудования и администрирования.

Зарубежные облачные API — лучшее качество на сложных задачах, но вопросы доступа, оплаты, передачи данных и потенциальных ограничений. Отдельно сформировался рынок платформ легального корпоративного доступа к зарубежным моделям — по оценкам участников отрасли, порядка 3 млрд рублей в год.

Гибридная схема — распространённое рабочее решение: чувствительные данные обрабатываются локально, сложные редкие запросы уходят наружу после маскирования.

Дефицит кадров

Это ограничение, влияющее на сроки и стоимость проектов сильнее, чем принято считать.

По данным Банка России, средним уровнем навыков работы с ИИ — то есть использованием специализированных сервисов для прикладных задач — обладают 11,7% занятых. Продвинутые навыки, включающие создание и сопровождение ИИ-решений, есть у 3,2% работников.

Спрос при этом растёт быстрее предложения: по данным опроса ПСБ и «Опоры России», спрос на специалистов по ИИ вырос на 120%. В исследовании Axenix и Исследовательского центра ИИ МГУ дефицит специалистов назван главным риском на ближайшие два года почти половиной опрошенных руководителей.

Практическое следствие: планируя проект, стоит заранее решить, кто будет сопровождать решение после запуска. Внедрение без ответа на этот вопрос попадает в категорию «внедрили и забыли».

Состояние рынка

Оценки объёма расходятся так же сильно, как и оценки распространённости, и по той же причине — разные границы измеряемого. Порядок величин по свежим данным: рынок ПО для ИИ вырос за год на 27% и достиг 25 млрд рублей; по прогнозу MWS AI, сегмент ПО и IT-сервисов может достичь 155 млрд рублей к 2029 году со среднегодовым темпом роста около 32,5%; общий рынок с учётом оборудования и Big Data оценивается в существенно большие величины вплоть до триллиона рублей.

Для практических целей эти цифры малополезны — важнее тенденция: рынок переходит от экспериментов к требованию измеримой отдачи, и проекты без внятного результата начинают закрывать.

Сколько стоит внедрение ИИ

Разовые затраты: постановка задачи и проверка гипотезы; подготовка данных (часто основная статья); разработка; интеграции; оборудование при локальном развёртывании; обучение пользователей.

Регулярные затраты: обращения к модели или содержание сервера; сопровождение и контроль качества; обновление базы знаний; миграция при смене модели.

Факторы разброса:

Ориентир по порядку: по оценке Axenix и Исследовательского центра ИИ МГУ, расходы малого бизнеса на внедрение ИИ-агентов за три года составили 5–15 млн рублей. Это про агентские решения с интеграциями; отдельный сценарий автоматизации или помощник по базе знаний обходятся существенно дешевле.

Общий принцип: проверка гипотезы должна стоить существенно меньше разработки. Если она обходится сопоставимо, что-то не так с постановкой задачи.

Когда внедрять ИИ не нужно

• Задача формализуется правилами. Скрипт или готовый инструмент дешевле и предсказуемее.
• Операция редкая. Настройка не окупится при нескольких повторениях в месяц.
• Данные не готовы, и приводить их в порядок никто не собирается. Сначала данные.
• Нет ответа на вопрос «что считается правильным результатом». Процесс не понят, автоматизировать рано.
• Цена ошибки высока, а проверять некому.
• Внедряют «потому что у всех есть». Проект без внутреннего заказчика не доживает до эксплуатации.
• Проблема организационная. Если заявки теряются, потому что их некому обрабатывать, ускорение классификации не поможет.

 Чек-лист перед началом проекта

• Определён конкретный процесс, а не «направление»
• Известно, кто выполняет его сейчас и сколько времени тратит
• Сформулировано, что считается правильным результатом
• Сделан замер текущего состояния
• Собрана контрольная выборка примеров с проверенными ответами
• Оценено состояние исходных данных
• Проверены ограничения на обработку данных и требования регуляторов
• Известно, к каким системам нужен доступ и есть ли у них API
• Посчитана стоимость эксплуатации при реальном объёме
• Определён владелец проекта со стороны бизнеса
• Будущие пользователи знают о проекте и понимают его цель
• Определено, кто будет сопровождать решение после запуска

Если больше трети пунктов не отмечены, начинать стоит с постановки задачи, а не с разработки.

Частые вопросы

Сколько российских компаний используют ИИ?

Единой цифры нет, оценки расходятся от 14% до 95% в зависимости от того, что засчитывается за использование. Опрос Банка России среди 14,7 тыс. нефинансовых организаций даёт около 14% — каждое седьмое предприятие, ещё 20% планируют внедрение. Исследование «Сбера» фиксирует 39% организаций, использующих ИИ-агентов и ассистентов. Опрос ПСБ и «Опоры России» показывает 53% среди МСП. Разница объясняется определением: эпизодическое использование сотрудником и встроенный в процесс сценарий считаются по-разному.

Почему большинство ИИ-проектов не доходит до эксплуатации?

По оценке Gartner, до 85% проектов не достигают промышленной эксплуатации. Основные причины: состояние данных оказалось хуже ожиданий; не зафиксирован критерий успеха, поэтому результат нечем защитить; у проекта нет владельца со стороны бизнеса и он остаётся задачей ИТ-службы; стоимость эксплуатации при реальном объёме превысила выгоду; решением не стали пользоваться сотрудники. Все эти риски снимаются на этапе постановки задачи, а не разработки.

С чего начать внедрение ИИ в компании?

С инвентаризации процессов, а не с выбора технологии. Составьте список повторяющихся операций с текстом, документами или обращениями; по каждой зафиксируйте объём в часах, состояние данных и критерий правильного результата. Первый проект выбирайте небольшой, проверяемый, с низкой ценой ошибки — его задача дать организации опыт, а не максимальную экономию.

