Как российский бизнес внедряет ИИ в закрытом контуре: экономика, интеграция и практика
Вы согласовали пилот на генеративной модели, команда собрала прототип за три недели, показали руководству. А потом всё встало: юристы запретили выгружать договоры во внешний сервис, безопасники попросили схему обработки данных, финансы спросили про стоимость владения на три года. Ниже — почему в России внедрение ИИ идёт преимущественно через локальный контур, сколько это стоит и где обычно ломается интеграция.
Сначала цифры, потому что они меняют разговор с руководством. По данным ВЦИОМ, уровень использования ИИ российскими организациями вырос с 20% в 2021 году до 43% в 2024-м, а в финансах, ИКТ, высшем образовании и ТЭК доля добралась до 66%. ComNews фиксирует те же 43% во II квартале 2025 года против 28% годом ранее.
Показательна структура этого роста. По данным ComNews, 71% крупных компаний уже применяют генеративный ИИ хотя бы в одной функции. При этом значительная часть из тех, кто запустил пилот, не доходит до промышленной эксплуатации. Разрыв между «попробовали» и «работает в продакшене» — это и есть та зона, где сгорают бюджеты.
Для конкурентной оценки ситуации это означает следующее: компании в производстве, финансах и логистике уже прошли этап экспериментов и считают эффект в часах и деньгах.
ИИ в закрытом контуре: почему выбирают on-premise
Основной драйвер перехода на локальные ИИ-модели лежит в юридической плоскости. Персональные данные клиентов, коммерческие условия договоров, конструкторская документация, себестоимость. Отправлять это во внешний API готовы немногие — и вопрос тут не в паранойе, а в 152-ФЗ и внутренних регламентах, которые придётся объяснять регулятору.
Есть и вторая причина, менее очевидная. Зарубежные сервисы для российских юрлиц недоступны официально, а серые схемы оплаты создают риск, что модель, на которой построен процесс поддержки клиентов, отключится в произвольный вторник. Собственный контур снимает эту зависимость.
Масштаб направления виден по деньгам: суммарный рынок кибербезопасности и ИИ-решений РБК оценивает в 469 млрд руб. в 2026 году с прогнозом роста к 2030-му. Безопасность и ИИ в России всё чаще покупаются и внедряются вместе.
On-premise ИИ имеет свою цену. Аппаратная инфраструктура для локального инференса остаётся дорогой статьёй — серьёзная GPU-конфигурация сопоставима по стоимости с несколькими инженерными позициями в штате, плюс нужны люди, которые умеют держать инференс под нагрузкой. Гибридная архитектура здесь выглядит практичнее жёсткого выбора: чувствительные данные обрабатываются локально, публичные задачи вроде генерации маркетинговых текстов уходят в российское облако.
Интеграция ИИ в корпоративные системы и RAG для бизнеса
Здесь — основная причина, по которой пилоты не превращаются в результат. По данным ComNews, сложность интеграции с корпоративными системами и неготовность данных входят в число главных барьеров при переходе от пилота к промышленной эксплуатации.
Механика простая. Языковая модель генерирует текст на основе того, что ей доступно. Ценность появляется, когда она видит данные компании: карточки сделок в CRM, остатки в ERP, договоры в ECM, тикеты в Service Desk, регламенты в базе знаний. За это отвечает RAG — поиск по корпоративным документам с последующей генерацией ответа. Модель не хранит ваши регламенты, она читает их в момент запроса и отвечает по найденным фрагментам.
Три места, где RAG для бизнеса ломается чаще всего:
- Документы лежат в шести разных хранилищах, половина — в сканах без распознавания, актуальную версию регламента знает только Марина из юридического.
- Права доступа не проброшены в векторную базу, и менеджер по продажам через чат получает данные по марже, которых видеть не должен.
- Никто не измеряет качество ответов, поэтому спор «работает или нет» превращается в вопрос вкуса.
Собрать это внутри силами одного энтузиаста реально до первых десяти пользователей. Дальше начинается инженерия: пайплайн обновления индекса, разграничение доступа на уровне документа, логирование запросов для безопасников, тестовый набор из ста реальных вопросов с эталонными ответами. Обычно на этом этапе компании подключают внешнюю команду, потому что нанять MLOps-инженера в штат под одну задачу дороже, чем взять готовую архитектуру и потом забрать её на поддержку.
Экономика внедрения: сколько это реально стоит
Несколько ориентиров для разговора с финансовым директором. Доля ИИ в IT-расходах выросла с 4% в 2023 году до 8–10% в 2026-м, по оценке РБК. Суммарные затраты крупных и средних организаций на ИИ в 2024 году составили 90,3 млрд руб., причём около 90% расходов сосредоточились в пяти отраслях, а лидировал финансово-страховой сектор — 62,9%, или 56,8 млрд руб. Это данные CNews.
