65% участников опроса Хабра и Cloud.ru считают, что будущее, где «роботы вкалывают, а люди счастливы», — утопия. Почти половина респондентов с помощью искусственного интеллекта автоматизирует рутинные задачи и повторяющиеся действия, но лишь каждый 9-й считает, что наибольшая польза от ИИ именно в этом. Большинство же считает, что наибольший эффект ИИ дает процессам разработки и тестирования. А каждый 7-й вовсе не пользуется такими инструментами.
С помощью опроса мы выяснили, что мешает внедрять ИИ и получать от него пользу, на каком этапе чаще всего умирают пилотные проекты, какие препятствия не дают масштабировать удачные кейсы на всю организацию. Если вам интересно — добро пожаловать под кат.
ИИ уже работает. Кто и как его использует?
Опрос 173 респондентов показал, что во многих организациях ИИ попадает в рабочие процессы «снизу». Сотрудники сами находят инструменты, сами за них платят или используют бесплатные тарифы для своих задач — так ответил каждый третий (32%).
Задачи могут быть самыми разными: это и написание кода и текстов, и анализ данных, и автоматизация рутины. Теневое использование становится системным. При этом в компании не внедряют правила, политику безопасности и единую платформу. 9% респондентов отметили, что в их компаниях все еще обсуждают, нужно ли тратить время и ресурсы на внедрение ИИ.
Если говорить о тех, кто уже использует ИИ на уровне компании, стоит обратить внимание на эти варианты: 16% респондентов отметили, что ИИ уже помогает в процессах без системного внедрения, а 10% голосов получил ответ о наличии ИИ‑платформы или стратегии на уровне организации. В компаниях 11% хабравчан есть централизованный подход с корпоративными правилами.
Михаил Дремин
технический лидер Data Science в Cloud.ru
Теневое использование присуще не только инструментам с искусственным интеллектом. Каждый раз технология, которая лучше и доступнее легальных корпоративных аналогов, набирает популярность с низов. На переход к более зрелым этапам влияет цена и вероятность ошибки при применении новых инструментов независимо от размера бизнеса. В небольших компаниях теневое использование плотнее, потому что часто там нет ни развитой ИБ‑функции, ни бюджета на корпоративные лицензии.
Чтобы перейти к системному использованию, важно наладить прием обратной связи от сотрудников: понять, почему их не устраивают легальные решения. А для этого нужно открыто разрешить делиться опытом использования любых ИИ‑инструментов, то есть не наказывать и не запрещать теневые. Главная задача — предложить сотрудникам достойное корпоративное решение, чтобы они отказались от нелегальных инструментов.
Как именно используют ИИ? На этот вопрос можно было дать несколько ответов, поэтому пусть вас не смущает цифра в более 300% в сумме по всем пунктам.
55% респондентов отметили, что с помощью ИИ ускоряют написание кода и скриптов. 51% работают с текстами и документами и автоматизируют рутинные задачи. 44% используют для брейншторминга, а 49% проверяют результаты своей работы. Практические не используют ИИ в работе 13% участников опроса.
Михаил Дремин
технический лидер Data Science в Cloud.ru
Мы считаем, что использование ИИ можно разделить на два трека: повышение личной эффективности сотрудников (конкретной функции, например, разработчиков) и автоматизация бизнес‑процессов. С точки зрения повышения личной эффективности сотрудники компании попадают в те же ответы, что и большинство хабравчан: код, работа с текстами и документами, автоматизация рутины путем использования ассистентов и агентов.
А с точки зрения автоматизации бизнес‑процессов — у нас в Cloud.ru есть централизованные команды ИИ‑инженеров, которые занимаются этой работой в своих блоках и создают клиентские продукты для упрощения работы с облаком. Речь идет об автоматизации технической поддержки, автоматизации процессов работы с инфраструктурой, ИИ‑помощнике — пользовательском агенте для развертывания инфраструктуры в нашем облаке.
В компании стремятся переходить к более распределенной модели взаимодействия с ИИ, где внедрением занимаются не только специализированные инженеры, но и бизнес‑пользователи, которые лучше понимают контекст задач и процессов, которые хочется упростить и автоматизировать.
Где же самая большая польза от ИИ? Разработка и тестирование становятся проще: речь идет о коде, ревью и документации. Больше всего участники опроса отметили ускорение написания кода и скриптов. Реже пользователи говорили, что максимальную пользу от ИИ они видят в аналитике, работе с данными и документами.
9% участников опроса ответили, что пока не видят особого эффекта: для них ИИ лишь усложняет задачи.
Около 7% респондентов не используют ИИ‑модели в работе, а более чем в четверти компаний сотрудники имеют личные подписки, использование происходит «в тени». Это в целом подтверждает результаты предыдущих вопросов. 29% респондентов используют внешние сервисы и зарубежные API. Каждый седьмой хабравчанин отметил использование гибридного подхода: часть моделей развертывают локально, часть используют во внешних сервисах.
Таким образом, спрос на искусственный интеллект есть, но его редко используют системно.
На чем держатся ИИ‑проекты и продвижение ИИ? Инициатива может идти как снизу, так и сверху. Когда инициатива идет снизу, то есть продвижением ИИ‑автоматизации занимаются отдельные разработчики‑энтузиасты, внедрение носит точечный эффект. Отдельные пользователи применяют ИИ за собственные деньги.
Почти каждый третий участник опроса отметил, что руководство постоянно обсуждает тему ИИ, — в таких командах теневого использования ИИ‑инструментов почти нет. 19% говорят, что продвижение ИИ держится на отдельных инициативах. 9% отметили, что за ИИ стоят бизнес‑пользователи, которые видят быстрый личный эффект, а 11% вспоминают ИИ‑евангелистов и внутренних амбассадоров.
