LLM в России: от экспериментов к внедрению

𝓲

Фото: КодИнсайд

Что такое языковая модель?

Языковая модель (Language Model, LM) — это тип искусственного интеллекта, обученного понимать и генерировать текст на естественном языке. Модель «читает» большие объемы текстов, находит закономерности и учится предсказывать, что будет дальше в предложении. Это позволяет ей вести диалоги, писать тексты, отвечать на вопросы, переводить, программировать и выполнять другие когнитивные задачи.

Языковые модели классифицируются по размеру, вычислительным требованиям и области применения. Принято выделять:

• Большие языковые модели Large Language Models (LLMs)
  • Размер: от миллиардов до сотен миллиардов параметров.
  • Размещаются в облаке или на дата-центрах.
  • Универсальны: умеют рассуждать, писать код, работать с контекстом.
  • Примеры: GPT-4, Claude, Gemini, GigaChat, YaLM 2.

• Средние языковые модели Medium Language Models (MLMs)
  • Размер: от 2 до 15 миллиардов параметров.
  • Можно развернуть на сервере в периметре компании.
  • Оптимальны для RAG-систем, внутреннего поиска, автоматизации документооборота.
  • Примеры: LLaMA 2–13B, Mistral 7B, OpenChat, Baichuan 13B.

• Малые языковые модели Small Language Models (SLMs)
  • Размер: от 50 миллионов до 2 миллиардов параметров.
  • Легко запускаются на ноутбуках, edge-устройствах, встраиваемых системах.
  • Используются в чат-ботах, справочных системах, голосовых помощниках.
  • Примеры: Phi-2, TinyLLaMA, DistilBERT, Gemma 2B.

Раздел 1. Сначала — себе: практики внедрения LLM в ИТ-компаниях

Прежде чем предлагать клиентам решения, ИТ-компании тестируют технологии на себе. Участники интервью рассказали, как LLM стали частью их процессов — от генерации кода до маркетинга и поддержки.

LLM внедряются не как эксперимент, а как рабочий инструмент. Чаще всего LLM применяют для разработки (44%), документооборота (35%), генерации контента (29%) и аналитики (22%). Почти все отмечают: ИИ помогает экономить ресурсы, заменяя рутину и ускоряя работу команд.

𝓲

Фото: КодИнсайд

LLM в разработке

Почти каждая вторая компания отметила, что применяет LLM на этапе кодирования, написания тестов, архитектурного проектирования или подготовки технической документации. Часто ИИ помогает ускорить генерацию прототипов, сократить ручной труд в тестировании и даже адаптировать код под разные технологии. Большинство решений работают в локальных средах или через корпоративные платформы.

«Тандем» с ИИ начинается с самых ранних этапов проекта — при проработке идей и прототипировании. Мы вместе проводим мозговые штурмы, и модель предлагает решения с учетом разных бизнес-ролей, сокращая время создания прототипов на 7-10%. Также мы используем ИИ для генерации кода, в том числе для перевода решения с одного стека на другой. В тестировании ИИ ускоряет создание тест-кейсов на 15–20% и улучшает их покрытие, — Алексей Лебедев, директор департамента «Банки и финансы» Рексофт.

𝓲

Фото: КодИнсайд

Так как мы являемся вендором, конечно же, мы используем LLM. И было бы странно, если бы я сказал, что вендор не использует их. Используем для проработки функциональных постановок и, конечно, архитекторы используют LLM в рамках проектирования функциональной архитектуры с использованием паттернов, — Иван Друзин, директор по продуктам ГК «Цифра».

На сегодняшний день, наверное, 50% кода пишется с помощью языковых моделей. Код также покрывается тестами с их помощью — мы активно применяем эти инструменты для разработки, — Илья Развин, CEO Upgraide.

Используем различные инструменты для помощи в разработке, co-pilot инструменты, инструменты для тестирования кода — используем несколько продуктов, — Максим Иванов, партнер технологической практики Технологии Доверия.

Мы активно применяем LLM как часть внутренней цифровой платформы для сопровождения разработки — генерации кода и юнит-тестов, автоматического code-review с подсветкой потенциальных дефектов и рисков, — Константин Кудряшов, директор по ИИ инфраструктуре Ainergy (Корпорация ITG).

Наши аналитики используют LLM для написания технических заданий разработчикам, тестировщики пишут программы автоматического тестирования, разработчики — часть кода, — Олег Сажин, советник генерального директора Content AI.

Внутренние процессы: поддержка, документооборот и организация команд

LLM активно применяются в задачах поддержки и внутренних процессов. Компании-участники отметили, что внедрили ИИ в документооборот, поддержку, организацию взаимодействий внутри команд или обработку типовых запросов. Чаще всего это:

• автоматизация документооборота и составление КП;
• генерация черновиков, саммаризация и транскрибация встреч;
• помощь в навигации по внутренней базе знаний и формирование внутренних ассистентов;
• создание цифровых помощников и даже «ИИ-сотрудников» для участия в командной работе.

𝓲

Фото: КодИнсайд

Мы взяли на себя амбициозную цель — создавать ИИ-сотрудников и ИИ-отделы, в котором работает ИИ-сотрудник и обычные люди. Например, мой ИИ-помощник, не получив доступ к моему календарю, ставит задачу по созданию встречи моей живой помощнице, а потом отчитывается, что задание выполнено. Кто кем управляет, мы уже путаемся. Это огромный чудный новый мир искусственного интеллекта, — Игорь Никитин, CEO WMT Group.

«Нейрошлюз» предоставляет сотрудникам доступ к нейросетям. С помощью конструкторов можно собирать ИИ-агентов для типовых задач. Есть коннекторы к почте, к нашим системам помощи и всему прочему для того, чтобы можно было собирать пайплайны, внутри которых можно делать свою работу с помощью искусственного интеллекта. Наши дочерние компании также используют ИИ — от анализа трафика до облачных решений, — Роман Хазеев, директор по развитию цифровых технологий Ростелеком.

Языковые модели используем для решения разного типа задач. Основной тип задач, который сегодня можно решать языковыми моделями достаточного качества — это оркестрация, то есть управление существующими данными и элементами знания компании и их обработка, рекомбинация существующих блоков. Применений множество: от различных систем поддержки до создания аналитических отчетов, — Илья Развин, Upgraide.

