Эксперты отрасли рассказали SML, почему буксуют ИИ-проекты в Enterprise

ИИ — один из главных технологических трендов последних лет. Ожидания в бизнесе высоки, но внедрение решений на его основе оказывается далеко не простым процессом: где-то не хватает качественных данных, где-то сложно найти подходящую задачу или оценить экономический эффект. Мы провели исследование и поговорили с ведущими экспертами из крупных компаний IT-рынка. В статье рассказываем, с какими барьерами сталкивается бизнес на практике и почему проекты с внедрением ИИ часто буксуют. 

Проблема 1. Высокий порог входа при внедрении ИИ-решений

Одной из ключевых проблем внедрения ИИ эксперты называют высокий порог входа. Даже если бизнес заинтересован в технологиях, большинство компаний сталкиваются с тем, что для старта нужны значительные ресурсы, сложная подготовка данных и перестройка процессов. 

Татьяна Павлова, заместитель директора по развитию бизнеса в сфере информационных систем и интеграционных решений К2Тех: 

«Посчитать экономический эффект от внедрения искусственного интеллекта сложно, но это лишь одна сторона медали. Кроме этого, требуются значительные подготовительные мероприятия: нужно обучить сотрудников новым процессам, подготовить данные, вложиться в вычислительные мощности. Дополнительно встает вопрос безопасности данных. Если речь идет об on-premise решениях, то стоимость внедрения и поддержки крупных моделей на собственной инфраструктуре очень высока. Для небольших кейсов это просто невыгодно».

Вторая сторона проблемы кроется в поддержке и эксплуатации решений. 

Самая большая сложность — это доступ к инфраструктуре, особенно когда речь идет про генеративный ИИ — видеокарты стоят недешево, необходимо закупать сервера и оборудование, настраивать соответствующую инфраструктуру в компании. 

Отдельный вызов — поддержка LLM. Модели регулярно обновляются (частота может достигать ежемесячных релизов), что создает дополнительные операционные издержки. Компаниям приходится либо полагаться на поддержку вендора, либо выстраивать внутренние процессы для мониторинга и актуализации моделей. 

В экспертном сообществе все чаще звучит критика в адрес развития российских LLM: ключевой проблемой называют отсутствие современной инфраструктуры и зрелых SaaS-решений, которые уже стали стандартом на Западе.

Демьян Грин, генеральный директор и основатель сервиса автоматизации коммуникации с клиентами «Лия»:

«На российском рынке по сути представлены лишь две крупные модели. Обе они страдают от ограниченного API и недостаточно проработанных инструментов для интеграции в бизнес-процессы. Работа с этими моделями зачастую неудобна для корпоративных клиентов, а альтернатив практически нет, что сдерживает развитие и усиливает технологическое отставание от мировых лидеров. В итоге, российские LLM-модели пока не могут конкурировать с западными аналогами ни по универсальности, ни по качеству инфраструктуры.»

Проблема 2. Дефицит данных: разрозненность информации тормозит внедрение ИИ

Нехватка данных для обучения моделей — это еще одна регулярная проблема всех, кто внедряет и разрабатывает решения с ИИ. Gartner прогнозирует, что уже в скором времени более 80% компаний столкнутся с трудностями при интеграции ИИ из-за фрагментированных или некачественных данных.

Эксперты отмечают, что главная проблема — даже не отсутствие данных как таковых, а их разрозненность и нежелание бизнеса делиться ими. Многие компании накапливают большие объемы информации, но она «заперта» в устаревших системах, локальных базах и неструктурированных архивах. Данные, которые имеются, непригодны для ИИ без длительной и дорогостоящей подготовки — очистки, интеграции и даже перестройки IT-инфраструктуры. Из-за этого невозможно обеспечить качественное обучение AI/ML-моделей.

Проблему усугубляет закрытость компаний: Сергей Дутов, директор по инновациям «Сколково», на конференции Conversations 2025 отметил, что компании не хотят делиться данными с конкурентами, предпочитая on-premise решения. Это резко увеличивает затраты. Без общих отраслевых массивов данных обучение моделей становится попыткой собрать пазл без важных деталей. В итоге проекты либо застывают в «цифровой пустоте», либо превращаются в дорогостоящие и бесконечные инициативы по оцифровке устаревших данных.

Илья НОВОСЕЛЬЦЕВ, директор по новым разработкам РУБИУС: 

«У нас есть потенциально очень много кейсов, которые можно было бы решать с помощью ИИ. Но для них нужна оцифрованная историческая база — что происходило, когда, но, к сожалению, немногие предприятия обладают полностью оцифрованными процессами и историческими данными. На моей практике — это одна из самых частых проблем незапуска проектов, больше 50% проектов буксует  по этой причине. Данных нет, надо оцифровывать и в итоге запускается совершенно другой проект по попытке оцифровать эти данные — либо накопить новые, либо эти перевести, а это уже не задача ИИ. И это не отвечает задачам времени, сейчас компании нужны быстрые результаты на основе того, что доступно уже сегодня для работы». 