Владельцы продуктов и процессов реже всего продвигают ИИ‑автоматизацию — всего 4% опрошенных выбрали этот вариант. Однако в компаниях, где они это делают, чаще присутствует стратегический подход и ИИ‑платформа — в 50% случаев.
Михаил Дремин
технический лидер Data Science в Cloud.ru
В нашей компании продвижение происходит как сверху, так и снизу, и нашей основной задачей мы видим поиск хороших практик и их распространение. У нас есть специализированные команды, которые разрабатывают ИИ‑продукты, как на платформенном, так и на прикладном уровне. Топ‑менеджмент видит стратегическую ценность от внедрения ИИ, а отдельные специалисты‑энтузиасты самостоятельно решают свои задачи с помощью ИИ‑инструментов.
В Cloud.ru мы объединили всех интересантов в ИИ‑комитет, цель которого — помощь по внедрению, поиск хороших кейсов и практик, их распространение и освещение. Руководитель одной из специализированных команд создал внутренний проект Agentic Engineering Lab, где выступают сотрудники разного уровня зрелости: как бизнес‑пользователи, получившие личный эффект, так и ИИ‑инженеры, рассказывающие о технологиях и best practices. Так можно развивать культуру инноваций в компании.
Где «ломаются» ИИ‑проекты
В вопросе о причинах, мешающих внедрять ИИ, больше всего ответов получили такие варианты:
Непонятно, какой процесс или задачу автоматизировать для начала (18%).
Отсутствует платформа, базовый стек и реальные кейсы (17%).
Слишком высоки риски безопасности и конфиденциальности (15%).
У 14% респондентов в компании все уже запущено, так что никаких барьеров они не видят.
На каком этапе проекты умирают? Чаще всего еще до технического внедрения, то есть на стадии идеи. 41% респондентов отметили, что у них проекты не доходят даже до пилота. А значит, проблема не в качестве технологии, а в том, что в компании не получается пройти самый первый этап: сформулировать задачу, согласовать проект и бюджет, найти владельца, обеспечить безопасность.
16% хабравчан отметили, что ИИ‑проекты прекращаются на этапе эксплуатации. То есть до внедрения доходят, но затем выясняется, что решение не такое уж удобное или не дает существенных преимуществ. Так что можно выделить два главных типа провалов: либо проект вовсе не запускается, либо запускается, но не может прижиться.
Каждый седьмой пользователь считает, что в его компании не было проектов, которые бы не взлетели. Можно подумать, что все проекты взлетали, но это не совсем так. Мы посмотрели, как эти пользователи отвечают в других вопросах: в 42% случаев эти респонденты на предыдущий вопрос ответили, что вовсе не дошли до внедрения.
Самая частая проблема с внедрением ИИ в процессы состоит в том, что из‑за плохо сформулированных задач неясно, что автоматизировать. Так считают 28% участников. На втором месте с 19% — сложность интеграции ИИ с существующими системами и сервисами. На третьем — подготовка данных: 18% респондентов отметили, что данные содержатся в разных системах, не очищены или недоступны.
И 10% участников опроса считают, что проблемы начинаются на этапе согласования с безопасностью и комплаенсом.
Михаил Дремин
технический лидер Data Science в Cloud.ru
Маленькие и крупные компании встречаются с разными блокерами. В крупных процесс внедрения может тормозить регуляторная механика. Кроме того что необходимо перестроить массу процессов, важно обеспечить безопасность. Риски надо учитывать, и они иногда могут быть намного больше, чем эффективность от прироста ИИ.
Правильно поставленная задача — это уже 50% успеха. Когда мы говорим о внедрении ИИ в процессы, необходимо, чтобы эти процессы были понятны, описаны и оцифрованы.
Чаще всего с этим в компаниях проблемы. Четверть участников отметили, что единой картины у них нет, процессы в компании понятны только на уровне отдельных команд. Чуть реже процессы описаны частично, а остальное — в головах. Почти каждый пятый рассказал, что всё в компании работает на уровне устных договоренностей, а структура кода содержится в головах разработчиков.
И лишь в 9% случаев все процессы формализованы — в этом случае ничего не мешает их автоматизировать.
Главный человеческий барьер оказался связан с процессами. Если они не описаны и не оцифрованы, нужно провести большую работу: 32% респондентов ответили, что мало кто хочет ею заниматься.
Также одним из главных факторов является недоверие к результату — его отметила четверть опрошенных. Ведь у каждой ошибки есть имя и фамилия, отвечать за галлюцинации ИИ придется именно сотруднику. Поэтому много времени уходит на перепроверку.
Инфраструктура как узкое место
Точечные применения ИИ или отдельные проекты могут работать. Но даже успешный ИИ‑кейс не всегда можно развернуть на всю компанию. 49% респондентов считают, что этому мешают риски безопасности и утечек данных. Для компании может быть важен закрытый контур, что требует дозакупки железа, или обязательный мониторинг отправки сотрудниками данных.
Каким бы успешным ни был пилотный проект — нет гарантии, что получится его масштабировать. Кейс для разработки сложно перенести в финансы, HR, продажи или маркетинг. 43% опрошенных это отметили.
Универсальных решений не так много, но они все же есть. Этот вопрос можно рассматривать с точки зрения технологии и автоматизируемой функции. Есть универсальные ИИ‑агенты вроде OpenClaw, Hermes, ГигаАгент, которые проектируются разработчиками специально для решения широкого круга задач.