Безусловно, мы используем большие языковые модели для внутренних задач — у нас огромное количество рутинных операций. Благодаря внедрению цифровых помощников мы помогаем финансовой и юридической службам, — Сергей Голицын, руководитель направления Т1 «Искусственный интеллект», ИТ-холдинг Т1.

Мы активно используем решения по генеративному ИИ в направлении LLM внутри нашей компании. Например, для тендерного анализа разработали ИИ-ассистента. Исходя из имеющейся в компании данных, он автоматически заполняет спецификацию и формирует коммерческое предложение. Мы значительно ускорили подготовку материалов и сократили время на подготовку предложений на тендер, — Антон Салин, директор по продажам Softline Digital (ГК Softline).

𝓲

Фото: КодИнсайд

Я думаю, сейчас мало компаний, которые не используют в бизнес-процессах ИИ. Мы, конечно, как ИТ-компания, как технологическая компания, новаторская компания, безусловно, пользуемся им на всех этапах, — Александр Хачиян, Founder AWG и SkillStaff.

Тренд очевиден: компании все чаще используют ИИ не только в ИТ-процессах, но и в рутинных операционных задачах.

LLM в контенте и маркетинге

Направление входит в топ-3 сценариев применения:

• создание маркетинговых текстов, концепций, презентаций;
• генерация визуального контента;
• анализ рисков и подготовка исследований.

Мы, как и любая компания в России, пытаемся применить ИИ в наших типовых задачах, например, в маркетинге, прогнозировании, создании контента, проверке гипотез, — Сергей Белостоцкий, генеральный директор PIX Robotics.

Используем для генерации контента, который адаптируем для презентаций, коммерческих приложений. После этого, конечно, нужна серьезная проверка результата человеком. Проводим исследования рисков, находим новые рынки и собираем потенциальных клиентов, партнеров. ИИ отлично осуществляет такой поиск. Вполне рабочая история, рекомендую, — Виталий Лажинцев, CEO Noosoft.

ИИ помогает быстрее разрабатывать концепции, проводить анализ, тестировать гипотезы — и это направление демонстрирует быстрый рост.

LLM в знаниях, поиске и инфраструктуре

Четверть компаний отметили использование LLM для обработки внутренних данных, поиска, интеллектуального доступа к знаниям. Это новое, но быстро развивающееся направление. Наиболее типичные применения:

• интеллектуальный поиск по базам знаний;
• генерация технической документации;
• семантический анализ.

Мы разработали и используем в работе «Нейро.поиск» — интеллектуальную систему на основе RAG-архитектуры и локальных LLM, которая позволяет находить точные ответы в корпоративной базе знаний всего за несколько секунд. Сотрудник получает не просто релевантную информацию, а готовый ответ с ссылками на документы и конкретными инструкциями. Это экономит часы рутинного поиска и снижает нагрузку на экспертов, — Максим Семёнкин, CEO CodeInside.

Наш поиск подключен ко всем источникам хранения данных в компании. На вопрос «на что у меня есть доверенность» выдает ответ в виде саммари за 11 секунд. Это наш продукт, который мы сами же используем — все развернуто локально и работает на одной видеокарте, — Олег Сажин, Content AI.

В нашей компании LLM-модели напрямую не применяются, однако мы активно используем методы семантического анализа данных. Это позволяет нам глубоко понимать и обрабатывать смысл текста, выявлять контекст, закономерности, значительно повышая качество анализа и интерпретации информации, — Айк Татевосян, эксперт по информационной безопасности Crosstech Solutions Group.

Пока такие решения запускаются точечно, но именно здесь компании видят потенциал для стратегических ИИ-инициатив. Это один из самых перспективных сценариев — и в то же время один из самых сложных. Он требует точной настройки и защищенной инфраструктуры. Однако компании уже формируют свои подходы и инфраструктуру.

ИТ-компании оказались в авангарде внедрения LLM. Большинство компаний-участников применяют ИИ в нескольких сценариях сразу, превращая его из вспомогательного инструмента в рабочую среду.

Разработка и тестирование стали теми направлениями, где LLM принесли ощутимый эффект. Все больше компаний внедряют LLM-платформы, создают ИИ-ассистентов и запускают сквозные сценарии, встроенные в ежедневную работу.

Подходы разные — от on-premise до облака, от опенсорсных моделей до собственных решений. Но вектор один: ИИ становится нормой. «Сапожники с сапогами» — и именно от ИТ-компаний теперь ждут ответов и ориентиров те, кто только начинает путь. А теперь — к тем, кто еще недавно обращался к ним за советом и решениями.

Раздел 2. От пилотов к практике: как LLM проникают в отрасли

Если в ИТ-секторе языковые модели стали частью ежедневной рутины, то в других отраслях этот путь только начинается. Бизнес стремится внедрять ИИ — но зачастую не понимает, как это сделать правильно и в каких задачах он действительно даст ценность. У компаний нет дефицита интереса — есть дефицит понимания.

В рамках целей, KPI и общей стратегии всего бизнеса, оптимизация — это то, с чем к нам приходит огромное количество компаний. Все мыслят категориями, что ИИ должен помочь: возможно, оптимизировать людские ресурсы, возможно — увеличить выработку. Один человек теперь может делать больше работы, чем раньше. Особенно это заметно в ритейле, в базовых сценариях вроде чат-ботов и автоматизации обработки заказов, — Александр Хачиян, AWG/SkillStaff.

𝓲

Фото: КодИнсайд

Для крупных компаний крайне актуальна оптимизация процесса импортозамещения. И ключевая задача — не в механической замене западных решений на аналогичные отечественные, а в том, чтобы, отталкиваясь от реальных бизнес-потребностей, выполнить переход быстрее и качественнее. Особенно это касается критических систем — их прямой перенос «в лоб» занимает много времени. Точечное использование ИИ ускоряет процесс, но максимальный эффект дает комплексный подход: сначала анализируем, что действительно нужно бизнесу, оптимизируем архитектуру и процессы, а затем с помощью ИИ переписываем только необходимые компоненты, — Алексей Лебедев, Рексофт.

Мы осознанно избегаем формального подхода «добавить AI-ярлык» ради «лайков». Считаем более полезным проведение внутренней экспертизы и оценки потенциальных точек интеграции, где языковые модели могут действительно повысить ценность для конечного пользователя, — Сергей Степанищев, ИТ-директор Getmobit.

