“AI может стать величайшим достижением человечества, но также и его последней ошибкой, если мы не научимся управлять им ответственно”— Стивен Хокинг
Цель, методология, участники
Цель исследования
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.
Как проводили исследование
Исследование основано на интервью 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
Кто принял участие
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.
Статус AI в корпоративной повестке на 2025 год
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:
Уровень зрелости проектов
По итогам интервью компании можно условно разделить на 3 группы:
- Те, кто активно внедряет и масштабирует AI
(обычно есть выделенные команды, процессы, внутренняя экспертиза) - Те, кто в экспериментальной фазе
(есть MVP, но нет системности, масштабирования и принятия бизнесом) - 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.
{{cta}}
Успешные кейсы из практики
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.
Крупный ритейлер с широкой сетью магазинов
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.
Технологическая группа с внутренними AI-продуктами
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.
Производственно-торговая компания в сегменте FMCG
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.
Интегратор решений с фокусом на промышленную автоматизацию
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.
Нереализованные ожидания и неудачные попытки
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. Пилоты без масштабирования
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. Проект не вышел за рамки пилота.
- 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. Нехватка зрелости и данных
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.
Ключевые инсайты
AI перестаёт быть экспериментом
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.
AI можно внедрять эффективно
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.
К чему мы пришли
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 кейсы демонстрируют 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.
Благодарности
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.
{{cta}}
