Цифровая трансформация: почему 80% компаний не видят результата от ИИ?

Максим Андрианов: В первую очередь — непрерывность бизнеса. То, о чем мечтали «первопроходцы» еще несколько лет назад, сегодня становится реальностью. Мы научились строить процессы так, чтобы видеть и устранять неэффективности. Потому что именно они напрямую ведут к росту себестоимости — продукта, товара, информации, чего угодно. С моей точки зрения, главная цель цифровой трансформации именно в снижении себестоимости. А значит — в повышении конкурентоспособности. Когда мы выводим на рынок товар, у которого запас прочности выше, чем у конкурентов, это помогает выстоять даже в тяжелые времена.

Все это понимают и продолжают инвестировать в цифровизацию производственных и бизнес-процессов. Если отвлечься от новомодных GPT-историй, то по большинству направлений бюджеты уже стали привычными: нужна учетная система, нужен corporate performance management (CPM), нужен BI, нужно хранилище данных. Если процесс хоть чуть сложнее, чем «налить кружку чая», за ним нужно наблюдать и анализировать, чтобы находить точки неэффективности.

Максим Андрианов: Если представить путь как 100 шагов, то мы примерно на 40-м. Мы уже точно не в начале, но и не на середине. При этом сам этот «путь 100» постоянно растет: появляются новые технологии, которые тоже нужно встроить. В итоге мы всегда в роли догоняющих. Но в этом есть и интерес: за последние 10 лет мир изменился колоссально. Достаточно вспомнить, каким был IT-ландшафт на момент появления первого iPhone — а это ведь совсем недавно.

Говорить о выстроенных стратегиях пока рано. Успешных кейсов на рынке мало, большинство — это эксперименты. Но одно можно сказать точно: выигрывают те, кто не остается в стороне. Нужно быть в числе экспериментаторов, пусть осторожных, но все же пробующих.

Фундаментом цифровой трансформации остается работа с данными: хранилища, качество, управление. Цифру нужно не просто хранить, а повышать ее ценность для бизнеса. Те, кто ограничится ролью наблюдателей и будет ждать, когда технологии станут типовыми, окажутся в проигрыше.

Павел Тесленко: Любая стратегия цифровой трансформации должна исходить из бизнес-целей компании. Например, ритейл-компания может ставить цель увеличить долю электронной коммерции, банк — повысить ROE. После этого анализируются существующие бизнес-процессы и возможности ИТ для их ускорения и автоматизации.

Стратегия реализуется поэтапно: сначала — «гигиенический минимум», то есть базовые необходимые шаги, которые ускоряют и стандартизируют процессы, например:

• полный переход на электронный документооборот, чтобы убрать ручной труд;
• роботизация производственных задач с помощью RPA;
• стандартизация и надёжность ИТ-инфраструктуры, как основы всех ИТ- и бизнес-процессов;
• базовые меры кибербезопасности: резервные копии, неизменяемые хранилища, контроль доступа, обновляемая инфраструктура.

Такой подход снижает риски, позволяет контролировать расходы и быстрее видеть эффект. Затем можно переходить к внедрению более сложных решений, с применением определённых метрик. Такие метрики зависят от отрасли, но везде можно выделить основные показатели эффективности. Это, прежде всего, финансовые (экономия, ROI, снижение TCO) и процессные показатели (скорость производства, сокращение простоев, оптимизация ресурсов). Также учитывается клиентский опыт — удовлетворенность пользователей, CSI и т.п.

Антон Елизаров: Цифровизация в промышленность пришла еще в 2011 году с появлением концепции «Индустрия 4.0». Уже через 4–5 лет в России начали появляться производства, ориентированные на эту модель, и с каждым годом их становится все больше. Мы видим, как отечественные платформы цифровизации развиваются, а данные из автоматизированных систем управления производством начинают обогащать корпоративные системы управления предприятием. Все это ведет к переходу на более эффективные производственные циклы.

Если смотреть глобально, то в мире уже обсуждают «Индустрию 5.0» — концепцию, в которой автоматизация и роботизация тесно переплетаются с человеческим участием, но в России бизнес пока во многом осваивает предыдущую парадигму. Это естественный процесс: важно пройти каждый этап, чтобы стратегия цифровизации была не просто формальностью.

Павел Тесленко: За последние годы ключевыми стали киберустойчивость, цифровизация и искусственный интеллект. Сохранность бизнес-критичных данных, атаки и взломы стали реальностью для компаний по всему миру. Как, к сожалению, это факт: если вас не взломали сегодня, то взломают завтра. Поэтому вполне понятен фокус организаций на резервирование инфраструктуры, резервное копирование и наложенные средства информационной безопасности.

