ИИ-трансформация бизнеса в России: 7 наблюдений с конференций 2025

Искусственный интеллект ворвался в деловую повестку России, но между обещаниями вендоров и реальной практикой лежит пропасть. На конференциях Alpina Digital, прошедших в апреле и мае 2025 года, выступили представители X5, MWS AI, Skyeng, mymeet.ai, Data Monsters и выпускники МФТИ. Суммарно более двадцати спикеров и около 1500 регистраций. Автор этих строк, CPO AlpinaGPT, пересмотрел записи и выделил семь повторяющихся наблюдений, которые раскрывают истинное состояние дел в отрасли.

Семь наблюдений с конференций по ИИ

Почему большинство ИИ-проектов не выходит из пилота?

Первое, что бросается в глаза, — лишь малая часть инициатив доходит до продвинутой стадии. Руководитель направления ИИ в X5 сообщил, что из сотни пилотных проектов в продуктивизацию переходят не более десяти процентов. Причины типичны: нехватка данных, сопротивление сотрудников и неясная бизнес-цель. Это подтверждают и внешние исследования: по данным Gartner, около 85% проектов машинного обучения не достигают производственной стадии.

Показательно, что спикеры из разных отраслей — от ритейла до образования — признавали одну и ту же проблему. Даже когда технология работает, интеграция в существующие процессы буксует. Компании часто начинают с амбициозных задач, но спотыкаются о банальные вещи: отсутствие четких KPI, разрозненные данные, непонимание, как измерить эффект. В результате пилоты затягиваются на годы, а бюджет истощается.

Как человеческий фактор тормозит внедрение ИИ?

Главный барьер — не технологии, а люди. Многие докладчики, включая представителей Skyeng и Data Monsters, подчеркивали, что сложнее всего — управление изменениями. Сотрудники боятся потерять работу, менеджеры не понимают, как интерпретировать результаты моделей. Один из фаундеров рассказал, что на внедрение чат-бота ушло три месяца, а на обучение персонала — полгода. Это совпадает с исследованием McKinsey, где 70% трансформаций не достигают целей из-за человеческого фактора.

Сопротивление часто возникает не на уровне рядовых сотрудников, а на уровне среднего менеджмента. Руководители опасаются, что ИИ подорвет их авторитет или сделает их отделы ненужными. Поэтому критически важно с самого начала вовлекать ключевых стейкхолдеров, объяснять выгоды и обучать. Без этого даже самая совершенная модель останется пылиться на сервере.

Почему качество данных — ключевая проблема?

Почти каждый спикер упоминал, что данные в компаниях разрознены, содержат ошибки или просто отсутствуют. Представитель MWS AI привел пример: клиент хотел прогнозировать спрос, но в его базе были пропуски за два года. Пришлось потратить половину бюджета проекта на очистку и сбор данных. Это контрастирует с заявлениями вендоров, которые обещают «ИИ из коробки».

Проблема усугубляется тем, что данные часто хранятся в устаревших системах, которые не интегрированы друг с другом. Для успешного ИИ нужна единая архитектура данных, а это требует инвестиций в инфраструктуру. Компании, которые недооценивают этот аспект, обречены на провал: модель, обученная на мусорных данных, дает мусорные результаты.

Как бизнесу ускорить внедрение ИИ?

Бизнес хочет быстрых решений, но ИИ требует времени. На обеих конференциях звучал запрос на «внедрить ИИ за месяц». Практики отвечали, что минимальный горизонт — три-шесть месяцев для простых сценариев, а для сложных — год и более. Вопрос из зала: «Как ускорить?» — получил ответ: «Не пытаться объять необъятное, а выбрать один процесс и довести его до конца».

Ускорение возможно за счет использования готовых моделей и low-code платформ, но это требует четкого понимания задачи. Компании, которые пытаются автоматизировать все сразу, распыляют ресурсы и не получают результата. Лучше сфокусироваться на одном процессе с высокой ценностью и быстро показать ROI — это создаст импульс для дальнейшего масштабирования.

Почему экономика ИИ часто не сходится?

Несколько спикеров, включая Александра Горного, отмечали, что стоимость разработки и поддержки моделей может превышать выгоду. Например, автоматизация обработки документов окупилась только при объеме более 10 тысяч документов в месяц. Для малого бизнеса это часто нерентабельно. Это важное предостережение для тех, кто ожидает мгновенной окупаемости.

Экономика ИИ зависит от масштаба: чем больше операций, тем ниже стоимость единицы. Но даже в крупных компаниях нужно тщательно считать совокупную стоимость владения, включая инфраструктуру, специалистов и обслуживание. Часто выясняется, что ручной процесс дешевле, если объемы невелики. Поэтому перед запуском проекта стоит провести детальный финансовый анализ.

