ИИ в бизнесе: одни компании получают эффект, другие застревают на пилотах

ИИ уже несколько лет в повестке. Почему именно 2026-й вы называете моментом истины?

Рынок прошел фазу «все попробовали» и вошел в фазу «все считают». На глобальном уровне это видно по скорости проникновения: по данным Stanford AI Index 2025, в 2024 году 78% организаций сообщали об использовании ИИ (против 55% годом ранее), а частные инвестиции в generative AI в 2024 году достигли $33,9 млрд. Это означает простую вещь: конкурентное преимущество теперь создает не сам факт наличия модели, а способность компании встроить ИИ в производственный контур и стабильно извлекать измеримый результат.

При этом рынок одновременно взрослеет и «трезвеет». В прогнозах по GenAI Gartner отдельно подчеркивал риск разрыва между PoC и промышленной эксплуатацией: заметная доля проектов не переживает переход к продакшену — из‑за качества данных, контроля рисков, стоимости владения и размыто сформулированной бизнес‑ценности. В 2026 году это стало почти универсальным паттерном: компании, которые научились считать эффект и управлять жизненным циклом решений, масштабируются; остальные накапливают витрину пилотов.

Если ИИ так востребован, почему многие компании застревают на PoC?

Причины обычно не в «плохой модели». Чаще — в том, что пилот не привязан к метрике, с данными все держится на ручных костылях, а в процессе не назначен владелец результата. Плюс поздно всплывает цена промышленной эксплуатации: безопасность, интеграции, мониторинг, поддержка, обучение пользователей.

Тогда что отличает компании, которые получают эффект?

Они строят не «проект про ИИ», а производственный контур. Успешный кейс — это четыре вещи:

1. понятная метрика и экономика,
2. данные как инженерный объект,
3. встраивание в процесс принятия решения,
4. управление жизненным циклом (качество, мониторинг, контроль рисков, обновления).

Как вы выбираете кейсы, которые действительно «пойдут в прод»?

Мы начинаем с простого: есть ли цена ошибки и цена улучшения. Если можно заранее посчитать, что даст снижение перерасхода, простоя, брака или времени обработки — кейс жизнеспособен. Например, в металлургии это очень наглядно: в конвертерном производстве стоимость ошибки — перерасход дорогих ферросплавов и риск не попасть в химсостав. Когда система рекомендаций помогает точнее дозировать добавки, эффект считается «в деньгах», а не в абстракциях: снижение расхода на 3–5% в отдельных производствах дает экономию уровня сотен миллионов рублей в год.

То есть ключ — задачи, где ошибка стоит дорого?

Да, но не только. Второй тип — где «дорого» стоит не ошибка, а время. Это отлично видно в цифровых сервисах и поддержке. Например, в проекте GenAI‑ассистента для разработчиков на портале банковских API задача была очень прикладная: разработчики теряли время в документации и перегружали поддержку типовыми вопросами. Ассистента встроили прямо в портал — он отвечает по базе знаний, приводит примеры, направляет к нужным разделам. В результате по покрываемым темам обращения в поддержку снизились примерно на 40%. Это и есть зрелый GenAI: не «чат ради чата», а ускорение интеграций и разгрузка команд.

А в «нецифровых» отраслях — в АПК, на производстве — ИИ тоже можно приземлить так же конкретно?

Часто там самая большая проблема — зависимость результата от человеческого фактора. Пример из АПК: определение готовности свиноматок к осеменению. Раньше специалисты вручную наблюдали реакцию животных — это трудозатратно и субъективно, особенно на больших объемах и в разных сменах. Мы перевели наблюдение в измеряемый контур с компьютерным зрением: камеры фиксируют поведение, алгоритмы определяют реакцию, формируется история по каждой особи. В итоге предприятие убирает ручной мониторинг и повышает точность выбора момента — а это напрямую связано с производственными показателями.

Многие ждут от GenAI «волшебной кнопки» для аналитики. Это работает?

Работает, если правильно выбрать место в процессе. На платформе для селлеров мы сделали GenAI‑аналитика: пользователь задает вопрос обычным языком, система строит запрос к витринам, проверяет логику расчета и возвращает ответ с визуализацией и пояснением. Там эффект проявился в операционных метриках: ответы за 3–5 секунд, снижение нагрузки на поддержку на 35%, рост retention на 22%, точность корректных запросов — 94%. По сути, ИИ меняет интерфейс взаимодействия с данными: вместо «собери отчет» — «задай вопрос».

Где еще хорошо «заходит» компьютерное зрение — кроме классических задач контроля качества?

Там, где бизнесу нужна воспроизводимая «объективная линейка». Например, в целлюлозно‑бумажной промышленности мы автоматизировали оценку объема древесины при приемке. Ручные замеры на масштабе дают и погрешности, и спорные ситуации с поставщиками. CV‑контур фиксирует штабеля, оценивает геометрию и характеристики, считает фактический объем. Это про скорость, прозрачность и снижение конфликтности в цепочке поставок.

А в тяжелой промышленности есть примеры, где ИИ реально заменяет дефицитную экспертизу?

Есть. Например, сортировка алмазов на линии. Раньше значительная часть контроля была ручной, обучение экспертов занимало больше года, а ошибка классификации напрямую влияла на стоимость продукта. Система на базе высокоскоростных камер в реальном времени определяет форму, цвет (до 10 оттенков) и качество, передает результаты в контур управления. По факту автоматизируется более 80% сортировки, точность в задачах — на уровне 85–97% в зависимости от класса.

Бывают процессы, где «в моменте» ничего не видно из-за инерции. ИИ тут помогает?

Это как раз территория прогнозных моделей. На обогатительной фабрике мы построили прогноз мощности мельницы полусамоизмельчения на несколько минут вперед с учетом технологических задержек. Дальше на базе прогноза формируются рекомендации по подаче руды и воды. Сейчас средняя ошибка прогноза — менее 10%, модель готова к пилоту онлайн‑рекомендаций. Ожидаемый эффект — до 3% снижения энергопотребления и 1–2% роста производительности. Важный момент: это не «аналитика постфактум», а управление до возникновения затрат.

Если свести все к одному принципу — что главное для индустриализации ИИ?

Относиться к ИИ как к части производственной системы. Он должен жить по тем же правилам, что и другие критичные системы: ответственность, безопасность, мониторинг, контроль качества, обновления, регламент действий при сбоях. В 2026 году выигрывают не те, кто сделал больше пилотов, а те, кто выстроил конвейер внедрения — от отбора задач с прозрачной экономикой до стабильной эксплуатации и масштабирования.

Какой финальный вывод вы бы оставили руководителю или собственнику?

ИИ — не «технология ради технологии». Это способ быстрее и точнее принимать решения в конкретных участках бизнеса — но только если вы готовы менять процесс, а не просто «прикручивать модель». Если в компании есть три вещи — измеримая метрика, качественный контур данных и владелец результата — ИИ почти неизбежно превращается в эффект. Если нет — он почти неизбежно превращается в коллекцию пилотов.