Александр Ефимов: бизнес перестал «щупать» ИИ и начал на нем зарабатывать

— Как вы оцениваете объем рынка ИИ в России в 2025 году и динамику его развития в 2026?

В совокупной оценке рынка мы ориентируемся на данные Ассоциации больших данных. Согласно опубликованному в ноябре 2025 года исследованию, рынок больших данных и искусственного интеллекта за 2025 год оценивался в 520 млрд руб. Данная оценка включает в себя инфраструктуру, прикладное и аналитическое программное обеспечение, консалтинговые услуги, дата-продукты и услуги по разметке данных.

Это немного ниже взрывных темпов роста 2025 года, когда сегмент генеративного ИИ вырос в 5 раз, и обусловлено переходом от пилотов и экспериментов к прагматичной интеграции ИИ в бизнес.

— Какие отрасли и бизнес-функции формировали основной спрос в 2026 г.

В портфеле проектов ИИ в GlowByte традиционно преобладали запросы компаний финансового сектора и телекома, а также сектора товаров народного потребления и агропромышленного комплекса. Основной спрос был на задачи, связанные с поддержкой и клиентским сервисом, прогнозированием спроса и учетом факторов, влияющих на спрос, построением рекомендательных систем, а также созданием инфраструктуры и платформ для корпоративной работы с генеративным ИИ.

— Как изменилась структура проектов: чего стало больше — пилотов или масштабирования?

В области генеративного ИИ мы наблюдаем сдвиг в сторону масштабирования пилотов и реализации прикладных кейсов. В 2023—2024 гг. преобладали пилоты — в нашем портфеле доля таких проектов достигала 80%. В 2025 году тенденция изменилась кардинально. Теперь наши клиенты хотят не пилот, а результат — автоматизацию процесса, реализацию приложения или агента, приносящего измеримый результат. В 2025 году доля пилотов в нашем портфеле не превышала 20%. Пилоты с целью пощупать технологию и поискать сценарии применения более не актуальны — на рынке уже много примеров, как технологию можно использовать, и клиенту достаточно выбрать наиболее актуальное применение для себя. С технологической точки зрения наиболее распространенным сценарием стало применение RAG (Retrieval-Augmented Generation — генерация с извлечением информации из внешнего источника) для работы с корпоративными коллекциями документов. С прикладной точки зрения RAG используется для построения помощников по вопросам технической поддержки, маркетинговых, кадровых и юридических служб. В 2026 году мы ожидаем дальнейшее снижение доли пилотов и рост проектов с четкой дорожной картой масштабирования.

— Назовите топ-3 драйверов внедрения ИИ в 2025—2026 гг.

Во-первых, переход к измеримому экономическому эффекту. Компании переходят от пилотов к масштабированию, там, где ИИ дает понятный результат: рост выручки, снижение издержек, ускорение процессов. В проектах GlowByte пилот стал лишь одним из этапов проекта, но не самоцелью.

Во-вторых, образовательная поддержка. Компании, инвестирующие в обучение сотрудников, быстрее масштабируют пилоты и переходят к тиражированию. Так, под конец 2025 года у нас существенно выросло количество запросов на обучение ИИ в Академии «ГлоуБайт», в частности, на стратегические сессии, в рамках которых мы погружаем в технологии ИИ, учим промпт-грамотности и вырабатываем будущие инициативы внедрения ИИ для конкретной компании.

В-третьих, доступность генеративного ИИ. Появление отечественных моделей (таких как GigaChat, YandexGPT и т. п.), доступность open source (с открытым исходным кодом) моделей в российских облачных провайдерах, а также возможность их установить в локальном контуре позволяет начать использовать ИИ в компаниях разного уровня зрелости и требований безопасности в области ИИ. Так, у нас в GlowByte одним из самых востребованных запросов от клиентов стал запрос на построение корпоративного ИИ-портала с доступом как к облачным моделям, так и развернутым локальным моделям.

— А топ-3 барьеров?