Как российские компании выбирают между open-source и проприетарными решениями?

На «Точке сборки» обсуждали, что санкции ограничили доступ к западным облачным сервисам, поэтому многие переходят на отечественные платформы или open-source модели, например, Llama. Однако это требует больше технической экспертизы. Представитель Data Monsters заметил, что гибридный подход — использование open-source для прототипов и коммерческих решений для критичных задач — становится стандартом.

Выбор между open-source и проприетарным ПО — это баланс между контролем и удобством. Open-source дает гибкость и независимость, но требует квалифицированной команды. Проприетарные решения, такие как YandexGPT или GigaChat, проще во внедрении, но могут быть дороже и менее настраиваемыми. Компании все чаще комбинируют оба подхода, чтобы оптимизировать затраты и риски.

Как вовлеченность первого лица влияет на успех ИИ-трансформации?

Самый частый совет от спикеров — поддержка генерального директора. Без этого ИИ-инициативы умирают на уровне среднего менеджмента. Один из фаундеров рассказал, что его проект сдвинулся с мертвой точки только после того, как CEO лично возглавил рабочую группу. Это подтверждается и в западных исследованиях: например, в отчете BCG.

Когда первое лицо вовлечено, проект получает приоритет, ресурсы и политическую защиту. CEO может устранять межведомственные барьеры и мотивировать команды. Без этого ИИ-инициативы часто воспринимаются как эксперимент, а не как стратегическое направление. Поэтому перед стартом стоит добиться явной поддержки топ-менеджмента.

Предыстория и контекст

Интерес к ИИ в российском бизнесе резко вырос после 2022 года, когда западные вендоры ушли с рынка. Компании стали искать альтернативы, и отечественные разработки, такие как YandexGPT и GigaChat, заполнили нишу. Однако, как показали конференции, технологическая готовность опережает организационную. Многие компании находятся на стадии экспериментов, но системного внедрения мало. Это связано и с нехваткой кадров: по данным HeadHunter, спрос на ИИ-специалистов вырос в три раза за год.

Конференции Alpina Digital стали площадкой, где практики могли обменяться опытом без хайпа. Организаторы сознательно отказались от публикации записей, чтобы спикеры были откровеннее. Это позволило услышать реальные цифры, хотя и без детальной методологии.

Что это значит для бизнеса?

Для компаний, которые только начинают ИИ-трансформацию, главный вывод — не гнаться за модой, а начинать с малого. Выберите один процесс, где есть данные и понятная выгода, и доведите его до конца. Например, автоматизация рутинных отчетов или обработка обращений клиентов. Это даст быструю победу и опыт для масштабирования.

Также важно инвестировать в обучение сотрудников, а не только в технологии. Как показали спикеры, без изменения культуры даже лучшие модели останутся невостребованными. И, наконец, привлекайте первого лица: без его поддержки проект рискует застрять на пилотной стадии.

Кого затронет и как

Разработчики и ИТ-отделы столкнутся с ростом спроса на интеграцию ИИ, но им придется больше внимания уделять данным и взаимодействию с бизнес-подразделениями. Для руководителей компаний это сигнал, что ИИ — не волшебная таблетка, а инструмент, требующий стратегии. Для малого бизнеса — предупреждение, что не все решения окупаются мгновенно, но есть ниши, например, генерация контента, где эффект виден сразу.

В России и СНГ ситуация имеет свои особенности: ограниченный доступ к западным сервисам стимулирует развитие собственных компетенций. Это открывает возможности для локальных вендоров и интеграторов, которые могут предлагать адаптированные решения.

Что будет дальше

Ожидается, что количество ИИ-проектов в российском бизнесе продолжит расти, но темпы будут сдержанными из-за кадрового голода и организационных барьеров. Вероятно, мы увидим консолидацию рынка: выживут те, кто сможет показать измеримый ROI. Также стоит ждать развития low-code платформ, которые позволят бизнесу внедрять ИИ без глубоких технических знаний. Следующие конференции, возможно, будут посвящены конкретным кейсам и методологиям оценки эффективности.

Итог

ИИ-трансформация в России идет, но медленнее, чем обещают маркетологи. Семь наблюдений с конференций показывают: успех зависит не от технологий, а от людей, данных и вовлеченности руководства. Для тех, кто готов работать над этими аспектами, ИИ открывает реальные возможности. Следите за следующими мероприятиями Alpina Digital — там будет еще больше практических деталей.