Управление ИИ в российском бизнесе — 2026: почему 90% проектов закрыли и как не попасть в статистику.
В 2026 году российские компании перестали верить в «волшебную кнопку». Искусственный интеллект больше не продают как панацею. Его теперь внедряют с калькулятором в руках и смотрят на окупаемость как на инженерную задачу. Но цифры тревожные: около 90% проектов по генеративному ИИ в России отложены или закрыты — они не дали ожидаемого финансового эффекта. Это не провал технологии. Это провал управления.
Ключевой вывод: самый значительный барьер сегодня — не доступность моделей, а неготовность управленческого аппарата и устаревшие корпоративные процессы. Системы управления, рассчитанные на медленную автоматизацию, не справляются с динамикой ИИ.
1. Феномен «пилотомании» и стратегический вакуум.
По данным свежих отраслевых обзоров, лишь 26% российских компаний, закладывающих бюджет на ИИ, разработали чёткую стратегию его внедрения. Остальные действуют через точечные инициативы. Результат — десятки пилотов, которые никуда не масштабируются.
Цитата (Алексей Шпильман, директор по развитию искусственного интеллекта «Т-технологий»):«Бизнес перестает воспринимать ИИ как "волшебную кнопку" и начинает относиться к нему как к инструменту, требующему перестройки процессов».
Что значит «перестройка процессов» на практике? Это не покупка подписки на ChatGPT для отдела маркетинга. Это аудит данных, унификация регламентов, пересмотр ролей и ответственности. Без этого ИИ воспроизводит тот же хаос, который вы ему скормили.
2. Теневой ИИ: цифры, которых вы не видите.
Пока руководство обсуждает стратегии, сотрудники уже давно действуют. Исследования показывают: работники российских компаний используют ИИ-инструменты втрое чаще, чем полагают их руководители. 67% опрошенных менеджеров по персоналу (CPO) сообщают, что их сотрудники уже самостоятельно создают цифровые продукты — от автоматических отчётных скриптов до чат-ботов для внутренних задач.
Это классический феномен «теневого ИИ» — аналог BYOD (Bring Your Own Device), но в несколько раз опаснее. Потому что ИИ не просто хранит данные — он принимает решения и генерирует контент от имени компании.
Что делать? Не запрещать, не поощрять без правил, а легализовать. Лучший пример — «Билайн», который создал внутреннюю «песочницу» с десятками LLM, куда сотрудники приходят со своими гипотезами. Результат — масштабирование от точечных экспериментов к системному использованию.
«Внутренняя песочница для LLM» — это не просто техническое решение, а управленческий инструмент, снижающий риски «теневого ИИ».
3. Кейсы, которые уже работают.
Вместо абстрактных рассуждений — три реальных примера из российской практики. Они показывают: ИИ даёт экономический эффект только тогда, когда встроен в производственный контур.
Кейс 1. «AI Химик» — АО «Апатит» (группа «ФосАгро»).
- Контекст: тяжёлое химическое производство, высокая зависимость от человеческого фактора.
- Решение: внедрение ИИ-агента — «умного ассистента» для анализа корпоративных знаний и помощи персоналу в реальном времени.
- Результат: проект признан победителем премии «Data Award 2026». Компания масштабирует технологию на другие агрегаты.
Цитата (Денис Новиков, генеральный директор АО «Апатит»):«Для промышленности сегодня особенно важен переход от экспериментального ИИ к решениям, встроенным непосредственно в производственный контур».
Кейс 2. «Ингосстрах» — платформа управления ИИ-моделями.
- Контекст: необходимость ускорить вывод страховых продуктов на рынок.
- Решение: единая платформа на базе Data Ocean Nova и Kolmogorov AI.
- Результат: десятки моделей в промышленной среде (скоринг, оценка рисков, персонализация), создана безопасная среда под требования ИБ.
Кейс 3. Средняя компания из исследования SimpleOne (техподдержка).
- Контекст: классическая скриптовая техподдержка с долгим временем ответа.
- Решение: переход на генеративную ИИ-платформу.
- Метрики: экономия >23 млн руб./год, автоматизация до 90% рутинных операций, сокращение времени обработки и простоя в 4 раза.