А с точки зрения автоматизируемой функции существуют такие популярные кейсы:
1. Поиск по корпоративной базе знаний (RAG).
2. Транскрибация и суммаризация встреч, звонков, обращений.
3. Аналитика корпоративных данных на естественном языке, например Text2SQL.
ИИ‑проект нужно сначала запустить, а потом обеспечивать поддержку, следить за нагрузкой и безопасностью. По мнению 39% опрошенных, проблема в нехватке компетентных специалистов. 37% хабравчан отметили, что масштабирование невозможно из‑за неготовой к этому инфраструктуры.
Михаил Дремин
технический лидер Data Science в Cloud.ru
Для запуска ИИ‑проекта необязательно готовить свою ИТ‑инфраструктуру — ее можно арендовать. Компания может переложить на провайдера инфраструктурный и платформенный слой, забыть о вопросах, связанных с GPU, инференсом, RAG, дообучением, оркестрацией агентов, мониторингом, безопасностью и SLA.
Однако обязательно должен быть заказчик со стороны бизнеса, и важен доступ к данным и метрика, по которой можно определить, сработал ли проект. Сопротивление пользователей, которое отметили 28% опрошенных, решается ролями, обучением и перестройкой процесса. Облачный провайдер может дать платформу и архитектурную экспертизу, но он не может за вас решить, какой процесс вы меняете и кто за него отвечает. Нехватка специалистов закрывается двумя способами одновременно: managed‑сервисами, чтобы не нанимать людей под эксплуатацию GPU и инференса, и обучением.
Доступ к GPU и вычислениям — главный инфраструктурный барьер развертывания ИИ‑проектов по мнению участников опроса. Он заметно опережает другие показатели, этот ответ выбрали 48% участников опроса.
Михаил Дремин
технический лидер Data Science в Cloud.ru
Главная проблема своего железа даже не в цене закупки. Компания покупает мощность под пик и платит за нее круглосуточно, когда на самом деле утилизация ресурсов может быть низкой в среднем. Экономика ИИ‑инфраструктуры решается утилизацией: если карта загружена на 10%, реальная стоимость токена оказывается на порядок выше номинала, и простаивающая H100 обходится дороже премиального API. Плюс энергетика, охлаждение, резерв, администраторы и моральное устаревание парка — пока сервер едет, требования к нему успевают измениться.
Эту проблему можно решить с помощью трех уровней абстракции под разные задачи:
аренда GPU в виртуальных машинах и выделенных серверах с почасовой или помесячной оплатой под обучение и эксперименты;
ML Inference с технологией shared GPU и автоскейлингом — когда нагрузка плавающая и держать карту целиком нет смысла;
просто API к готовым моделям, где вы платите за токены и вообще не думаете о железе.
Каждый третий участник опроса отметил нехватку компетенций сотрудников. Компетенции — это условие внедрения ИИ. Неподготовленный сотрудник с мощным инструментом теряет производительность, а не приобретает. По результатам исследования METR оказалось, что опытные разработчики с ИИ работали на 19% медленнее, но были уверены, что ускорились на 20%. Обучение специалистов представляет собой систему с различными механиками подкрепления знаний и практикой.
По данным Microsoft Work Trend Index, организационные факторы объясняют вдвое больше эффекта, чем индивидуальные: 67% против 32%. Самый сильный рычаг — личный пример руководителей. Там, где менеджеры сами работают с ИИ на глазах у команды, у сотрудников заметно выше и воспринимаемая ценность, и доверие к инструментам. Второй по силе канал — коллеги: около 69% людей осваивают новые навыки друг у друга, а не на тренингах. В целом мы видим схожую картину и у нас в компании.
От экспериментов к системе
Когда ИИ‑проекты пытаются перевести от единичным пилотам к масштабированию, на первый план выходят вопросы, которые энтузиазмом не решить. Это безопасность, регуляторика, необходимость централизованной платформы. Не любой проект можно заставить работать на уровне всей компании, и далеко не всегда в организациях вообще есть правила и требования к применению реальных данных в ИИ.
31% опрошенных ответили, что формально ничего не регламентировано: каждый сам решает, что отдавать модели. В некоторых компаниях отправка реальных данных разрешена, но с ограничениями: нельзя загружать персональные и другие чувствительные данные. Каждый десятый ответил «не знаю или не сталкивался».
28% опрошенных отметили, что отправка реальных данных в их компаниях запрещена. Можно использовать их только во внутреннем контуре: действуют жесткие требования по персональным данным и комплаенсу.
Михаил Дремин
технический лидер Data Science в Cloud.ru
Чтобы разработать политику по использованию ИИ, стоит искать похожие документы от крупных компаний и изучать их. Например, Гарвардский университет опубликовал в открытом доступе свои версии политик по ИИ. Также многие аспекты рассматриваются в методических рекомендации Банка России от 16 июня 2026 г. № 3-МР «По обеспечению информационной безопасности при разработке и применении искусственного интеллекта на финансовом рынке.»
Нужна ли компании централизованная ИИ‑платформа? 24% хабравчан считают, что ответ на этот вопрос зависит от размера компании и зрелости процессов. Больше половины из давших этот ответ респондентов говорили, что масштабировать удачный ИИ‑кейс на всю компанию мешает неготовая текущая ИТ‑архитектура.
Чуть меньше (23%) респондентов уверены, что это абсолютный must have, ведь без платформы невозможно управлять безопасностью и масштабом. Почти все респонденты с таким мнением отмечают, что масштабировать удачные кейсы мешают риски безопасности и утечек данных, а главным инфраструктурным барьером считают доступ к GPU и вычислениям.
