Внутренняя и внешняя ИТ-экспертиза в эпоху ИИ-инфраструктуры: почему вопрос «своими силами или с вендором» уже не работает

За последние два года бизнес прошёл через две эмоциональные волны. Сначала — хайп: в каждой презентации ИИ подавался как универсальное решение, которое автоматически снимет нагрузку с контакт-центра, увеличит конверсию и сократит издержки. Потом — антихайп: «мы потратили бюджет, пилот не взлетел, технология переоценена». Обе реакции одинаково непродуктивны и уводят от главного вопроса.

Главный вопрос звучит так: ИИ в клиентском сервисе действительно работает. В российском enterprise уже есть выжившие — компании, у которых ИИ-агент закрывает 30–80% обращений, снижает издержки и работает в промышленном режиме. Но их единицы. Большинство пилотов не доходят до эксплуатации. Значит, нужно не спорить «делать или не делать», а разобрать выживших: что именно они сделали правильно, и какую часть их модели можно повторить в вашей компании.

В этой статье мы собираем три слоя. Первый — реальная картина российского рынка 2026 года: кто уже внедряет, сколько проектов проваливается, в чём причина. Второй — кейсы выживших: что общего в компаниях, у которых ИИ в CX действительно работает. Третий — экономика и эксплуатация: сколько стоит делать самим, почему сроки такие, и какие решения в 2026 году перестали быть опциональными из-за регуляторики. В конце — сборка того, что из этого следует для вашей команды.

В российской повестке 2026 года заметен резкий сдвиг от спора «нужно ли внедрять ИИ вообще» к спору «как и где его внедрять безопасно и с эффектом». Strategy Partners (дочерняя структура Сбера) в марте 2026 года выпустили исследование, по которому 97% крупных российских компаний уже внедряют или планируют внедрение ИИ-решений. При этом только 26% имеют формализованную стратегию развития ИИ. Это и есть тот самый разрыв между активностью и стратегической зрелостью, о котором говорит заместитель председателя правления Сбербанка Анатолий Попов.

В сведении — российская картина 2026 года выглядит так:

Две цифры в этой таблице особенно важны для понимания, что происходит на рынке. 97% крупных компаний заняты внедрением. И 7−10% из них доходят до промышленной эксплуатации. Это означает, что 9 из 10 российских enterprise-проектов в ИИ либо застряли в стадии пилотирования, либо были свёрнуты. «Ведомости» со ссылкой на «Интеллектуальную аналитику» писали об этом в марте 2026 года прямо: бизнес свернул или отложил девять из десяти ИТ-проектов по внедрению GenAI. Половина менеджеров, опрошенных в исследовании, перенесли сроки результата с 2025-начала 2026 года на вторую половину или конец 2026-го.

Чтобы понять, в какой момент появился спор «делать самим или с вендором», нужно посмотреть на более широкий тренд. За последние 10 лет в России появилось около двухсот дочерних ИТ-компаний — структур крупных предприятий, которые занимались разработкой для материнских организаций. Сбер-Технологии, Лукойл-Информ, X5 Tech, Авито Tech, Тинькофф Центр технологий ИИ, Yandex B2B Tech — ряд можно продолжать долго. За каждой стоит логика: внешние вендоры не успевают за специфическими задачами, а собственная команда может сделать лучше и быстрее.

Forbes отдельно разбирал эту логику в статье «Вольный вендор: почему крупные компании выделяют ИТ-команды в отдельный бизнес». Главные причины — контроль затрат, скорость вывода продукта, свобода в найме вне корпоративных грейдов, возможность привлекать внешнее фондирование и выходить на рынок. Для крупняка уровня Сбера, Т-Банка, Яндекса или X5 это абсолютно оправданная стратегия: у них достаточно своих задач, чтобы прокормить собственную ИТ-компанию, и достаточно ресурсов, чтобы её сформировать.

Но здесь и начинается ловушка для среднего и большого enterprise за пределами этой вершины. Логика «крупные делают сами — значит, это работает» автоматически переносится на компании, у которых нет ни масштаба Сбера, ни 10 лет ИТ-истории, ни R&D-подразделения. И вот здесь возникает тот самый парадокс Сколково: компании внедряют ИИ «как у Сбера», получают результат «не как у Сбера» и делают вывод, что технология не работает.

Параллельно идёт и обратный тренд. Forbes в 2025 году описал «декэптивизацию»: крупный бизнес начал отказываться от части ИТ-дочек, потому что поддерживать их оказалось дороже, чем покупать решения на рынке. Это второй важный сигнал: даже у тех, кто инвестировал в собственную разработку десятилетиями, не все продукты окупаются в in-house формате. Есть задачи, где дешевле и быстрее работать с партнёром, чем содержать команду.

