Как корпорации и госструктуры внедряют ИИ: первые результаты исследования TAdviser
Аналитический центр TAdviser совместно с Группой Rubytech представил предварительные результаты исследования внедрения искусственного интеллекта в крупных государственных и коммерческих организациях. В анализе рассматривался практический опыт ИТ-подразделений российского мегаполиса, крупного банка, промышленного холдинга и федерального ведомства.
Исследование показывает: искусственный интеллект постепенно переходит из категории экспериментальных технологий в разряд прикладных инструментов. Однако масштабирование ИИ по-прежнему ограничивают нехватка вычислительных ресурсов, сложность работы с данными, недостаток специалистов и отсутствие универсальных методик оценки экономического эффекта.
Ключевые технологические приоритеты
Наиболее востребованными направлениями остаются компьютерное зрение, генеративный искусственный интеллект и прогнозная аналитика. Computer Vision применяют для контроля производственных процессов, мониторинга объектов инфраструктуры, анализа медицинских изображений и повышения безопасности.
Генеративный ИИ чаще всего внедряется в виде цифровых ассистентов для сотрудников и граждан. Такие решения помогают искать информацию во внутренних базах знаний, составлять документы, обрабатывать обращения, готовить ответы на типовые запросы и ускорять работу контакт-центров.
Еще одно перспективное направление - анализ неструктурированных данных. Речь идет о документах, письмах, обращениях, технической документации, протоколах и других массивах информации, которые ранее требовали значительного объема ручной обработки.
Для управления моделями организации создают собственные MLOps-платформы - на базе открытого программного обеспечения или полностью кастомных разработок. Такой подход дает возможность контролировать данные, отслеживать версии моделей, повторно использовать наработки и обеспечивать воспроизводимость результатов.
Часть компаний пока не располагает достаточными внутренними ресурсами. Поэтому они привлекают внешних интеграторов, консультантов и специализированные команды. На практике нередко применяется смешанная модель: критически важные компоненты создаются внутри организации, а разработка отдельных решений и внедрение платформ передаются подрядчикам.
От рутинных операций до критически важных процессов
Сферы применения ИИ условно можно разделить на несколько крупных групп. Первая связана с автоматизацией повседневных задач: обработкой документов, классификацией обращений, поиском сведений, подготовкой отчетов и поддержкой пользователей.
Вторая категория охватывает сквозные процессы. Компании используют ИИ в закупках, ИТ-поддержке, разработке программного обеспечения, управлении запасами и контроле качества. В этом случае модель становится частью цепочки операций, а ее эффект оценивается не только по точности прогнозов, но и по сокращению сроков выполнения работы.
Третья группа относится к критически важным операциям. Сюда входят прогнозирование финансовых и операционных рисков, управление промышленным оборудованием, оптимизация цепочек поставок и контроль состояния инфраструктуры. Такие проекты требуют более строгих процедур тестирования, сертификации и контроля решений модели.
Стратегии развития ИИ в организациях различаются. Примерно три четверти участников исследования придерживаются централизованного подхода: создают единый центр компетенций, общую технологическую платформу и каталог повторно используемых моделей. В других организациях классический машинный анализ и генеративный ИИ развиваются по отдельным дорожным картам, поскольку отличаются требованиями к данным, вычислительным ресурсам и информационной безопасности.
Главные организационные барьеры
Одной из наиболее серьезных проблем остается разрыв между ИТ-подразделениями и бизнес-заказчиками. Представители бизнеса не всегда понимают, какие задачи действительно способен решить ИИ, а ИТ-команды могут недостаточно учитывать особенности конкретного процесса.
В результате появляются проекты с завышенными ожиданиями, нечеткими критериями успеха и слабой связью с экономическими показателями. Чтобы избежать этого, компании проводят совместные воркшопы, формируют межфункциональные команды и обучают сотрудников, которые затем распространяют знания внутри подразделений.
Дополнительное препятствие - бюрократические процедуры. Длительные согласования, сложные закупки и многоступенчатая проверка новых решений затрудняют быстрый запуск пилотов. Для инновационных проектов особенно важен итеративный формат: сначала создается минимально жизнеспособный продукт, затем проводится ограниченное тестирование, после чего решение дорабатывается и масштабируется.