Что меняет закон 243-ФЗ для бизнеса?

Федеральный закон № 243-ФЗ от 26 июля 2026 года вступает в силу с 1 сентября 2026 года. Он регулирует преимущественно разработчиков больших фундаментальных моделей и применение ИИ в госсекторе: вводит понятия суверенных и национальных моделей, меры господдержки, доступ к государственным данным для обучения. Рядовое использование нейросетей компаниями он напрямую не ограничивает, и вопрос обработки персональных данных в нём не отражён. Значимое для планирования положение — правительство получает право определять случаи, когда допускается применение только отечественных моделей.

Можно ли использовать ИИ, если у нас персональные данные клиентов?

Да, но выбор архитектуры сужается. Требования 152-ФЗ действуют в полном объёме, включая локализацию баз данных в РФ. В 2026 году ФСТЭК обновила требования к защите персональных данных, впервые выделив в отдельный перечень защиту информации при использовании ИИ. Рабочие варианты — российские сервисы с размещением данных в РФ или локальное развёртывание модели в вашем контуре. Требования проверяются до выбора технологии.

Какой эффект даёт внедрение ИИ?

По данным опроса Банка России, рост эффективности процессов зафиксировала треть компаний, внедривших ИИ, а рост прибыли — каждая десятая. Наиболее предсказуемые эффекты: сокращение времени на подготовительную часть работы, выравнивание качества независимо от исполнителя, обработка данных, которые раньше не обрабатывались из-за объёма, ускорение реакции. Автоматического роста продаж и полной замены сотрудников в большинстве сценариев не происходит.

Сколько стоит внедрение ИИ?

Зависит прежде всего от состояния данных и числа интеграций. Ориентир для сегмента МСП: по оценке Axenix и Исследовательского центра ИИ МГУ, расходы малого бизнеса на внедрение ИИ-агентов за три года составили 5–15 млн рублей. Отдельный сценарий автоматизации или помощник по базе знаний стоят существенно меньше. Помимо разработки считаются регулярные расходы — обращения к модели или содержание сервера и сопровождение.

Сколько времени занимает внедрение ИИ?

Проверка гипотезы на реальных данных — от нескольких дней до двух недель. Рабочая версия для ограниченного круга пользователей — от двух-четырёх недель. Вывод в полноценную эксплуатацию с интеграциями — обычно от месяца. Основное время уходит не на модель, а на подготовку данных и подключение к существующим системам.

Заменит ли ИИ сотрудников?

В большинстве прикладных сценариев — нет. Эффект чаще выражается в сокращении рутинной части работы. Дополнительный фактор в текущих условиях — дефицит кадров: компании применяют ИИ, чтобы увеличивать объём работы без расширения штата, а не чтобы сокращать существующий. Полная замена возможна в узких формализованных операциях с низкой ценой ошибки.

Кто должен вести ИИ-проект внутри компании?

Заказчик со стороны бизнеса — подразделения, чей процесс автоматизируется. Практика показывает, что проекты без такого владельца останавливаются после демонстрации: ИТ-служба технически реализует решение, но не может определить, какой результат нужен подразделению, и некому принять работу. Отдельная сложность — дефицит квалификации: по данным Банка России, продвинутыми навыками создания и сопровождения ИИ-решений обладают 3,2% работников.

Источники

1. Банк России, опрос 14,7 тыс. нефинансовых организаций — по публикации «Коммерсанта», июнь 2026. https://www.kommersant.ru/doc/8763274
2. «СберАналитика» и «Сбер Бизнес Софт», исследование автоматизации бизнес-процессов, опрос ноябрь 2025 — по публикации CNews, январь 2026. https://corp.cnews.ru/news/line/2026-01-22_39_rossijskih_kompanij_v
3. ПСБ и «Опора России», индекс RSBI — по публикации «Известий», август 2026. https://iz.ru/2142702/2026-08-03/polovina-msp-ispolzuet-ii-dlia-sokrashcheniia-izderzhek
4. Axenix и Исследовательский центр в сфере ИИ МГУ — по публикации «Ведомостей», июль 2026. https://www.vedomosti.ru/business/news/2026/07/29/1217468-okolo-95-bistrorastuschih
5. Федеральный закон от 26.07.2026 № 243-ФЗ — КонсультантПлюс. https://www.consultant.ru/law/hotdocs/95007.html
6. Разбор положений закона — «Фонтанка», июль 2026. https://www.fontanka.ru/2026/07/30/76561316/
7. Обновлённые требования ФСТЭК к защите персональных данных — «Коммерсантъ», июль 2026. https://www.kommersant.ru/doc/8845936
8. Оценки Gartner по доле проектов, не доходящих до эксплуатации — по публикации ComNews, июнь 2026. https://www.comnews.ru/content/245793/2026-06-15/2026-w25/1013/
9. Причины остановки ИИ-пилотов, практика системной интеграции — Хабр, июнь 2026. https://habr.com/ru/articles/1051222/
10. Проблема разрыва между пилотом и продакшеном, заявление ВТБ на Data Fusion — Хабр, апрель 2026. https://habr.com/ru/articles/1024350/
11. Рынок ИИ-поиска в России — Inc. Russia, июль 2026. https://incrussia.ru/news/rynok-ii-poiska-v-rossii-mozhet-vyrasti-na-tret-v-2026-godu-pokazalo-issledovanie/
12. Оценки объёма рынка ИИ в России — TAdviser. https://www.tadviser.ru/index.php/Статья:Искусственный_интеллект_(рынок_России)
13. Законопроект о применении ИИ органами публичной власти, четыре уровня критичности — TAdviser, «Регулирование искусственного интеллекта».