Вывод: все успешные кейсы объединяет одно — ИИ стал частью управляемой инженерной инфраструктуры, а не разовым проектом энтузиастов.
4. Почему не работает изолированный ROI: методологическая ловушка
Более 90% российских компаний не получили системного экономического эффекта от ИИ. И главная причина — не качество моделей, а отсутствие адекватных методик оценки.
Попытка посчитать окупаемость «в лоб» — стоимость внедрения поделить на сэкономленные человеко-часы — ведёт к неверным управленческим решениям. Потому что ИИ меняет процесс целиком: сокращается цикл согласования, уменьшается количество ошибок на стыках, появляются новые возможности для кросс-функциональной аналитики.
Правильная логика: оценивать не ROI отдельного ИИ-инструмента, а влияние на сквозной процесс «от запроса клиента до отгрузки товара».
«Юнит-экономика с ИИ-агентами» — это новая метрика, где единицей измерения становится не час работы, а количество успешно закрытых сценариев без участия человека.
5. ИИ-агенты: новый цифровой сотрудник
2026 год называют годом расцвета ИИ-агентов. 59% организаций активно интересуются их внедрением, более трети всех инвестиций в ИИ уходит именно в эту область.
Что такое ИИ-агент простыми словами? Это «цифровой сотрудник», который не просто советует, а сам выполняет действия. Вместо того чтобы подготовить отчёт — он соберёт данные, проанализирует их, сформирует коммерческое предложение и отправит клиенту. И сделает это без участия человека.
Представьте экосистему ИИ-агентов, которые общаются друг с другом:
- Агент продаж выявляет потребность клиента.
- Агент оформления запускает логистику.
- Агент контроля обновляет прогнозы и сигнализирует об отклонениях.
Это уже не фантастика. 90% СЕО уверены, что именно ИИ-агенты дадут измеримую окупаемость в этом году.
6. Ответы на конкретные вопросы подписчиков
Вопрос: «Мы внедрили чат-бота, а экономического эффекта ноль. В чем проблема?»
Ответ: Скорее всего, проблема в «грязных» данных и хаотичных процессах. Большинство проектов проваливаются не из-за нейросети, а из-за того, что модели скормили неструктурированную информацию. Начните с аудита данных и упорядочивания регламентов.
Вопрос: «Наши сотрудники сами используют ChatGPT для работы. Запрещать или поощрять?»
Ответ: И то, и другое — ошибка. Запретить не сможете, поощрять без правил — опасно. Легализуйте: создайте внутреннюю «песочницу» с корпоративной LLM, определите правила игры. Как это сделал «Билайн».
Вопрос: «Кто в компании должен отвечать за внедрение ИИ — ИТ-директор или генеральный?»
Ответ: Сейчас в 38,6% компаний отвечает ИТ-директор. Но это ловушка. ИИ меняет бизнес-процессы, поэтому инициатива должна идти от бизнеса. Коммерческий директор пока отвечает за ИИ лишь в 7% компаний — и это зона роста.
7. Диагностический чек-лист: готовы ли вы к управляемому ИИ?
Шкала:
- 5–6 баллов — вы в лидерах.
- 3–4 балла — средний риск, нужна доработка.
- Менее 3 баллов — срочно применяйте протоколы «кризисного управления ИИ» (начните с аудита данных).
8. Что дальше? Три прогноза до 2028 года.
- Управление ИИ станет отдельной функцией — появится должность Chief AI Officer не на бумаге, а с реальным бюджетом и полномочиями.
- ИИ-агенты заменят до 30% рутинных межсистемных взаимодействий — там, где сейчас нужны десятки согласований.
- Компании, не освоившие управление ИИ, получат двукратное отставание по скорости и стоимости операций — разрыв начнёт расти с 2027 года.
Ключевая рекомендация прямо сейчас: внедряйте системный подход из трёх компонентов — (1) аудит и структурирование данных, (2) создание кросс-функциональных команд (ИТ + бизнес), (3) построение платформы управления жизненным циклом ИИ-моделей (MLOps). ИИ должен стать не разовым проектом, а управляемой инженерной практикой.