Исследование о том, как корпорации внедряют AI в 2025 году, что мешает масштабированию и где технология дает бизнес-эффект.
> "AI может стать величайшим достижением человечества, но также и его последней ошибкой, если мы не научимся управлять им ответственно"- Стивен Хокинг
В 2025 году AI или искусственный интеллект стал неотъемлемой частью цифровой повестки большинства крупных компаний. Но за яркими заголовками и маркетингом часто скрывается реальность: трудности внедрения, организационные барьеры, непредсказуемые результаты и ограниченное понимание, где AI действительно работает. Мы в KT.Team запустили исследование, чтобы понять, как на практике применяется AI в российских и международных корпорациях, какие решения реально дают эффект, а какие - остаются на уровне экспериментов.
Поводом для запуска стало сотрудничество с одной из крупных логистических компаний. Анализ данных из 9 IT-сервисов и ежедневной операционной аналитики вскрыл типовые проблемы: недостаток автоматизации, неэффективное использование данных, сложности во внедрении AI-инструментов и обучение команд. Чтобы проверить гипотезы и обогатить картину, мы провели интервью с представителями крупных компаний.
Исследование основано наинтервью с представителями крупных корпораций - в логистике, ритейле, энергетике и других отраслях. Среди участников - специалисты по цифровой трансформации, CIO, CDTO. Вопросы в интервью касались: - Текущего уровня внедрения AI - Успешных и неудачных кейсов - Барьеров и внутренних сопротивлений - Стратегических планов на 2025 год и далее
Среди участников - федеральные бренды, международные холдинги и технологические компании с развитой цифровой инфраструктурой. Все участники поделились не только успехами, но и сложностями - честно, без приукрашивания. Все упомянутые компании представлены обезличенно - это согласованное решение с участниками исследования. Мы уважаем доверие, с которым они делились своим опытом, и соблюдаем принцип конфиденциальности, чтобы фокус оставался на практиках, а не на брендах.
Когда и почему AI стал приоритетом Для большинства участников исследования тема AI появилась в повестке в 2021-2023 годах. Первоначально это были локальные инициативы - пилоты в области чат-ботов, аналитики или автоматизации рутинных задач. Однако к 2025 году в большинстве компаний AI стал рассматриваться не как разовая технология, а как один из инструментов трансформации бизнес-моделей.
Кто внутри компании продвигает AI Основные причины, по которым компании начали внедрять AI: - Рост нагрузки на сотрудников и запрос на автоматизацию принятия решений - Необходимость ускорения процессов: от логистики до клиентского сервиса - Давление со стороны конкурентов и технологических лидеров рынка - Доступность инструментов: развитие LLM, API-интерфейсов и open-source-решений Наиболее активную роль в инициировании и продвижении AI-проектов играют: - Руководители цифровой трансформации (CDTO) - CIO и Heads of IT - Продуктовые команды - В ряде случаев - топ-менеджеры бизнеса (генеральные директора, операционные директора), если речь идет о ключевых инициативах Тем не менее, во многих компаниях AI до сих пор воспринимается как прерогатива IT или R&D, а не как инструмент развития бизнеса.
Отсюда - пробелы в стратегии и отсутствие интеграции AI в ключевые KPI. Где AI уже применяется По итогам интервью наибольшее распространение AI получил в следующих направлениях: Задачи, которые решает AI для перечисленных направлений:
| Область применения | Тип задач |
|---|---|
| Логистика и складские операции | Прогнозирование загрузки, маршрутизация, визуальный контроль |
| Финансовая функция | Предиктивная аналитика, сверка данных, автоматизация отчётности |
| Клиентский сервис | Чат-боты, генерация ответов, интеллектуальная маршрутизация обращений |
| HR | Анализ резюме, автоматизация оценки кандидатов |
| Продажи и маркетинг | Персонализация офферов, генерация описаний, анализ поведения клиентов |
Уровень зрелости проектов По итогам интервью компании можно условно разделить на 3 группы: 1. Те, кто активно внедряет и масштабирует AI (обычно есть выделенные команды, процессы, внутренняя экспертиза) 2. Те, кто в экспериментальной фазе (есть MVP, но нет системности, масштабирования и принятия бизнесом) 3. Те, кто только присматривается (есть интерес, но нет инфраструктуры, компетенций или бизнес-заказа) Что тормозит развитие Основные барьеры: - Отсутствие единой стратегии по AI - Недоверие со стороны бизнеса - Недостаточная зрелость внутренних процессов - Сложности с наймом специалистов и обучением команд Несмотря на общий интерес к искусственному интеллекту, компании всё ещё находятся на разных стадиях зрелости.
Одни уже интегрируют AI в ключевые процессы и добиваются результатов, другие ограничиваются пилотами без масштабирования, третьи - только формируют понимание, с чего начать. При этом даже у самых продвинутых участников остаются системные барьеры: отсутствие единой стратегии, нехватка компетенций, слабая цифровая основа и недоверие со стороны бизнеса.
