Сначала был хайп: ИИ как волшебная кнопка, которая решит всё. Потом пришёл антихайп: «мы вложили и ничего не получили, технология не работает». Обе реакции — ошибка. ИИ работает. Успешные кейсы в российском enterprise есть. Вопрос в другом: что отличает выживших от остальных 90%, и какие из их решений реально может повторить ваша команда.
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.
А 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, спорить нужно не о том, делать или не делать, а разбирать выживших: что именно они сделали правильно и какую часть их модели можно повторить у себя.
В статье 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.
Российский enterprise уже внутри ИИ, но только единицы делают это правильно
Цифры, которые задают рамку
В 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 выпустила исследование, по которому 97% крупных российских компаний уже внедряют или планируют внедрение ИИ-решений. При этом формализованную стратегию развития ИИ имеют только 26%. Это и есть разрыв между активностью и стратегической зрелостью.
«Мы наблюдаем характерный парадокс: компании массово экспериментируют с генеративным ИИ, но большинство остаётся на уровне фрагментарных пилотов. 97% крупных российских компаний уже внедряют либо планируют внедрять ИИ, но только каждая четвёртая имеет стратегию развития этой технологии».
В сведении российская картина 2026 года выглядит так.
| Показатель | Значение | Источник |
|---|---|---|
| Крупные компании, внедряющие или планирующие внедрение ИИ | 97% | Strategy Partners / Сбер, CNews, 03.03.2026 |
| Компании со сформированной стратегией развития ИИ | 26% | Strategy Partners / Сбер; МТС Web Services |
| Проекты с LLM и ИИ-агентами, доведённые до промышленного внедрения | 7–10% | «Интеллектуальная аналитика», опрос 50 крупнейших компаний, декабрь 2025 — февраль 2026 |
| Пилоты, свёрнутые из-за слабой интеграции в бизнес-процессы | 30–40% | Там же / CNews, 24.03.2026 |
| Рост российского рынка генеративного ИИ за 2025 год | с 13 до 58 млрд ₽ (×5) | Just AI / Onside, «Коммерсантъ» |
| Прогноз рынка GenAI к 2030 году | до 778 млрд ₽ (CAGR 68,1%) | Just AI / Onside, «Ведомости» |
| Промкомпании, исключающие публичные GenAI-сервисы из-за безопасности | 79% | Strategy Partners / Сбер, CNews, 03.03.2026 |
| Россияне, осведомлённые о технологиях ИИ | 94%, из них доверяют 52% | ВЦИОМ, декабрь 2024 |
| Проникновение ИИ-инструментов в бизнес-процессы | около 5–10% | Cloud.ru / CNews, 24.03.2026 |
| Затраты крупных и средних организаций на ИИ в 2024 году | 90,3 млрд ₽, в среднем 5,95 млн ₽ на компанию | FinExpertiza, декабрь 2025 |
Две цифры здесь особенно важны. 97% крупных компаний заняты внедрением — и 7–10% доходят до промышленной эксплуатации. То есть девять из десяти российских enterprise-проектов в ИИ либо застряли в пилотировании, либо 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 опрошенных менеджеров перенесли сроки результата с 2025 — начала 2026 года на вторую половину или конец 2026-го.
Почему это важно для директора по CX или ИТ
Эта статистика не повод откладывать внедрение. Наоборот: в тех 7–10%, которые дошли до промышленной эксплуатации, эффект по-настоящему большой. Именно они формируют новый стандарт клиентского сервиса и забирают долю рынка. Вопрос не в том, делать или нет, а в том, как не оказаться в 90%, которые потратили год без результата.
Откуда «растут ноги» внутренней ИИ-разработки
Чтобы понять, в какой момент появился спор «делать самим или с вендором», нужно посмотреть на более широкий тренд. За последние десять лет в России появилось около двухсот дочерних ИТ-компаний — структур крупных предприятий, которые занимались разработкой для материнских организаций. СберТех, Лукойл-Информ, X5 Tech, Авито Tech, Т-Банк 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 компаний уровня Сбера, Т-Банка, Яндекса или X5 это оправданная стратегия: у них достаточно своих задач, чтобы прокормить собственную ИТ-компанию, и достаточно ресурсов, чтобы её сформировать.