Успешные кейсы цифровой трансформации можно отметить в разных отраслях экономики. В добывающей отрасли и промышленности, например, особенно применимы системы сбора данных с датчиков на оборудовании и предиктивной аналитики, что помогает заранее менять изношенные детали в станках и машинах, планировать маршруты грузовиков, сокращая простои.

В ритейле и финтехе используют омниканальные платформы, контейнеризацию и микросервисную архитектуру приложений, предиктивную аналитику и машинное зрение. Это ускоряет time-to-market, повышает стабильность систем и улучшает метрики процессов, включая и пользовательский опыт.

Искусственный интеллект встраивается в эти процессы: сегодня чат-боты и генеративный ИИ помогают создавать скрипты или небольшие части приложений, ускоряя разработку. Впрочем, многие решения пока оставляют за человеком — алгоритмы еще не обладают полной картиной и могут выполнять ограниченные задачи.

Еще один важный тренд — вычисления на GPU. В финансовом секторе, финтехе, на производствах используют графические адаптеры для аналитики больших данных в реальном времени, быстрого построения сложных финансовых моделей, алгоритмической торговли. На горизонте также — агентский ИИ, усиление кибербезопасности, повышение мобильности приложений, платформенные подходы (IDP) и гиперавтоматизация.

Эти темы будут подробно обсуждаться на планерной сессии «ИТ-горизонты: тренды, вызовы и стратегии лидеров» на конференции IT Elements 10 сентября, вместе с коллегами из Ленты, МТС-Банка, МКБ, «АльфаСтрахования», Группы «Илим» и Группы ТМК.

Максим Андрианов: За последние два года восприятие ИИ изменилось кардинально: технологии вроде GPT стали повседневностью и фактически перезапустили подход к цифровизации. Но, как и с Big Data десять лет назад, пока мы все еще в «пилотной фазе»: есть заметные успехи, но они точечные и не масштабные.

Реальная польза проявляется прежде всего в узких сценариях. Копилот экономит время разработчиков, ИИ помогает в HR и LegalTech, появляются цифровые ассистенты для анализа документов и подготовки черновиков. Но массовый рынок по-прежнему ближе к стадии хайпа — первые устойчивые результаты стоит ждать к 2026 году.

Главное ограничение сейчас — инфраструктура. Большинство решений завязаны на облака, а приватные корпоративные ассистенты требуют дорогостоящего «железа». Пока нет дешевых альтернатив, экономика проектов остается сложной. Возможно, ситуацию изменят более эффективные алгоритмы или новые архитектуры, способные снизить зависимость от чипов Nvidia.

Тем не менее, направление очевидно. Одни технологии будут уходить (например, RPA), другие трансформироваться. Разработка уже меняется: сначала создается и обучается копилот, затем команда работает в связке с ним. Следующим шагом станет переход от экспериментов к полноценным корпоративным ассистентам, специализированным инструментам для профессий и копилот для разработчиков. Эти три трека, на мой взгляд, и станут драйверами ближайших 3–5 лет.

Максим Андрианов: Для частных пользователей и небольших компаний все кажется простым: подключиться к облачному сервису, освоить промпты — и готово.

Простой пример: мои родители, которым за 70, с удовольствием задают вопросы искусственному интеллекту — проверяют факты, ищут рецепты. Мне кажется, что быстрее всего новые технологии проникают именно в повседневность, на уровне бытовых задач. Но в корпоративном сегменте все иначе. С одной стороны, генеративный ИИ внедряется с беспрецедентной скоростью: по данным аналитиков крупного консалтингового агентства, всего за два с половиной года более 80% крупных компаний успели опробовать его хотя бы в одной бизнес-функции. Но вот вторая часть статистики звучит совсем иначе: 80% этих компаний признаются, что пока не получили никакого ощутимого эффекта. И лишь 1% честно говорят о зрелом внедрении, где можно измерить бизнес-результаты.

Почему так? Ответ прост: генеративный ИИ приносит понятную, измеримую пользу только там, где «генерация контента» — это сама суть профессии. Это, например, e-commerce, облачные платформы, разработка софта, образование, научные исследования. Там, где конечный продукт — это текст, код, визуализация, аналитика, — ИИ быстро показывает результат. Та же логика работает и на уровне профессий: юристы, маркетологи, службы поддержки, аналитики, разработчики — все, чья работа во многом состоит в создании новых артефактов, чувствуют эффект сразу.

Но таких отраслей и профессий не так много, если смотреть на корпоративный рынок в целом. Для большинства компаний генерация контента — не основа бизнеса, а вспомогательная задача. Поэтому ИИ внедряется точечно, малыми командами, без глубокой интеграции в процессы. В результате общая картина выглядит так: технология уже повсюду, но ощутимые результаты пока концентрируются в узком сегменте отраслей и профессий.

