Год назад решение «нам рано» могло быть вполне рациональным. Доступ к подходящим моделям стоил дороже, вокруг было много демонстраций и мало понятных результатов, а разговор с поставщиком быстро превращался в обсуждение отдельного ИТ-проекта.
За год часть этой картины изменилась. Пробовать стало дешевле, готовые инструменты дошли до повседневной работы, российские модели стали доступнее. Одновременно выросли риски работы через личные аккаунты и зарубежные сервисы. А доказательств того, что само применение ИИ повышает выручку, больше не стало.
Поэтому пересматривать стоит не отношение к ИИ вообще, а конкретную причину прошлогоднего отказа:
Что именно год назад означало «нам рано» и действует ли это возражение сейчас?
У разных ответов будет разный итог. Возражение «слишком дорого даже проверить» заметно устарело. Возражение «мы не понимаем, где здесь деньги» осталось в силе. Опасение за данные не исчезло, а стало конкретнее.
ИИ действительно стал обычным инструментом бизнеса?
Почему одни исследования показывают массовое применение, а другие почти нулевое?
В одном годовом исследовании малого и среднего бизнеса доля предпринимателей, использующих нейросети, выросла с 17% до 53%. Это два замера одного индекса, но параметры выборки в открытой публикации не раскрыты. Кроме того, исследование проводили банк и деловое объединение, поэтому цифра показывает направление сдвига, но не дает точного портрета всего российского МСБ.
Официальная статистика за 2025 год дает совсем другую картину: технологии ИИ использовали 4,8% организаций, а среди компаний до 100 человек доля составила 4,1%. Здесь обследование считает применение ИИ на уровне организации, а не отдельного сотрудника, который время от времени открывает нейросеть для текста или анализа таблицы.
Расхождение почти на порядок не означает, что один из замеров обязательно ошибочен. Они описывают две разные стадии:
- сотрудники и собственники уже пробуют нейросети в повседневной работе;
- компании гораздо реже оформляют это как управляемую технологию, встроенную в процесс.
Поэтому прошлогоднее «этим еще никто не пользуется» устарело. Но вывод «половина компаний уже внедрила ИИ» тоже неверен. Массовым стало личное применение отдельных инструментов, а не полноценные корпоративные системы.
Изменилась ли цель, ради которой компании смотрят на ИИ?
Да. Год назад многие обсуждали ИИ как способ сократить штат. В последовательных замерах одного исследования крупного бизнеса доля компаний, ожидающих эффекта в сокращении фонда оплаты труда, за год снизилась примерно в четыре раза. Одновременно резко выросло применение генеративного ИИ во внутренних коммуникациях и обработке документов.
Исследование охватывало крупные компании и проводилось при участии поставщика ИИ, поэтому переносить результат на предприятие в 50 или 200 человек напрямую нельзя. Но смена акцента важна: рынок постепенно уходит от обещания «заменить людей» к более узким задачам, где можно убрать повторяющуюся ручную работу.
Это делает ИИ менее эффектной, но более проверяемой темой. Ответ на письмо, поиск по документам, разбор обращения клиента или подготовка черновика можно оценивать отдельно. Для этого не нужно обещать перестройку всей компании.
Стало ли дешевле попробовать ИИ?
Что именно подешевело?
Стоимость обращения к российским моделям заметно снизилась. По публичным тарифам одного из крупных поставщиков, цена тысячи токенов базовой модели за десять месяцев упала примерно втрое, а минимальный месячный расход на корпоративный API составляет 600 рублей.
Это тариф самого поставщика, а не независимый расчет стоимости решения. Тысяча токенов также ничего не говорит собственнику о бюджете готовой системы. Но для повторной оценки прошлогоднего решения здесь произошел реальный сдвиг: проверить, справляется ли модель с конкретными примерами, теперь можно без закупки большого проекта.
Год назад разговор часто начинался с разработки. Сейчас до нее можно отдельно проверить качество модели на своих типовых документах, обращениях или текстах. Если результат слабый, остановиться можно до интеграции.
Подешевело ли само внедрение?
Подтверждений этому нет. Модель составляет лишь одну часть затрат. Остаются:
- описание и изменение рабочего процесса;
- подключение к учетным системам и источникам данных;
- разграничение доступа;
- проверка ответов и обработка ошибок;
- обучение сотрудников;
- поддержка после запуска.
В открытых материалах встречаются ценовые диапазоны интеграторов, но независимого замера средней стоимости ИИ-проекта в России нет. Похожие вилки часто повторяют сами поставщики, поэтому выдавать их за рыночную цену нельзя.