Во-первых, дефицит квалифицированных кадров. Работающее ИИ-решение — это не только разработать и обучить ML (модель машинного обучения) или LLM-модель (большая языковая модель), но также встроить ее в бизнес-процессы, обеспечить ее эксплуатацию и стабильность результатов. Несмотря на рост числа специалистов, продолжает наблюдаться дефицит ML и LLM-инженеров, инженеров данных, ML/LLMOps-консультантов (операционное управление большими языковыми моделями), DevOps-инженеров (специалисты по разработке и эксплуатации). Особенно остро эту нехватку чувствуют крупные компании с высокой степенью зрелости в области ИИ.

Во-вторых, низкая ИИ-грамотность и консерватизм. С одной стороны, доступность технологии генеративного ИИ и воодушевляющие результаты персонального использования таких моделей могут создавать ошибочную уверенность в простоте внедрения ИИ в корпоративные процессы. С другой стороны, успешное внедрение ИИ в компании требует выравненности между бизнесом, ИТ, юридической службой, финансовой функцией, службой безопасности, в то время как внутри компаний и отдельных функций может сохраняться скепсис к передаче принятия решений алгоритмам.

В-третьих, окупаемость кейсов и возврат инвестиций. Пилотные проекты часто демонстрируют успехи. Переход к промышленной эксплуатации требует перестройки существующих ИТ-ландшафтов, интеграции с действующими системами, обеспечения надежности и безопасности. Это сложная организационная и техническая задача, к которой многие оказываются не готовы ввиду высокой стоимости таких изменений. Кроме того, бизнесу зачастую ставят повышенные KPI по результатам внедрения ИИ, тем самым отбивая желание внедрять технологии ИИ.

— Какие технологические тенденции вы считаете ключевыми в 2026 году в России?

В 2026 году мы наблюдаем переход от фазы экспериментов с ИИ к фазе промышленной эксплуатации и жесткой борьбы за эффективность. Для российского рынка я бы выделил несколько ключевых тенденций.
Первая — движение от LLM к SLM (Small Language Models) и отраслевым моделям. Универсальные модели начинают уступать место компактным, специализированным. Бизнес понимает, что для конкретной задачи не нужны триллионы параметров. SLM быстрее, дешевле в инференсе и надежнее с точки зрения безопасности, так как их можно разворачивать в локальных контурах без отправки данных во внешние периметры.

И здесь я бы выделил еще один важный вектор — возможности, которые дают современные агенты на базе передовых моделей. С их помощью можно быстро и просто создавать корпоративные приложения, автоматизирующие множество функций. Это, с одной стороны, позволяет быстро закрывать текущие задачи. С другой — они способны вытеснять большие корпоративные системы. Например, у нас в GlowByte буквально за несколько недель была разработана новая, более удобная система актуализации резюме сотрудников, интегрированная с системой учета рабочего времени. Это в том числе позволило нам оперативно видеть, в каких проектах участвовал сотрудник, но которые еще не отражены в его резюме. Иными словами, разработка таких систем сегодня стала более простой и быстрой.

— В каких сценариях заказчики уже видят практическую пользу от генеративного ИИ?

Приведу несколько примеров задач из реальной практики проектов GlowByte:

1. Автоматизация проверки договоров на предмет соответствия нормативным требованиям валютного контроля в финансовом секторе (в 100 раз сократилось время обработки одного контракта).
2. Автоматизация документооборота при обработке заявок на корпоративное перестрахование в страховом секторе (в 5 раз сократилось время обработки одной заявки).
3. Ассистент технической поддержки с поиском по документации и автоматическим заведением заявок в систему технической поддержки (в 10 раз сократилось количество обращений в службу поддержки).
4. Агент по модерации текстов рекламных сообщений на предмет соответствия законодательству и внутренним регламентам компании (в 2 раза сократилось количество итераций модерации).

- Работа с корпоративными знаниями: используете ли RAG/поиск по базе знаний/ассистентов? Какие сложности чаще всего возникают?

RAG — это основная архитектура для работы с корпоративными знаниями сегодня. Строить ассистентов на одной лишь предобученной модели (LLM) бессмысленно, так как она не знает ваших внутренних регламентов, номенклатуры или специфики продукта. Поэтому мы всегда используем подход, при котором модель ищет ответ в актуальной корпоративной базе знаний.

