Что мешает российскому бизнесу использовать ИИ

Россия вступила в период быстрого роста ИИ (искусственного интеллекта), когда его использование в бизнесе становится массовым. Как показал опрос СТО (технических директоров. – «Ведомости. Инновации и технологии») 150 крупнейших компаний России, проведенный «Яков и Партнеры» совместно с «Яндексом», по каждой из них 88% компаний запустили пилотные проекты. При этом внедрение все еще отстает от разработки: около 18% вендоров и 29% индустриальных компаний считают, что Россия уже достигла уровня мировых лидеров по разработке ИИ-решений, тогда как по внедрению такие оценки дают 8% и 14% респондентов соответственно. 

Однако опрос Альянса в сфере искусственного интеллекта показал, что больше всего в контексте внедрения ИИ-решений бизнес волнует нехватка кадров, дефицит инфраструктуры и ее дороговизна и невозможность просчитать экономическую эффективность ИИ-решений. Что делать организациям, чтобы преодолеть эти барьеры? 

Люди

Острая нехватка специалистов по ИИ и низкий уровень практических компетенций остаются главным тормозом технологического рывка. И проблема эта не только российская: мировой рынок давно живет в условиях кадрового голода, где на каждого квалифицированного кандидата приходится в среднем три вакансии.

По данным МТС Web Services, 44% российских компаний напрямую заявляют, что им не хватает ИИ-специалистов. В отдельных отраслях цифры достигают критических значений: в промышленности – 60%, тяжелой промышленности – 69%, строительстве и ЖКХ – 61%, науке и образовании – 59%. Это не недостаток, а системный разрыв, который и определяет темп внедрения новых технологий.

Но ждать, когда рынок сам все отрегулирует, нельзя – и подход меняется. Минцифры запустило программы «Топ-ИТ» и «Топ-ИИ», выстроив модель подготовки кадров, куда вовлечены государство, вузы и бизнес. Вместе с Аналитическим центром при правительстве министерство запустило конкурс грантов для крупнейших вузов. «Сбер» выступает индустриальным партнером программы – до 2030 г. мы вложим 1 млрд руб. в развитие этой системы.

Крупный российский бизнес и самостоятельно растит кадры для ИИ-экономики через собственные образовательные программы, университеты, кафедры и магистратуры, работу со школами и олимпиадами. Школа анализа данных «Яндекса» выпускает сильных специалистов по работе с данными; «Сбер» и партнеры развивают специализированные программы в ведущих технических вузах; Т-банк строит Центральный университет, где готовит продуктовых менеджеров, аналитиков и ML-инженеров (инженеров машинного обучения. – «Ведомости. Инновации и технологии»); Альфа-банк объединяет образовательные инициативы на платформе «Альфа-будущее». Я убежден, что специалисты, которых мы готовим сегодня, станут основой тех процессов и продуктов, на которых бизнес будет стоять через пять-десять лет.

Если бизнесу нужны ИИ-компетенции уже сегодня, рекомендую прибегнуть к одному из трех решений: нанять опытных специалистов, сформировать команду студентов или переобучить собственных сотрудников.

Первый вариант практически неизбежен, потому что в любом случае потребуется несколько профессионалов – без компетентного ядра запуск ИИ невозможен. Можно пригласить одного сильного лидера и собрать под него небольшую команду или сразу перекупить готовую группу из 15–20 специалистов. Стоимость такого решения легко оценить: только зарплата «джуна» (начинающего специалиста. – «Ведомости. Инновации и технологии») в Москве составляет 300 000–400 000 руб. в месяц, не считая налогов, а зарплата «лида» (руководителя. – «Ведомости. Инновации и технологии») может достигать 1 млн руб. Команда из 20 специалистов с учетом перекупа обойдется примерно в 11,6 млн руб. в месяц, то есть 140 млн руб. в год. И это только начисления сотрудникам, до вычета НДФЛ. 

