SML провели исследование ИИ-трендов: что думают российские ИТ-эксперты

Сегодня компании, двигаясь по пути цифровизации, активно ищут возможности применения ИИ: автоматизируют рутинные задачи, переводят часть процессов на «автопилот» и стремятся сделать сервис для клиентов максимально быстрым и удобным. 

Исследование SML среди ИТ-экспертов выявило четыре ключевых тренда, которые могут определить развитие ИИ в бизнесе в ближайшие два года и помогут компаниям эффективнее использовать эти технологии.

1. Генеративный ИИ: переход от хайпа к охлаждению ожиданий

Интерес бизнеса к генеративному искусственному интеллекту (GenAI) растет уже больше двух лет. Развитие GenAI и больших языковых моделей (LLM) выходит на первый план и дополняет традиционные решения — ML, CV (Computer Vision), предиктивную аналитику. 

Классические ИИ-модели сейчас находятся на плато продуктивности и перестали восприниматься как нечто инновационное. Они прочно вошли в список инструментов, которые используются для создания бизнес-систем.
С генеративными моделями ситуация иная — здесь мы пока на волне хайпа. Благодаря стремительному развитию технологий и демократизации ИИ компании все чаще внедряют такие решения в бизнес-процессы: корпоративный поиск, анализ и генерацию документов, автоматизацию рутинных задач. 

Однако, по прогнозам экспертов, в ближайшие два года рынок ожидает переход от фазы ажиотажа к этапу накопления практического опыта и некоторого охлаждения ожиданий. Бизнес будет фокусироваться на реально работающих кейсах с измеримым экономическим эффектом.

Основная тенденция — накопление знаний о том, как использовать генеративный ИИ на практике. Именно повышение эффективности и сокращение рутины становятся главными драйверами внедрения сегодня. В условиях современных вызовов, связанных с кризисом и сокращением ИТ-бюджетов, все большее значение приобретает объективная оценка экономического эффекта от интеграции решений с генеративным искусственным интеллектом.

Федор Медведев, руководитель практики поисковых систем Naumen:

«Бизнес сейчас находится в состоянии ожидания чуда от результата работы генеративки. Это приводит к тому, что заказчикам крайне трудно сформулировать реальные ожидания и ограничения системы, которая планируется к разработке и внедрению.

Мне доводилось видеть на достаточно крупном предприятии такое бизнес-требование: система должна с точностью не менее 99,5%  отвечать на любой запрос по неизвестному заранее массиву технологической документации объемом в несколько терабайт. В такой постановке задача не решаема: чтобы подойти к ее решению, нужно проанализировать частотные кейсы запросов, обработать входные документы и провести PoC-пилот. 

Соответственно, сейчас рынок проходит этап осознания реальных границ применимости моделей, а также накопления базы бизнес-эффектов внедрения ИИ».

Рынок ИИ сегодня выглядит слегка перегретым: за последние годы появилось много экспертов и компаний, обещающих быстрые и впечатляющие результаты — «внедрим, и все заработает». На практике же бизнес часто сталкивается с тем, что технологии оказываются сырыми, а потраченные бюджеты и усилия не приносят планируемого эффекта. Приходит разочарование: похвастаться реальными успехами сложно, а ожидания не совпадают с реальностью.

Сергей Карпович, директор по продуктовому развитию «T1 Искусственный интеллект» (входит в холдинг «Т1»):

«Сейчас рынок вступает в фазу ожиданий эффектов от внедрения технологий ИИ. В последний год снизился индекс готовности бизнеса использовать ИИ. Первоначальный хайп и завышенные надежды на ИИ сменяются более объективным взглядом. Многие компании провели пилоты, посмотрели на результаты и поняли — не все так хорошо: и данные нужны качественные, и работать с ними надо, и модели работают не так, как ожидалось».

Особенно это заметно в таких направлениях, как компьютерное зрение и интеллектуальная поддержка принятия решений. Здесь интеграция ИИ оказалась сложнее, чем предполагалось, а результаты — ограниченными.