Основная сложность, с которой мы сталкиваемся на проектах с RAG, заключается в качестве и структуре самих данных. RAG работает ровно настолько хорошо, насколько хороша база знаний. Если документы противоречивы, неактуальны, не структурированы или содержат «воду», ИИ будет генерировать путаные или неверные ответы. Часто проект начинается не с написания кода, а с наведения порядка в документах.
Другой особенностью RAG-систем является производительность и стоимость. Инференс RAG-системы включает два этапа: поиск в векторной базе и генерацию ответа. Оба требуют ресурсов, и при масштабировании на тысячи запросов в день стоимость может стать сюрпризом.

Однако RAG — это зарекомендовавшая себя технология для таких задач, как:

1. интеллектуальный поиск по внутренней документации и регламентам;
2. чат-боты технической поддержки, в частности поиск решений по базе инцидентов, поиск ответов на типовые запросы и т. п.;
3. помощники в анализе больших документов и отчетов (например, помощник юриста по проверке обязательных требований в договоре, проверка назначений на предмет соответствия клиническим рекомендациям).

- Как вы решаете вопросы качества в промышленной эксплуатации?

MLOps/LLMOps (практики управления жизненным циклом моделей машинного обучения и больших языковых моделей) являются одним из ключевых направлений GlowByte.

Ключевые аспекты нашего подхода при построении MLOps/LLMOps-платформ:

1. Централизованная платформа. Мы строим для заказчиков выделенную MLOps-платформу, которая стандартизирует процессы CI/CD (непрерывной интеграции и доставки) для пайплайнов данных и самих моделей.
2. Управление версиями. Модель, как и код, должна быть версионирована вместе с данными, на которых она обучалась. Это единственный способ откатиться назад, если обновление прошло неудачно.
3. Мониторинг качества. Мы обязательно внедряем системы мониторинга метрик качества модели в проде. Отслеживанию подлежат не только технические метрики модели, но также связанные с ней бизнес-метрики и метрики качества данных.
4. LLMOps-специфика. Для языковых моделей мы добавляем мониторинг затрат на токены (единицы текста, которые обрабатывает модель), а также средства обеспечения безопасности, в частности Guardrails-контроли (фильтры безопасности для моделей).

- Вычисления и стоимость владения: что помогает снижать стоимость эксплуатации?

Стоимость инференса — один из главных барьеров для масштабирования. Как справедливо отмечают многие эксперты, основные затраты связаны не с разработкой, а с эксплуатацией. Мы в GlowByte помогаем клиентам снижать совокупную стоимость владения двумя основными способами.

Первый — дистилляция и квантование моделей. Переход с огромной LLM на сжатую, дистиллированную модель, которая на конкретной задаче работает почти так же хорошо, но требует в разы меньше GPU-часов (часы использования графических процессоров). В ряде случаев можно добиваться снижения потребления GPU на 40−70% без значимой потери качества.

Второй — переход на гибридную инфраструктуру. Обработку критичных корпоративных данных следует реализовывать в локальном контуре. Помимо безопасности, это позволяет уйти от постоянной оплаты за токены в публичном облаке. Покупка сервера под инференс окупается за 1−2 года при постоянных высоких нагрузках. Тем не менее некритичные и менее предсказуемые по потреблению задачи генерации разумно отдавать облачным моделям через API (интерфейс для программного взаимодействия). Такой подход позволяет держать стоимость владения в оптимальных рамках.

— Какие риски ИИ сейчас наиболее критичны для заказчика?

Во-первых, Shadow AI («теневой» ИИ) и неконтролируемая утечка данных. Сотрудники массово используют публичные LLM (ChatGPT, Qwen, DeepSeek и др.) для работы с корпоративной информацией — от аналитики до персональных данных. По прогнозам, к 2030 году около 40% крупных предприятий столкнутся с инцидентами безопасности из-за неконтролируемого использования ИИ (исследование Gartner, 2025). В российском контексте это усугубляется требованиями 152-ФЗ: утечка через внешний API может повлечь не только репутационные потери, но и штрафы регуляторов.