𝓲

Фото: КодИнсайд

Пока что у большинства компаний не сформировалось четкого понимания, какую конкретную задачу нужно автоматизировать, поэтому они идут по пути «автоматизируем все, что можно», — Светлана Захарова, директор по развитию бизнеса Just AI.

Тем не менее, запрос растет стремительно. Компании из финтеха, промышленности, медицины, образования, госсектора и ритейла готовы к внедрению LLM не просто ради экспериментов, а ради решения конкретных задач.

Отрасли и задачи: где LLM уже работают

По итогам интервью с экспертами можно выделить несколько отраслей, где внедрение LLM-технологий идет наиболее активно. Лидируют финансовый сектор и ритейл — их упоминали почти все участники интервью. Больше всего внедрений LLM происходит в финансовом секторе (33,3%) и ритейле/e-commerce (25,0%). Также упоминались следующие отрасли: промышленность, медицина, образование, телеком, логистика, госсектор, маркетплейсы, ИТ-инфраструктура. Однако их упоминания встречались реже и в совокупности эти отрасли составляют 41,7%.

𝓲

Фото: КодИнсайд

Это объясняется зрелостью процессов, масштабом данных и типовыми задачами, где LLM-решения могут быстро показать ценность.

Финансовый сектор

По результатам опроса, участники выделяли финансовый сектор как наиболее активный в ИИ-инициативах. Здесь LLM используют для:

• ускорения разработки и адаптации ПО под импортозамещение;
• проверки KYC-документов, автоматизации документооборота;
• автоматизации обработки обращений и клиентской поддержки;
• интеллектуального поиска по внутренним данным;
• внедрения AI-ассистентов рутинных операций в маркетинге, HR и др.

Финансовый сектор наиболее продвинут в части использования подобных решений. Мы видим интерес к цифровым агентам, ассистентам, генерации ответов, внедрению интеллектуального поиска — это направление развивается быстрее других, — Сергей Голицын, ИТ-холдинг Т1.

𝓲

Фото: КодИнсайд

Наибольшим спросом сейчас пользуются ИИ-агенты, которые участвуют в выполнении рутинных операций. В прошлом году мы успешно внедрили вопросно-ответную систему в крупной финансовой организации. Система обрабатывает пользовательские обращения: распознает контекст, верифицирует ответы несколько раз, и на выходе предоставляет актуальный ответ согласно запросу, — Антон Салин, Softline Digital.

𝓲

Фото: КодИнсайд

Больше обращается крупный бизнес в банковском секторе — они являются вообще передовыми во всех отраслях, и в том числе в использовании больших языковых моделей, — Олег Сажин, Content AI.

Финтех в России — одна из самых динамичных отраслей, где новые технологии быстро находят применение. Именно здесь мы реализуем наибольшее количество GenAI-кейсов, — Светлана Захарова, Just AI.

Ритейл и e-commerce

Ритейл и e-commerce активно исследуют возможности LLM для персонализации, автоматизации поддержки и повышения эффективности внутренних процессов. Среди ключевых сценариев:

• генерация описаний товаров;
• интеллектуальные витрины;
• чат-боты для поддержки клиентов;
• автоматизация заказов и документооборота;
• парсинг входящих обращений;
• рекомендации и персонализированные предложения.

80% портфеля клиентов AWG — это ритейл. И, конечно, кейсов в этой сфере у нас больше всего, для ритейла интеграция решений с применением ИИ очень перспективна. ИИ-решения – это необязательно про красоту, в первую очередь они нужны для решения проблем бизнеса. У нас был яркий кейс, когда у клиента возникла проблема со сбором обратной связи с почты и передачи ее во внутреннюю систему. Этот процесс был критически важным для компании и вставал вопрос о замене системе управления инцидентами, что стоило бы бизнесу порядка 200 млн. рублей и огромных вложений ресурсов. Мы выстроили ИИ-агента, который мониторил почту, классифицировал вопрос, самостоятельно формировал заявку в систему и оповещал клиента. Заказчик на такое решение потратил миллион и получил тот же самый результат, — Александр Хачиян, AWG/SkillStaff

Персонализированные витрины, динамическое описание товаров, мультиканальная поддержка — это наиболее частые кейсы в ритейле и e-commerce, — Константин Кудряшов, Ainergy, (Корпорация ITG).

Ритейл оказался одной из тех отраслей, где LLM быстро нашли практическое применение. Компании стремятся использовать ИИ для быстрой автоматизации без кардинальной перестройки процессов, экономя ресурсы и ускоряя обслуживание клиентов. Массовый характер задач в торговле делает отрасль особенно восприимчивой к масштабируемым LLM-решениям.

Если рассматривать популярные кейсы по отраслям, картина получается следующая.

• Финансовый сектор: интеллектуальный поиск по базе знаний, генерация документов, чат-боты, автоматизация технической поддержки, проверка документов, ИИ-ассистенты в HR и маркетинге.
• Ритейл и e-commerce: парсинг обращений, генерация товарных описаний, персонализированные витрины, автоматизация документооборота и обработки заказов с помощью ИИ-ассистентов.
• Промышленность: генерация техдокументации и автоматизация внутренних процессов с помощью ИИ-ассистентов.
• Медицина и образование: поиск по нормативной документации, автоматизация рутинной документации с помощью ИИ-ассистентов.
• ИТ и инфраструктура: ИИ-ассистенты для системного анализа, анализа логов, генерации рекомендаций.

LLM находят применение как в клиентских сервисах, так и во внутренних процессах, ускоряя рутинные задачи и снижая нагрузку на специалистов.

Практически каждая компания работает сразу с несколькими отраслями, а кейсы во многом типовые: цифровые ассистенты, генерация документов, интеллектуальный поиск, автоматизация поддержки. Это говорит о том, что технологии LLM уже начали масштабироваться за пределы пилотов — и проникать в рутину крупнейших отраслей.

Я не знаю отраслей, которые на сегодняшний день не заинтересованы в цифровых агентах, цифровых ассистентах и больших языковых моделях. Сейчас это востребовано практически у всех компаний, — Сергей Голицын, ИТ-холдинг Т1.