Здесь и начинается ловушка для среднего и крупного enterprise за пределами этой вершины. Логика «крупные делают сами, значит это работает» автоматически переносится на компании, у которых нет ни масштаба Сбера, ни десяти лет ИТ-истории, ни R&D-подразделения. Возникает парадокс: компания внедряет ИИ «как у Сбера», получает результат «не как у Сбера» и делает вывод, что технология не работает.
Параллельно идёт 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. 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.
MIT NANDA и российский контекст: почему разрыв одинаковый
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, а методологический.
Самое ценное в отчёте — сравнение моделей внедрения.
| Модель внедрения GenAI | Доля проектов, дошедших до промышленной эксплуатации |
|---|---|
| Силами внутренней команды, in-house | около 33% |
| С привлечением внешнего вендора или партнёра | около 67% |
Российская статистика идёт параллельно: 7–10% успешных промышленных внедрений GenAI по данным «Интеллектуальной аналитики» против 5% по MIT. Разница невелика, а логика провалов одна и та же: слабая интеграция в бизнес-процессы, завышенные ожидания, запуск ради PR, а не практического эффекта. «Ведомости» пишут прямо: 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 — типичный пример амбициозной цели без методологии и операционной модели.
«GenAI проваливается, если его пытаются внедрять без инженерного подхода к эксплуатации. Успешные проекты сегодня — это про умение сделать их частью устойчивой и предсказуемой IT-инфраструктуры бизнеса».
Препарируем «выживших»: что общего в успешных кейсах
Кто в российском enterprise действительно построил промышленный ИИ в клиентском сервисе и что у них общего. Ниже сводка публичных кейсов из пресс-релизов компаний, публикаций в CNews, «Коммерсанте», «Ведомостях» и отраслевых изданиях.
| Компания | Что внедрено | Публичный эффект |
|---|---|---|
| Сбер | Голосовой ассистент в банковских сценариях, GigaChat Enterprise, SaluteSpeech и GigaAM-v3 (700 тыс. часов аудио для обучения), on-prem развёртывание | Снижение нагрузки на контакт-центр, рост скорости ответа. GigaChat Enterprise заявлен как инструмент перехода от экспериментов к системному внедрению с локальной, облачной или гибридной конфигурацией |
| Т-Банк | Голосовой ассистент Олег, технология VoiceKit (обучение на десятках тысяч часов реальных звонков), «Вселенная AI-ассистентов» на собственной Gen-T | Олег принимает более 80% входящих звонков, закрывает около 10% обращений без оператора по 80 типовым сценариям. По словам директора по ИИ Виктора Тарнавского, собственные ассистенты дают корректный ответ на 20% чаще, чем ChatGPT на внутренних задачах |
| Ренессанс Страхование | LLM-агент targetai для автоматизации входящих обращений: точная классификация вместо IVR, гибкая маршрутизация, SMS и e-mail-уведомления, автоматизация 22 интеграционных тематик, включая продление и расчёт полиса, консультации по страховым случаям и оплату | 85% входящих обращений обрабатывает агент; уровень автоматизации вырос с 0% до 52% за первые шесть месяцев; время ожидания сокращено в 10 раз; решение масштабировано на поток около 90 тыс. звонков в месяц. Разбор кейса |
| МТС | Голосовой робот МТС Exolve (до 400 исходящих звонков в минуту), ИИ-агенты в клиентских сценариях на стеке MTS AI | Оплата по факту состоявшегося звонка, неизрасходованные минуты переносятся. Массовое применение в финтехе, ритейле и медицине |
| Билайн | Smart IVR и виртуальный ассистент в облачной АТС, GPT-режим диалога, интеграции с CRM | До 80% закрытий обращений без оператора; CSI робота 85%, выше, чем у людей-операторов; стоимость лида ниже на 40%, конверсия выше на 30% |
| Яндекс | Нейросети в работе оператора Маркета и клиентских сценариях | По интервью директора Эльвиры Морозовой «Ведомостям» — 15% экономии в деньгах в работе оператора, миллионы экономии на бизнес-процессах группы |
| X5 Group | Внутренний ИИ-ассистент CoPilot, собственный GPU-кластер, ML-платформа, направление X5 Robotics | За 2025 год сотрудники сделали почти 2 млн запросов к CoPilot; ИТ-бюджет компании за 2025 год превысил 39 млрд ₽ |
| Росгосстрах, Ингосстрах, ВТБ Страхование | Голосовые ассистенты и чат-боты на платформах Just AI | Just AI входит в топ-5 российских платформ для чат-ботов и занимает первое место среди представителей страховой отрасли по голосовым ботам |
Что общего у «выживших»
Если сравнить все кейсы, 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 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. Агент 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 — самый недооценённый 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.