Проблема 3. ИИ-агенты для enterprise: готова ли к ним российская ИТ-инфраструктура

Сегодня рынок движется в сторону быстрого создания решений, ожидания Chat GPT5 и веры в скорый приход AGI (общего искусственного интеллекта), который в десятки раз ускорит темпы научных открытий и станет своего рода «серебряной пулей» для решения всех проблем бизнеса, да и человечества в целом. 

С появлением ассистентов и агентов произошла смена парадигмы: теперь агенты способны самостоятельно выполнять цепочки действий и принимать решения, что приводит к необходимости адаптации платформ управления данными и инструментов под их нужды. 

Основная проблема — отсутствие готовых решений для работы агентов с данными, а также разрыв между подходами специалистов по AI и ML и энтерпрайз-сегмента. Новые агентские фреймворки, который сейчас показывают взрывной рост популярности, страдают от «детских болезней»: не учитывают вопросы безопасности, валидации и управления артефактами, что критично для корпоративных клиентов. 

Антон Балагаев, директор по ИИ и экспертным решениям Arenadata:

«Появление ассистентов и агентов требует адаптации платформ управления данными под новые сценарии. Агенты общаются друг с другом напрямую, а весь энтерпрайз живет в парадигме работы через шину, очереди, когда можно безопасно валидировать и разводить артефакты. Этот диссонанс сейчас возникает по причине того, что работа над агентскими фреймворками ведется специалистами из области ML, а это больше исследователи, для которых скучны такие понятия как трансфер данных, ETL и прочее. »

Процесс решения задачи адаптации фреймворков под корпоративного клиента идет. У Microsoft, например, есть открытый и масштабируемый фреймворк AutoGen, который обладает продвинутой архитектурой с поддержкой асинхронного взаимодействия агентов, гибкостью расширения, встроенными инструментами наблюдения и безопасности. Благодаря этому AutoGen позволяет применять современные меры безопасности и строить комплексные распределенные системы. 

Для успешной реализации агентов сегодня необходим гибридный подход, который сочетает в себе передовые AI-технологии с проверенными методами разработки крупных корпоративных систем. Успех будет сопутствовать тем, кто сможет сделать свои платформы действительно «готовыми к ИИ» и обеспечить стабильную работу агентов в сложных бизнес-сценариях.

Проблема 4. Дефицит специалистов, способных связать ИИ и бизнес-задачи

После экономического спада и ухода западных компаний на рынке освободилось много айтишников, но несмотря на это спрос на специалистов в сфере AI/ML сохраняется. Однако он смещается: востребованы либо высококвалифицированные архитекторы и тимлиды с глубоким пониманием ИИ, либо, наоборот, дешевые исполнители, способные быстро реализовывать типовые задачи. При этом наиболее остро ощущается нехватка «гибридных» специалистов — тех, кто умеет говорить на языке бизнеса и при этом хорошо ориентируется в возможностях и ограничениях современных ИИ-решений.

Чтобы успешно решать задачи цифровизации с помощью ИИ, нужно понимать, какие модели применимы к конкретной задаче, какие ограничения есть и какого результата можно ожидать. Аналитик должен понимать, что для одной задачи модель подходит, а для другой — даже не стоит пытаться. Именно этот мост между технологиями и реальными бизнес-задачами пока остается слабым звеном во многих компаниях.

Владимир Свистунов, руководитель направления аутстаффинга SML:

«Мы видим растущий запрос на ИИ-компетенции для непрофильных специалистов, в первую очередь — у бизнес- и системных аналитиков, потому что у заказчиков внутри техкоманд есть реальная потребность в «связующих звеньях» между бизнесом и центром компетенций по ИИ”.

В то же время сохраняется классический дефицит специалистов по Data Science, Data Engineering и архитекторов, особенно для крупных и сложных проектов. Плюс на рынке появляются новые роли — промпт-инженеры, тренеры моделей и другие. Освоить эти профессии зачастую проще, чем кажется. На них легко переучиться, и это не требует глубоких технических знаний. Важно уметь быстро осваивать новые инструменты и быть готовым к постоянному обучению.

Создание ИИ-решения — сложный многоэтапный процесс, который задействует целую цепочку специалистов: аналитиков, моделистов, инженеров по машинному обучению, специалистов по подготовке данных, инженеров по развертыванию и разработчиков, отвечающих за перевод решений “в прод”. 

Александр Карабасов, CEO SML: 

«В крупном бизнесе задачи цифровизации и внедрения ИИ часто выглядят как список идей, где это могло бы быть применено — в самых разных сферах: от проектирования и генерации 3D-моделей квартир у застройщика до контроля качества разговоров в департаментах продаж банков. Идей много, и они разнообразны.