При этом технологии меняются настолько быстро, что и заказчики, и исполнители вынуждены постоянно переучиваться. Добавьте сюда новые угрозы — jailbreaking, prompt injection, атаки на модели — и станет понятно: внедрение GPT в корпоративном масштабе — это не про «подключил и пользуешься», а про стратегический проект с множеством уникальных рисков и требований.

В этом году мы вместе с Яндексом создали лабораторию, где проводим эксперименты с GPT-моделями. Ее идея проста: дать заказчикам понятный и безопасный путь к генеративному ИИ. У Яндекса сильная технологическая база и готовые продукты, у нас — экспертиза в закрытых контурах, внедрении «под ключ» и поддержке сложных систем. Мы работаем в двух направлениях. Первое — собираем и систематизируем опыт: смотрим, как решения тестируют и внедряют в России и за рубежом, анализируем и позитивные, и негативные кейсы. Это очень важно: рынок еще сырой, и каждый вывод ценен. Второе — выпускаем собственные инструменты. Например, корпоративные ассистенты и агенты, коннекторы к популярным IT-системам, фреймворки, которые упрощают внедрение. Должен сказать, что мы уже видим впечатляющие результаты. Да, пока это пилоты, мы не до конца понимаем экономический эффект на масштабе. Но уже сейчас это поражает и вдохновляет.

Павел Тесленко Прежде всего, это стоимость и сроки окупаемости. Внедрение требует инвестиций, и бизнес-эффект может проявиться не сразу. Компании всегда строят бизнес-кейс: окупится ли проект, сколько лет потребуется, чтобы сэкономить или заработать. Заказчики, в первую очередь, инвестируют в инструменты, которые повышают эффективность бизнеса в целом и ИТ в частности. Например, контроль использования вычислительных ресурсов и хранения, перенос неиспользуемых данных на более дешёвые носители, жизненный цикл сред тестирования и разработки, поиск и исключение информационных систем, дублирующих функционал.

Другой вызов — зрелость решений, доступных на рынке. Кроме того, крупные компании редко внедряют что-то просто потому, что это модно. Все должно быть согласовано с бизнес-целями и приносить реальную экономию или ускорение процессов.

Максим Андрианов: Я бы добавил, что главным барьером является технологический долг. Многие организации долгое время не инвестировали в работу с цифровыми данными, считали это второстепенным. В итоге сейчас приходится наверстывать, и это очень тяжело. Мы сталкиваемся с незрелыми процессами, отсутствием культуры работы с данными — это тормозит внедрение новых технологий.

Антон Елизаров: На пути цифровизации в промышленности мы сталкиваемся с рядом серьезных ограничений. Во многом они связаны с устаревшей инфраструктурой и архитектурой систем, которые не позволяют оптимально и безопасно передавать данные. Это могут быть слабые каналы связи или их полное отсутствие, отсутствие сегментирования или неправильная архитектура сети, устаревшие информационные системы и прикладное ПО. Дополнительные сложности создают особые климатические условия и удаленность производственных площадок от ЦОДов.

В итоге мы получаем ситуацию, когда данные есть, есть запрос на их использование в платформах цифровизации, но сам процесс сбора и передачи затруднен. Я бы сравнил это с участком земли: он ровный, удобный для строительства, но фундамент на нем устаревший. Если начать строить на нем современный энергоэффективный дом, нет гарантии, что он простоит долго.

Поэтому вопрос цифровой трансформации в промышленности всегда необходимо рассматривать в комплексе всей ИТ-инфраструктуры, которая должна обеспечивать эффективную и безопасную работу с данными.

Максим Андрианов: Очевидно, что ИТ-конференция в 2025 году не может пройти без темы искусственного интеллекта.

Мы собрали темы, которые сегодня наиболее остро стоят перед крупным бизнесом. Во-первых, корпоративный ИИ: как внедрять GPT-модели, ассистентов и цифровых двойников так, чтобы это работало в масштабе крупной компании. Во-вторых, маркетинг — нейросети уже умеют анализировать клиентские данные и предсказывать спрос, и это становится мощным инструментом для бизнеса. Третье направление — DataOps и MLOps: мы покажем, как устроены «цифровые фабрики данных» и как DevOps, MLOps и DataOps работают вместе. И наконец, ключевая задача: как превращать Big Data в Big Value, то есть находить реальную ценность в промышленных данных и конвертировать ее в управленческие решения — этому будет посвящена отдельная дискуссия.

Наша главная задача — привлечь на IT Elements очень умные головы, которые не боятся нового, вместе с нами экспериментируют и пытаются открыть новый мир искусственного интеллекта.