Это говорит о том, что путь к зрелому применению AI лежит не только через технологические инвестиции, но и через перестройку процессов, обучение команд и выстраивание доверия к изменениям.
Несмотря на общую настороженность и множество экспериментальных проектов, в ряде компаний AI уже приносит ощутимые результаты. Мы собрали несколько примеров, где технологии не только были внедрены, но и доказали свою ценность в операционном или стратегическом контексте.
Проект - Контроль очередей в торговых точках Компания внедрила AI-модель, анализирующую потоки покупателей в режиме реального времени. Система сигнализирует о чрезмерной загрузке кассовой зоны, позволяя оперативно открывать новые кассы. Это дало конкретный результат - рост товарооборота на 2% в протестированных магазинах.
Проект - AI-платформа для поддержки команд и LLM-анализ данных Компания развернула внутреннюю AI-платформу на базе LLM, которая обслуживает 70+ команд. Решения включают: - Автоматический анализ данных в легаси-системах - Генерация контента - Поддержка процессов в колл-центрах Также активно используется Vision Labs для кастомных AI-продуктов. Параллельно ведётся работа над просвещением пользователей: как внутренних, так и клиентов.
Это помогает снижать завышенные ожидания от технологий и формировать реалистичные сценарии применения.
Проект - Автоматизация обработки маркетинговых материалов и прогнозирование отклика Компания использует AI для генерации рекламных текстов и визуалов, а также предиктивной оценки эффективности коммуникаций. Благодаря обучению моделей на собственных данных, компании удалось автоматизировать часть рутинной работы маркетологов и сократить цикл запуска кампаний. Внедрение проходило поэтапно: от MVP на отдельных категориях товаров до масштабирования на ключевые направления.
По словам представителя, AI-инструменты экономят до 30% времени команды и позволяют быстрее тестировать новые гипотезы.
Проект - Генерация интеграций и документации в микросервисной архитектуре Компания создала собственную интеграционную шину с модулем AI, который: - Генерирует интеграции на основе промптов - Пишет техническую документацию по формату заказчика - Автоматически обрабатывает ошибки и адаптируется к архитектуре заказчика По словам представителя компании, точность генерации достигает 98-99% для простых интеграций, экономия ресурсов - до 80% времени разработки.
Дополнительно AI используется в MRP-системе: собираются данные со станков (в т.ч. советского производства), строится предиктивная аналитика выхода оборудования из строя. Это позволяет избежать простоев и оптимизировать закупки комплектующих.
AI сегодня воспринимается как мощный инструмент трансформации, но на практике не все инициативы приводят к ожидаемым результатам.
Даже в продвинутых компаниях часть проектов остаются на уровне экспериментов, не находя применения в бизнесе. Мы выделили три типовые группы спорных кейсов:1.
Многие компании запускали MVP или тестовые сценарии, но не продвинулись дальше: -
Один из крупных ритейлеров пробовал автоматизировать проверку строительно-монтажных работ (СМР) с помощью AI, но столкнулся с рядом ограничений: нестабильные данные, трудности с верификацией результатов.
Компания из сферы цифровых сервисов запускала пилоты по анализу текстовых отзывов и речевой аналитике.
Однако проекты не были масштабированы из-за отсутствия устойчивого бизнес-эффекта и ограничений по инфраструктуре. -
Одна из федеральных розничных сетей рассматривала идею использования AI для отслеживания изменений в законодательстве, но инициатива не получила развития из-за отсутствия внутреннего ИТ-мандата и стратегической рамки. 2.
Даже при наличии интереса к AI, внутренние ограничения могут заблокировать внедрение: -
Одна из промышленных компаний действует в условиях строгих регуляторных ограничений: публичные облака и LLM-сервисы запрещены, а все данные внутри организации классифицированы по четырёхуровневой системе доступа.
Это существенно ограничивает возможности использования внешних AI-инструментов и требует локальных решений. - В другой компании из сферы цифровых решений основным барьером для масштабирования AI стало качество данных: неструктурированность и неполнота информации приводят к нестабильным результатам, особенно в задачах генерации контента и анализа клиентских обращений. 3. Ожидания, не соответствующие реальности
Иногда причина неудачи - не технологии, а завышенные ожидания: -
Ряд участников ждали, что AI полностью заменит эксперта - например, создаст комплексный отчёт без постредактуры или проведёт переговоры.
На деле - требуется валидация, корректировка, настройка под контекст. -
Несколько компаний жаловались на ложные срабатывания или "галлюцинации" моделей - особенно в чатах, генерации отчётов, обработке обращений.
На момент 2025 года большинство компаний все еще находятся на ранних стадиях внедрения AI - либо в фазе пилотов, либо в точечных автоматизациях.