Михаил Дремин
технический лидер Data Science в Cloud.ru
Руководству компаний стоит дать ответ на вопрос, в какой момент стоимость отсутствия централизованной платформы для обеспечения жизненного цикла ИИ‑решений превысит стоимость ее создания и закупки. Когда ИИ‑решения разрабатывают несколько команд, а не одна централизованная, и в контур попадают чувствительные данные (персональные, коммерческая тайна), платформа решает эту проблему предоставлением централизованных сервисов‑обвязок вокруг ИИ‑решений. Могут работать единый трейсинг и observability, механизмы Guardrails.
Чем больше команд независимо разрабатывают свои решения, тем больше фрагментируются ресурсы. Это касается и GPU для инференса LLM. Платформенные сервисы по типу LLM Gateway способны решить проблему фрагментации и аналитики потребления. Если же в компании ИИ‑решениями занимается одна команда, то она же ответственна за инфраструктуру. Для нее платформа может быть излишней.
При необходимости внедрения платформы встает выбор между build и buy. Важно учесть емкость работ по созданию платформы и возможность аренды платформенного слоя как сервиса. На рынке существуют различные решения. Например, мы предоставляем набор платформенных продуктов для GenAI — Evolution AI Factory, который включает в себя LLM‑шлюз с эффективной оплатой за потребляемые токены, ML Inference для инференса ИИ‑моделей, Managed RAG для построения RAG‑сервисов и другие.
Можно сказать, что главный барьер на пути ИИ в компаниях — это отсутствие условий для его внедрения. Чаще всего респонденты отмечали хаос в процессах и сложность обоснования внедрения ИИ, то есть оценки экономического эффекта.
По 15% голосов получили ответы о проблемах с инфраструктурой и с культурой в компании. Одна пятая часть рынка находится на стадии наблюдения, то есть только изучает рынок ИИ. Из‑за нехватки компетенций сложно настроить безопасную эксплуатацию, а сопротивление сотрудников тормозит переход от пилота к процессу.
Для расчета отдачи от внедрения ИИ в первую очередь стоит зафиксировать baseline, то есть определить и просчитать, как сейчас решается та или иная задача, выбрать метрики стоимости и качества решения. Когда baseline и метрики зафиксированы, достаточно просто рассчитать финансовую модель ИИ‑решения: сколько будет потрачено на инфраструктуру или сервисы, — и сравнить с тем, сколько мы сэкономим на ИИ‑автоматизациях. Часто проблема как раз и скрывается в выборе правильных метрик для расчета.
Что нас ждет в будущем
Взглянем в будущее через опрос от HR: как будет выглядеть ИИ в компании через два года? 22% хабравчан считают, что точный прогноз дать невозможно: все зависит от регуляторики, требований безопасности и множества других факторов.
Каждый пятый считает, что в его компании продолжат полагаться в основном на зарубежные проприетарные модели. Чуть реже отмечают, что будут использовать гибридный подход: часть моделей развертывать локально, а часть запускать на внешних ресурсах.
Зарубежные проприетарные модели часто могут похвастаться высоким качеством и широким набором возможностей — их относительно легко запускать. Но контролировать данные в нужной мере с ними нельзя — появляются риски безопасности. Кроме того, российская компания так попадает в зависимость от вендора.
Гибридный подход помогает разделить сценарии по уровню чувствительности данных и сбалансировать качество и безопасность. Однако это усложняет архитектуру и повышает требования к компетенциям сотрудников, которые будут отвечать за нее.
Михаил Дремин
технический лидер Data Science в Cloud.ru
С точки зрения безопасности данных проприетарные модели использовать сложно. Важно понимать степень недетерминированности среды и приложения, в котором работает модель. Если вы четко контролируете поток входных данных и уверены, что в API не утечет чувствительная информация, то вполне можно. Если же вы подставляете такую модель в какие‑либо агентские сценарии, где модель может попытаться обойти ограничения имеющимися инструментами, то риск утечки есть всегда, независимо от механизмов guardrail. Почти наверняка найдется кейс, где утечка все равно произойдет.
В связи с популяризацией задач по внедрению ИИ, локальный инференс перестал быть чем‑то диковинным и носить исследовательский характер. С выходом новой модели энтузиасты также выкладывают различные инструкции, как развернуть эту модель локально. Дьявол кроется в деталях: подобные инструкции не гарантируют корректное развертывание модели. В идеале — сравнивать результаты на каком‑то тестовом наборе с авторитетными провайдерами языковых моделей и убеждаться, что вы получаете сопоставимое качество.
Однако сложность настройки инференса никуда не делась — например, в том же vllm (популярный фреймворк для развертывания LLM) есть десятки различных параметров, которые влияют на пропускную способность и качество ИИ‑модели. Если перед компанией стоит задача выжать из инференса максимальную производительность с сохранением качества, то без специалиста это сделать достаточно сложно.
Итог
Проблема с ИИ в бизнесе не в том, что технология не работает, а в незрелой среде. Большая часть проектов умирает на стадии идеи из‑за бюрократии и неясности задач. Масштабировать кейсы тяжело из‑за рисков утечек данных. А главный инфраструктурный барьер — доступ к GPU и вычислениям, который сегодня одновременно и дефицитен, и дорог.
При этом сами сотрудники используют ИИ «в тени», что позволяет получить точечные улучшения. Но без системного подхода, единой платформы и зрелой инфраструктуры такой эффект сложно масштабировать.