Рынку известны примеры, подтверждающие этот тезис. Например, частая история в промышленности: камера снимает конвейерную линию, по которой движутся детали, и фиксирует дефект на одной из них. Как показала практика, остановка линии для извлечения дефектной детали обходится предприятию дороже, чем ее пропуск и отбраковка в самом конце.

Подобные примеры есть и в сфере интеллектуальной поддержки принятия решений. Допустим, на дашбордах руководителей отображаются прогнозы искусственного интеллекта. Они достаточно точны в условиях стабильной рыночной ситуации. Однако в текущих условиях о стабильности говорить не приходится. На цепочки поставок существенно влияют различные факторы: политическая ситуация, ключевая ставка, курс валют и другие. Это оказывает непредсказуемое воздействие на стратегию. Поэтому к прогнозам ИИ следует относиться с осторожностью и учитывать, что они построены на данных стабильного периода.

В этой ситуации важно не только совершенствовать технологии, но и формировать у бизнеса более реалистичные ожидания. Только так можно избежать разочарований и сделать внедрение ИИ действительно полезным инструментом, а не очередной модной, но бесполезной тратой ресурсов.

2. Развитие агентных ИИ и интеграция с векторными базами данных — новый уровень автоматизации и работы с уникальными знаниями

Согласно исследованиям, именно агентный ИИ выходит на первый план в 2025 году. Аналитическое агентство Gartner выделило его как основную технологическую тенденцию, а специалисты консалтинговой фирмы McKinsey назвали AI-агентов следующей важной ступенью эволюции технологий ИИ.

Эксперты отмечают, что для энтерпрайза характерно стремительное развитие агентных ИИ с интеграцией векторных баз данных. Такой подход позволяет компаниям не только автоматизировать рутинные процессы, но и работать с уникальными, закрытыми данными, которые из соображений безопасности не могут быть доступны для публичных моделей вроде ChatGPT.

Пример приводит Роман Смирнов, коммерческий директор «Девелоники» (ГК Softline): 

«В биофарме у компании может быть миллион записей клинических испытаний — это закрытые данные, которые никогда не публикуются. Создав векторную базу, можно выявлять скрытые взаимосвязи. Затем к этой базе подключается бот на LLM, который дает ответы, опираясь и на внутренние данные, и на возможности языковой модели». 

Такой симбиоз открывает новые горизонты для поиска инсайтов и принятия решений в сферах, где ценность данных критична — от фармы до промышленности.

Федор Медведев отмечает: 

«Кадровый дефицит, отток опытных сотрудников и рост стоимости труда на 20-25% в год в делают ИИ критическим инструментом для сохранения экспертизы и ее распространения в организации. 

Продвинутые системы векторного поиска учитывают семантику, контекст, иерархии и метаданные, и в связке с LLM позволяют извлекать точные фрагменты знаний, синтезировать ответы и предлагать действия на основе внутренних регламентов и накопленного опыта компании. Результат — рост производительности труда до 30% за счет сокращения времени на рутинные операции, ускорения онбординга и переиспользование экспертизы».

В 2025 появились новые технологические стандарты для агентных систем. Например, протокол MCP, который позволяет унифицировать коммуникацию между агентами и алгоритмами, а также свежий релиз Google с протоколом agent-to-agent, где агенты могут напрямую взаимодействовать друг с другом. Это поднимает автоматизацию на новый уровень. В качестве примера Google приводит следующий кейс: 

Менеджер по подбору персонала поручает цифровому рекрутеру найти кандидатов на открытую позицию. Используя протокол A2A, рекрутер может обратиться к другим специализированным агентам:

• один агент занимается поиском резюме на профессиональных сайтах;
• второй планирует интервью и синхронизирует календари участников;
• третий проводит проверку квалификации и истории трудоустройства кандидата.

Все эти шаги выполняются в тесной взаимосвязи, что заметно упрощает и ускоряет процедуру подбора персонала, освобождая человеческие ресурсы для других задач. Подобная синергия возможна благодаря способности агентов безопасно передавать информацию и координировать действия через единый протокол, независимо от того, кем были разработаны сами агенты.

