Claude в среднем и крупном бизнесе

Вопрос 2026 года - не «внедрять ли Claude», а как перейти от пилота к масштабу. К 2026 году ИИ стал массовым: около 78% организаций уже используют его хотя бы в одной бизнес-функции. Но по отчёту MIT NANDA «The GenAI Divide» (2025) около 95% корпоративных генеративных пилотов не дают измеримого эффекта на P&L, а до масштаба доходит примерно 5%. Разрыв - не в качестве моделей, а в том, как ИИ встроен в процессы и данные.

В статье разбираем три вещи, которые решают исход: с чего начать пилот и как дорастить его до масштаба; почему 152-ФЗ часто применяют шире, чем требует закон (коммерческие данные редко персональные, а пилот можно легально строить на обезличенных и синтетических данных); и какой уровень задач средний и крупный бизнес закрывает Claude быстрее всего - на реальных кейсах KT.Team.

Адопция ИИ уже массовая, генеративный ИИ по оценке рынка достиг ~67% проникновения. Поэтому узкое место сместилось: не «есть ли подходящая модель», а «доведён ли сценарий до рабочего процесса». Отчёт MIT NANDA называет это GenAI Divide - пропасть между пилотом и результатом на P&L. Тот же отчёт даёт практический ориентир: покупка у специализированного вендора или партнёрство доходят до результата примерно в 67% случаев, а внутренние сборки с нуля - втрое реже (около трети).

Выше и вероятность там, где адоптацию двигает линейный руководитель, а не только ИТ. Вывод для среднего и крупного бизнеса: масштаб даёт не «ещё одна модель», а узкий процесс, измеримый результат и владелец на стороне бизнеса.

Первый сценарий выбирается по трём признакам сразу, а не по «модности» темы:

152-ФЗ регулирует не «любые данные», а персональные. Статья 3 определяет ПДн как любую информацию, прямо или косвенно относящуюся к определяемому физическому лицу; юридический ключ - идентифицируемость конкретного человека. Номенклатура и атрибуты товаров, состав продукта, техпараметры, тендерные условия, накладные, складские документы, отраслевые классификаторы и агрегированные метрики к конкретному человеку не относятся - и потому режим ПДн на них не распространяется.

Отсюда частая ошибка: закон применяют шире, чем он требует, и без нужды блокируют ИИ.

Когда без реальных ПДн процесс не работает, ответственный паттерн - не отправлять ПДн в чужую (в том числе иностранную) модель напрямую. LLM & Security Gateway даёт двусторонний контур: обфускация ПДн в токены до модели и деанонимизация в ответе - провайдер видит только обезличенные данные, что снимает и риск трансграничной передачи. Для локальной подготовки текста к отправке есть навык anonymize.

Быстрее всего входят задачи с узким процессом и измеримым результатом; агенты и контур безопасности - это уже уровень масштаба. Таблица от самого быстрого входа к самому зрелому уровню, каждый - с реальным пруфом KT.Team.

Большинство сценариев уровней 1-4 хорошо стартуют как узкий пилот; уровни 5-7 обычно вырастают из первых успешных внедрений.

На масштабе точка контроля - не отдельная модель, а слой между процессами и провайдерами. Что он закрывает:

Многовендорность здесь - норма, а не исключение: единый шлюз позволяет держать несколько frontier-моделей и выбирать под задачу, не привязываясь к одному провайдеру. Подробнее - LLM & Security Gateway.

Запустить пилот за 2-4 недели - проверяемый первый шаг: