Первое использования ИИ всегда плюс-минус одинаково, взять и написать свой первый промпт, начало использования ИИ на корпоративном уровне в целом ничем не отличается. Сотрудники, движимые желанием поэкспериментировать или в поиске инструмента сделать быстро трудоемкую задачу, составить резюме длинной видеоконференции, загружают корпоративные данные в ChatGPT, Deepseek или YandexGPT или другую нейросеть.
Наличие регламентов не позволяющих использовать корпоративные данные в общественных сетях, не является полной гарантией, что никто из сотрудников такого делать не будет. Закрытие возможности открывать популярные ИИ-ресурсы тоже не является адекватной мерой. Следуя расхожей поговорки про то, что “если безобразие нельзя предотвратить, то его нужно возглавить”, компании идут по пути развертывания корпоративных GPT-сервисов в формате интранет-порталов, где есть набор агентов или ботов по генерации текста и изображений, расшифровки аудио, сравнению версий договорных документов и тому подобных. Развернуть их можно на проприетарных решениях таких как, Just AI, Corp GPT, так и open source продуктах, таких как Open Web UI, например.
Тенденции 2026
Еще недавно корпоративный разговор про ИИ сводился к тому, кто что пробовал «в браузере». Публичные сервисы позволяли быстро почувствовать эффект: модель пишет тексты, резюмирует длинные документы, подсказывает идеи. На этом этапе бизнес получал вдохновение, но редко менял процессы: ИИ был личным помощником сотрудника, а не частью архитектуры компании.
Сейчас многие вендоры интегрируют большие языковые модели “под капот” конкретных решений, CRM, ITSM, BPM-платформ, систем для управления корпоративным документооборотом, электронными архивами. Ядром решения продолжает быть функционал данных бизнес-решений, но при этом добавляется ИИ-функционал, который умеет классифицировать обращения и документы, переводить короткие формулировки в развернутые письма, переупорядочить и проводить классификацию сделок в CRM, находить нужное в массиве почти одинаковых формулировок, выполнять нечеткий поиск по внутренним архивам.
Резюмирование длинных отчетов, переписок и карточек проектов становится стандартной функцией, а не отдельно стоящей нейросетью. Пользователь видит всего лишь новую кнопку «сжать», «объяснить проще» или «сформировать ответ», но за этой кнопкой работает ИИ-модель, которой нужен доступ к данным, вычислительные ресурсы и поддержка.
Вендорские продукты расширяются не только списком функций в меню. Под ними появляется связка: бизнес-логика, классический движок процессов и большая языковая модель. Чтобы эта связка жила в промышленном режиме, ей нужна локальная нейросеть, развернутая на серверах с GPU, продуманный сайзинг и регулярное обслуживание. ИИ перестает быть внешним сервисом «где-то в облаке»: он становится таким же компонентом инфраструктуры, как СУБД или шина данных.
Внутренний GPT: собственные порталы и копайлот-сервисы
Особый интерес к ИИ сегодня проявляют крупные и средние компании, для которых вопросы информационной безопасности не абстракция, а единственно правильная опция использования ИИ возможность использования ИИ, развернув большие языковые модели и порталы с копайлотами и ИИ-агентами внутри периметра. На рынке уже появилось заметное количество таких решений.
По сути это компактные микроплатформы, созданные и крупными вендорами, и нишевыми командами, и стартапами. В основе несколько языковых моделей, развернутых на собственном оборудовании. Модели могут быть полноразмерными или кватированными. К ним можно обращаться по API из внутренних систем: для бизнеса это означает, что CRM, портал самообслуживания или система документооборота работают с ИИ, не выводя данные за периметр.
Дальше поверх базовой модели добавляются прикладные сервисы. Для юристов это копайлот, который сравнивает версии договоров, подсвечивает отличия и формулирует резюме рисков. Для продаж — бот, анализирующий аудиозаписи звонков: насколько понятно менеджер объясняет продукт, не уходит ли разговор в конфликт, как эмоционально реагирует клиент. Для маркетинга и внутренних коммуникаций — генерация изображений: пусть эти картинки уступают лучшим публичным сервисам по художественности, но для корпоративных презентаций, инструкций и новостных заметок их качества достаточно, а данные при этом не покидают контур.
Этот тренд уже сформировал устойчивый поток пилотных проектов. Заказчики используют ИИ-сервисы в рабочих задачах, смотрят, как ведёт себя модель на их данных и при их нагрузках, измеряют эффект. И очень быстро из технологического восторга разговор переходит в плоскость необходимой инфраструктуры, программно-аппаратных комплексов, сбалансированных под необходимую и достаточную производительность, с учетом последующего масштабирования.