Однако тенденции, собранные в ходе исследования, показывают сдвиг: AI всё чаще рассматривается как часть операционной модели, а не внешнее нововведение. Компании, которые уже получили ощутимый эффект, демонстрируют общие черты: - наличие внутренней инициативы от бизнеса, а не только IT; - понимание зон применения AI с чёткой выгодой (экономия, скорость, контроль); - способность адаптировать команды и процессы под новые инструменты; - локальные success story, которые помогают снять скепсис.
Только 25% компаний уже получают ощутимый эффект от AI - благодаря бизнес-инициативе, понятной выгоде и адаптированным процессам. Остальные 75% пока на стадии экспериментов или наблюдения. При этом массовому распространению AI по-прежнему мешают: - неготовность инфраструктуры и данных; - страхи и недоверие (в том числе управленческие); - нехватка методологии - как понять, где действительно нужен AI.
Даже при высоком интересе к AI, массовому внедрению мешают вполне приземлённые факторы. 40% компаний сталкиваются с технической неподготовленностью - это включает слабую интеграцию систем, отсутствие Data Governance и сложности с доступом к данным.
Ещё 35% респондентов отметили барьеры восприятия: недоверие со стороны управленцев, страх потери контроля и снижения компетенций в командах. 25% затрудняются с выбором направлений для внедрения AI - отсутствует методология и критерии, позволяющие бизнесу отличать реальную пользу от хайпа. Пока перечисленные блокеры не сняты, переход от экспериментов к масштабным внедрениям остаётся затруднительным. Решение именно этих задач - ключ к выходу из экспериментальной фазы.
Даже если вы только начинаете путь с AI, важно действовать системно. Ниже - шесть шагов, которые помогают выстроить устойчивую стратегию: от первых пилотов до масштабирования. Эти рекомендации основаны на анализе практик компаний, которые уже добились результатов: 1. Оформите базовую стратегию по AI Даже если пока нет зрелых кейсов, важно зафиксировать цели, зоны экспериментов и подход к рискам. Это снижает хаотичность и помогает выстроить фокус. 2.
Определите зону ответственности за AI Без центра принятия решений проекты остаются разрозненными. Ответственность может быть у CDTO, CIO или выделенной AI-команды. 3. Инвестируйте в подготовку данных Без чистых, доступных и описанных данных любые AI-инициативы обречены. Стартовать стоит с приоритизации ключевых источников данных. Если данные фрагментарны, устаревшие или хранятся в труднодоступных системах, даже лучший алгоритм не даст результата. 4.
Начинайте с практических, "болевых" кейсов Там, где есть осязаемая боль (например, трудоемкие интеграции, ручная проверка тендеров, контроль производства), ROI от AI понятен уже на этапе MVP. 5. Объединяйте усилия IT и бизнеса Только совместная работа позволяет связать AI-решения с реальными метриками и добиться принятия на уровне бизнес-заказчика. 6. Вовлекайте команды и создавайте культуру экспериментов Люди боятся того, что не понимают.
Обучение, внутренняя пропаганда, доступные инструменты и быстрые победы - основа культурной трансформации.
Анализ интервью и данных исследования подтвердил: несмотря на высокий интерес к искусственному интеллекту, зрелость внедрения AI в российских корпорациях остается неравномерной. Лишь часть компаний прошла этап пилотов и начала масштабное применение технологий. Остальные - находятся в стадии экспериментов или изучения потенциала. При этом успешные кейсыдемонстрируют реальную бизнес-ценность - от ускорения интеграций и снижения нагрузки на разработку до предиктивной аналитики и оптимизации производства.
Однако масштабирование ограничено рядом внутренних барьеров: отсутствием стратегии, слабой интеграцией с бизнес-процессами, нехваткой данных и экспертизы. AI по-прежнему часто воспринимается как инструмент IT или R&D, а не как драйвер трансформации на уровне бизнеса.
Без сдвига в управленческом восприятии его потенциал останется локальным Для перехода от точечных пилотов к масштабному внедрению AI корпорациям необходимо устранить внутренние барьеры - прежде всего, на уровне данных, процессов и управленческого доверия. Без этого даже удачные кейсы рискуют остаться локальными. Те, кто строит системный подход - связывает AI с бизнес-целями, вовлекает ключевые команды и работает с эффектом на уровне компании, - уже сегодня получают ощутимые конкурентные преимущества.
Мы благодарим всех участников исследования - за участие в интервью, открытость, честные ответы и практический фокус, позволившие зафиксировать не только успешные кейсы, но и реальные барьеры внедрения AI. Благодарим также экспертов, откликнувшихся на открытые опросы, - их наблюдения из разных ролей (от CIO до линейных специалистов) помогли дополнить картину с разных сторон. Также благодарим всех коллег, кто участвовал в подготовке, расшифровке, анализе и визуализации данных.
Мы надеемся, что результаты исследования окажутся полезными для тех, кто ищет путь к зрелому и прагматичному внедрению AI.