65% участников опроса Хабра и Cloud.ru считают, что будущее, где «роботы вкалывают, а люди счастливы», — утопия. Почти половина респондентов с помощью искусственного интеллекта автоматизирует рутинные задачи и повторяющиеся действия, но лишь каждый 9-й считает, что наибольшая польза от ИИ именно в этом. Большинство же считает, что наибольший эффект ИИ дает процессам разработки и тестирования. А каждый 7-й вовсе не пользуется такими инструментами.
С помощью опроса мы выяснили, что мешает внедрять ИИ и получать от него пользу, на каком этапе чаще всего умирают пилотные проекты, какие препятствия не дают масштабировать удачные кейсы на всю организацию. Если вам интересно — добро пожаловать под кат.
ИИ уже работает. Кто и как его использует?
Опрос 173 респондентов показал, что во многих организациях ИИ попадает в рабочие процессы «снизу». Сотрудники сами находят инструменты, сами за них платят или используют бесплатные тарифы для своих задач — так ответил каждый третий (32%).
Задачи могут быть самыми разными: это и написание кода и текстов, и анализ данных, и автоматизация рутины. Теневое использование становится системным. При этом в компании не внедряют правила, политику безопасности и единую платформу. 9% респондентов отметили, что в их компаниях все еще обсуждают, нужно ли тратить время и ресурсы на внедрение ИИ.
Если говорить о тех, кто уже использует ИИ на уровне компании, стоит обратить внимание на эти варианты: 16% респондентов отметили, что ИИ уже помогает в процессах без системного внедрения, а 10% голосов получил ответ о наличии ИИ‑платформы или стратегии на уровне организации. В компаниях 11% хабравчан есть централизованный подход с корпоративными правилами.
Михаил Дремин
технический лидер Data Science в Cloud.ru
Теневое использование присуще не только инструментам с искусственным интеллектом. Каждый раз технология, которая лучше и доступнее легальных корпоративных аналогов, набирает популярность с низов. На переход к более зрелым этапам влияет цена и вероятность ошибки при применении новых инструментов независимо от размера бизнеса. В небольших компаниях теневое использование плотнее, потому что часто там нет ни развитой ИБ‑функции, ни бюджета на корпоративные лицензии.
Чтобы перейти к системному использованию, важно наладить прием обратной связи от сотрудников: понять, почему их не устраивают легальные решения. А для этого нужно открыто разрешить делиться опытом использования любых ИИ‑инструментов, то есть не наказывать и не запрещать теневые. Главная задача — предложить сотрудникам достойное корпоративное решение, чтобы они отказались от нелегальных инструментов.
Как именно используют ИИ? На этот вопрос можно было дать несколько ответов, поэтому пусть вас не смущает цифра в более 300% в сумме по всем пунктам.
55% респондентов отметили, что с помощью ИИ ускоряют написание кода и скриптов. 51% работают с текстами и документами и автоматизируют рутинные задачи. 44% используют для брейншторминга, а 49% проверяют результаты своей работы. Практические не используют ИИ в работе 13% участников опроса.
Михаил Дремин
технический лидер Data Science в Cloud.ru
Мы считаем, что использование ИИ можно разделить на два трека: повышение личной эффективности сотрудников (конкретной функции, например, разработчиков) и автоматизация бизнес‑процессов. С точки зрения повышения личной эффективности сотрудники компании попадают в те же ответы, что и большинство хабравчан: код, работа с текстами и документами, автоматизация рутины путем использования ассистентов и агентов.
А с точки зрения автоматизации бизнес‑процессов — у нас в Cloud.ru есть централизованные команды ИИ‑инженеров, которые занимаются этой работой в своих блоках и создают клиентские продукты для упрощения работы с облаком. Речь идет об автоматизации технической поддержки, автоматизации процессов работы с инфраструктурой, ИИ‑помощнике — пользовательском агенте для развертывания инфраструктуры в нашем облаке.
В компании стремятся переходить к более распределенной модели взаимодействия с ИИ, где внедрением занимаются не только специализированные инженеры, но и бизнес‑пользователи, которые лучше понимают контекст задач и процессов, которые хочется упростить и автоматизировать.
Где же самая большая польза от ИИ? Разработка и тестирование становятся проще: речь идет о коде, ревью и документации. Больше всего участники опроса отметили ускорение написания кода и скриптов. Реже пользователи говорили, что максимальную пользу от ИИ они видят в аналитике, работе с данными и документами.
9% участников опроса ответили, что пока не видят особого эффекта: для них ИИ лишь усложняет задачи.
Около 7% респондентов не используют ИИ‑модели в работе, а более чем в четверти компаний сотрудники имеют личные подписки, использование происходит «в тени». Это в целом подтверждает результаты предыдущих вопросов. 29% респондентов используют внешние сервисы и зарубежные API. Каждый седьмой хабравчанин отметил использование гибридного подхода: часть моделей развертывают локально, часть используют во внешних сервисах.
Таким образом, спрос на искусственный интеллект есть, но его редко используют системно.
На чем держатся ИИ‑проекты и продвижение ИИ? Инициатива может идти как снизу, так и сверху. Когда инициатива идет снизу, то есть продвижением ИИ‑автоматизации занимаются отдельные разработчики‑энтузиасты, внедрение носит точечный эффект. Отдельные пользователи применяют ИИ за собственные деньги.
Почти каждый третий участник опроса отметил, что руководство постоянно обсуждает тему ИИ, — в таких командах теневого использования ИИ‑инструментов почти нет. 19% говорят, что продвижение ИИ держится на отдельных инициативах. 9% отметили, что за ИИ стоят бизнес‑пользователи, которые видят быстрый личный эффект, а 11% вспоминают ИИ‑евангелистов и внутренних амбассадоров.