Сайзинг: когда ИИ упирается в железо
Как только ИИ перестаёт быть внешним веб-сервисом, возникает прозаический вопрос: на чём это будет крутиться.
Ключевая задача, это оценка оборудования для inference, когда ИИ-модель отвечает на запросы пользователей и сервисов. Это самая распространённая нагрузка: чат-боты, ассистенты, классификаторы, резюмирование. Но у части компаний появляются и более тяжёлые задачи: дообучение модели под отраслевую терминологию, специфические данные, собственный стиль документов. Кто-то идёт по пути fine tuning, кто-то по пути создания RAG.
Отдельный фактор — цикличность нагрузки. Банки, ритейл, e-commerce живут в логике пиков. Новый год и крупные маркетинговые кампании в разы увеличивают поток запросов к чат-ботам, рекомендательным системам, «умным» рассылкам, сервисам персональных предложений. В такие периоды требования к производительности, отказоустойчивости и масштабируемости резко возрастают: число одновременных обращений возрастает, запросы становятся сложнее, время ожидания снижения ответа становится критичным.
Отсюда появляются вопросы: какое оборудование закупать под текущую нагрузку и какой запас закладывать под рост, как масштабироваться на короткие пики, кто и на каких условиях предоставит дополнительные ресурсы, как потом «откатиться» к базовой конфигурации, чтобы сбалансировать TCO (Total cost of ownership) ИИ-решения. Такого рода моделирование нагрузки заставляют компании научиться управлять GPU-инфраструктурой так же системно, как когда-то пришлось научиться управлять серверными мощностями и хранилищами.
Безопасность: внешние угрозы, внутренние инсайдеры и новая архитектура доступа
Параллельно с ростом числа ИИ-сервисов внутри периметра растёт и интенсивность вопросов к информационной безопасности. Чем лучше бизнес узнаёт большие языковые модели и чем активнее разворачивает среду для работы с ними, тем болезненнее обсуждает сценарии утечек.
Опасения связаны не только с внешними угрозами. Всё чаще разговор заходит о внутреннем риске: инсайдерах с неблаговидными мотивами, которые, получив доступ к ИИ-сервису, могут использовать его как удобный инструмент сбора и «упаковки» чувствительной информации. Если ассистент видит сразу несколько систем и умеет агрегировать данные, он становится точкой концентрации рисков.
По мере накопления опыта компании выходят на необходимость переосмыслить архитектуру доступа. Для разных ролей нужны разные уровни видимости данных, часть информации должна поступать в модель только в обезличенном виде, критичные действия — проходить через понятный и аудируемый цикл подтверждений. ИБ-составляющая внедрения ИИ перестаёт быть «довеском» к пилотному проекту и превращается в один из ключевых треков дорожной карты.
Крупные, средние и малые: один ИИ, разные ожидания
Запрос на использование искусственного интеллекта звучит сегодня от компаний практически всех масштабов, но содержательно эти запросы заметно отличаются.
Крупные предприятия делают ставку на максимальный контроль. Они разворачивают ИИ-модели, копайлотов и ИИ-агентов внутри периметра, выстраивают собственные микроплатформы, тщательно прорабатывают вопросы сайзинга и регламентов безопасности. Для них ИИ-пайплайн становится частью сложной внутренней ИТ-архитектуры, а не внешней услугой.
Средний бизнес оказывается в более гибкой позиции. Он может сочетать внутренние решения с внешними сервисами, использовать облачные API для части сценариев, требовательнее относиться к стоимости владения. Главное для него — не построить «идеальную» платформу, а получить работающие сценарии для бизнеса: умный поиск по базе документов, автоматическую обработку заявок, первичную квалификацию лидов.
Особая история — малый бизнес и предпринимательская среда. На региональных мероприятиях, посвящённых поддержке предпринимательства и популяризации ИИ, хорошо видно: интерес к технологиям высок, но доступ к качественной информации и «насмотренность» куда ниже, чем у корпораций. У таких компаний нет ресурса, чтобы годами строить платформу. Они хотят сервис, который работает «из коробки»: зашёл — подключил — начал использовать.
Отсюда логика «магазина агентов». Предпринимателю не нужна большая модель как таковая, ему нужен понятный результат: агент, который резюмирует переписки и отчёты; агент, помогающий оценивать и корректировать работу продавцов; агент, запускающий контент-фабрику для социальных сетей, предлагающий тексты и изображения под конкретную аудиторию. Максимум автоматизации и минимум собственного времени — это ключевой запрос малого бизнеса.
