Yandex Cloud совместно с консалтинговой компанией «Яков и Партнёры» опросили 150 технических директоров крупных российских компаний из 16 отраслей, 150 поставщиков ИИ-решений и более 3500 конечных пользователей — от рядовых сотрудников до руководителей проектов. Итог: 71% крупного бизнеса уже применяет генеративный ИИ как минимум в одной бизнес-функции — это на порядок выше, чем ещё два года назад, когда речь шла преимущественно о пилотных внедрениях в IT и маркетинге.
При этом авторы исследования прямо указывают на разрыв между шумихой вокруг ИИ и практикой: спрос растёт стабильно, но не взрывными темпами, как предполагали самые оптимистичные прогнозы 2025 года. Рынок входит в фазу рациональной оценки, где на первый план выходят измеримая эффективность и окупаемость, а не «магические» возможности моделей.
Один из ключевых мифов, который развенчивает исследование, — идея о том, что внедрение ИИ автоматически и быстро окупается. На практике между успешным пилотом и промышленным масштабированием лежит существенный разрыв, связанный с интеграцией в legacy-системы, требованиями к безопасности данных, необходимостью дообучения моделей под специфику конкретного производства и, что не менее важно, с обучением персонала работе с новыми инструментами.
Показательный прецедент такого перехода — партнёрство Yandex Cloud и «Норникеля», в рамках которого создан выделенный зашифрованный канал в облаке: это первый в России случай, когда чувствительные промышленные корпоративные данные были перенесены в публичное облако с соблюдением требований информационной безопасности. Именно такие проекты, а не громкие пресс-релизы про «революцию ИИ», по мнению авторов исследования, определяют реальную скорость внедрения технологии в тяжёлой индустрии.
Внедрение неравномерно по отраслям: в одних генеративный ИИ уже стал ключевым фактором роста и эффективности, в других остаётся точечным инструментом для отдельных бизнес-процессов. Лидируют финансовый сектор и ретейл, где ИИ применяется в скоринге, персонализации и логистике; в тяжёлой промышленности и добыче темпы медленнее — сказываются требования к безопасности, длинные циклы согласования и цена ошибки при автоматизации критичных процессов.
Опрос поставщиков ИИ-решений подтверждает эту картину: 150 компаний, работающих на стороне предложения, отмечают, что крупные промышленные заказчики требуют не демонстрации возможностей модели, а конкретных метрик — сокращения простоев оборудования, снижения себестоимости обработки заявок, ускорения инженерных расчётов. Именно эти показатели, а не факт «использования ИИ» как такового, становятся критерием успеха проекта.
Среди 3500+ опрошенных пользователей наиболее востребованными сценариями остаются автоматизация документооборота, поддержка инженеров при диагностике оборудования и ассистенты для аналитиков, которые сокращают время подготовки отчётности. При этом респонденты отдельно отмечают барьер, о котором редко пишут в маркетинговых материалах вендоров: далеко не каждая генеративная модель одинаково хорошо работает с русскоязычной отраслевой терминологией и внутренними регламентами конкретного предприятия — без дообучения на собственных данных эффект оказывается заметно ниже заявленного.
Авторы исследования прогнозируют, что в ближайший год давление на ROI только усилится: советы директоров всё чаще требуют от CIO обосновывать бюджеты на ИИ конкретными финансовыми эффектами, а не стратегическими декларациями. Для российского рынка это означает постепенный переход от количества пилотов к качеству внедрений — компании, которые уже прошли этап экспериментов, начинают консолидировать успешные практики и тиражировать их между филиалами и производственными площадками.
Для остальных 29% крупных компаний, ещё не внедривших генеративный ИИ ни в одном процессе, исследование фактически формирует ориентир: рынок ждёт не громких заявлений о запуске нейросети, а измеримого результата — снижения издержек, роста производительности или сокращения сроков вывода продукта. Именно этот прагматичный стандарт, по мнению авторов, будет определять конкурентоспособность российских промышленных компаний в ближайшие годы.
Отдельный вывод касается кадров: опрошенные технические директора называют нехватку специалистов, способных сопровождать ИИ-проекты на стыке производства и данных, не менее серьёзным барьером, чем стоимость лицензий или вычислительных мощностей. Спрос на инженеров по внедрению и дообучению моделей под конкретные производственные процессы растёт быстрее, чем система образования успевает готовить таких специалистов, — и этот разрыв, по оценке авторов исследования, в ближайшие два-три года станет одним из главных ограничителей темпов внедрения ИИ в тяжёлой промышленности России.