Как корпорации и госструктуры внедряют ИИ

Технологические приоритеты: Computer Vision, GenAI и прогнозная аналитика
По результатам исследования, внедрение ИИ в крупных российских организациях концентрируется вокруг трех ключевых направлений:

Computer Vision — для автоматизации контроля качества на производстве, распознавания объектов и документов;
Генеративный ИИ и LLM — в сервисах поддержки, разработке ПО и обработке текстов;
Прогнозная аналитика — для финансового моделирования и управления ресурсами.

Большинство компаний предпочитают использовать собственные MLOps-платформы (open source или кастомные) и центры компетенций по ИИ, обеспечивающие полный контроль над данными и воспроизводимость моделей. Оставшиеся полагаются на внешнюю экспертизу из-за нехватки внутренних ресурсов на эти задачи.

Бизнес-направления внедрения ИИ: от рутинных задач до критических операций
Основные сферы применения ИИ можно разделить на три категории:

Рутинные процессы: автоматизация колл-центров, обработка документов (OCR), ИТ-поддержка;
Критические операции: скоринг в финансах, контроль качества в производстве, прогнозирование бюджетных рисков;
Пилотные проекты: GenAI для перепроектирования процессов (например, в снабжении, логистике).

При этом стратегии развития частично различаются: три четверти организаций выбирают централизованный подход с переиспользованием решений, а в другой части организаций применяются раздельные дорожные карты для классического ML и для генеративного ИИ.

Вызовы: бюрократия, дефицит данных и ROI
Все участники исследования сталкиваются с организационными и технологическими барьерами. Один из ключевых — разрыв между ИТ и бизнесом: заказчики зачастую плохо представляют реальные возможности ИИ. Другая проблема — конфликт между инновациями и бюрократией: длительные процедуры согласования тормозят быстрые эксперименты.

Половина опрошенных организаций сталкивается с нехваткой структурированных данных для обучения ML-моделей и высокими трудозатратами на их очистку, особенно при работе с legacy-системами и внешними источниками. Кроме того, компании испытывают трудности с оценкой ROI, поскольку для GenAI-проектов пока нет четких методик расчета экономического эффекта.

В качестве решений организации применяют итеративный подход (создание MVP → запуск пилота → масштабирование), развивают Data Governance и фокусируются на проектах с измеримыми результатами, например, сокращением времени обработки запросов или оптимизацией FTE. Для повышения осведомленности бизнеса о возможностях ИИ полезны регулярные воркшопы и «переопыление» знаний через обученных сотрудников.

Инфраструктурные ограничения: дефицит мощностей и сложности закупок
Одним из ключевых технологических барьеров при внедрении ИИ, особенно для работы с с крупными языковыми моделями, являются ограничения вычислительной инфраструктуры. Основные барьеры:

Дефицит GPU-ресурсов: оборудование для работы с LLM остается дорогостоящим и малодоступным, в стране сохраняется зависимость от импортного оборудования. Отсутствие отечественных аналогов GPU с сопоставимой производительностью замедляет внедрение технологий. Одним из путей преодоления данного барьера является стандартизированный подход к построению и масштабированию ИИ-инфраструктуры — использование программно-аппаратных комплексов (ПАК) или их отдельных модулей.
В госсекторе закупка требует многоэтапного согласования с регуляторами, что значительно замедляет и без того сложный процесс.
Невозможность переиспользования мощностей: специализированное оборудование для ИИ часто нельзя задействовать для других задач, что снижает гибкость инфраструктуры.

Компании стараются преодолеть эти ограничения, тестируя open-source решения и альтернативное аппаратное обеспечение, а также создавая собственные MLOps-платформы для централизации вычислительных ресурсов с целью их дальнейшего переиспользования. Хотя эти меры позволяют смягчить инфраструктурные ограничения, проблема доступности и стоимости мощностей по-прежнему остается крайне острой для большинства организаций.

Перспективы: GenAI, автоматизация и предиктивная аналитика
В качестве технологических приоритетов компании называют внедрение цифровых ассистентов для сотрудников и граждан, анализ неструктурированных данных и автоматизацию сквозных процессов в закупках, ИТ-поддержке и разработке ПО. Также перспективным направлением является развитие предиктивной аналитики для прогнозирования финансовых и операционных рисков.

Отраслевые приоритеты отличаются. В госсекторе ключевой тренд — централизация данных (бухучет, нацпроекты) и развитие сертифицированных LLM. Финансовые организации делают ставку на low-code платформы для AI-агентов и управление регуляторными рисками. В промышленности основной фокус — на оптимизации цепочек поставок и предиктивном обслуживании оборудования.

Универсальные принципы успеха
Эффективное внедрение ИИ требует прагматичного отбора проектов с четким ROI, приоритета безопасности (on-premise решения, соответствие требованиям ФСТЭК и ЦБ РФ) и итеративной разработки «без больших скачков». Безопасная разработка ИИ требует специализированную инфраструктуру, на это нужно время и понимание алгоритма ее проектирования для ИИ. Одним из вариантов решения инфраструктурных проблем и соблюдения требований информационной безопасности является использование ПАК по on-premise модели для работы с чувствительными данными, которые не могут храниться в облаке.

Не менее важны инвестиции в экспертизу, включая обучение бизнес-заказчиков и формирование кросс-функциональных команд.

Источник: https://www.tadviser.ru/a/881062
Дата: 02.06.2025