Массачусетский технологический институт в августе 2025 года выпустил доклад The GenAI Divide: State of AI in Business 2025 — анализ 300 корпоративных внедрений. Главная цифра: 95% корпоративных пилотов по генеративному ИИ не переходят в промышленную эксплуатацию. Разрыв не технологический — он методологический. Об этом писали и РБК Тренды, и десятки профильных изданий.

Самое ценное в отчёте MIT — сравнение моделей внедрения:

Российская статистика идёт параллельно: 7–10% успешных промышленных внедрений GenAI в России по данным «Интеллектуальной аналитики» против 5% по MIT. Разница невелика, но логика провалов одна и та же — слабая интеграция в бизнес-процессы, завышенные ожидания, запуск проектов ради PR, а не практического эффекта. «Ведомости» прямо пишут: «большинство организаций не дошли до полноценного внедрения, потому что запускали не практичные решения, а проекты с сильным PR-эффектом». В одном из разобранных кейсов компания потратила бюджет на попытку самостоятельно дообучить китайскую модель Qwen — это типичный пример амбициозной цели без методологии и операционной модели.

Теперь к сути. Кто в российском enterprise действительно построил промышленный ИИ в клиентском сервисе — и что у них общего. Ниже — сводная таблица публичных кейсов из пресс-релизов компаний, публикаций в CNews, «Коммерсанте», «Ведомостях» и отраслевых ресурсах.

Если сравнить все семь кейсов, общих признаков получается четыре. И ни один из них не про «сильную модель» или «удачную технологию»:

• Все используют гибридную модель. Даже Т-Банк с собственным Центром технологий ИИ и T-Банк Research работает в связке с внешними партнёрами на отдельных направлениях. Ренессанс Страхование пошёл не в чистый in-house, а выбрал внешний стек и платформу targetai для быстрого запуска и последующего развития проекта вместе с командой вендора. Сбер использует GigaChat Enterprise как отдельную платформу. X5 развивает ИИ через платформенный подход, но с опорой на собственные данные и методологию. Чистого сценария «полностью in-house» на рынке практически нет. 
• Выбирают сценарии по экономике, а не по "интересности". Олег в Т-Банке стартовал на типовых запросах (смена тарифа, проверка баланса, типовые возражения). Маша в Ренессансе — на двух конкретных тематиках: задолженность по НДФЛ и отказ от КСЖ. Никаких «давайте автоматизируем весь клиентский путь" — только узкие, объёмные, повторяющиеся сценарии с понятной экономикой.
• Эскалация на оператора — это самый недооцененный параметр: ИИ-агент не должен пытаться решить всё. У Т-Банка Олег переключает на оператора при первом же запросе «соединить с человеком" — «это снижает автоматизацию, но повышает лояльность». У Билайна — менее 2% клиентов просят соединить с оператором после грамотно настроенного IVR. Баланс между containment и эскалацией настраивается месяцами, не днями.
• Эксплуатация после запуска в реальном контуре. Все компании из таблицы имеют либо выделенные команды сопровождения, либо контракты с партнёрами на развитие. У X5 за одним CoPilot стоит полноценное направление с GPU-кластером и платформой для A/B-тестирования. Без этого качество системы деградирует за недели.

Симметричный список. «Интеллектуальная аналитика» в марте 2026 года разбирала причины провалов 90% российских проектов. В сведении с международной практикой получается следующая картина:

После кейсов возникает очень простой вопрос: можно ли повторить такой результат у себя, и сколько это будет стоить. Если вы крупный банк или телеком уровня топ-5, у вас уже есть значительная часть стека и команды. Если вы — крупный enterprise вне этой вершины (средний банк, страховая, ритейлер уровня 50−300 магазинов, дистрибьютор, транспортная компания), картина выглядит иначе.

Для промышленного ИИ-направления в клиентском сервисе нужны как минимум шесть ролей: ML/LLM-инженер, инженер по интеграциям, методолог клиентского сервиса, специалист по речевым технологиям, data-инженер для базы знаний и продакт-менеджер ИИ-направления. Это минимум, при котором проект может работать и развиваться — не запустить один раз, а жить и масштабироваться.

По данным DreamJob и Хабр Карьеры на начало 2026 года, реальная картина зарплат для среднего российского рынка (не Сбер и не Т-Банк, где ставки заметно выше) выглядит так. Мы специально берём медианные цифры, а не верхние границы. Таблица также учитывает, что с налогами и страховыми взносами сумма умножается примерно на 1,3–1,4:

Это минимальный скелет команды по медианным ставкам рынка. Дальше идут расходы, которые обычно не считают на этапе принятия решения: найм (один ML-инженер senior-уровня ищется 3–6 месяцев, по данным Forbes — 44% российских компаний ищут замену специалисту от одного до трёх месяцев), обучение, инфраструктура, GPU или лицензии на внешние модели, on-prem развёртывание, текучесть. По оценкам «Ведомостей», для нескольких пилотных проектов крупному предприятию может потребоваться вложить в on-prem инфраструктуру от 100 млн рублей.

