Семь наблюдений об ИИ-трансформации российского бизнеса
За последние месяцы мы провели две онлайн-конференции про внедрение ИИ в российский бизнес. 3 апреля — «ИИ-Трансформацию», с топами из X5, MWS AI, Skyeng, mymeet.ai и Data Monsters. 29 мая — «Точку сборки», вместе с кафедрой технологического предпринимательства МФТИ: выпускники кафедры, фаундеры, практики вроде Александра Горного и команды AgentArea. Суммарно — больше двадцати спикеров, около 1500 регистраций на обе конференции и средняя оценка эфиров выше 9 из 10 у аудитории.
Меня зовут Жемал Хамидун, я CPO AlpinaGPT, Head of AI Alpina Digital и автор тг-канала «Готовим ИИшницу».
Обычно с таких мероприятий уносят красивые тезисы и хайповые заголовки. Мне интереснее другое — что повторяется у разных спикеров из разных индустрий и в разных форматах. Совпадение у людей, которые друг друга не слышали, — самый честный сигнал, который вообще можно снять с конференции.
Я пересмотрел записи, свёл вопросы аудитории и результаты живых опросов на обеих конференциях. Ниже семь наблюдений, которые прозвучали у нескольких независимых спикеров сразу.
Сразу про жанр, чтобы не было обманутых ожиданий. Это не замер и не исследование. Это обзор того, что говорили практики на двух наших мероприятиях, плюс мой комментарий там, где мне есть что подтвердить или оспорить своим опытом. Записи конференций не публичные, поэтому цифры спикеров — это их цифры со сцены: методику расчёта в докладах почти никто не раскрывал, и дальше я помечаю это отдельно. Внешние исследования, наоборот, все со ссылками — их можно открыть и проверить.
Кстати, 16 сентября мы проводим вторую конференцию «ИИ-Трансформация» — программу как раз собираем. Регистрация бесплатная, через нашего чат-бота: зарегистрироваться. В том же боте лежат записи первой конференции и полные саммари всех семи трендов, о которых я расскажу дальше — можно посмотреть уже сейчас, чтобы не читать материал вслепую.
Наблюдение первое: порог входа в разработку снизился, и вайб-кодинг стал корпоративной практикой
Ещё два года назад запустить корпоративный ИИ-инструмент означало собрать команду разработки на полгода, договориться с юристами про подрядчиков, купить лицензии и встать в очередь на согласование бюджета. Сейчас это делается иначе — про это независимо друг от друга говорили минимум три спикера с обеих конференций.
Дальше я называю это вайб-кодингом. Термин про то, что рабочий софт собирает не программист, а человек с задачей: он формулирует текстом, что нужно, код пишет модель, а автор проверяет результат по поведению, а не построчно.
Илья Бердыш, CEO mymeet.ai, показал на обеих конференциях один и тот же кейс. Илья без технического образования за две недели собрал десктоп-приложение на macOS для своего же сервиса. Тратил по два-три часа вечером. Одна подписка Claude за 100 долларов в месяц, среда агентной разработки Conductor, около 11 000 строк кода и 16 000 строк документации к нему. По его словам, приложение работает поверх бэкенда mymeet, им уже пользуются клиенты, а версия для Windows пишется параллельно.
Отдельно он подсветил, кто в его компании начал применять ИИ первым. Первыми адаптерами оказались вовсе не разработчики — у них скепсиса больше всего. А руководитель отдела продаж за один день собрал калькулятор окупаемости в фирменной дизайн-системе и закрыл задачу, кочевавшую по бэклогу годами.
Денис Сметнёв, сооснователь Skyeng и uForce, за два месяца без опыта кодинга собрал пять промышленных решений, которыми уже пользуется его команда. На «Точке сборки» он показал сетку сайтов-сателлитов: один агент собирает её за два-четыре часа по семантике топ-выдачи Яндекса. И рассказал про голосовых агентов с задержкой ответа 0,2–0,3 секунды, у которых, по его словам, робота распознаёт один собеседник из тысячи.
На круглом столе техпредов МФТИ ту же мысль независимо высказали трое выпускников. MVP — минимальную работающую версию продукта — собирают за вечер «на 100 долларов токенов». Команда разработчиков для запуска больше не обязательна. А роль основателя смещается к оркестрации: он не играет партию сам, он следит, чтобы сходилось то, что играют люди и агенты.