Что не сработало у остальных 90%
Симметричный список. «Интеллектуальная аналитика» в марте 2026 года разбирала причины провалов российских проектов. В сведении с международной практикой картина такая.
| Что не сработало | Как это выглядело на практике |
|---|---|
| Запуск ради PR, а не экономики | Проект выбирался для демонстрации на совете директоров. Через полгода становилось понятно, что автоматизирован не тот сценарий, и эффекта нет |
| Попытки «всё своими силами» без методологии | Компания пыталась самостоятельно дообучить открытую модель (Qwen, Llama) без инженеров LLMOps. Инфраструктура не справлялась, проект тихо закрывали |
| Слабая интеграция с CRM, биллингом, телефонией | ИИ-агент умел отвечать, но не умел действовать: не мог проверить баланс, сменить тариф, оформить заявку. Containment оставался на уровне 5–10% |
| Метрики только классические, AHT и FCR | Дашборд показывал улучшение, но клиенты получали формальные ответы. Без containment, success rate и goal completion реальную картину не увидеть — нужна отдельная аналитика по агенту |
| Нет владельца после go-live | Проект передавался в общий ИТ-департамент без выделенного специалиста на сопровождение. База знаний устаревала за недели |
| Недооценка операционной нагрузки эксплуатации | ИИ-агент рассматривался как «ещё одна система». В реальности эксплуатация требует постоянного цикла мониторинга, A/B-тестов, обновления RAG, контроля галлюцинаций |
Важное наблюдение
Ни одна из причин провалов не относится к качеству моделей, выбору вендора или стоимости технологии. Все шесть — про методологию, эксплуатацию и операционную модель. Повторить результат выживших невозможно чисто техническим решением: нужна инженерная дисциплина работы с ИИ как с живой системой.
Шесть причин провала, и все про методологию. Откуда она возьмётся у вас? Смотреть платформу Экономика: сколько стоит повторить кейс Т-Банка или Ренессанса
После кейсов возникает простой вопрос: можно ли повторить такой результат у себя и сколько это будет стоить. Если вы крупный банк или телеком уровня топ-5, значительная часть стека и команды у вас уже есть. Если вы крупный enterprise вне этой вершины — средний банк, страховая, ритейлер на 50–300 магазинов, дистрибьютор, транспортная компания — картина выглядит иначе.
Сколько стоит собрать команду
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 направления. Это минимум, при котором проект может не просто запуститься один раз, а жить и масштабироваться.
По данным DreamJob и «Хабр Карьеры» на начало 2026 года картина зарплат для среднего российского рынка — не Сбер и не Т-Банк, где ставки заметно выше — выглядит так. Берём медианные цифры, а не верхние границы. С налогами и страховыми взносами сумма умножается примерно на 1,3–1,4.
| Роль | Грейд | ФОТ/мес по рынку, ₽ | С налогами и накладными |
|---|---|---|---|
| Senior ML / LLM Engineer | Senior | 250–350 тыс. | 350–490 тыс. |
| Инженер по интеграциям (CRM, биллинг, телефония) | Senior | 250–320 тыс. | 350–450 тыс. |
| Методолог клиентского сервиса | Senior | 220–280 тыс. | 300–400 тыс. |
| Специалист по ASR / TTS | Middle+ | 200–280 тыс. | 280–390 тыс. |
| Data-инженер для базы знаний и RAG | Middle+ | 220–300 тыс. | 300–420 тыс. |
| Продакт-менеджер ИИ-направления | Senior | 250–320 тыс. | 350–450 тыс. |
| Итого в месяц | — | 1,39–1,85 млн ₽ | 1,93–2,60 млн ₽ |
| Итого за год | — | 16,7–22,2 млн ₽ | 23,2–31,2 млн ₽ |
Это минимальный скелет команды по медианным ставкам. 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 покажет первый результат.