Формируя команду студентов, можно отбирать их, например, с помощью составленного Альянсом в сфере ИИ рейтинга вузов по качеству подготовки специалистов в этой области. Студентов придется доучивать под специфику компании, но при правильном отборе это рабочая и экономичная модель. Также нужны будут старшие специалисты из профильных подразделений компании. «Фабрика талантов» с привлечением, к примеру, одного «лида» и четырех «синьоров» (высококвалифицированных специалистов. – «Ведомости. Инновации и технологии») для работы и обучения 15 стажеров потребует 5,4 млн руб. в месяц, или 65 млн руб. в год.

Переобучить собственных сотрудников позволяют такие проекты, как ШАД (Школа анализа данных «Яндекса») или «Школа-21» «Сбера». У этого подхода свои плюсы и минусы: внутренние сотрудники хорошо знают предметную область, но им не хватает глубины в ИИ, внешние кандидаты, наоборот, сильны в технологиях, но не понимают бизнес-контекст. В обоих случаях потребуется не менее полугода, чтобы команда вышла на единый уровень. Чтобы переобучить 20 «мидлов» (сотрудников среднего уровня. – «Ведомости. Инновации и технологии») со специализацией Java / Python / Analyst и проиндексировать им зарплату после, потребуется примерно 22 млн руб. в год.

Какое бы решение бизнес не выбрал, базовое обучение по тому, что из себя представляют LLM (большие языковые модели. – «Ведомости. Инновации и технологии»), необходимо обеспечить всем сотрудникам. Параллельно важно сделать использование ИИ повседневной нормой: дать всей команде доступ к инструментам – от чат-ботов до решений для разработчиков. И пересматривать каждый продукт и процесс через призму новых возможностей, которые открывает искусственный интеллект. Только так появляется реальная возможность пройти путь ИИ-трансформации, а не ограничиться разрозненными инициативами.

Железо

Сегодня уже очевидно: массовое внедрение ИИ невозможно без перехода компаний к облачной инфраструктуре. Как указывает Nutanix в отчете Enterprise Cloud Index, быстрое распространение GenAI (генеративного ИИ. – «Ведомости. Инновации и технологии») индуцирует резкий рост спроса на облачную и гибридную инфраструктуру, потому что привычные дата-центры и on-premise (локальные серверы. – «Ведомости. Инновации и технологии») не справляются с вычислительной нагрузкой. Консалтинговая компания Gartner прогнозирует, что к 2027 г. около 90% всех корпоративных ИИ-нагрузок будут размещены в гибридных или полностью облачных архитектурах.

Выводы исследователей подтверждает простая математика. Стойка из восьми графических процессоров B200 в России обойдется российской компании примерно в 50 млн руб. Для среднего бизнеса этот ценник неподъемен. И даже после закупки оборудования проблему не решить: на GPU (графический процессор. – «Ведомости. Инновации и технологии») нельзя просто «повесить» нейросеть – модель нужно адаптировать под свои кейсы, обучать, поддерживать. Фактически для этого компания должна нанять целую команду специалистов.

Организациям, которые на это не готовы, остается только переход на облачную инфраструктуру, где стоимость вычислений прозрачна, подключение занимает минуты и можно сразу донастраивать модели под свои задачи.

Развитие рынка подталкивает компании именно в эту сторону. Потребители уже привыкли к качеству ИИ-сервисов в B2C – от голосовых ассистентов до умных рекомендаций – и начинают ожидать такого же уровня цифрового удобства от B2B-провайдеров: управляющих компаний, служб такси, ритейлеров, доставок. Чтобы соответствовать этим ожиданиям, корпоративным сервисам необходимо внедрять ИИ.

Это можно делать и on-premise (в периметре корпоративной сети. – «Ведомости. Инновации и технологии»), и в облаке, но экономика выбора очевидна. Я уверен, что развитие этого сектора приведет к тому, что между облачными провайдерами развернется конкуренция, а внутри самих облаков появятся готовые продукты, ориентированные на узкие B2B-кейсы. 