В этом контексте аутстаффинг ML-инженеров, аналитиков, data-архитекторов и специалистов по развертыванию моделей становится эффективным решением. Он позволяет гибко масштабировать команду, оперативно подключать нужных экспертов и запускать ИИ-проекты быстрее. Взяли команду, выдали пачку гипотез — AI-инженеры пришли с решениями. Если идея подтверждается — можно развивать дальше, если нет — команду легко отключить".

Для многих крупных компаний такой подход — это не просто способ экономии, а стратегический инструмент: он снижает барьеры для экспериментов с ИИ и позволяет действовать быстрее, чем конкуренты, полагающиеся исключительно на внутренние ресурсы.

Проблема 5. Внедрение ИИ — зона экспериментов, а не отлаженный процесс

Внедрение AI/ML в компаниях сегодня больше похоже на научно-исследовательскую деятельность, чем на отлаженный производственный процесс. Главная причина — отсутствие накопленной базы кейсов с подтвержденным бизнес-эффектом, особенно в генеративном ИИ. Большинство проектов находятся на стадии экспериментов и осмысления его потенциальных возможностей в практическом ключе. 

Эксперты отмечают, что бизнесу пока сложно рассчитывать на быстрый и гарантированный эффект от AI/ML. В отличие от классических ИТ-проектов, где можно четко определить сроки, бюджет и ожидаемый результат, внедрение ИИ требует множества проб, ошибок и постоянной корректировки подходов.

Михаил Меньшинский, CEO Umbrella IT: 

«В случае с реально уникальными кейсами, способными дать конкурентное преимущество бизнесу, самая большая трудность — это неспособность сделать прогноз на разработку, которая свойственна стандартной проектной деятельности — сроки, качество, бюджет. Работа с AI/ML — это скорее R&D, чем производственный процесс. Здесь успех кроется в количестве и качестве экспериментов, смене подходов в процессе поиска решения, чтобы в конце концов разработанный продукт дал ожидаемый эффект».

В крупных компаниях создаются ИИ-лаборатории и инкубаторы, потому что интерес к теме высокий. Это позволяет проводить быстрые эксперименты, запускать пилотные проекты, формировать портфолио кейсов и оперативно адаптировать ИИ‑решения под конкретные задачи компании. Однако за бурным интересом нередко следуют трудности на этапе поиска реальных бизнес-проблем, которые поддаются автоматизации с экономическим эффектом. 

Оксана Хлыстова, директор программ департамента акселератора MWS AI (входит в МТС Web Services): 

«Сейчас рынок перегрет: вокруг множество экспертов, обещающих, что быстро все »полетит«, поэтому проекты реализуются любой ценой. В результате у клиентов складывается ощущение, что ИИ — технология сырая и переоцененная, реальные результаты на конференциях никто не презентует, только кейсы. Нам в МWS AI важно изменить эту ситуацию: необходимо формировать реалистичные ожидания у акционеров, защищать их от завышенных обещаний и помогать выстраивать системные процессы — только так компании смогут управлять ИИ-продуктами осознанно, чтобы регулярно достигать те самые большие эффекты от ИИ, которые прогнозируют крупные консалтинговые компании в своих отчетах».

Таким образом, сегодня успех AI/ML зависит от готовности компаний инвестировать в исследования, на потоке тестировать гипотезы и гибко реагировать на результаты пилотов.

Проблема 6. Доверие к выводам и безопасность ИИ 

Генеративные ИИ-системы обладают впечатляющими возможностями, но их главная проблема — склонность к галлюцинациям. Модели могут уверенно выдавать неправдивую или неточную информацию. Это подрывает доверие к их выводам и делает их применение в бизнесе рискованным, особенно в критически важных процессах. 

Кроме того, вопросы безопасности, конфиденциальности и контроля над данными становятся все более актуальными: ИИ может не только ошибаться, но и создавать новые векторы угроз.

Несмотря на новизну технологий, базовые принципы безопасности и управления данными остаются прежними. Антон Балагаев отмечает:

«Другой мир, не значит другие правила. Если в enterprise мы опирались на безопасность, четкость, понятные парадигмы взаимодействия и архитектуры, в новом мире все будет точно так же. Безопасность будет строиться по тем же лекалам и правилам, транспорт данных — по тем же принципам. Сейчас мы наблюдаем определенный хаос, потому что решения часто создают не инженеры, а исследователи. Это временное явление, и оно, безусловно, должно вызывать беспокойство. Важно заранее понимать, как выстроить переход от текущего состояния к организованной и безопасной работе с ИИ».

Сегодня, когда хайп вокруг ИИ постепенно спадает, бизнесу необходимо задавать трезвые и даже неудобные вопросы о рисках, безопасности и управляемости новых решений. Только такой осознанный подход позволит избежать типичных ошибок внедрения и обеспечить устойчивое развитие ИИ в корпоративной среде.