И это ещё до того, как ИИ-агент в клиентском сервисе вообще покажет первый результат.

Цифры TCO — не аргумент в пользу одной модели против другой. Они показывают другое: при принятии решения «делаем сами или с вендором» компании часто сравнивают цену контракта только с прямыми затратами на лицензию или подписку, забывая о ФОТ, времени до результата и рисках не дойти до промышленной эксплуатации вообще. Если посчитать TCO честно, внутренний сценарий часто оказывается не дешевле — а просто медленнее и менее прозрачным по управлению результатом.

Теперь соберём всё вместе. Три модели: полностью внутренняя сборка, гибрид с внешним вендором, и подписочная модель «под ключ». Цифры приведены к уровню, применимому в управленческих расчётах для среднего российского enterprise:

Вывод простой. Если ИИ-агент в клиентском сервисе работает с персональными данными, кредитной историей, страховыми случаями, медицинскими данными или биллингом, у компании по сути три варианта. Первый — построить весь стек on-prem собственными силами с нуля (возвращает к вопросу о команде и сроках). Второй — работать с партнёром, у которого on-prem развёртывание, шифрование и ПМИ уже выстроены. Третий — использовать облачные GenAI-сервисы без внимания к регуляторике — в 2026 году в крупном enterprise юридически почти неприменимо.

Ещё одна часть картины, которую невозможно игнорировать. В 2025 году регулирование персональных данных в России существенно ужесточилось — это напрямую влияет на любое решение о том, как и где работает ИИ в клиентском сервисе.

Самая частая ловушка для директора по клиентскому сервису или ИТ-директора — уверенность в том, что внутренняя ИТ-функция, которая годами успешно поддерживает CRM, биллинг, телефонию и омниканальную платформу, справится и с ИИ-направлением. Логика выглядит убедительно: у нас 200 разработчиков, сильная инженерная культура — что может быть сложного в добавлении ИИ?

Сложность в том, что ИИ в клиентском сервисе — не ещё одна корпоративная система. Это новая инженерная дисциплина. Качество системы зависит не только от кода, но от данных и базы знаний — это компетенция, которой нет у классических ИТ-команд. Метрики вероятностные, а не детерминированные: «работает в 78% случаев» вместо «работает/не работает». Деградация происходит непрерывно и не привязана к релизам — поэтому классический DevOps не работает, нужен LLMOps. И ошибки имеют не только технический, но и репутационный вес: галлюцинация ИИ-агента в банке или страховой — это не баг, а потенциальная претензия и штраф по 152-ФЗ.

Теперь соберём всё вместе. Три модели: полностью внутренняя сборка, гибрид с внешним вендором, и подписочная модель «под ключ». Цифры приведены к уровню, применимому в управленческих расчётах для среднего российского enterprise:

Это про 7–10% компаний, которые уже работают с ИИ промышленно, и 90%, которые пока не могут выйти из режима пилотов. Причина — не технология и даже не бюджеты. Причина — методология и эксплуатация.

Неправильный вопрос: «делать своими силами или с вендором».  Правильный вопрос: «как мы закроем семь условий — методологию, интеграции, метрики, эксплуатацию, регуляторику, владение процессом — в горизонте трёх лет, и кто отвечает за каждое из них».  Ответ на этот вопрос определяет, окажется ваш проект среди 7–10% выживших или среди 90% отложенных и свёрнутых.

Именно поэтому успешные модели запуска в 2026 году — почти всегда гибридные. Даже у Т-Банка, Сбера и Ренессанса с их многолетним R&D и огромными командами. Вопрос не в идеологии («делать самим — сильно, с вендором — слабо»), а в прагматике: какая комбинация внутренней команды и внешней экспертизы даёт самый быстрый путь к результату с самым низким риском. В 95% enterprise-проектов вне вершины топ-5 эта комбинация не равна «полностью своими силами».

Если по ходу чтения этой статьи вы несколько раз подумали «у нас примерно такая же ситуация» — это хороший повод не дожидаться конца года. В начале нашей второй части мы обещали практический чек-лист. Его можно получить на следующей неделе — это ответ на вопрос, готова ли именно ваша команда запускать ИИ в CX своими силами, или есть риски, которые стоит закрыть другой моделью.