Три модели запуска: in-house, гибрид, подписка
Теперь соберём всё вместе. Цифры приведены к уровню, применимому в управленческих расчётах для среднего российского enterprise.
| Статья, год 1 | In-house | Гибрид | Подписка под ключ |
|---|---|---|---|
| ФОТ и налоги | 23–31 млн ₽ | 8–14 млн ₽ | входит в подписку |
| Найм и онбординг, 3–6 мес на Senior | 3–8 млн ₽ | 1–2 млн ₽ | — |
| Платформа и инфраструктура | 10–25 млн ₽ | входит в контракт | входит в подписку |
| Интеграции с CRM, биллингом, телефонией | 8–15 млн ₽ | входит в контракт | входит в подписку |
| Методология, ПМИ, документация | внутренняя, скрытые часы | входит в контракт | входит в подписку |
| Сопровождение после запуска | новый цикл ФОТ | по контракту | входит в подписку |
| Срок до первого результата | 9–18 мес | 2–4 мес | 2–6 нед |
| Риск «вечного пилота» | высокий | средний | низкий |
Цифры TCO — не аргумент в пользу одной модели против другой. Они показывают другое: при решении «делаем сами или с вендором» компании часто сравнивают цену контракта только с прямыми затратами на лицензию, забывая о ФОТ, времени до результата и риске 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. Как это выглядит в готовых форматах запуска — отдельный разговор.
Отдельный фактор: данные FinExpertiza
По исследованию FinExpertiza, опубликованному в декабре 2025 года, в 2024 году одна российская компания в среднем тратила на ИИ 5,95 млн рублей. Это сильно меньше цифр таблицы — именно потому, что большинство компаний застряло на стадии пилотов. Дешёвый пилот, который не дошёл до результата, всегда стоит дороже успешного запуска: в его стоимость добавляется упущенное время.
Регуляторика 2025–2026: почему «свой контур» больше не опция
Ещё одна часть картины, которую невозможно игнорировать. В 2025 году регулирование персональных данных в России существенно ужесточилось, и это напрямую влияет на любое решение о том, как и где работает ИИ в клиентском сервисе.
| Что изменилось в 2025–2026 | Что это значит для ИИ-проектов в CX |
|---|---|
| С 30 мая 2025 — новые штрафы по 152-ФЗ: до 500 млн ₽ за повторную утечку, для банков расчёт от собственных средств | Любая ИИ-система, работающая с клиентскими данными, попадает в зону высокого финансового риска |
| С 1 сентября 2025 — отдельное согласие на обработку и отдельное на передачу третьим лицам | Использование публичных GenAI-сервисов требует пересмотра пользовательских соглашений и архитектуры |
| Усиление требований к локализации данных | 79% крупных промышленных компаний исключают публичные GenAI-сервисы из соображений безопасности. Растёт спрос на on-prem |
| Законопроект Минцифры о «суверенной» и «доверенной» ИИ-модели | Долгосрочный сигнал: регулятор ведёт рынок к российским решениям с полным контролем жизненного цикла модели |
«Запрет публичных GenAI-сервисов при высоком спросе — это не барьер, а драйвер. Компании хотят использовать генеративный ИИ, но нуждаются в решениях, которые соответствуют требованиям 152-ФЗ и корпоративной политике безопасности».
Вывод простой. Если ИИ-агент 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, что 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, что в 2026 году в крупном enterprise юридически почти неприменимо.
До 500 млн ₽ за повторную утечку. В чьём контуре будет работать ваш агент? Посмотреть развёртывание Иллюзия «у нас сильное ИТ, справимся» и что с этим делать
Самая частая ловушка для директора по клиентскому сервису или ИТ-директора — уверенность, что внутренняя ИТ-функция, которая годами поддерживает CRM, биллинг, телефонию и омниканальную платформу, справится и с ИИ-направлением. Логика выглядит убедительно: у нас двести разработчиков и сильная инженерная культура, что может быть сложного в добавлении ИИ.
Сложность в том, что ИИ в клиентском сервисе — не ещё одна корпоративная система, а новая инженерная дисциплина. Качество зависит не только от кода, но и от данных и базы знаний, а это компетенция, которой нет у классических ИТ-команд. Метрики вероятностные, а не детерминированные: «работает в 78% случаев» вместо «работает или не работает». Деградация происходит непрерывно и не привязана к релизам, поэтому классический DevOps не работает — нужен LLMOps и выделенное сопровождение. 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.