Если мы говорим о внедрении ИИ-агентов и других систем на основе больших языковых моделей — такие решения актуальны во всех отраслях. В каждой организации есть стандартные бизнес-процессы, в которые можно использовать большие языковые модели, — Антон Салин, Softline Digital.

В настоящий момент набирает обороты разработка «интеллектуальных ассистентов» для повышения наблюдаемости системы управления и администрирования конечными устройствами пользователей. Предполагается использование ИИ в качестве анализатора метрик, логов и трейсов системы. ИИ будет выполнять роль постоянно самообучаемого SRE (site reliability engineer) и выдавать информированные советы по здоровью системы и требуемым действиям администратора, — Сергей Степанищев, Getmobit.

𝓲

Фото: КодИнсайд

В большинстве случаев, такие решения работают в тех отраслях, где есть большие данные. Это счастье выпадает не каждому: уметь собрать, очистить, проанализировать. Лидеры, пожалуй, финтех, медтех, госуправление и ритейл — в этих сферах мы применяем ИИ, — Виталий Лажинцев, Noosoft.

Архитектуры решений: облако, on-prem, гибрид

По результатам интервью, распределение архитектурных предпочтений выглядит так:

• 58% участников называют облачные решения основным или предпочтительным выбором заказчика;
• 92% участников внедряют on-premises-развертывания, особенно для проектов с конфиденциальными или критически важными данными;
• 50% участников используют гибридные сценарии, совмещая локальную защиту с мощностями облачных моделей.

𝓲

Фото: КодИнсайд

Эти цифры подтверждают тренд на дифференцированный подход. Большинство участников интервью признают: универсального ответа нет. Архитектура подбирается исходя из условий — где-то уместно облачное API, где-то жизненно важно локальное развертывание. В результате все больше проектов переходят на гибридные схемы, где облачные модели используются для менее чувствительных задач, а on-premise — для критичных компонентов.

Баланс между безопасностью, экономикой и зрелостью

Выбор архитектуры — не только про технологии. Это еще и про зрелость бизнеса, экономические возможности и готовность управлять рисками. Компании с высоким уровнем зрелости все чаще применяют нейрошлюзы, маскирование и собственные security-фильтры, чтобы использовать преимущества облачных LLM без компромиссов по безопасности. С другой стороны, для крупных игроков и госкомпаний on-prem по-прежнему остается единственно возможным вариантом.

Фактор безопасности критичен. Мы работаем с крупным энтерпрайзом, в том числе, с компаниями с госучастием. И вопросы утечки важны. Если мы говорим об обработке конфиденциальной информации, конфиденциальных данных, мы стараемся развивать все on-premise и не использовать в коммерческих проектах cloud-LLM решения. Считаю, что риски утечки не нулевые и достаточно существенные, — Максим Иванов, Технологии Доверия.

Какую архитектуру предпочитает наш клиент? Как всегда: все закрыть, ничего наружу не отдавать. Но сейчас мы тестируем нейрошлюзы и системы деперсонализации: данные токенизируются, персональная информация удаляется, и тогда можно безопасно использовать глобальные модели. Это дает баланс между анонимностью и доступом к мощным LLM, — Игорь Никитин, WMT Group.

Отрасль также диктует архитектуру: если проект связан с финансами, медициной, госсектором — решение почти всегда разворачивается в закрытом контуре. Для ритейла, образования, стартапов или задач с открытыми данными — чаще применяются облачные или гибридные архитектуры.

𝓲

Фото: КодИнсайд

Когда клиент узнает цены на on-prem и облако, он выбирает облако. Это в 2–3 раза быстрее и в разы дешевле. Особенно на старте, когда важна скорость. Если можно гарантировать безопасность — бизнес чаще выбирает облако или гибрид. Но если компания не может передать данные наружу — только on-premise. Облако — дешевле и проще, но требует зрелых процессов безопасности. Вопрос выбора — это баланс между рисками и экономикой, — Илья Развин, Upgraide.

Регуляторика становится отдельным фактором влияния. Практически все участники подчеркивают важность соблюдения 152-ФЗ, особенно при работе с персональными данными. Это предопределяет выбор архитектуры вне зависимости от бюджета или зрелости команды.

На выбор архитектуры влияют четыре ключевых фактора: безопасность (как пример — соблюдение закона 152-ФЗ), стоимость (облако дешевле), производительность (особенно при использовании моделей fine-tuning), и качество выдаваемого результата. Все зависит от сценария: RAG, генерация, агрегация — разные задачи требуют разных подходов, — Иван Друзин, ГК «Цифра».

На первом месте — безопасность, на втором — качество. Если данные это позволяют, используем облачные модели с security-фильтрами. Если риски высоки — self-hosted решения. Важно уметь адаптироваться к уровню допуска и требованиям клиента, — Светлана Захарова, Just AI.

Для нас, как для компании, которая внедряет LLM в корпоративный сектор, вопрос безопасности — критически важен. Однако критичность вопроса зависит от характера данных. Он становится по-настоящему острым, если речь идет об информации, действительно подлежащей защите. Например, персональные данные или данные, попадающие под контроль роспотребнадзора — требуют строгой обработки и изоляции. В то же время, если используются открытые данные из общедоступных источников, риски минимальны, и такие сценарии не вызывают практических опасений, — Анастасия Дермичева, OSMI IT.

Архитектура LLM-решения — отражение зрелости бизнеса и его отношения к данным. Гибридные подходы становятся нормой, позволяя масштабировать ИИ без компромиссов по безопасности. Регуляторика, стоимость инфраструктуры, качество моделей — все это формирует ландшафт архитектурных решений.

Раздел 3. Барьеры и вызовы на пути внедрения

ИИ — это не просто новая технология, а вызов привычному укладу работы и мышления внутри компаний. И на этом пути бизнес сталкивается с множеством барьеров. Мы задали компаниям прямой вопрос: с какими трудностями они сталкиваются при внедрении LLM?

Ответы показали, что проблемы носят не столько технический, сколько системный и культурный характер. Они касаются недостатка зрелости, инфраструктуры, доверия, регуляторики и даже когнитивного сопротивления внутри команд.