Обучение и насмотренность: без этого ИИ остаётся в пилотах
Есть ещё один слой, без которого разговор об ИИ легко застревает в статусе бесконечного пилота, — обучение и насмотренность. По степени зрелости работы с ИИ корпоративных заказчиков условно можно разделить на три группы. В авангарде — банки и крупный хай-тек: они давно реализуют проекты машинного обучения и технологические сценарии, связанные с искусственным интеллектом, и сегодня обсуждают уже не «нужен ли ИИ», а «как оптимизировать портфель инициатив».
Чуть позади, те, кто делают первые пилоты, выбирают продуктовые решения, тестируют разные большие языковые модели под конкретные задачи. У них уже есть опыт общения с ИИ, но ещё нет цельной картины, как всё это встроить в стратегию. Самая многочисленная группа — предприятия, которые понимают, что ИИ «где-то рядом», но не видят, как именно применить его к себе. Для них ключевой запрос к учебным центрам и партнёрам звучит так: «Покажите, что вообще возможно, и помогите примерить это на наш контур».
Характерный пример, корпоративные программы обучения и стратегические сессии по использованию искусственному интеллекту, индивидуально построенные под индустриальную и функциональную специфику заказчиков. На таких курсах разбираются открытые индустриальные кейсы, показывается, где уже используются модели, а затем вместе с участниками сессии ищутся сценарии, релевантные задачам конкретного предприятия. Это не про «магический ИИ», а про очень прикладной диалог: какие данные есть, насколько подходит текущий уровень ИИ-готовности (AI readiness), какие узкие места в процессах, где эксперты видят наибольший потенциал.
Показательно, что к обучению по ИИ приходят не только отраслевые технологические блоки, но и внутренние ИТ-подразделения. Даже у зрелых игроков, много лет работающих с машинным обучением в производстве, нередко именно корпоративный ИТ остаётся «сапожником без сапог»: сервис-деск, мониторинг ИТ-оборудования, информационная безопасность, подготовка технических заданий часто живут в старой парадигме. Погружение этих функций в ИИ позволяет выровнять уровень развития внутри одной компании и снять то самое «цифровое неравенство» между производственными подразделениями и офисом.
В итоге внедрение ИИ почти всегда начинается с простого шага: кто-то должен прийти, показать реальные сценарии, дать возможность попробовать. Как в программировании всё начинается с «Hello, world», так и здесь первое серьёзное впечатление возникает, когда руководитель или специалист формулирует свой запрос модели и получает ответ, который сложно списать на случайность. С этого момента вопрос «нужно ли нам это» постепенно сменяется вопросом «как ИИ способен повысить эффективность наших процессов».
Вместо вывода: ИИ как новая грамотность управления
За последние два года искусственный интеллект прошёл путь от игрушки в отдельной вкладке браузера до невидимого слоя в корпоративных системах. Модели встраиваются под капот CRM и BPM, переезжают внутрь периметра, заставляют серьёзно заниматься сайзингом, безопасностью и обучением. На этом фоне становится очевидно: конкурировать в ближайшие годы будут не только модели и железо.
Реальным отличием станет способность компании превратить ИИ в рабочую инфраструктуру управления. Целевой горизонт обозначен — AI native компании, т.е. те, где каждый процесс автоматизации в первую очередь предполагается по максимуму реализовать с помощью ИИ. Понять, какие задачи действительно стоит отдавать моделям, а где необходим человек — является ключевой на данный момент. Недавнее исследование Стэнфорда решает этот вопрос через матрицу, где по одной из составляющих готовность бизнеса отдать задачу ИИ, а по другой наличие адекватной ИИ-технологии, способной решить эту задачу. Исследование вводит классификацию процессов Human Agency Scale — HAS.
Наряду с понимание приоритета автоматизации процессов, корпоративные заказчики должны научиться планировать ресурсы под использование ИИ-сервисов: как стандартная нагрузка, так и пиковая. Выстроить архитектуру доступа так, чтобы защищать данные не только от внешних угроз, но и от внутренних инсайдеров. Обеспечить «насмотренность» и обучение тем подразделениям, которым ИИ пока кажется чужой темой.
В какой-то момент разговор о «внедрении искусственного интеллекта» перестанет звучать как отдельный проект. Для зрелых компаний это будет всего лишь часть разговоров об эффективности процессов, оптимальной архитектуре и развитии компетенций. ИИ станет новой управленческой грамотностью: чем раньше бизнес начнет относиться к нему именно так, а не как к модному эксперименту, тем больше у него шансов не застрять в бесконечной стадии пилотов.
Подписывайтесь на наш Telegram-канал, чтобы быть в курсе всех новостей и событий Рунета.