Владельцы продуктов и процессов реже всего продвигают ИИ‑автоматизацию — всего 4% опрошенных выбрали этот вариант. Однако в компаниях, где они это делают, чаще присутствует стратегический подход и ИИ‑платформа — в 50% случаев.
Михаил Дремин
технический лидер Data Science в Cloud.ru
В нашей компании продвижение происходит как сверху, так и снизу, и нашей основной задачей мы видим поиск хороших практик и их распространение. У нас есть специализированные команды, которые разрабатывают ИИ‑продукты, как на платформенном, так и на прикладном уровне. Топ‑менеджмент видит стратегическую ценность от внедрения ИИ, а отдельные специалисты‑энтузиасты самостоятельно решают свои задачи с помощью ИИ‑инструментов.
В Cloud.ru мы объединили всех интересантов в ИИ‑комитет, цель которого — помощь по внедрению, поиск хороших кейсов и практик, их распространение и освещение. Руководитель одной из специализированных команд создал внутренний проект Agentic Engineering Lab, где выступают сотрудники разного уровня зрелости: как бизнес‑пользователи, получившие личный эффект, так и ИИ‑инженеры, рассказывающие о технологиях и best practices. Так можно развивать культуру инноваций в компании.
Где «ломаются» ИИ‑проекты
В вопросе о причинах, мешающих внедрять ИИ, больше всего ответов получили такие варианты:
Непонятно, какой процесс или задачу автоматизировать для начала (18%).
Отсутствует платформа, базовый стек и реальные кейсы (17%).
Слишком высоки риски безопасности и конфиденциальности (15%).
У 14% респондентов в компании все уже запущено, так что никаких барьеров они не видят.
На каком этапе проекты умирают? Чаще всего еще до технического внедрения, то есть на стадии идеи. 41% респондентов отметили, что у них проекты не доходят даже до пилота. А значит, проблема не в качестве технологии, а в том, что в компании не получается пройти самый первый этап: сформулировать задачу, согласовать проект и бюджет, найти владельца, обеспечить безопасность.
16% хабравчан отметили, что ИИ‑проекты прекращаются на этапе эксплуатации. То есть до внедрения доходят, но затем выясняется, что решение не такое уж удобное или не дает существенных преимуществ. Так что можно выделить два главных типа провалов: либо проект вовсе не запускается, либо запускается, но не может прижиться.
Каждый седьмой пользователь считает, что в его компании не было проектов, которые бы не взлетели. Можно подумать, что все проекты взлетали, но это не совсем так. Мы посмотрели, как эти пользователи отвечают в других вопросах: в 42% случаев эти респонденты на предыдущий вопрос ответили, что вовсе не дошли до внедрения.
Самая частая проблема с внедрением ИИ в процессы состоит в том, что из‑за плохо сформулированных задач неясно, что автоматизировать. Так считают 28% участников. На втором месте с 19% — сложность интеграции ИИ с существующими системами и сервисами. На третьем — подготовка данных: 18% респондентов отметили, что данные содержатся в разных системах, не очищены или недоступны.
И 10% участников опроса считают, что проблемы начинаются на этапе согласования с безопасностью и комплаенсом.
Михаил Дремин
технический лидер Data Science в Cloud.ru
Маленькие и крупные компании встречаются с разными блокерами. В крупных процесс внедрения может тормозить регуляторная механика. Кроме того что необходимо перестроить массу процессов, важно обеспечить безопасность. Риски надо учитывать, и они иногда могут быть намного больше, чем эффективность от прироста ИИ.
Правильно поставленная задача — это уже 50% успеха. Когда мы говорим о внедрении ИИ в процессы, необходимо, чтобы эти процессы были понятны, описаны и оцифрованы.
Чаще всего с этим в компаниях проблемы. Четверть участников отметили, что единой картины у них нет, процессы в компании понятны только на уровне отдельных команд. Чуть реже процессы описаны частично, а остальное — в головах. Почти каждый пятый рассказал, что всё в компании работает на уровне устных договоренностей, а структура кода содержится в головах разработчиков.
И лишь в 9% случаев все процессы формализованы — в этом случае ничего не мешает их автоматизировать.
Главный человеческий барьер оказался связан с процессами. Если они не описаны и не оцифрованы, нужно провести большую работу: 32% респондентов ответили, что мало кто хочет ею заниматься.
Также одним из главных факторов является недоверие к результату — его отметила четверть опрошенных. Ведь у каждой ошибки есть имя и фамилия, отвечать за галлюцинации ИИ придется именно сотруднику. Поэтому много времени уходит на перепроверку.
Инфраструктура как узкое место
Точечные применения ИИ или отдельные проекты могут работать. Но даже успешный ИИ‑кейс не всегда можно развернуть на всю компанию. 49% респондентов считают, что этому мешают риски безопасности и утечек данных. Для компании может быть важен закрытый контур, что требует дозакупки железа, или обязательный мониторинг отправки сотрудниками данных.
Каким бы успешным ни был пилотный проект — нет гарантии, что получится его масштабировать. Кейс для разработки сложно перенести в финансы, HR, продажи или маркетинг. 43% опрошенных это отметили.
Универсальных решений не так много, но они все же есть. Этот вопрос можно рассматривать с точки зрения технологии и автоматизируемой функции. Есть универсальные ИИ‑агенты вроде OpenClaw, Hermes, ГигаАгент, которые проектируются разработчиками специально для решения широкого круга задач.