Прошлогоднее возражение разделилось на два. «Дорого проверить гипотезу» во многих случаях больше не действует. «Дорого встроить решение в работу компании» осталось в силе.
Появились ли доказательства, что ИИ приносит деньги?
Можно ли считать рост применения доказательством эффективности?
Нет. Число пользователей, пилотов и подписок показывает распространение технологии, но не финансовый результат.
Редкая попытка сопоставить применение ИИ и экономические показатели была сделана на выборке из 300 российских софтверных компаний. За 2025 год оборот компаний, применявших генеративный ИИ, вырос на 7,5%, а не применявших, на 14,1%. Выручка на сотрудника в двух группах почти не различалась.
Это не доказывает, что ИИ ухудшает результат. Исследование относится только к софтверной отрасли, а корреляция не показывает причину: быстрорастущие компании могли позже прийти к ИИ, а пользователи могли вкладываться в него ради будущего эффекта. Но результат не позволяет утверждать и обратное. В этой выборке применение ИИ не сопровождалось измеримой прибавкой к выручке.
Следовательно, прошлогоднее «мы не видим экономики» остается разумным возражением. Его нельзя снять статистикой распространения.
Стало ли больше кейсов, похожих на средний бизнес?
Публичная кейсовая база почти не закрыла этот пробел. В отраслевых материалах много крупных компаний, заявленных процентов экономии и совокупных эффектов. Обычно цифры публикует сам заказчик или поставщик, а метод расчета не раскрывается.
В открытых отраслевых публикациях не нашлось именного кейса малого или среднего российского предприятия, где были бы одновременно названы компания, исходный показатель, результат после внедрения и способ измерения.
Это не означает, что таких внедрений не существует. Это означает, что чужой кейс по-прежнему трудно использовать как основание для собственного бюджета. Особенно если он относится к банку, телекому или компании с собственной командой разработки.
С пилотами ситуация тоже не стала простой. По отраслевому исследованию примерно 50 крупнейших компаний, до полноценного внедрения дошли только 7-10% пилотов с языковыми моделями и агентами, запущенных в 2025 году. Остальные к моменту замера продолжались, менялись или были закрыты. Это выборка крупнейшего бизнеса, но она показывает статус громких примеров: пилот еще не равен работающей системе.
Стало ли понятнее, какую задачу отдавать ИИ первой?
Почему «внедрить ИИ» по-прежнему плохая постановка?
ИИ не создает ценность сам по себе. Она появляется только в операции, которая после изменения стала дешевле, быстрее или надежнее.
Поэтому начинать с перечня моделей или поставщиков рано. Сначала нужно назвать работу:
- найти ответ в массиве внутренних документов;
- разобрать входящие обращения по темам;
- подготовить черновик типового ответа;
- извлечь реквизиты из документов разного формата;
- сопоставить разные описания одного товара или материала.
У такой постановки есть вход, результат и человек, который сейчас выполняет работу. Можно взять реальные примеры, проверить качество и посчитать цену ошибок.
Фраза «нужен корпоративный ИИ» такой проверки не допускает. Она сразу объединяет десятки задач, хотя часть из них лучше решается обычным поиском, настройкой учета, шаблоном или правилом.
Нужно ли теперь заказывать собственную модель?
Во многих случаях нет. Российские модели доступны через корпоративные интерфейсы, а некоторые опубликованы в открытых весах и допускают коммерческое использование. Это убирает прошлогодний выбор между дорогой собственной разработкой и неуправляемым личным аккаунтом в зарубежном сервисе.
Однако открытая модель не означает бесплатную систему. При размещении внутри компании расходы переходят в серверы, настройку, обновления и поддержку. Если задача решается облачным доступом без чувствительных данных, собственный контур может оказаться лишней сложностью. Если данные нельзя передавать наружу, внутреннее размещение становится не модой, а архитектурным ограничением.
Возражение «для любого ИИ нужна своя модель» устарело. Вопрос «где она будет работать и кто будет отвечать за контур» остался.
Стало ли безопаснее работать через привычные зарубежные сервисы?
Почему бесплатный личный аккаунт больше нельзя считать нейтральной альтернативой?
За год корпоративный доступ из России стал менее устойчивым. Зарубежные поставщики ограничивают работу из неподдерживаемых регионов, а способы обхода блокировок сами становятся нестабильными. Для бизнеса это означает риск потерять доступ, историю и привычный рабочий канал не по решению компании.
Есть и второй слой. Когда сотрудник отправляет в публичный сервис договор, клиентскую базу или таблицу с персональными данными, компания не перестает отвечать за эти данные. Для зарубежного сервиса дополнительно возникает вопрос трансграничной передачи и отношений с обработчиком данных.