Данные и оценка окупаемости
Около половины организаций испытывают дефицит структурированных данных для обучения моделей. Значительная часть информации хранится в устаревших системах, разрозненных базах или внешних источниках. Перед использованием эти сведения необходимо очистить, сопоставить, разметить и привести к единому формату.
На подготовку данных часто уходит больше времени, чем непосредственно на разработку модели. Поэтому важную роль играют Data Governance, единые правила доступа, каталогизация наборов данных и назначение ответственных за их качество.
Оценка ROI также остается сложной задачей. Для традиционного машинного обучения экономический эффект можно связать с уменьшением простоев, ростом точности прогнозов или снижением расходов. В проектах на базе GenAI результат выражается менее очевидно: например, в ускорении поиска информации, повышении качества подготовки документов или снижении нагрузки на сотрудников.
Практичным решением становится выбор проектов, где эффект можно измерить уже на пилотной стадии. Это может быть сокращение времени обработки обращения, уменьшение количества ручных операций, снижение нагрузки на контакт-центр или оптимизация численности персонала.
Инфраструктурные ограничения
Особенно остро вопрос вычислительных мощностей проявляется при работе с крупными языковыми моделями. Организациям требуется дорогостоящее оборудование, надежная система хранения данных, высокоскоростная сеть и инструменты мониторинга нагрузки.
Дополнительные сложности связаны с закупкой специализированных компонентов, ограниченной доступностью оборудования и необходимостью соблюдать требования безопасности. В государственных структурах и компаниях с чувствительными данными далеко не всегда допустимо использование публичных облачных сервисов.
Для снижения зависимости от внешней инфраструктуры организации тестируют открытые модели, альтернативные аппаратные платформы и собственные программные решения. MLOps-платформы позволяют централизовать вычислительные ресурсы, распределять их между проектами и повторно использовать готовые компоненты.
В ряде случаев оптимальным вариантом становятся программно-аппаратные комплексы, работающие по on-premise-модели. Они позволяют обрабатывать конфиденциальную информацию внутри защищенного контура и учитывать требования регуляторов, включая нормы ФСТЭК и Банка России.
Отраслевые особенности
В государственном секторе приоритетом становится консолидация данных, связанных с бухгалтерским учетом, национальными проектами и оказанием услуг. Одновременно развивается направление сертифицированных больших языковых моделей, которые можно применять в защищенной инфраструктуре.
Финансовые организации делают акцент на управлении регуляторными рисками, автоматизации контроля и создании AI-агентов на базе low-code-платформ. Такой подход позволяет быстрее запускать прикладные сценарии и снижает нагрузку на разработчиков.
Промышленные предприятия сосредоточены на оптимизации логистики, прогнозировании спроса, управлении запасами и предиктивном обслуживании оборудования. Своевременное выявление признаков неисправности помогает уменьшить простои и повысить надежность производства.
Что определит дальнейший успех
Дальнейшее развитие ИИ будет связано не с единичными демонстрационными проектами, а с их последовательным встраиванием в корпоративные процессы. Организациям предстоит создавать внутренние каталоги моделей, стандартизировать методы оценки качества и формировать понятные правила ответственности за решения алгоритмов.
Не менее важны инвестиции в специалистов. Для успешного внедрения нужны не только разработчики моделей, но и инженеры данных, эксперты по безопасности, владельцы бизнес-процессов, юристы и специалисты по управлению изменениями.
Компании также будут активнее использовать гибридную архитектуру. Некритичные задачи можно передавать в облачные среды, а чувствительные данные и ключевые модели оставлять внутри защищенного контура. Такой баланс помогает контролировать расходы и одновременно соблюдать требования безопасности.
В целом исследование показывает, что универсальной стратегии внедрения ИИ не существует. Наиболее устойчивый результат получают организации, которые начинают с конкретной бизнес-проблемы, заранее определяют показатели эффективности, используют качественные данные, внедряют технологии поэтапно и не отделяют развитие ИИ от вопросов инфраструктуры, безопасности и подготовки кадров.