А с точки зрения автоматизируемой функции существуют такие популярные кейсы:
1. Поиск по корпоративной базе знаний (RAG).
2. Транскрибация и суммаризация встреч, звонков, обращений.
3. Аналитика корпоративных данных на естественном языке, например Text2SQL.
ИИ‑проект нужно сначала запустить, а потом обеспечивать поддержку, следить за нагрузкой и безопасностью. По мнению 39% опрошенных, проблема в нехватке компетентных специалистов. 37% хабравчан отметили, что масштабирование невозможно из‑за неготовой к этому инфраструктуры.
Михаил Дремин
технический лидер Data Science в Cloud.ru
Для запуска ИИ‑проекта необязательно готовить свою ИТ‑инфраструктуру — ее можно арендовать. Компания может переложить на провайдера инфраструктурный и платформенный слой, забыть о вопросах, связанных с GPU, инференсом, RAG, дообучением, оркестрацией агентов, мониторингом, безопасностью и SLA.
Однако обязательно должен быть заказчик со стороны бизнеса, и важен доступ к данным и метрика, по которой можно определить, сработал ли проект. Сопротивление пользователей, которое отметили 28% опрошенных, решается ролями, обучением и перестройкой процесса. Облачный провайдер может дать платформу и архитектурную экспертизу, но он не может за вас решить, какой процесс вы меняете и кто за него отвечает. Нехватка специалистов закрывается двумя способами одновременно: managed‑сервисами, чтобы не нанимать людей под эксплуатацию GPU и инференса, и обучением.
Доступ к GPU и вычислениям — главный инфраструктурный барьер развертывания ИИ‑проектов по мнению участников опроса. Он заметно опережает другие показатели, этот ответ выбрали 48% участников опроса.
Михаил Дремин
технический лидер Data Science в Cloud.ru
Главная проблема своего железа даже не в цене закупки. Компания покупает мощность под пик и платит за нее круглосуточно, когда на самом деле утилизация ресурсов может быть низкой в среднем. Экономика ИИ‑инфраструктуры решается утилизацией: если карта загружена на 10%, реальная стоимость токена оказывается на порядок выше номинала, и простаивающая H100 обходится дороже премиального API. Плюс энергетика, охлаждение, резерв, администраторы и моральное устаревание парка — пока сервер едет, требования к нему успевают измениться.
Эту проблему можно решить с помощью трех уровней абстракции под разные задачи:
аренда GPU в виртуальных машинах и выделенных серверах с почасовой или помесячной оплатой под обучение и эксперименты;
ML Inference с технологией shared GPU и автоскейлингом — когда нагрузка плавающая и держать карту целиком нет смысла;
просто API к готовым моделям, где вы платите за токены и вообще не думаете о железе.
Каждый третий участник опроса отметил нехватку компетенций сотрудников. Компетенции — это условие внедрения ИИ. Неподготовленный сотрудник с мощным инструментом теряет производительность, а не приобретает. По результатам исследования METR оказалось, что опытные разработчики с ИИ работали на 19% медленнее, но были уверены, что ускорились на 20%. Обучение специалистов представляет собой систему с различными механиками подкрепления знаний и практикой.
По данным Microsoft Work Trend Index, организационные факторы объясняют вдвое больше эффекта, чем индивидуальные: 67% против 32%. Самый сильный рычаг — личный пример руководителей. Там, где менеджеры сами работают с ИИ на глазах у команды, у сотрудников заметно выше и воспринимаемая ценность, и доверие к инструментам. Второй по силе канал — коллеги: около 69% людей осваивают новые навыки друг у друга, а не на тренингах. В целом мы видим схожую картину и у нас в компании.
От экспериментов к системе
Когда ИИ‑проекты пытаются перевести от единичным пилотам к масштабированию, на первый план выходят вопросы, которые энтузиазмом не решить. Это безопасность, регуляторика, необходимость централизованной платформы. Не любой проект можно заставить работать на уровне всей компании, и далеко не всегда в организациях вообще есть правила и требования к применению реальных данных в ИИ.
31% опрошенных ответили, что формально ничего не регламентировано: каждый сам решает, что отдавать модели. В некоторых компаниях отправка реальных данных разрешена, но с ограничениями: нельзя загружать персональные и другие чувствительные данные. Каждый десятый ответил «не знаю или не сталкивался».
28% опрошенных отметили, что отправка реальных данных в их компаниях запрещена. Можно использовать их только во внутреннем контуре: действуют жесткие требования по персональным данным и комплаенсу.
Михаил Дремин
технический лидер Data Science в Cloud.ru
Чтобы разработать политику по использованию ИИ, стоит искать похожие документы от крупных компаний и изучать их. Например, Гарвардский университет опубликовал в открытом доступе свои версии политик по ИИ. Также многие аспекты рассматриваются в методических рекомендации Банка России от 16 июня 2026 г. № 3-МР «По обеспечению информационной безопасности при разработке и применении искусственного интеллекта на финансовом рынке.»
Нужна ли компании централизованная ИИ‑платформа? 24% хабравчан считают, что ответ на этот вопрос зависит от размера компании и зрелости процессов. Больше половины из давших этот ответ респондентов говорили, что масштабировать удачный ИИ‑кейс на всю компанию мешает неготовая текущая ИТ‑архитектура.
Чуть меньше (23%) респондентов уверены, что это абсолютный must have, ведь без платформы невозможно управлять безопасностью и масштабом. Почти все респонденты с таким мнением отмечают, что масштабировать удачные кейсы мешают риски безопасности и утечек данных, а главным инфраструктурным барьером считают доступ к GPU и вычислениям.
