Мы опросили 108 компаний, чтобы узнать правду про развитие AI в компаниях РФ

Привет! Я Никита Векессер, Product Owner AI-продуктов в Orion soft.

Что представляет собой реальная практика внедрения ИИ в России? В этой статье я хочу показать статистику, которую мы честно собрали на российском enterprise-рынке, и дополнить ее нашим опытом. Без претензии на абсолютную истину расскажу, как развитие AI в России выглядит с нашей стороны.

Предыстория

Два года назад я стал владельцем продукта Nova AI. Это инфраструктурная платформа для разработки и запуска AI-сервисов. А около полугода назад мы начали делать StarGuard AI — платформу для безопасного и контролируемого доступа к большим языковым моделям.

Когда мы только начинали делать инфраструктурную платформу, мы пошли общаться с клиентами, оценивали, какие AI-проекты у них есть, какие компоненты они используют, покупают ли GPU и так далее.

И выборка тогда была невероятно маленькой. Мы почти не видели проектов, которым действительно была нужна такая платформа. Не видели и закупок GPU. В тот момент мы сделали вывод: рынка пока нет, но он будет.

С тех пор я обсудил внедрение ИИ более чем с 200 компаниями. А несколько месяцев назад мы запустили проект «Сезоны ИИ-инфраструктуры», в котором рассказали реальным бизнес-заказчикам практически все, что сами знаем про ИИ-инфраструктуру в России. В рамках этого спецпроекта мы смогли получить открытый взгляд участников на собственную ИИ-инфраструктуру изнутри и пришли к интересным выводам.

Ими я и хочу поделиться в этом материале.

Выборка

В опросе приняли участие 108 ИТ-директоров, руководителей AI- и ML-направлений, архитекторов, специалистов по информационной безопасности и цифровой трансформации.

По отраслям выборка выглядит так:

• 28% — промышленность;

• 20% — финансовый сектор;

• 20% — нефтегазовый сектор;

• 16% — государственные и социальные компании;

• 16% — другие отрасли.

По размеру бизнеса:

• 80% — крупный бизнес с выручкой от 10 млрд рублей;

• 16% — средний бизнес с выручкой от 1 до 10 млрд рублей;

• 4% — малый бизнес с выручкой до 1 млрд рублей.

В выборке представлен в основном крупный и средний бизнес. Бигтех-компании в опросе не участвовали, поскольку они сильно опережают основной рынок и значительную часть технологий реализуют для себя самостоятельно.

Теперь к статистике.

Сколько AI-инициатив есть в компаниях

Под AI-инициативой мы понимали отдельный проект. Например, корпоративный чат, поиск по базе документов, автоматизацию техподдержки или другой прикладной сервис.

Ответы получились такими:

• 31% только планируют внедрение;

• 48% внедрили одну-две инициативы;

• 21% внедрили больше двух инициатив.

Одна-две инициативы — это в большинстве случаев пилоты. Компания уже знает про AI, что-то делает, возможно, выполняет задачу руководства «нам тоже нужно внедрить искусственный интеллект». Но это еще не означает, что внутри появился эффективный процесс работы с AI.

Что я называю эффективным процессом:

1. есть непрерывное тестирование гипотез;

2. внедрены правила и регламенты, по которым задачи приоритизируются;

3. есть разработка прикладных систем;

4. сформулированы критерии качества;

5. есть понятный переход в production и централизованное управление всеми инициативами.

За время общения более чем с 200 компаниями процесс, выстроенный на таком уровне, я видел не более чем в пяти организациях.

Вывод: говорить, что AI в России массово перешел в production, пока нельзя. За исключением бигтеха, о котором я уже говорил выше, российский бизнес в основном остается на уровне ИИ-пилотов.

Что именно компании пытаются внедрять

32% хотят корпоративный чат. Чаще всего это OpenWebUI, к которому подключена облачная или локальная модель. Сотрудники заходят туда вместо того, чтобы каждый отдельно покупал себе подписку на ChatGPT или другой сервис. Это самый простой и понятный сценарий, с которого многие начинают.

33% хотят AI-агентов и поиск по базам знаний. Поиск обычно выглядит так: компания загружает большое количество документов, строит RAG и дает сотрудникам возможность задавать вопросы по этим материалам. По сути, это тот же интерфейс чата, только модель получает дополнительный контекст из корпоративной базы знаний.

При разработке таких систем крайне важно заранее задавать критерии оценки качества. Система может «красиво» отвечать, но это еще не значит, что она нашла правильный документ, не пропустила важный фрагмент и не исказила данные. Если качество заранее не определено, оценить эффективность работы системы и ее влияние на бизнес-процессы невозможно.