Поэтому прошлогоднее «сотрудники и так пользуются бесплатно» теперь скорее описывает не экономию, а неуправляемый процесс. Компания может не покупать ИИ и при этом уже нести связанные с ним риски.
Уменьшилась ли правовая неопределенность?
В 2026 году в России появился рамочный закон об ИИ. Он касается больших фундаментальных моделей от одного миллиарда параметров. Обычные системы компьютерного зрения, скоринг, антифрод, сценарные чат-боты и классическое машинное обучение под его основную область не подпадают. Отдельных штрафов за применение ИИ закон не вводит.
Для большинства компаний это снимает часть абстрактного ожидания «сначала пусть появятся правила». Но практический риск находится в другом месте: персональные данные, коммерческая тайна, права доступа и ответственность за результат системы уже регулируются действующими нормами и договорами.
Опасение «непонятно, что разрешено» стало уже. Опасение «данные могут уйти из-под контроля» стало сильнее и требует не ожидания нового закона, а правил работы внутри компании.
Какие прошлогодние возражения стоит оставить, а какие проверить заново?
«Пробовать слишком дорого»?
Чаще всего устарело. Доступ к модели подешевел, готовых инструментов стало больше, а первичную проверку можно отделить от интеграции.
Но это не означает, что подешевело внедрение. Если задача требует подключения к нескольким системам, внутреннего контура и высокой цены ошибки, основная часть бюджета остается вне тарифа модели.
«Этим еще никто не пользуется»?
Устарело на уровне отдельных сотрудников и повседневных задач. На уровне управляемого корпоративного процесса верно лишь частично: официальная статистика все еще показывает низкую долю организаций с ИИ.
«Нам придется создавать свою нейросеть»?
В большинстве типовых задач устарело. Можно использовать готовую модель через корпоративный доступ или разместить открытую модель в своем контуре.
Остается другой вопрос: хватит ли готовой модели для ваших примеров и сколько будет стоить вся система вокруг нее.
«Неясно, где здесь деньги»?
Осталось в силе. Исследования распространения не доказывают рост выручки, а публичные кейсы среднего бизнеса редко дают проверяемые показатели до и после.
Экономику по-прежнему нужно считать на одной операции: сколько времени, ошибок или потерь есть сейчас и что изменится после запуска.
«У нас нет людей на внедрение»?
Осталось в силе. Готовый доступ к модели не описывает процесс, не подключает данные и не назначает ответственного за ошибки. Дефицит навыков и времени остается среди главных барьеров в исследованиях организаций.
«Сначала нужно разобраться с безопасностью»?
Не только осталось, но стало важнее. Личное применение уже могло опередить решение руководства, а зарубежный сервис не становится корпоративным инструментом только потому, что сотрудник умеет им пользоваться.
Как пересмотреть решение и не превратить ревизию в новый большой проект?
Какой вопрос задать вместо «пора ли нам внедрять ИИ»?
Вернитесь к прошлогоднему решению и запишите его точную причину. Не «рынок не готов», а, например, «проверка стоила слишком дорого», «не нашли задачу с измеримым результатом», «нельзя передавать документы наружу» или «некому поддерживать систему».
Затем выберите одну повторяющуюся работу и проведите ревизию по пяти пунктам:
- Зафиксируйте, как она выполняется сейчас и сколько времени или ошибок создает.
- Возьмите реальные примеры, включая неудобные и редкие случаи.
- Отдельно посчитайте стоимость проверки модели и стоимость ее встраивания в процесс.
- Заранее определите, какой результат будет достаточным, а при каком эксперимент нужно остановить.
- Проверьте, какие данные попадут в систему и кто отвечает за итоговое решение.
Повторная оценка не обязана закончиться внедрением. Ее результатом может быть и обоснованное «нам все еще рано», если основное прошлогоднее ограничение никуда не исчезло.
Но решение годичной давности уже не стоит продлевать автоматически. За год подешевела проверка, выросло повседневное применение и изменились риски доступа к данным. При этом экономика внедрения, кадровая нагрузка и доказательства финансового эффекта остались спорными.
Возможно, год назад вас остановила стоимость работы с документами. Или модель ошибалась именно там, где сотруднику все было понятно. В статье нельзя учесть эти подробности, а от них зависит, стоит ли возвращаться к ИИ. Давайте посмотрим на вашу причину отказа в том, как компания работает сегодня: отделим ограничение, которое по-прежнему мешает, от предположения, которое пора проверить заново. Оставьте заявку в форме ниже, и мы свяжемся в течение двух-трех часов.