Михаил Дремин
технический лидер Data Science в Cloud.ru
Руководству компаний стоит дать ответ на вопрос, в какой момент стоимость отсутствия централизованной платформы для обеспечения жизненного цикла ИИ‑решений превысит стоимость ее создания и закупки. Когда ИИ‑решения разрабатывают несколько команд, а не одна централизованная, и в контур попадают чувствительные данные (персональные, коммерческая тайна), платформа решает эту проблему предоставлением централизованных сервисов‑обвязок вокруг ИИ‑решений. Могут работать единый трейсинг и observability, механизмы Guardrails.
Чем больше команд независимо разрабатывают свои решения, тем больше фрагментируются ресурсы. Это касается и GPU для инференса LLM. Платформенные сервисы по типу LLM Gateway способны решить проблему фрагментации и аналитики потребления. Если же в компании ИИ‑решениями занимается одна команда, то она же ответственна за инфраструктуру. Для нее платформа может быть излишней.
При необходимости внедрения платформы встает выбор между build и buy. Важно учесть емкость работ по созданию платформы и возможность аренды платформенного слоя как сервиса. На рынке существуют различные решения. Например, мы предоставляем набор платформенных продуктов для GenAI — Evolution AI Factory, который включает в себя LLM‑шлюз с эффективной оплатой за потребляемые токены, ML Inference для инференса ИИ‑моделей, Managed RAG для построения RAG‑сервисов и другие.
Можно сказать, что главный барьер на пути ИИ в компаниях — это отсутствие условий для его внедрения. Чаще всего респонденты отмечали хаос в процессах и сложность обоснования внедрения ИИ, то есть оценки экономического эффекта.
По 15% голосов получили ответы о проблемах с инфраструктурой и с культурой в компании. Одна пятая часть рынка находится на стадии наблюдения, то есть только изучает рынок ИИ. Из‑за нехватки компетенций сложно настроить безопасную эксплуатацию, а сопротивление сотрудников тормозит переход от пилота к процессу.
Для расчета отдачи от внедрения ИИ в первую очередь стоит зафиксировать baseline, то есть определить и просчитать, как сейчас решается та или иная задача, выбрать метрики стоимости и качества решения. Когда baseline и метрики зафиксированы, достаточно просто рассчитать финансовую модель ИИ‑решения: сколько будет потрачено на инфраструктуру или сервисы, — и сравнить с тем, сколько мы сэкономим на ИИ‑автоматизациях. Часто проблема как раз и скрывается в выборе правильных метрик для расчета.
Что нас ждет в будущем
Взглянем в будущее через опрос от HR: как будет выглядеть ИИ в компании через два года? 22% хабравчан считают, что точный прогноз дать невозможно: все зависит от регуляторики, требований безопасности и множества других факторов.
Каждый пятый считает, что в его компании продолжат полагаться в основном на зарубежные проприетарные модели. Чуть реже отмечают, что будут использовать гибридный подход: часть моделей развертывать локально, а часть запускать на внешних ресурсах.
Зарубежные проприетарные модели часто могут похвастаться высоким качеством и широким набором возможностей — их относительно легко запускать. Но контролировать данные в нужной мере с ними нельзя — появляются риски безопасности. Кроме того, российская компания так попадает в зависимость от вендора.
Гибридный подход помогает разделить сценарии по уровню чувствительности данных и сбалансировать качество и безопасность. Однако это усложняет архитектуру и повышает требования к компетенциям сотрудников, которые будут отвечать за нее.
Михаил Дремин
технический лидер Data Science в Cloud.ru
С точки зрения безопасности данных проприетарные модели использовать сложно. Важно понимать степень недетерминированности среды и приложения, в котором работает модель. Если вы четко контролируете поток входных данных и уверены, что в API не утечет чувствительная информация, то вполне можно. Если же вы подставляете такую модель в какие‑либо агентские сценарии, где модель может попытаться обойти ограничения имеющимися инструментами, то риск утечки есть всегда, независимо от механизмов guardrail. Почти наверняка найдется кейс, где утечка все равно произойдет.
В связи с популяризацией задач по внедрению ИИ, локальный инференс перестал быть чем‑то диковинным и носить исследовательский характер. С выходом новой модели энтузиасты также выкладывают различные инструкции, как развернуть эту модель локально. Дьявол кроется в деталях: подобные инструкции не гарантируют корректное развертывание модели. В идеале — сравнивать результаты на каком‑то тестовом наборе с авторитетными провайдерами языковых моделей и убеждаться, что вы получаете сопоставимое качество.
Однако сложность настройки инференса никуда не делась — например, в том же vllm (популярный фреймворк для развертывания LLM) есть десятки различных параметров, которые влияют на пропускную способность и качество ИИ‑модели. Если перед компанией стоит задача выжать из инференса максимальную производительность с сохранением качества, то без специалиста это сделать достаточно сложно.
Итог
Проблема с ИИ в бизнесе не в том, что технология не работает, а в незрелой среде. Большая часть проектов умирает на стадии идеи из‑за бюрократии и неясности задач. Масштабировать кейсы тяжело из‑за рисков утечек данных. А главный инфраструктурный барьер — доступ к GPU и вычислениям, который сегодня одновременно и дефицитен, и дорог.
При этом сами сотрудники используют ИИ «в тени», что позволяет получить точечные улучшения. Но без системного подхода, единой платформы и зрелой инфраструктуры такой эффект сложно масштабировать.