Про ИИ-агентов стоит сказать отдельно. Я состою в нескольких профессиональных сообществах, регулярно участвую в мероприятиях для руководителей ИИ-направлений и обсуждаю практику внедрения с заказчиками. При этом даже среди специалистов пока нет единого понимания, что именно следует считать ИИ-агентом: подходы к определению и набору обязательных признаков заметно различаются. Однако это не мешает формированию практического спроса — задача по внедрению ИИ-агентов уже появляется в планах многих компаний. Если у вас есть определение, которое одновременно достаточно строгое с технической точки зрения и применимо к бизнес-сценариям, делитесь им в комментариях.

26% — это предиктивная аналитика, то есть во многом классический ML. И еще 9% обучают собственные модели.

Что у компаний есть с точки зрения GPU

Чтобы запускать модели локально, нужны серверы с GPU. С начала 2026 года крупные компании начали активнее закупать оборудование. При этом NVIDIA GPU едут в Россию не прямыми маршрутами и доезжают с большой наценкой. В начале года мы видели, как в течение нескольких месяцев цены в коммерческих предложениях росли на 2–5% от недели к неделе.

Даже если оборудование заказано, не всегда понятно, когда оно приедет. Отдельной статистики у меня здесь нет, но, по моему впечатлению, примерно половина компаний, которые заказывали GPU-оборудование, получала его позже первоначального срока. Мы сами покупали серверы с H100 для контуров разработки наших продуктов и ждали их около восьми месяцев.

Что уже есть у компаний

Для нашей выборки эта цифра выглядит логично. Один сервер с потребительской картой подходит, чтобы начать экспериментировать. Один сервер с дата-центровой GPU — чтобы делать более серьезный пилот или запускать первый production-сервис. В зависимости от конфигурации такой сервер может стоить порядка 7–10 млн рублей. Полноценный кластер — это уже от 20 млн рублей только капитальных затрат. Не каждая компания готова пойти на такие расходы, особенно когда еще непонятно, какую задачу кластер будет решать и какой возврат инвестиций даст.

При этом у крупнейших компаний ситуация уже другая. В 2025 году они начали закупать GPU-кластеры, а в 2026-м закупки стали масштабнее — как по объемам поставок, так и по количеству компаний. Мы видим контуры на 8–10 серверов, в каждом из которых может быть по 4–8 GPU. Иногда встречаются HGX-системы, но пока редко.

В абсолютных значениях закупки идут не быстро, но идут. Когда крупнейшие компании построят полноценную AI-инфраструктуру, за ними начнут двигаться средние.

Как требования информационной безопасности влияют на выбор моделей

Отдельная тема для России — регулирование и информационная безопасность.

По моим наблюдениям, риск утечки корпоративных данных остается одним из главных опасений топ-менеджеров при внедрении ИИ-сервисов. Руководителей беспокоят потеря контроля над данными, которые передаются внешним моделям, и невозможность гарантировать, что чувствительная информация не выйдет за пределы корпоративного контура. Особенно если сотрудники используют зарубежные облачные модели и отправляют туда рабочие документы, договоры, переписку или код.

И рынок уже начинает регулировать это внутри компаний.

Российское облако на текущем этапе проще и дешевле: не нужно сразу вкладывать всю сумму в собственное оборудование. Но даже к российским провайдерам у компаний остается вопрос: может ли кто-то получить доступ к данным, которые проходят через модель? Поэтому в целевой картине многие крупные компании хотят прийти к собственному оборудованию в своем ЦОДе. Так они точно контролируют, где находятся модели и данные.

Отдельно отмечу регулирование. Минцифры уже занимается общими правилами работы с AI, а Банк России выпустил рекомендации по информационной безопасности при использовании AI в финансовых организациях. Сейчас это в основном рамки и рекомендации, но я уверен, что требования будут становиться жестче. С AI может произойти примерно то же, что несколько лет назад происходило с импортозамещением: сначала все обсуждают направление, а затем требования становятся частью реальных проектов.

Это не значит, что завтра все компании обяжут использовать только локальные модели. Но guardrails и локальные модели будут появляться в корпоративной инфраструктуре все чаще.

Российские модели тоже будут занимать заметную долю рынка. Модели Яндекса и Сбера работают над качеством и при этом решают часть вопросов с доступностью и размещением. Но из глобальной гонки за самые сильные модели Россия, на мой взгляд, уже давно выпала. Эти модели еще несколько лет будут заметно отставать по качеству. При этом на российском корпоративном рынке они все равно будут востребованы.

Кто внутри компаний всем этим занимается

Последний вопрос — про команды.

• Таким образом, у 79% компаний нет собственной профильной AI-команды.