Мне это стало очевидно, когда мы готовили сами эти две конференции. Оба сайта и оба чат-бота для регистрации мы собрали вайб-кодингом за считанные дни, без полноценной команды разработки. Раньше на такую инфраструктуру закладывали несколько месяцев, а на весь конференционный проект — от полугода. Узкое место переехало: техника перестала тормозить, а оркестровку контента и работу со спикерами по-прежнему нужно делать руками и головой.
Практический вывод простой. Если у вас всё упирается в «нам нужно ждать разработчиков» — пора начинать вайб-кодить. Задачи, которые раньше физически невозможно было провернуть без штатной команды, теперь закрываются силами продакта, маркетолога или менеджера с одной подпиской и аккуратно собранным контекстом. У нас это выглядит так: продакты и руководители функций приходят с готовым прототипом и просят «докрутить это в продакшн».
Где у этого граница — по моему опыту. Прототип и внутренний инструмент проходят. Всё, что смотрит наружу и хранит чужие данные, всё равно возвращается к разработчикам: как минимум на ревью и на нагрузку. «Докрутить в продакшн» из предыдущего абзаца — не фигура речи, это отдельная работа, и делают её инженеры.
Наблюдение второе: мультиагенты стали дефолтом, но с оговоркой про деградацию точности
Второй тренд, который вылез сразу у нескольких технических спикеров, — это устойчивый переход от одиночных агентов к мультиагентным системам. Причём переход с чётко проговорёнными ограничениями, что для российского рынка большая редкость.
Сергей Андриянов, наш CTO в AlpinaGPT и основатель WebRegul, рассказал на «ИИ-Трансформации» историю продукта Evolver — системы автоматизации код-ревью. Первая версия была одним большим агентом-универсалом с двадцатью инструментами. Он честно масштабироваться отказался: галлюцинации, десять итераций на простую задачу, слабая предсказуемость.
Промышленная версия построена в три специализированных агента. Библиотекарь знает документацию и трекер задач. Исследователь знает кодовую базу и граф связей между функциями. Ревьюер пишет замечания к строкам кода. Аргумент Сергея: «так же, как и в реальной команде, мы не нанимаем одного человека на всё».
Цифры, которые он показал: скорость код-ревью выросла в три раза, экономия 50–80 часов в месяц на одну команду, багов на 15% меньше, техдолг ниже на 40%. Дальше честно. Это цифры со слайда, снятые внутри одной компании; методику замера — особенно по техдолгу — со стороны воспроизвести нельзя. Сергей мой коллега, так что читайте это как заявление заинтересованной стороны, а не как независимый бенчмарк.
Александр Писемский, фаундер ZenPulsar и в прошлом сооснователь Group-IB, показал ансамбль из трёх агентов, работающих с рыночными сигналами на сырьевых рынках — нефть, зерно, металлы, сахар. Исследовательский агент подбирает источники и признаки. Тренировочный собирает и валидирует модели. Эксплуатационный следит за деградацией, переобучает и отвечает за аудит. По его словам, работу команды из 5–6 человек за полгода сейчас делает один человек с этим ансамблем за три недели.
Артём Астапенко, основатель AgentArea и AI-лаборатории Jamakase Technologies (до этого — работа над западными проектами Airbyte, Alephzero, Opstrace), на «Точке сборки» показал, как это масштабируется. У него платформа для оркестрации агентов, где есть control plane — единый слой контроля с политиками, идентификацией агентов и подтверждением их действий. Логика та же: собирать специализированную «команду» вместо одного агента-универсала.
Но на обеих конференциях звучало и общее ограничение. Точность цепочки — это произведение точностей её шагов. Если каждый агент отрабатывает на 90%, то на двух шагах остаётся 0,9² ≈ 81%, на пяти — 0,9⁵ ≈ 59%, на семи — уже около 48%. Обычное умножение: чем длиннее цепочка автономных шагов, тем быстрее уезжает результат.