Перспективы тренда очевидны: агентный ИИ и использование векторных баз становится драйвером отраслевой цифровизации, позволяя бизнесу находить новые источники эффективности и конкурентные преимущества.

3. Рост спроса на платформенные решения и комплексную инфраструктуру для ИИ

В 2025 году российский рынок ИИ переживает переход от разрозненных пилотов к системной работе с искусственным интеллектом. Еще одним трендом становится спрос на платформенные решения и комплексный подход к инфраструктуре. 

Согласно исследованию ИТ-трендов в России на 2025 от CNews, почти 60% компаний уже в этом году делают ставку на платформенные решения при построении ИТ-инфраструктуры, а еще четверть ожидают, что это станет массовым трендом в ближайшие два года. 

Как отмечают эксперты, компании устали от затрат на единичные проекты без масштабируемого эффекта и теперь стремятся создавать внутренние платформы, которые позволяют быстро тестировать гипотезы. Будущее — за внутренней инфраструктурой, которая позволит запускать десятки пилотов в год и фокусироваться на реальной окупаемости.

В ответ на эти запросы отечественные разработчики создают собственные MLOps-платформы, которые заменяют зарубежные решения и обеспечивают полный цикл управления ИИ — от сбора и подготовки данных до мониторинга и масштабирования моделей. 

Сергей Карпович:

«В 2022–2023 годах российские компании начали активно создавать инструментарий, который раньше брали у зарубежных компаний. Так появились MLOps-платформы, которые позволяют управлять ИИ, на замену иностранных SaaS и других продуктов. Такие платформы позволяют создавать модели буквально нажатием одной кнопки». 

Современные платформы включают компоненты для работы с LLM, RAG-системами, AutoML, поддерживают интеграцию с корпоративными контурами и отвечают высоким требованиям к безопасности данных.

Таким образом, на первый план при работе с ИИ выходят требования к масштабируемости, стандартизации и надежности инфраструктурных решений. Переход от разрозненных пилотов к платформенному подходу позволит компаниям не только ускорять внедрение ИИ, но и добиваться реальной бизнес-отдачи за счет гибкости, безопасности и интеграции с корпоративными системами.

4. Искусственный интеллект становится неотъемлемой частью процессов разработки ПО

В 2025 году искусственный интеллект все глубже интегрируется в процессы разработки программного обеспечения, трансформируя подходы к созданию, тестированию и сопровождению цифровых решений. Эксперты отмечают, что проникновение ИИ в процессы разработки будет постепенным, но неотвратимым.

Интеграция нейросетей в процессы разработки станет одним из ключевых конкурентных преимуществ на рынке. Эксперты убеждены, что компании, которые игнорируют этот тренд, рискуют оказаться в числе отстающих, ведь нейросети уже сейчас применяются повсеместно и задают новые стандарты эффективности и качества разработки.

Роман Смирнов:

«По нашим оценкам, внедрение ИИ в тестирование, аналитику и саму разработку дает прирост скорости от 20 до 50% за счет автоматизации рутины. 

Однако, массовое внедрение ИИ в разработку требует зрелой инфраструктуры, грамотной постановки задач и готовности компаний делиться кодовой базой с ИИ-инструментами. Клиенты не всегда готовы отдать свою кодовую базу искусственному интеллекту, но многие уже понимают, что за этим будущее». 

Эти тренды показывают, что искусственный интеллект перестает быть экспериментальной технологией и превращается в стратегический инструмент, обеспечивающий реальные конкурентные преимущества — от сокращения time-to-market до повышения качества цифровых продуктов. 

Однако за стремительным развитием ИИ и энтузиазмом бизнеса скрываются проблемы, сдерживающие масштабное внедрение технологии. Какие именно барьеры мешают компаниям? В следующем материале мы подробно разберем ключевые сложности внедрения ИИ на основе исследования SML и мнений ИТ-экспертов.