Деньги

Экономический эффект от внедрения ИИ в бизнес, кажется, уже стал общим местом, но свежие исследования приводят новые аргументы. Так, PwC’s 2025 Global AI Jobs Barometer демонстрирует, что в индустриях с высокой степенью ИИ-экспозиции рост выручки на одного работника в 2024 г. втрое превысил аналогичный показатель в «менее AI-интенсивных» секторах: +27% против +9%. По их же данным, с момента широкого распространения генеративного ИИ темп роста производительности в сильно ИИ-экспонированных отраслях увеличился почти в четыре раза – с 7% (2018–2022 гг.) до 27% (2018–2024 гг.).

Тем не менее, когда речь заходит о внедрении конкретных ИИ-инструментов, бизнес зачастую начинает пробуксовывать. Главная причина в том, что эффект сложно просчитать заранее. Руководителям приходится опираться на гипотезы, а стратегические решения нередко принимаются как ставка на технологическое будущее, а не как проект с четким ROI (коэффициентом рентабельности инвестиций. – «Ведомости. Инновации и технологии»). Пугает управленцев и риск неэффективных и дорогих вложений: ошибочный ИИ-проект легко оборачивается десятками миллионов потерь.

Глобальное исследование BCG демонстрирует, что лишь 26% компаний получают заметную отдачу от инвестиций в ИИ.

Я убежден, что подход к выбору ИИ-проектов должен быть прагматичным. Чтобы помочь российским компаниям, Альянс разработал методологию оценки финансовой эффективности ИИ-проектов. Это первый в России стандартизованный инструмент, и его использование позволяет бизнесу перейти от принятия решений на основе интуиции к системной оценке экономического эффекта. Методика описывает структуру оценки: какие виды эффектов учитывать (снижение затрат, рост доходов, ускорение процессов, снижение рисков), как фиксировать базовые метрики «до» и «после», как проводить пилоты и A/B-тесты (метод исследования, при котором сравнивают два варианта одного элемента. – «Ведомости. Инновации и технологии») и как учитывать полный состав затрат – от инфраструктуры до обучения людей. Документ дает процедуру, по которой можно принимать решения, сравнивать проекты и масштабировать самые успешные из них. 

При этом нужно понимать, что нельзя сразу интегрировать ИИ в core-процессы (фундаментальные бизнес-процессы. – «Ведомости. Инновации и технологии»). Компаниям следует начинать внедрение ИИ с «низковисящих фруктов» – отдельных инициатив, которые дают быстрый и измеримый эффект при минимальных затратах ресурсов.

Такие проекты создают доверие к технологии и позволяют накопить экспертизу. Но точечные улучшения не меняют компанию. Чтобы действительно повысить эффективность, ИИ должен привести к изменению самой операционной модели. Характерный пример – трансформация корпоративного кредитования в «Сбере». Процесс, который занимал у нас 40 дней и, казалось, его нельзя радикально ускорить, был переосмыслен целиком. Целью было сократить срок до 15 дней, но в результате – благодаря применению ИИ – сейчас он занимает 7 мин. Такой эффект возможен только тогда, когда организация созрела для пересмотра базовой логики процессов, а не просто для их оптимизации.

Как и с любой технологией, компании с точки зрения их подходов к внедрению ИИ можно разделить на три категории. Первая – early adopters (ранние последователи. – «Ведомости. Инновации и технологии»), те, кто уже активно использует ИИ: им объяснять ничего не нужно. Вторая – отстающее меньшинство, которое будет «сопротивляться» до последнего. И третья категория, самая значимая, – колеблющаяся середина. Эта аудитория хочет пробовать технологии, но ей нужны не абстрактные демонстрации, а специальные продукты, которые снимают конкретные боли.

Разработчикам нужно предлагать бизнесу не выдуманные сценарии, а реальные решения сложных, затратных, рутинных задач. Революция LLM (языковых моделей. – «Ведомости. Инновации и технологии») началась в B2C, но настоящая ценность – в B2B, поэтому рынок движется в сторону «приземления» моделей в конкретные отраслевые инструменты. Период экспериментов прошел, настало время решения реальных бизнес-задач с помощью ИИ.