Именно поэтому Сергей Андриянов проговорил про третью продакшн-версию Evolver: примерно семьдесят процентов в ней — workflow, то есть жёстко заданный сценарий с фиксированными шагами, и только тридцать — автономные агенты, которые вызываются внутри него. Автономные агенты дороже, менее предсказуемы, хуже отлаживаются и путаются в инструментах при большом контексте. Workflow предсказуем, дешевле и лучше ложится в продакшн, где цена ошибки высокая.
Anthropic закрепили этот подход в посте «Building Effective Agents» ещё в конце 2024 года: workflows — для задач, где нужны предсказуемость и повторяемость, agents — там, где нужна гибкость и решение принимается на стороне модели. Российские практики пришли к тому же выводу независимо: ни один из спикеров на этот пост не ссылался.
Практический вывод для CTO. Если на старте проекта вы по умолчанию строите автономного агента только потому, что «так модно», — через полгода, скорее всего, будете переписывать его на workflow.
Наблюдение третье: данные и процессы решают, а не модели
Третий паттерн вылез в опросах аудитории и подтвердился словами всех бизнес-спикеров: роль инструмента переоценивают, всё остальное недооценивают. На квизе «ИИ-Трансформации» 90,3% участников выбрали ответ «пилоты не масштабируются из-за завышенных ожиданий, неготовности данных и слабой интеграции в процессы», а не «из-за плохих моделей» или «из-за дороговизны».
Сразу оговорка про этот процент: это опрос в зале, не исследование. Отвечали те, кто пришёл на конференцию про ИИ, — выборка смещённая по определению. Ценность у неё одна: видно, как думает та часть рынка, которая уже что-то внедряет.
На «Точке сборки» участники круглого стола сформулировали ту же мысль как «плоды отравленного дерева»: плохие данные портят результат сильнее, чем раньше, потому что уходят в чёрную коробку и незаметно ломают выводы там.
Артемий Малков из Data Monsters (20 с лишним лет в ИИ, работа с NVIDIA, Siemens, GE, Intel, Sber, X5) вложил в это конкретный кейс. В его компании больше 60 бэк-офисных процессов последовательно переписаны в Markdown — обычные текстовые файлы с простой разметкой. Пишут их вместе с ИИ на 90-минутных звонках в Cursor.
Смысл — сложить корпоративное знание в текст, чтобы будущие модели «прочитали папку» и поняли уникальность бизнеса. Смысл не в том, что модель сама всё выучит: уникальность компании, по Малкову, появляется в момент несогласия с усреднённой моделью — «ты молодец, но у нас по-другому».
Отдельно он ввёл понятие Golden Dataset — библиотека из 10–20 редких экзотических случаев, тот самый «длинный хвост», на котором модель регулярно спотыкается. Ценность корпоративной ИИ-системы, по его словам, живёт именно там, а не в качестве базовой модели.
В том же направлении высказался Александр Горный, сооснователь United Investors, на «Точке сборки». Его формулировка: успех ИИ-стартапа определяет не качество модели или обёртки, а постановка бизнес-цели заказчиком и работа с мотивацией конкретных сотрудников. Когда крупная компания заказывает «протестировать ИИ», она ровно это и получает: попробовали, акт подписан, результата нет. А когда формулировка звучит как «сэкономить X% денег, сократить найм на N человек, поднять конверсию на Y процентов» — включаются совсем другие механизмы.
Из этих трёх тезисов вырастает формула, которую я озвучил на «ИИ-Трансформации» и которая, судя по реакции зала, задела всех: Инструмент × Обучение × Поддержка = Результат. Если хотя бы одна составляющая равна нулю, результат тоже нулевой.
Две внешние цифры в ту же сторону. По исследованию Boston Consulting Group «The Widening AI Value Gap» (сентябрь 2025, более 1250 компаний по миру) всего 5% компаний перестроили процессы под ИИ и получают отдачу в масштабе — BCG называет их future-built. Ещё 35% масштабируют внедрения и видят частичный возврат. А 60% при заметных вложениях не получают ощутимого прироста ни в выручке, ни в издержках вообще. По исследованию МТС Web Services (декабрь 2025, опрошено более 700 российских компаний), среди организаций с бюджетом на ИИ сформированная стратегия его развития есть только у 26% — у остальных 74% её нет.
Оба числа про одно: узкое место не в моделях, а в том, что компания делает вокруг них.