В большинстве организаций AI-инициативами сейчас занимаются обычные ИТ-специалисты или внутренние энтузиасты. Причем иногда команда сама не до конца признает, что профильных компетенций ей не хватает. Люди освоили вайб-кодинг, посмотрели примеры на GitHub, попробовали собрать RAG или корпоративный чат и начали развивать тему внутри компании.

Иногда из этого получаются действительно хорошие сервисы. Если человек технически сильный и ему действительно интересна тема, он может довольно быстро набрать нужные компетенции. Но специалистов, которые умеют довести такой сервис до нормальной промышленной эксплуатации, все еще мало.

18% работают с подрядчиком. Для новой технологии это нормальная история. Если внутри нет экспертизы, разумно найти команду, которая уже умеет делать такие системы. Но важно заранее определить, по каким критериям будет приниматься результат.

15% имеют специалистов по прикладным системам. Чаще всего это как раз внутренние чемпионы, которые уже могут самостоятельно разработать хороший RAG, чат или другой AI-сервис.

И только 6% имеют сильную ML-команду. Под ML-командой мы здесь понимаем не только классических ML-инженеров и data scientist, но и AI-разработчиков, которые уже закрывают весь цикл работы с такими системами.

Такие компании есть. И обычно именно у них уже выстроены процессы, о которых я говорил в начале. Но пока это единицы.

Результаты

Если свести все исследование к трем основным проблемам, у меня получается следующее.

1. Отсутствие реальных компетенций. Прототип сейчас может собрать очень много людей. Production-сервис, который стабильно работает и дает бизнес-эффект, могут сделать единицы.

2. Дороговизна и сложность поставок GPU. Если компания хочет запускать серьезный сервис локально, ей нужно покупать оборудование. Это дорого, сроки сложно прогнозировать, а возврат инвестиций заранее никто не гарантирует.

3. Инфраструктура. Классические подходы не полностью подходят для AI-задач. Нужно эффективнее использовать GPU, быстрее выдавать разработчикам окружения, тестировать разные модели, выводить сервисы в production и централизованно всем этим управлять.

Основные тренды, которые мы видим:

1. AI-рынок будет развиваться, а количество прикладных сервисов — расти.

2. Компании будут покупать все больше оборудования с GPU.

3. Регулирование и требования информационной безопасности будут усиливаться.

4. Инфраструктура компаний будет меняться под разработку и эксплуатацию AI-сервисов.

На основании ответов мы рассчитали средний индекс готовности AI-инфраструктуры. Он учитывает оборудование, команду, безопасность, процессы эксплуатации и готовность к масштабированию. Получилось 38 баллов из 100.

Вывод

Российский корпоративный рынок находится на стадии перехода от отдельных пилотов к production. Да, этот вывод уже много раз звучал в СМИ. По крайней мере, мы для себя в нем уверены — и по результатам опроса, и по общему видению проектов.

Инвестировать в AI действительно нужно. Бигтех уже начинает получать от этой технологии финансовый эффект, хотя несколько лет инвестировал без гарантии, что этот эффект вообще появится. Если традиционные компании не начнут двигаться сейчас, через несколько лет догонять будет намного сложнее.

Но инвестировать, на мой взгляд, нужно в правильном порядке. Сначала — в прикладной сервис, который должен дать бизнес-эффект. Затем под него выбирать инфраструктурное ПО. И только после этого — оборудование, на котором все будет работать. Покупать GPU, а затем придумывать, чем их загрузить, на мой взгляд, неправильно.

В общем, планируйте закупки GPU заранее. А что касается инфраструктурного ПО, не делайте его внутренним продуктом: фокусируйтесь на прикладных сервисах и бизнес-эффекте, который ожидаете от них получить. В качестве инфраструктурного ПО для построения AI-ландшафта на собственном оборудовании и организации безопасного использования ИИ — на правах PO продуктов и автора этой статьи — предложу рассмотреть продукты нашей компании.

Nova AI мы делаем для разработки и запуска AI-сервисов, чтобы компаниям не приходилось самостоятельно собирать весь инфраструктурный слой.

StarGuard AI — для безопасного и контролируемого доступа к большим языковым моделям, если компания переживает за утечки данных и хочет управлять использованием LLM сотрудниками, разработчиками и AI-агентами.

Ссылки на подробные материалы оставлю ниже:

• Как технически устроена платформа Nova AI — читайте здесь.

• Как технически устроен AI-шлюз безопасности StarGuard AI — читайте здесь.

• Сухой файл исследования со всей статистикой можно скачать здесь.

Спасибо, Хабр! Пишите в комментариях, как AI развивается в вашей компании, какие инициативы уже дошли до production и согласны ли вы с нашими выводами.