Рынок генеративного ИИ в России Ведомости оценивают примерно в 58 млрд руб. по итогам 2025 года. Прогнозы на 2030 год существенно расходятся у разных аналитиков, но рост спроса фиксируют все источники. Это практически означает, что стоимость квалифицированных специалистов будет расти вместе со спросом.
Как считать совокупную стоимость владения локального решения. В неё входят четыре статьи: железо или аренда GPU в российском облаке, работа по интеграции и RAG, поддержка и обновление моделей, обучение сотрудников. Конкретные диапазоны сильно зависят от числа пользователей, выбранной модели и глубины интеграции с корпоративными системами — без этих параметров любая цифра будет неточной. Последний пункт недооценивают систематически, хотя без него внедрение упирается в то, что люди просто не заходят в новый инструмент.
Считать окупаемость честнее всего в часах. Сколько минут менеджер тратит на поиск ответа в регламентах, сколько заявок первой линии закрывается без человека, сколько времени уходит на подготовку коммерческого предложения. Умножаете на стоимость часа и количество сотрудников. Если экономия не превышает стоимость владения хотя бы вдвое, сценарий выбран неудачно — и лучше поменять сценарий, чем защищать бюджет.
Генеративный ИИ в российском бизнесе: отрасли и сценарии
По отраслям в 2025 году, по данным ComNews, по масштабу внедрения лидировали производство (31%), энергетика (18%) и финансы (16%). Опрос VK и Prognosis, который приводит Forbes, даёт 70% компаний, применяющих ИИ в работе.
Средний бизнес также наращивает использование. По исследованию, опубликованному на ICT.Moscow, 53% МСП применяют ИИ в работе, а доля тех, кто не использует, сократилась с 84% в 2025 году до 47% в 2026-м. Самые популярные сценарии: маркетинг и продвижение (63%), анализ рынка и стратегия (61%), разработка новых продуктов (52%).
Обратите внимание на структуру этого списка. МСП начинают с задач, где ошибка модели стоит дёшево и проверяется глазами за минуту. Это разумная последовательность и для крупной компании: сначала внутренние сценарии с человеком на выходе, потом клиентские процессы, и только затем автономные агенты, принимающие решения без проверки.
С чего начинать: контролируемый ИИ без лишнего героизма
Практическая последовательность, которая работает. Выбираете один процесс с измеримой метрикой и большим объёмом повторяющихся операций. Собираете тестовый набор реальных запросов до начала разработки. Определяете, какие данные вообще не покидают контур, и от этого выбираете архитектуру. Считаете стоимость владения на три года, а не на пилот.
Технический контроль над ИИ-решением в корпоративной практике означает конкретную вещь: вы управляете моделью, данными и точкой отказа. Российские открытые модели и open-source решения — в частности, семейства моделей от Сбера, Яндекса и ряда академических проектов — дают такую возможность уже сейчас. Качество генерации на русском языке за последние два года выросло до уровня, приемлемого для внутренних корпоративных задач: обработки регламентов, ответов по базе знаний, классификации обращений.
Сложность в том, что стек собирается из десятка компонентов: модель, векторная база, оркестрация, коннекторы к CRM и ECM, слой прав доступа, мониторинг качества. Каждый выбор влияет на остальные, а переделка на середине пути обходится в два-три месяца. Здесь внешняя команда с готовыми шаблонами интеграции экономит не столько деньги, сколько календарное время, которое в конкурентной гонке стоит дороже.
Есть ли смысл в локальной модели, если она слабее топовых зарубежных?
Для большинства корпоративных задач разница в качестве базовой модели перестаёт играть роль, потому что ответ формируется по вашим документам через RAG. Точность зависит от того, как подготовлены данные и настроен поиск. Локальная модель среднего размера с хорошим индексом отвечает по регламентам точнее, чем сильная модель без доступа к вашим данным.
Мы попробовали, сотрудники перестали пользоваться через месяц. Почему?
Обычно инструмент живёт отдельно от рабочего места. Если менеджер работает в CRM, а за ответом идёт в отдельный чат, он перестанет ходить. ИИ должен появляться внутри той системы, где человек уже проводит день, и отвечать быстрее, чем поиск по папке. Второй фактор: отсутствие обратной связи. Без кнопки «ответ неверный» и разбора таких случаев качество не растёт.
43% в статистике и 71% крупных компаний: какой цифре верить?
Обеим, они про разное. 43% относится к использованию ИИ-инструментов в целом по широкой выборке организаций, включая небольшие. 71% касается крупного бизнеса и включает любое применение генеративного ИИ хотя бы в одной функции. Для практического сравнения точнее смотреть на долю компаний, переведших ИИ в промышленную эксплуатацию — она существенно ниже обеих цифр.
Рост с 20% до 43% за три года и данные по крупному бизнесу складываются в один вывод: технология доступна, узкое место находится в данных, правах доступа и связке с корпоративными системами. Разумный порядок действий: один процесс, измеримая метрика, чёткая граница контура, расчёт стоимости владения на три года. Если нужна оценка архитектуры под ваш ландшафт — приходите с описанием процесса и списком систем.