Наблюдение четвёртое: управление, безопасность и аудит стали узким местом
Четвёртый тренд особенно ярко проявился на «Точке сборки», хотя семена его были заложены ещё на «ИИ-Трансформации». Речь про то, что вопросы контроля, безопасности и аудита ИИ-агентов уже перестали быть теорией и становятся реальным блокером внедрений.
Артём Астапенко на «Точке сборки» дал точную метафору: агент — это стажёр в незнакомом офисе. Ему нужен контролируемый доступ, а не ключи от всех файлов сразу: лимит бюджета, подтверждение действий у «начальника», песочница для рискованных операций.
У агентов появляется и прямой доступ к платежам: x402 — стандарт, выросший из Coinbase и переданный в Linux Foundation, — и Agentic Commerce Protocol у Stripe. Это протоколы, которые позволяют программе платить самостоятельно, без человека в момент транзакции. Чем больше таких каналов, тем дороже обходится отсутствие надзора.
При этом набор рисков у агентских систем не совпадает с рисками самой языковой модели. OWASP — открытое отраслевое сообщество, которое ведёт списки типовых уязвимостей. В его Top-10 для LLM-приложений большинство пунктов про безопасность самой модели и её обвязки: промпт-инъекции, утечка системного промпта, отравление данных и модели, небезопасная обработка вывода; полномочиям там отведён один пункт — Excessive Agency. Под агентов OWASP завёл отдельный трек, и там на первый план выходят как раз полномочия: злоупотребление правами доступа, перехват цели агента, злоупотребление инструментами, каскадные сбои по цепочке.
Александр Писемский со стороны финтеха подтвердил ту же историю. Главный барьер для ИИ в финансах — не точность модели, а аудит и соответствие требованиям регулятора: способность объяснить регулятору и клиенту, откуда взялось каждое инвестиционное решение. Поэтому в ZenPulsar языковая модель используется только для рассуждений и суммаризации. Классификация тональности идёт через FinBERT — узкую модель для финансовых текстов, у которой выводы воспроизводимы и объяснимы.
Плюс отдельная реальность российского рынка: 152-ФЗ о персональных данных, требование обрабатывать их внутри страны, риск отключения от зарубежных API. Одной техникой утечки не закрыть. Нужна связка из DLP (систем контроля исходящего трафика), культуры и удобного внутреннего инструмента — если он неудобнее ChatGPT, лить всё равно будут мимо. Но и без отдельного слоя контроля и аудита не закрыть тоже.
Практический вывод: если ваша компания рассматривает мультиагентную систему в проде и в архитектурной документации нет отдельного раздела про контроль доступа, аудит-логи, идентификацию агентов и лимиты — у вас нет продакшн-архитектуры, у вас есть проект будущего инцидента.
Наблюдение пятое: главный навык сегодня — оркестрация, а не программирование
Пятый паттерн прошёл через обе конференции красной нитью — сменился главный навык. Если пять лет назад ценным был человек, который умеет писать код или строить модели, то сейчас всё чаще ценен тот, кто умеет управлять «командой» из людей и агентов одновременно.
На открывающем докладе на «Точке сборки» я привёл цитату главы NVIDIA Дженсена Хуанга с CES 2025: «во многом IT-отдел каждой компании в будущем станет HR-отделом для ИИ-агентов». Это не метафора и не хайп — это описание того, как уже сейчас перестраивается менеджмент.
Артемий Малков сказал ту же мысль иначе: сотрудник становится «супервайзером знаний». Юрист отвечает уже не за транзакции, а за когнитивный компонент своей роли — набор навыков и промптов. Перепроверяет ИИ в редких случаях и управляет корпусом знаний.
Виталий Литвинов, один из активных участников обеих конференций, сформулировал в чате жёстче: «архитектор, а не менеджер». Я согласен. Менеджер управляет людьми со свободой воли, архитектор проектирует систему из компонентов с предсказуемым поведением. Агенты ближе ко второму: у них нет «не хочу сегодня», зато есть идентичность, полномочия и аудит.
Из этого вырастает практическое следствие для найма. Круглый стол техпредов МФТИ отдельно проговорил, что в командах, где активно используются агенты, узкое место сместилось на тестирование. Один разработчик, усиленный ИИ, генерирует столько, что команда физически не успевает проверять. В командах на десять человек нагрузка на тестировщика, по их словам, выросла кратно — и нанимать начали именно тестировщиков, а не новых разработчиков. Это косвенное подтверждение тезиса про оркестрацию: ценнее становится не «уметь произвести», а «уметь проверить и собрать».