𝓲

Фото: КодИнсайд

Путь внедрения всегда непростой. Во-первых, у нас в стране не очень принято общаться с «чат-ботами» — это культуральная особенность. Но сейчас клиенты уже просят переключить их на бота, потому что он быстрее находит информацию. Во-вторых, качество данных: без этого обучение нейросетей невозможно. Мы столкнулись с тем, что внутри компаний огромное количество некачественных данных, и их нужно вычищать с помощью дата-инженеров. И, в-третьих, недоверие к облаку. Большинство заказчиков хотят on-premise, а это дорого и долго. Убедить, что данные в облаке в безопасности, — непросто, но доверие растет, — Роман Хазеев, Ростелеком.

Ниже — ключевые сложности, с которыми сталкиваются компании.

𝓲

Фото: КодИнсайд

Недоверие к ИИ и сопротивление внутри команд

ИИ воспринимается как угроза — и не всегда на уровне руководства. Страх перед «искусственным коллегой», отсутствие привычки работать с новыми интерфейсами, боязнь потерять значимость — все это замедляет внедрение.

𝓲

Фото: КодИнсайд

Самое основное — это вопрос доверия. Пока к ИИ у бизнеса недостаточно доверия. Даже внутри компании вопрос с данными стоит остро. Если неверные данные передать в ИИ, результат будет ошибочным. Поэтому экспертиза человека — неотъемлемая часть безопасности, — Сергей Белостоцкий, PIX Robotics.

Технострах — самая распространенная. Люди не хотят этим пользоваться, боятся. Не все понимают, что можно скармливать ИИ, а что — нет. А когда ИИ дает задание, некоторые просто выходят из проекта или группы, — Игорь Никитин, WMT Group.

Отсутствие зрелой экспертизы у заказчиков

Часто компании не могут сформулировать задачу или не понимают, зачем им ИИ. Отсутствуют методологии, структуры, зрелые ожидания. Задачи «на автоматизацию всего» не ведут к результату.

Популярная трудность — нам нужен AI. Зачем? Говорят, модно. Стоит KPI на внедрение. Но с этой болью можно работать, объясняя, где реальная польза, — Александр Хачиян, AWG/SkillStaff.

𝓲

Фото: КодИнсайд

Когда к нам приходят с ТЗ по вебу — оно на 70 страниц, все расписано до пикселя. С LLM — хорошо, если есть половина страницы абстрактной идеи. Такой уровень входа напрямую влияет на результат. Без четкого понимания целей, данных и логики — нейросеть остается дорогой игрой, а не рабочим инструментом, — Анастасия Дермичева, OSMI IT.

Недостаток инфраструктуры и высокая стоимость

Локальные решения требуют серверов с GPU, компетенций и времени. Многие компании не готовы к таким вложениям. Облачные решения — дешевле, но вызывают опасения.

Разворачивание мощного сервера требует не только серверных мощностей, но и компетенций, времени. Это сдерживающий фактор, — Сергей Степанищев, Getmobit.

Если нужно on-prem решение, нужно обладать собственными кластерами. Это — одна из проблем, — Сергей Голицын, ИТ-холдинг Т1.

Проблемы с данными и интеграцией

Многие компании не готовы предоставить качественные датасеты, не умеют формулировать запросы или боятся утечек. Это снижает точность и пользу ИИ.

ИИ — это «мусор на входе — мусор на выходе». Чтобы получить точный ответ, нужно задать точный вопрос. Не все умеют с этим работать, — Иван Друзин, ГК «Цифра».

Интеграция в ИТ-среду крупных компаний — это отдельный челлендж: безопасность, ПО, ответственность — все требует согласований, — Анастасия Дермичева, OSMI IT.

Галлюцинации и нестабильность технологий

LLM продолжают «фантазировать» и давать ошибки, особенно в сложных и критичных задачах. Постоянная гонка новых моделей делает рынок нестабильным.

Да, бывают галлюцинации. Мы отлаживаем это промтами, проверкой фактов, majority-vote. Но стабильность — пока под вопросом, — Олег Сажин, Content AI.

Технологическая гонка создает нестабильность: каждые 1–2 месяца новая модель. Это мешает стратегическому планированию, — Сергей Степанищев, Getmobit.

Барьеры регуляторики и неясные риски

Многие компании опасаются штрафов и рисков из-за отсутствия понятных правил. Особенно это касается иностранных моделей и облаков.

Есть риски, особенно после писем от регуляторов, например от Банка России. Это тормозит даже пилоты, — Светлана Захарова, Just AI.

ИИ никак не зафиксирован в нормативной базе. Нет регламентов, кроме закона №152. Это один из ключевых барьеров, — Иван Друзин, ГК «Цифра».

Важно отметить: большая часть этих проблем не связана напрямую с качеством самих моделей. Они возникают из-за того, что ИИ по-прежнему воспринимается как нечто магическое, а не инструмент. На практике же внедрение требует четкой цели, подходящей архитектуры, зрелой команды и пошагового взаимодействия с пользователями.

Именно это непонимание и отсутствие целеполагания становятся основой нового явления, о котором говорят многие участники рынка: вайб-кодинг (от англ. vibe coding) — имитации цифровой трансформации без реального эффекта. Почему компании идут этим путем, в чем кроется риск и как отличить шоу от системной автоматизации — разберем в следующем разделе.

Раздел 4. Где заканчивается автоматизация и начинается имитация: феномен вайб-кодинга

По мере распространения LLM и других ИИ-инструментов в разработке, появляется новый вызов — не только технологический, но и этический. На первый взгляд, генерация кода и автоматизация задач ускоряют процессы. Но все чаще эксперты фиксируют иную сторону этого тренда: когда реальные компетенции подменяются заготовками нейросети.

В этом разделе мы исследуем границы между осознанным применением ИИ и имитацией квалификации, которую такие инструменты могут маскировать. Где проходит эта граница? Кто и зачем ей следует — или ее пересекает?

Что такое вайб-кодинг — и почему об этом говорят

Термин вайб-кодинг появился как ироничное обозначение практики, при которой разработчик «создает» код, не понимая сути задачи. Часто — с помощью LLM, без проверки, без логики, без архитектуры. Это стало особенно заметно на фоне стремительного внедрения генеративного ИИ.

Имитация компетенции — это читерство. Современные технологии просто позволили читерам выйти на новый уровень. Но в гонке побеждает скорость, а не подмена, — Игорь Никитин, WMT Group.

ИИ как инструмент или как подмена?