Во-вторых, галлюцинации и операционные сбои. По мере того как ИИ-агенты получают доступ к транзакционным системам (CRM — управление клиентскими данными, ERP — управление ресурсами предприятия, почта), сбой в их работе может привести к прямым финансовым и репутационным потерям. Это не просто ошибка в чате: это некорректный заказ поставщику, ошибочный платеж или неверное юридическое заключение. Исследования показывают, что организации пока не готовы к таким инцидентам: 63% не имеют формальных политик управления для контроля ИИ (опрос IBM, Cost of a Data Breach Report, 2025).

В-третьих, атаки на модели и цепочки поставок. Это более технологический, но растущий риск. Злоумышленники могут манипулировать входными запросами, чтобы обойти ограничения модели, или «отравить» данные обучения, исказив ее поведение. Если компания использует open source решения и предобученные модели из непроверенных источников, она рискует занести уязвимости прямо в ядро своего ИИ-продукта.

- Какие меры безопасности и контроля вы считаете обязательными при внедрении?

Безопасность ИИ — это не «надстройка», а системная практика, закладываемая на этапе проектирования.

Второе — обязательное журналирование и мониторинг. Полное логирование запросов, ответов, действий агентов и изменений в модели. Критически важно контролировать не только ИТ-метрики (такие как время отклика), но и содержательные метрики: частоту галлюцинаций, попытки запросов конфиденциальных данных и т. п. Это позволит эффективно расследовать инциденты и проводить компенсирующие мероприятия.

Третье — внедрение Guardrails-контролей. Это легковесные модели-классификаторы, которые работают как фильтр. Они проверяют и входной промпт, и выходной ответ LLM на предмет раскрытия секретов, нецензурной лексики или отклонения от заданных корпоративных правил.

Четвертое — внедрение LLMOps-практик. Внедрение LLMOps-платформы позволяет стандартизировать процессы: от разработки и тестирования до эксплуатации и мониторинга сотен агентов. Это фреймворк, который в автоматическом режиме обеспечивает контроль качества, версионность моделей, управление доступом и фиксацию всех действий. Без такой платформы, когда у вас появляется 10, 50 или 100 разных агентов, управление безопасностью превращается в хаос.

И, наконец, пятое — управление доступом по принципу минимальных привилегий. ИИ-агенты и пользователи получают доступ только к тем данным и функциям, которые необходимы для задачи. Мы не можем давать ИИ-агенту полный доступ к базе данных или API. Его права должны быть жестко ограничены теми задачами, которые он решает.

Ключевой принцип: не «запретить», а «контролировать и обучать». Эффективная стратегия — совместная работа ИБ, разработки и бизнеса над сценариями, где скорость внедрения балансирует с приемлемым уровнем риска.

— Какие сценарии внедрения ИИ станут наиболее массовыми в 2026 году?

Мы видим четкий переход от экспериментов с технологией к созданию конкретных, измеримых бизнес-ценностей. В 2026 году массовыми станут те сценарии, которые позволяют быстро автоматизировать рутинные операции и усилить экспертизу:

1. ИИ-агенты для автоматизации рутинных бизнес-процессов. Это самый быстрорастущий сегмент. В отличие от чат-ботов, агенты способны автономно выполнять цепочки задач: от анализа входящего документа до формирования ответа и обновления CRM.
2. Генеративный ИИ в клиентском сервисе и маркетинге. Переход от генерации контента с использованием LLM к полноценным агентам для управления клиентским опытом: персонализация коммуникаций, консультации по продуктам, рекомендательные системы. Это позволяет повысить конверсию и лояльность при снижении затрат на контакт-центры.
3. Корпоративные ИИ-порталы доступа к моделям и агентам. Компании массово переходят от разрозненных ИИ-экспериментов к созданию централизованных внутренних порталов — корпоративных ИИ-маркетплейсов, где сотрудники могут безопасно находить, тестировать и использовать утвержденные модели, агенты и промпт-библиотеки.

— Что уже является базовым стандартом для рынка и что можно считать конкурентным преимуществом?

Рынок вступает в фазу зрелости, где базовые технологии становятся доступными для всех, а конкуренция смещается в область их умелого и безопасного применения.