Наблюдение шестое: внедрение ломается на людях, а лечится одним евангелистом
Шестое наблюдение — самое неудобное для тех, кто верит, что «купили платформу, и всё поехало». Внедрение ИИ в 2026 году ломает не технология и даже не бюджет. Ломает конкретный человек в конкретной команде, который не нажимает нужную кнопку.
По опросу Harris Poll для Express Employment Professionals (1003 респондента, поле — ноябрь 2025, публикация — июнь 2026), 90% американских соискателей говорят, что их беспокоит растущее применение ИИ на работе: зависимость от технологии, исчезновение позиций для новичков, потеря собственных навыков решать задачи. По опросу WalkMe «AI in the Workplace» (поле — июль 2025, публикация — август 2025; 1000 работающих американцев, которые уже применяют ИИ в работе), 78% из них используют ИИ-инструменты, которые им не выдавал работодатель, — и данные уходят за периметр компании.
Обе цифры американские, и первая — про соискателей, а не про людей внутри уже работающей команды. Российского замера такой же глубины у меня нет, так что беру их как указание направления, а не как факт про наш рынок.
Александр Горный на «Точке сборки» дал способ обойти эту проблему на примере своего продукта Optimizer (ИИ-ассистент для отделов продаж). Идея простая. Не раздавать инструмент всей команде разом, а дать его одному самому лояльному сотруднику, поработать с ним и получить результат в цифрах. Дальше он сам становится проповедником, и продукт расходится по команде без давления сверху.
Отдельно Горный подсветил вещь, которую редко проговаривают публично: мотивация руководителя не совпадает с мотивацией среднего продажника. Руководитель хочет роста выручки. А средний менеджер по продажам — по оценке Горного, около 70% от всех — хочет не больше денег, а меньше работать за те же деньги. Продавать инструмент нужно каждому под его собственную задачу, а не под задачу генерального.
У нас в Альпине путь был другим по форме, но тем же по сути. Мы начали в 2023 году: определили высокочастотные задачи, нашли первых энтузиастов в каждом отделе, обучили их на реальных задачах, собрали внутреннее сообщество. Один маркетинговый юнит по итогам первого года сэкономил 1400–2000 часов, больше 50% сотрудников используют платформу каждый месяц, а десятки автоматизированных функций (генерация постов и визуалов, аннотации, аналитика, подготовка к внутренним совещаниям) запускались уже без указаний сверху.
Оксана Хлыстова из MWS AI собрала на «ИИ-Трансформации» отдельный доклад про типовые провалы корпоративных внедрений. Главную причину она назвала ту же: «инструмент внедрили, а под него никто не перестроил свои задачи».
Если у вас стоит корпоративная ИИ-платформа и ей пользуется 5–10% сотрудников — это не проблема платформы. Это признак того, что вокруг неё нет ни одного человека с ролью «ИИ-евангелист» и мандатом менять процессы. Разбираться нужно с этим — смена платформы ничего не даст.
Наблюдение седьмое: дистрибуция, бренд и данные важнее самого кода
Седьмой тренд вытекает из первого. Стоимость написания кода стремится к нулю — а это факт, про который на обеих конференциях говорили все. А раз так, успех начинает определять то, что раньше считалось «мягкой» частью бизнеса.
Илья Бердыш на «Точке сборки» сформулировал это чётко:
Кодить теперь можно почти что угодно и быстро, но выигрывает не тот, кто написал код, а тот, кто донёс продукт до клиента и вложил в него человеческое видение.
Артём Астапенко подтвердил с другой стороны индустрии: «код стоит почти ноль, ценность в открытости и данных». На той же «Точке сборки» я поспорил в чате с одним из участников про уникальность корпоративных данных. Его тревога: модели «прожуют» данные и усреднят компании.
Я с этим не согласен. В 2010-х преимущество строилось на объёме: у кого больше данных, тот и выиграл. Сейчас, когда мощные модели доступны всем, преимущество смещается в скорость и качество конвейера, который эти данные использует. Это моя интерпретация, а не измеренный факт. Объём никуда не делся — просто выигрывает та компания, которая быстрее превращает свои данные в решение, а голый склад данных не выигрывает.