Многие эксперты подчеркивают: дело не в технологии, а в умении ей пользоваться. Вайб-кодинг — не следствие появления LLM, а результат незрелого подхода к ее применению. Там, где ИИ должен быть усилителем компетенций, он превращается в их имитацию.

Вайб-кодинг — это не просто генерация кода. Это про осознанность. Неумение использовать ИИ — и есть настоящая имитация компетенций, — Алексей Лебедев, Рексофт.

Профессиональная автоматизация: опыт и методология

Когда ИИ встраивается в продуманный процесс, это дает качественный скачок. Осмысленная автоматизация позволяет ускорить проработку требований, создавать MVP за считанные дни, выносить гипотезы на тестирование. Это не заменяет экспертизу, а усиливает.

Автоматизация предполагает осознанное использование ИИ как вспомогательного инструмента. Имитация — это подмена понимания генерацией результата. Граница проходит по способности пользователя объяснить, перепроверить и интегрировать результат в контекст задачи. Без этого — возникает феномен VibeCoding, когда код «пишется», но компетенции остаются непрозрачными, — Антон Салин, Softline Digital.

Разработчик становится дирижером ИИ. Но если он не понимает архитектуру — ничего не получится, — Роман Хазеев, Ростелеком.

Профессиональная разработка с LLM — это четкое ТЗ, code review, стандарты и роли. Только тогда есть прирост, — Константин Кудряшов, Ainergy (Корпорация ITG).

Риски вайб-кодинга: ошибки и потеря контроля

Без понимания архитектуры, контекста и тестирования — генерация кода может привести к нестабильности, утечкам и репутационным рискам. Вайб-кодинг создает ложное ощущение простоты — и занижает требования к квалификации.

Вайб-кодинг — это опасная фантазия. Разработка — это не про «на моем устройстве работает», а про прод, безопасность и ответственность, — Светлана Захарова, Just AI.

Вайб-кодинг — это скорее «казаться, а не быть». Настоящая автоматизация — всегда экспертная, — Сергей Белостоцкий, PIX Robotics.

От экзоскелета до дирижера: новые роли разработчика

ИИ меняет парадигму: разработчик становится архитектором, оператором и проверяющим. Есть и сравнения ИИ с экзоскелетом: он ускоряет рост, но требует контроля. Поэтому профессионализм сегодня — это не только знание кода, но и умение взаимодействовать с ИИ как с ассистентом.

Я называю это не вайб-кодинг, а экзоскелет. Он позволяет джунам кодить как мидлы. Но все держится на выстроенных процессах и контроле качества, — Александр Хачиян, AWG/SkillStaff.

Я пишу с помощью вайб-кодинга ботов — и это удобно. Но помогает мне не ИИ, а знание архитектуры, — Роман Хазеев, Ростелеком.

Феномен вайб-кодинга возникает там, где стремление к автоматизации подменяет собой системный подход. Это не следствие самой технологии, а отражение уровня зрелости команд и процессов. Вайб-кодинг не случайность — это симптом, который показывает, насколько компания готова внедрять ИИ не по моде, а с осознанным целеполаганием.

Профессиональная автоматизация — не генерация ради результата, а усиление компетенций через контроль, архитектуру, стандарты и верификацию. Это процесс, в котором ИИ становится частью команды, а не ее заменой.

Именно способность выстраивать такие процессы и отличает зрелые компании от тех, кто пока только экспериментирует. Это подводит нас к последнему и, пожалуй, самому важному вопросу: насколько российский рынок сегодня готов к масштабному внедрению LLM? Какие компании можно назвать зрелыми? И что мешает выйти за рамки пилотов?

Раздел 5. Зрелость рынка: кто готов к масштабному внедрению LLM — и почему это важно

Как мы уже отмечали ранее, за последний год отношение к большим языковым моделям в России заметно изменилось: от осторожных экспериментов и тестов — к системной проработке гипотез и запуску продуктивных сценариев. Сегодня рынок переходит от внедрения к стадии активного роста: появляются первые зрелые кейсы, формируются best-practices, а бизнес все чаще говорит не о возможности, а о пользе LLM.

Большинство компаний пока экспериментируют с RAG-сценариями, но до глубокой интеграции в бизнес-процессы далеко. Без критической массы зрелых внедрений рынок не сдвинется, — Алексей Лебедев, Рексофт.

LLM уверенно входят в бизнес-контур компаний: от генерации контента до автоматизации back-office и рутинных бизнес-процессов, где легко посчитать ROI. Но масштабные внедрения возможны только там, где есть данные. А их по-прежнему нет у многих компаний. Зрелости еще нет, но она быстро растет, — Анастасия Дермичева, OSMI IT.

Где рынок уже созрел

В числе лидеров — крупные игроки: финтех, ритейл телеком, промышленные предприятия. У них есть все: инфраструктура, данные, зрелые команды и внутренние ИТ-процессы. Именно они запускают десятки пилотов и уже получают экономический эффект.

Финансовый сектор не просто готов, он получает огромную долю выручки за счет применения нейросетей, делают это давно и успешно. Мы, как телеком, к этому пришли и находимся, думаю, на пороге высокой степени зрелости, — Роман Хазеев, Ростелеком.

Наши клиенты уже перестраивают процессы с помощью ИИ. Мы, например, с помощью ИИ-ассистентов быстрее структурируем материалы после мозговых штурмов, сокращаем часы аналитической работы до минут. Однако визионеров пока меньшинство — многие компании еще не научились полноценно внедрять ИИ в процессы и извлекать максимум пользы, — Иван Друзин, ГК «Цифра».

Крупные компании уже находятся на передовой внедрения LLM. Они поняли профит и начали системную трансформацию процессов с помощью ИИ. Малый бизнес пока не готов — но как только начнет, эффект не заставит себя ждать, — Сергей Белостоцкий, PIX Robotics.

𝓲

Фото: КодИнсайд

Компании-новаторы уже демонстрируют продуктивные кейсы и понимают экономический эффект. Ожидаем, что в ближайшие 12–18 месяцев, с появлением отраслевых best-practices, доля массовых внедрений существенно вырастет, — Константин Кудряшов, Ainergy (Корпорация ITG).

𝓲

Фото: КодИнсайд

Рынок готов к тестированию и пилотам. За год мы провели более 30 пилотов с LLM, и часть из них уже переходит в продуктив. Тема больше не воспринимается как эксперимент — компании всерьез смотрят на применение ИИ в бизнесе, — Сергей Чуканов, генеральный директор, SimpleOne (Корпорация ITG).