На мой взгляд, базовым стандартом уже стали:

1. Навыки работы с ИИ. Сотрудники уже не спрашивают «зачем нам ИИ?», они спрашивают «как его эффективно использовать?». Поэтому владение основами промптинга и понимание ограничений больших языковых моделей становится обязательным требованием для офисных сотрудников, подобно владению офисным пакетом. Не случайно мы в Академии «ГлоуБайт» запустили курсы по работе с LLM для широкого круга специалистов.
2. Гибридная инфраструктура. Стандартом становится разумное сочетание решений on-premise (локальное развертывание в инфраструктуре компании) и облачных сервисов. Конфиденциальная работа с чувствительными данными будет проводиться локально, а инфраструктурную гибкость для экспериментов и пиковых нагрузок обеспечит облако.
3. Интеллектуальный поиск по корпоративным документам. Технология RAG позволяет «подключать» любую LLM к внутренней базе документов, инструкций и регламентов, делая ответы точными и основанными на фактах, а не на общих знаниях модели. Это принципиально меняет способ взаимодействия с корпоративными документами, позволяя быстро ввести в курс дела нового сотрудника, ускорить и повысить качество проверки входящих документов на соответствие регламентам, в конце концов пересмотреть и автоматизировать целые бизнес-процессы.

Конкурентным преимуществом становятся:

1. Способность создавать безопасные и надежные ИИ-приложения в промышленном масштабе. Ключевой навык — это не написание кода модели, а умение собрать стабильное, безопасное и контролируемое решение. Это включает защиту от «галлюцинаций», соблюдение этических и законодательных норм, обеспечение сохранности коммерческой тайны. Рынок только начинает осознавать сложность этой задачи, и те, кто первыми овладеют практиками LLMOps и построят платформы для создания надежных ИИ-агентов, получат огромное преимущество.
2. Качество и специфичность данных. В то время как модели становятся товаром, данные остаются уникальным активом компании. Конкурентное преимущество у тех, кто обладает наиболее полными, чистыми и релевантными данными для своей предметной области и умеет эффективно их использовать, например в связке с RAG.
3. Редизайн (перестройка) процессов AI-native («с ИИ в основе»). Вместо того чтобы накладывать ИИ на устаревшие многошаговые процедуры, лидеры начнут переписывать их с чистого листа, отталкиваясь от возможностей ИИ как новой операционной среды. Это означает отказ от привычки искать сотни локальных применений и кейсов для автоматизации отдельных шагов и переход к формированию принципиально иных, более коротких и эффективных цепочек создания ценности. Преимущество получат те, кто сможет преодолеть устаревшие операционные модели и начнет проектировать бизнес заново — таким, каким он может быть только в эпоху искусственного интеллекта.

- Какие условия критичны для ускорения развития рынка в 2026?

Ключевыми точками роста являются:

1. Кадры и обучение. Дефицит кадров остается острейшей проблемой. Но путь к ее решению лежит не только в поиске «звезд» машинного обучения, но и в массовой подготовке инженеров MLOps, которые умеют операционализировать модели в работающие продукты, а также в обучении предметных специалистов (юристов, маркетологов, финансистов) эффективно использовать ИИ-инструменты. Ускорение рынка напрямую зависит от того, насколько быстро нам удастся воспитать эти компетенции.
2. Технология и инфраструктура. Доступ к вычислительным мощностям остается критически важным. Но сейчас мы видим, что простого наличия GPU уже недостаточно. Ключевым условием становится развитие платформ для массового создания и эксплуатации ИИ-агентов в компании, что позволит подойти к эффективному реинжинирингу целых бизнес-процессов с использованием цепочек агентов и мультиагентных систем.
3. Методология и кейсы. Рынок остро нуждается в понимании референсных кейсов и требований к промышленным ИИ-системам. Пока нет четких стандартов того, как должно быть построено надежное, безопасное и этичное ИИ-приложение, многие компании будут топтаться на месте, боясь рисков. Формирование сообществом лучших практик, методологий оценки качества и, возможно, появление отраслевых стандартов — это тот катализатор, который сделает ИИ технологией, доступной и практически применимой не только для лидеров рынка.