Почему умирают ИИ-пилоты?
На аналитической сессии ExpoElectronica и ExpoCifra 2026 «От экономики данных к внедрению: как формируется спрос на электронику и искусственный интеллект» CEO OSMI IT Михаил Шрайбман озвучил проблему, знакомую почти каждому крупному бизнесу: ИИ-пилоты запускаются, первые результаты есть, интерес высокий, но до промышленного внедрения доходят немногие. Причина часто не в качестве нейросети, а в том, что компания пытается посадить ИИ на старую, разрозненную архитектуру управления, данных и процессов.
Российский рынок ИИ уже вышел в более жесткую фазу: теперь бизнес спрашивает не «можно ли сделать демо», а «почему это не работает в масштабе». По данным, которые приводили «Ведомости», рынок генеративного ИИ в России по итогам 2025 года достиг примерно 58 млрд рублей, но дальнейший рост будет зависеть от того, смогут ли компании перейти от пилотов к масштабированию в 2026–2027 годах.
И вот здесь начинается главный конфликт. Сама технология уже во многом умеет работать: модели читают документы, анализируют данные, пишут тексты, помогают принимать решения, находят аномалии и автоматизируют рутину. Но процессы, роли, регламенты, системы доступа и корпоративная архитектура вокруг нее часто к этому еще не готовы.
Именно этот разрыв Михаил Шрайбман обозначил как проблему «последней мили». В ИИ «последняя миля» — это не момент, когда модель дала правильный ответ. Это момент, когда этот ответ встроился в реальный бизнес-процесс: попал нужному сотруднику, в нужную систему, с нужными правами, по понятному маршруту, с логами, контролем и возможностью проверить результат.
Пилот в этом смысле похож на красивый шоурум: внутри всё чисто, сценарий ограничен, пользователи мотивированы, интеграции минимальны, данные заранее подготовлены. Промышленное внедрение — это уже не шоурум, а реальный завод, где есть старые системы, разные департаменты, права доступа, юридические ограничения, безопасность, сопротивление сотрудников, KPI, бюджетные циклы и ответственность за ошибку.
Например, мало научить ИИ читать договор. Нужно, чтобы он понимал шаблоны конкретной компании, находил рискованные формулировки, передавал результат юристу, фиксировал историю проверки, не показывал лишние данные тем, у кого нет доступа, и встраивался в процесс согласования. Иначе это не внедрение, а удобный эксперимент на стороне.
Та же логика работает в HR, продажах, промышленности, клиентском сервисе. Нейросеть может сгенерировать письмо кандидату, кратко пересказать встречу, найти аномалию в заявке или распознать параметры в документе. Но бизнес-эффект появляется только тогда, когда это не отдельный «умный помощник», а часть управляемого контура.
По сути, компаниям сегодня часто не хватает не самой модели, а операционной среды вокруг нее. У многих уже есть несколько ИИ-инструментов, несколько команд, несколько подрядчиков, несколько витрин данных и несколько «почти готовых» пилотов. Каждый из них может быть неплохим сам по себе. Но вместе они не образуют систему.
Это похоже на попытку построить город из отдельных умных домов, которые не подключены к общей электросети, не имеют единой навигации, живут по разным правилам безопасности и не умеют обмениваться данными. Формально технологии есть. Практически — городской инфраструктуры нет.
Отсюда главный сдвиг, о котором говорил Михаил: бизнесу нужен не набор разрозненных ИИ-проектов, а платформенный подход. Не «давайте сделаем еще одного бота», а «давайте построим среду, в которой боты, агенты, данные, роли, сценарии и интеграции управляются как единая система».
Платформа в этом смысле — не просто интерфейс с кнопками. Это способ снизить хаос. Она дает компании единые правила: где живут агенты, как они получают доступ к данным, кто может их запускать, как проверяется результат, где хранятся логи, как обновляются сценарии, как один успешный кейс переносится из одного отдела в другой.
Именно поэтому переход от пилотов к платформенному подходу становится для крупного бизнеса вопросом экономики. Пока каждый ИИ-сценарий собирается вручную как отдельный проект, масштабирование дорогое и медленное. Когда появляется общая архитектура, каждый следующий сценарий становится дешевле: уже есть контур безопасности, интеграции, роли, подход к обучению сотрудников и понятная логика эксплуатации.
В этом месте важно не перепутать внедрение ИИ с закупкой ИИ. Купить модель или подключить API — это примерно как купить двигатель. Чтобы машина поехала, нужны кузов, колеса, тормоза, водитель, правила движения и сервисная инфраструктура. В корпоративном ИИ роль такого «автомобиля» выполняют процессы, данные, интеграции, регламенты и управленческая готовность.
Поэтому технологическая зрелость — только половина задачи. Вторая половина — организационная. Внедрение ИИ требует изменений в структуре управления, процессах и экономике компании. Этот тезис важен для B2B-рынка: ИИ не встраивается в бизнес как новый виджет на сайт. Он меняет то, как принимаются решения, распределяется ответственность и измеряется результат.
Для компании, которая хочет не просто «попробовать ИИ», а получить эффект, минимальный набор вопросов должен звучать так:
- какие процессы мы действительно хотим ускорить или удешевить;
- какие данные нужны агенту или модели для работы;
- кто отвечает за качество результата;
- где проходит граница автоматизации и человеческого контроля;
- как мы будем масштабировать удачный сценарий на другие подразделения;
- что изменится в ролях сотрудников после внедрения.
Без этих вопросов пилот легко превращается в презентационный успех без продолжения. Все посмотрели, согласились, что «работает интересно», — и разошлись по старым процессам.
Показательно, что похожую проблему фиксируют и рыночные исследования. ComNews писал, что почти все крупные российские компании уже внедряют или планируют внедрять ИИ, но формализованная стратегия есть только у 26% из них. Это хорошо объясняет парадокс: активности много, зрелости меньше. Компании запускают инициативы быстрее, чем успевают построить для них управленческий фундамент.
Следующий уровень конкуренции будет строиться уже не столько между отдельными платформами, сколько между экосистемами. Это логично: крупному бизнесу важен не один инструмент, а способность всей среды поддерживать внедрение — от данных и вычислений до интеграторов, отраслевой экспертизы, безопасности, обучения и сопровождения.
ИИ в корпоративном контуре становится похож на электроэнергию в промышленности. Никому не нужен «пилот электричества» в одном кабинете. Ценность появляется, когда есть сеть, стандарты подключения, защита, учет потребления и возможность подключать новые станки без перестройки всего завода.
Для B2B-компаний вывод довольно прагматичный. Победят не те, кто первым попробует больше нейросетей, а те, кто быстрее наведет порядок в архитектуре внедрения. То есть научится соединять данные, процессы, безопасность, людей и ИИ-агентов в единый управляемый контур.
Пилот показывает, что технология возможна. Внедрение доказывает, что компания к ней готова. И разница между этими двумя состояниями сегодня становится главным полем конкуренции на рынке корпоративного ИИ.
Послушать полную дискуссию и мнения других экспертов можно в записи сессии на VK Видео. В ней участники подробнее обсуждают, почему рынок ИИ переходит от экспериментов к промышленному внедрению, какие барьеры мешают масштабированию и что нужно бизнесу, чтобы ИИ перестал быть пилотом «на полке» и начал приносить измеримый эффект.