Компании долгое время не понимали, как LLM может помочь их бизнесу на стратегическом уровне. Это приводило к тому, что они не были готовы инвестировать в эти технологии, пока на рынке не появятся успешные примеры внедрения от других компаний, которые смогли бы продемонстрировать, как они использовали LLM, сколько это стоило и как это отразилось на KPI, — Светлана Захарова, Just AI.

Где и почему созревание идет медленнее

У малого и среднего бизнеса проблемы другие: нехватка данных, отсутствие компетенций и внутренней экспертизы, недоверие и нехватка ИТ-инфраструктуры. Иногда к внедрению подталкивает KPI, а не реальная потребность — и это мешает формированию зрелого подхода.

У бизнеса пока не всегда есть понимание, зачем внедрять ИИ — и это порождает искажения. Приходят клиенты, потому что «болит KPI по ИИ», а не реальная задача. Это мешает формированию зрелого спроса и приводит к поспешным и малоосмысленным внедрениям. При этом и инфраструктурные барьеры никто не отменял: нужны видеокарты, а облачные сервисы подходят не всем. Если оценивать зрелость рынка — поставил бы 6 или 7 из 10, и то пара баллов — за счет хайпа, а не осознанной потребности, — Олег Сажин, Content AI.

𝓲

Фото: КодИнсайд

У МСБ нет экспертов и понимания, как использовать ИИ. Сложно объяснить ценность, сложно донести, где конкретно можно поймать тот самый эффект. Здесь, безусловно, важны внутренние популяризаторы и лидеры мнений, которые рассказывают об эффективных способах применения ИИ. Я ставлю на то, что год-два, и уже МСБ тоже придет и будет что-то пробовать, — Сергей Степанищев, Getmobit.

Малый бизнес живет на готовых инструментах и магии 70% попадания. Это создает иллюзию эффективности, но без системной проработки процессы не масштабируются. Настрой — положительный, но рынок сегментирован: у кого есть данные и команды — те движутся, остальные — наблюдают, — Виталий Лажинцев, Noosoft.

Инфраструктура и регуляторика — как ключевые барьеры

Даже при наличии желания, компаниям часто не хватает инфраструктуры (серверов, GPU, защищенных контуров) и ясности в требованиях по ИБ и нормативке.

Комплексных решений на рынке нет — все как 25 лет назад: CRM — самописная, аналитика — в Excel, сайты и кассы — кастомные. Это и пугает заказчиков: они хотят комплексное решение, а не набор «припарок». Пока таких решений нет, зрелость будет ограничена, — Александр Хачиян, AWG/SkillStaff.

𝓲

Фото: КодИнсайд

Российский рынок развивается, но рост мог бы быть быстрее. Помимо нехватки специалистов, есть еще один сдерживающий фактор — нормативная база. Пока она не укреплена и нет понимания, как ей соответствовать, компании опасаются выходить в продуктив. Как только появится ясность в требованиях — это станет мощным толчком к развитию и ускорит внедрение ИИ-решений в госсекторе и крупных компаниях, — Айк Татевосян, Crosstech Solutions Group.

Парадокс зрелости: хайп помогает, но и мешает

Интерес к ИИ подогревается сверху: от конференций до KPI. Это мотивирует, но и искажает восприятие. Компании путают необходимость с модой и принимают неосознанные решения.

Сегодня рынок перегрет. Есть очень много ложного восприятия генеративных моделей — как со стороны бизнеса, так и со стороны специалистов. Некоторые эксперты продвигают идею, что единственный путь — дообучение моделей, хотя в 90% случаев достаточно правильно построенного RAG. Это искажает рынок, создает ложные ожидания и приводит к неэффективным тратам. Но как и всегда, рынок расставит все по местам: компании «наедятся» неработающих решений и начнут выбирать действительно эффективные подходы, — Илья Развин, Upgraide.

𝓲

Фото: КодИнсайд

Чтобы внедрять LLM, нужно не только желание, но и готовность процессов и людей. Мы часто предупреждаем: начните с оптимизации — иначе эффект будет слабым. LLM — это не магия, а логичное продолжение зрелой цифровой трансформации, — Максим Иванов, Технологии Доверия.

𝓲

Фото: КодИнсайд

Мой добрый совет: прежде чем вступать в эпоху ИИ, давайте сначала наведем порядок в традиционной автоматизации и доведем ее до идеала. Естественно, не все процессы можно автоматизировать на 100%, всегда останется какая-то доля ручного труда. Но нужно двигаться последовательно: сначала первый шаг — автоматизация, затем ступень выше — цифровизация, и только потом, когда из автоматизации и цифровизации удастся выжать все — использование искусственного интеллекта, — Дмитрий Басистый, директор департамента стратегии и консалтинга Группы Rubytech.

Готов ли рынок к масштабному внедрению LLM в процессах? Ответ на этот вопрос сложен и многослоен. Как показали интервью с экспертами, зрелость — это не только про технологии, но и про инфраструктуру, компетенции, мотивацию бизнеса. Пока она далеко не одинакова: крупные игроки демонстрируют зрелые внедрения, а малый и средний бизнес — в основном пробует и наблюдает. По итогам интервью, текущая ситуация на российском рынке LLM обладает всеми признаками стадии роста.

𝓲

Фото: КодИнсайд

Сигналы роста

Фаза роста — это этап неравномерного движения, где одни получают экономический эффект, а другие все еще осваивают терминологию и инфраструктуру.

Активное тестирование и пилоты. Большинство компаний, особенно в МСБ, пробуют LLM в ограниченных сценариях — например, в поддержке, генерации контента, чат-ботах.

Начало продуктивных внедрений у лидеров. Финтех, телеком, промышленные и крупные ИТ-компании уже получают экономический эффект от внедрения LLM.

Формирование best-practices. Компании-новаторы делятся первыми кейсами, рынок начинает ждать отраслевые шаблоны и рекомендации.

Высокий интерес, но фрагментированная зрелость. Есть яркие «витрины», но комплексных решений немного. Отдельные компании и отрасли на грани зрелости, но рынок в целом — еще нет.