Нужен не DevOps, а LLMOps. Кто закроет эксплуатацию после запуска? Смотреть сопровождение Семь условий, которые придётся закрыть в любом сценарии
Неважно, делаете вы сами, с партнёром или по подписке. Эти семь пунктов закрывать придётся, вопрос только в том, кто именно за каждый отвечает.
| Условие | Зачем это нужно |
|---|---|
| Зафиксированный список приоритетных сценариев и расчёт эффекта по каждому | Иначе автоматизируется не то, что даёт максимум экономии, а то, что проще. Типичная причина «успешного» пилота с нулевым ROI |
| Методология оценки и приёмки, ПМИ | Без критериев успеха любой результат можно объявить победой или провалом. Отсюда и берётся «пилот вроде прошёл», а масштабирование не случилось. Как это выглядит в реальных запусках |
| Архитектурная схема интеграции с CRM, биллингом, телефонией, базой знаний | Без интеграций ИИ может только отвечать, но не решать. Отвечающий, но не решающий агент не снижает нагрузку на операторов и не окупается |
| Метрики, специфичные для ИИ: containment, success rate, goal completion | Классические AHT и FCR не показывают, реально ли ИИ закрывает обращения. Нужна отдельная система измерения качества |
| Цикл сопровождения после запуска: мониторинг, A/B, обновление базы знаний | Без него качество падает за недели, и команда узнаёт об этом из роста жалоб |
| Соответствие 152-ФЗ: модель шифрования и развёртывания | Без этого любая утечка превращается в штраф до 500 млн ₽ и репутационный удар |
| Один владелец сквозного процесса со стороны бизнеса и со стороны ИТ | Без единого владельца зона ответственности дробится, и никто не отвечает за бизнес-результат |
Чек-лист: готовы ли вы
запускать AI-CX своими силами
PDF с критериями по семи условиям: команда и роли, данные и база знаний, интеграции, метрики, эксплуатация, регуляторика и владение процессом. По каждому пункту — что должно быть готово и что означает его отсутствие.
Каков ИИ в клиентском сервисе в 2026 году
Это про 7–10% компаний, которые уже работают с ИИ промышленно, и про 90%, которые пока не могут выйти из режима пилотов. Причина не в технологии и даже не в бюджетах. Причина в методологии и эксплуатации.
Неправильный вопрос: «делать своими силами или с вендором». Правильный: «как мы закроем семь условий — методологию, интеграции, метрики, эксплуатацию, регуляторику, владение процессом — в горизонте трёх лет, и кто отвечает за каждое из них». Ответ 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 большими командами. Вопрос не в идеологии, где «делать самим — сильно, а с вендором — слабо», а в прагматике: какая комбинация внутренней команды и внешней экспертизы даёт самый быстрый путь к результату с самым низким риском. В большинстве enterprise-проектов вне вершины топ-5 эта комбинация не равна «полностью своими силами».
Если по ходу чтения вы несколько раз подумали «у нас примерно такая же ситуация», начните с чек-листа выше: он показывает, какие из семи условий у вас закрыты, а какие придётся закрывать другой моделью. А как выглядят закрытые условия на практике, видно в разборах запусков.
Источники
- Strategy Partners (Сбер), исследование российского рынка ИИ, CNews, 03.03.2026
- «Интеллектуальная аналитика», опрос 50 крупнейших российских компаний, декабрь 2025 — февраль 2026; CNews, 24.03.2026
- MIT NANDA, The GenAI Divide: State of AI in Business 2025, август 2025, анализ 300 корпоративных внедрений
- «Ведомости»: о сворачивании и переносе GenAI-проектов, март 2026; интервью Эльвиры Морозовой (Яндекс); оценки затрат на on-prem инфраструктуру
- «Коммерсантъ» и Just AI / Onside: динамика и прогноз российского рынка генеративного ИИ
- Forbes: «Вольный вендор: почему крупные компании выделяют ИТ-команды в отдельный бизнес»; материалы о декэптивизации, 2025; данные о сроках найма
- FinExpertiza, затраты российских организаций на ИИ, декабрь 2025
- ВЦИОМ, осведомлённость и доверие к технологиям ИИ, декабрь 2024
- Cloud.ru / CNews, проникновение ИИ-инструментов в бизнес-процессы, 24.03.2026
- DreamJob и «Хабр Карьера», зарплатные данные по ролям, начало 2026
- «Новости IT-канала», комментарий Сергея Житинского (Git in Sky), февраль 2026
- Публичные материалы Сбера, Т-Банка, Ренессанс Страхования, МТС, Билайна, Яндекса, X5 Group и Just AI