Отсюда — новая экономика ИИ-стартапов, которую Артём сформулировал одной фразой: «вместо стартапа на миллион клиентов — сто ниш по сто клиентов». Если код перестал быть узким местом, выигрыш собирается не одним универсальным продуктом на массовый рынок, а сотнями узких решений с высокой ценностью на клиента.
Что со всем этим делать
Если свести семь наблюдений в одну картину, получается следующее. Российский рынок ИИ в 2026 году прошёл фазу хайповых пилотов и вошёл в фазу зрелых внедрений. Технологический порог рухнул: запуск MVP перестал быть проектом и стал задачей на вечер. Поэтому конкуренция уехала туда, где раньше было «мягко»: постановка бизнес-задачи, готовность данных, культура применения, надзор и соответствие требованиям, отношения с клиентами.
Мультиагентные системы стали дефолтом — но с пониманием их ограничений и с осознанным выбором в пользу жёсткого сценария там, где цена ошибки высокая. Ключевой навык профессионала сместился с программирования на оркестрацию людей и агентов. А успех внедрения решает не платформа, а один конкретный человек внутри команды — тот самый ИИ-евангелист, который тянет её на себе.
Хорошая новость: рынок ещё пластичен, и тот, кто сейчас правильно расставит приоритеты, получит преимущество на несколько лет вперёд. Плохая новость: те, кто продолжает считать, что ИИ — это про модели и подписки, потратят следующие два года на попытки закрыть разрыв между внедрением и реальным применением — без нужной методологии.
Все семь наблюдений выросли из двух конференций — третью мы уже собираем.
16 сентября с 10:00 до 16:00 (МСК) мы проводим вторую онлайн-конференцию «ИИ-Трансформация» — продолжаем формат апрельской встречи и разбираем российские и международные кейсы внедрения ИИ в бизнес-процессы. Выступят спикеры из Skyeng, mymeet и других компаний — программу сейчас дособираем и опубликуем в ближайшие недели.
В апреле на первой конференции у нас собралось больше 1150 участников: CEO, CTO и HRD разбирали реальные внедрения — от ИИ-агентов в бэк-офисе до расчёта окупаемости пилотов. Записи всех выступлений и саммари с трендами (агенты, ROI, эффективность ИИ) лежат в нашем чат-боте — можно посмотреть уже сейчас, до сентябрьской встречи. Участие в самой конференции бесплатное, регистрация через того же бота: зарегистрироваться.
А в комментариях интересно послушать вас: какое из семи наблюдений сильнее всего откликается по вашему опыту работы с ИИ в компании? И где, по вашим ощущениям, российский рынок уходит вперёд от общемирового — а где, наоборот, отстаёт?
Ещё больше кейсов и разборов внедрений ИИ — в Телеграм-канале «Дело в промпте». Заходите, если хочется быть в курсе.
Источники
Anthropic — Building Effective Agents (workflows vs agents), 19 декабря 2024
Boston Consulting Group — «The Widening AI Value Gap», Build for the Future 2025 (n = 1250), сентябрь 2025
Express Employment Professionals & Harris Poll — AI Is Driving Workplace Gains but Deepening Job Anxiety for US Workers (n = 1003, поле — ноябрь 2025), июнь 2026
WalkMe — AI in the Workplace Survey (n = 1000 работающих американцев, применяющих ИИ в работе; поле — июль 2025), август 2025
МТС Web Services — «Технологические стратегии бизнеса» (более 700 компаний), декабрь 2025
OWASP Top 10 для LLM-приложений и OWASP — Agentic AI: Threats and Mitigations, 2025
Дженсен Хуанг (NVIDIA) о том, что IT станет «HR для ИИ-агентов», CES, январь 2025
Выступления, живые опросы и чаты конференций «ИИ-Трансформация» (03.04.2026) и «Точка сборки» (29.05.2026) — мои конспекты и внутренние отчёты. Записей в открытом доступе нет, поэтому всё, что взято оттуда, помечено в тексте как слова спикера, а не как проверяемый источник.
ссылка на оригинал статьи https://habr.com/ru/articles/1066708/