Растущая инфраструктурная и нормативная готовность. Компании вкладываются в GPU, выстраивают контуры безопасности, но по-прежнему сталкиваются с барьерами — нехваткой ресурсов и неясной регуляторикой.

Что дальше: сценарии развития

Большинство экспертов уверены: в ближайшие 1–2 года мы увидим переход от пилотов к продуктиву — особенно в зрелых секторах. Малый и средний бизнес подтянется позже, когда появятся успешные кейсы и доверие.

𝓲

Фото: КодИнсайд

Мы находимся на пути формирования спроса. 2024–2025 — это годы проверки гипотез, когда компании тестируют сценарии и ищут рабочие подходы. В 2026 году, надеюсь, начнется массовое внедрение решений на основе LLM. Главные преграды сейчас — нехватка инфраструктуры и незрелость процессов у заказчиков, — Сергей Голицын, ИТ-холдинг Т1.

Мы пока не в младшей школе, а скорее в детском саду. Но это нормально: важно понять, что путь только начинается. Мы сейчас на этапе экспериментов, проб и ошибок — и именно этот этап определит будущее. Искусственный интеллект — как ребенок, которого нужно воспитать. Если мы сейчас не начнем работать с ним осознанно, не вложим усилия и ресурсы, то через несколько лет окажемся вне конкуренции. У этих детей — большое будущее, — Игорь Никитин, WMT Group.

𝓲

Фото: КодИнсайд

«Российский рынок находится в фазе активного роста зрелости — с явным отрывом лидеров и сильной поляризацией по секторам. Крупные компании с данными и ИТ-командой уже демонстрируют эффективность от внедрения LLM. Остальные — учатся, наблюдают, копят ресурсы. Главные факторы масштабного внедрения в ближайшем будущем — развитие инфраструктуры, формирование best-practices, рост компетенций и появление готовых решений, которые можно не «собирать вручную». Пока рынок идет от интереса к результату, от хайпа к пользе — формируется то ядро зрелых практик, на которое будут ориентироваться остальные — и это происходит именно сейчас. Следующий год станет определяющим: кто продолжит экспериментировать, а кто выведет LLM в продуктив. Рынок очарован коммерческими сервисами вроде ChatGPT, Perplexity, DeepSeek и др., под капотом которых работают большие языковые модели с сотнями или даже тысячами миллиардов параметров. Для работы таких моделей требуются дорогие фермы GPU и это многим кажется непреодолимым барьером на пути к построению on-premise решений. На фоне этого стереотипа, многие недооценивают потенциал open source моделей, у которых параметров на порядок меньше — всего лишь десятки миллиардов. Действительно, из коробки такие модели будут давать более скромный результат по сравнению со «старшими братьями». Но наш опыт показывает, что умелая подготовка малых языковых моделей под узкую задачу заказчика может обеспечивать результат не хуже. К тому же, малые языковые модели требуют скромных вычислительных ресурсов — для ряда задач достаточно пары GPU бытового уровня. Другой стереотип: LLM — это всегда про галлюцинации, поэтому им нельзя доверять бизнес-процессы. Тут снова вопрос опыта работы с LLM. Ряд задач можно решить, исключив или минимизируя галлюцинации. В качестве опровержения стереотипов можем привести в пример разработку нашей команды CodeInside — «Нейропоиск» — систему интеллектуального поиска, построенную на технологии RAG, исключительно локальных open-source моделях и бюджетном железе. Когда бизнесу следует задуматься о внедрении ИИ, и LLM в частности: 1. Когда бизнес-процессы определены и автоматизированы, но на место обычной рутины пришла рутина цифровая. 2. Когда необходимо масштабировать бизнес-процессы, но это сопряжено с линейным увеличением числа сотрудников Если вы видите, что что-то из перечисленного уже происходит в вашем бизнесе, высока вероятность того, что ИИ может вам помочь: избавить от цифровой рутины и найма дополнительного персонала в компанию, — Максим Семёнкин, CEO CodeInside.

Позиция отрасли: почему Россия обязана конкурировать за лидерство в сфере LLM

Оценку текущего этапа и стратегических перспектив развития LLM в России дает Валентин Макаров, президент Ассоциации компаний-разработчиков программного обеспечения РУССОФТ. Его позиция отражает взгляд профессионального сообщества и подчеркивает: генеративный ИИ уже доказал свою ценность — как в повседневной работе, так и на уровне управления бизнесом.

𝓲

Фото: КодИнсайд

По словам эксперта, искусственный интеллект перестал быть экспериментом — он экономит время, повышает точность, помогает в рутинных и организационных задачах, усиливает аналитические процессы. Даже в рамках деятельности самой ассоциации нейросети используются для повседневных задач и при необходимости работы с большими объемами информации.

ИИ — не игрушка, а реальный инструмент. Он позволяет сэкономить время для того, чтобы люди могли решать больше стратегических вопросов, заниматься генерацией новых идей и смыслов.

Развитие LLM в России, по мнению Валентина Макарова, возможно не только в контексте импортозамещения, но и как залог глобального лидерства. В стране уже есть инструменты, сравнимые с зарубежными аналогами, а важнейшим конкурентным преимуществом остается фундаментальное математическое и инженерное образование наших разработчиков.

С 2000 года наши программисты стали чемпионами мира по программированию 14 или 15 раз. Это значит, что Высшая школа, а сейчас уже и колледжи, дают необходимый уровень знаний и способность творить новые знания, которых не имеет никто.

Эксперт выделяет ключевые условия для технологического прорыва:

• нормативное регулирование, обеспечивающее доступ к обезличенным государственным данным;
• участие в международной кооперации и доступ к мировым базам данных;
• выход российских разработчиков на внешние рынки для отработки решений и повышения их универсальности;
• системная работа с образованием, формирующая новое поколение специалистов.

По оценке РУССОФТ, из 360 компаний, входящих в ассоциацию, 120 работают в сфере ИИ. Из них около 70% — с языковыми моделями. Это говорит о высоком уровне интереса к LLM и на стороне разработчиков, и на стороне заказчиков.

Эта сильная комбинация нормативных возможностей и образовательного уровня не оставляет России другого пути, кроме как конкурировать за мировое лидерство в сфере ИИ.

Позиция отрасли четко сформулирована: Россия не только может, но и должна претендовать на лидерство в области LLM — не просто как потребитель, а как полноценный разработчик и регулятор.