Внедрение ИИ в бизнесе 2026: почему 86% пилотов буксуют

86% и 8%. Обе цифры прозвучали в одном исследовании. Его представили 25 августа 2026 года на мероприятии «State of AI Russia 2026» в Москве. Первая — доля крупных российских компаний, которые используют или пилотируют большие языковые модели. Вторая — доля тех, у кого полностью автономные ИИ-агенты уже работают в боевом контуре, то есть в продакшене. Между этими двумя числами помещается вся правда про внедрение ИИ в бизнесе. Экспериментируют почти все, но доводят до работающего процесса единицы. Если ваш пилот заглох где-то между демо и продакшеном, вы не одиноки — это статистическая норма. Так что разбираем, где проходит граница между ИИ, который окупается, и ИИ, который эффектно выглядит на презентации.

Если некогда читать всю статью

Четыре пункта, ради которых стоит дочитать:

• Цифры «86%» и «8%» отвечают на разные вопросы: первая только про эксперименты, вторая — про промышленную эксплуатацию. Кстати, почти все перепечатки свалили их в одну кучу.
• Внедрение ИИ в бизнесе буксует не из-за моделей, а из-за процессов вокруг них. Например, 46% компаний не видят устойчивого экономического эффекта после пилотов, а 40% не нашли владельца продукта.
• Барьер номер один — стоимость серверов (58%). Так что выбор между своим железом и облачным сервисом становится главной развилкой проекта.
• Лидер по применению — контакт-центры и поддержка (75%). В итоге начинать разумнее с тех сценариев, где ИИ обрабатывает информацию, а решение остаётся за человеком.

Что показало исследование: 86% используют ИИ, но в продакшене — единицы

Исследование ИИ-зрелости крупного российского бизнеса провели «Инфосистемы Джет» и Smart Ranking. Результаты они представили 25 августа 2026 года на мероприятии «State of AI Russia 2026» в Москве. Изложения вышли в CNews и NBJ, так что проверить цифры может любой желающий.

Методология выглядит так: количественный опрос 52 крупных компаний, семь глубинных интервью и кабинетный анализ. В этих компаниях суммарно работает около 450 тысяч сотрудников. Опрос прошёл в 2026 году, а отвечали на вопросы ИТ- и технические директора, а также руководители по цифровизации и внедрению ИИ.

Отраслевой состав выборки такой: ИТ и технологический бизнес — 39%, финансы — 21%, реальный сектор — 21%, торговля, логистика и сервис — 19%. То есть картина внедрения ИИ в бизнесе здесь смещена в сторону тех, кто и так живёт рядом с технологиями.

Первая ключевая цифра: 86% крупных российских компаний используют или пилотируют LLM. Расшифруем аббревиатуру сразу, поскольку дальше она встретится не раз. LLM — это большие языковые модели, то есть нейросети, которые понимают и генерируют текст. Вторая цифра: 53% организаций вывели решения на базе генеративного ИИ в промышленную эксплуатацию, то есть в режим постоянной работы.

Честно про источник: полного текста исследования в открытом доступе нет, так как все публикации восходят к одному пресс-релизу. Мы опираемся на изложения CNews и NBJ. По сути это самоотчёт вендора с раскрытой методологией, а не независимая перепись рынка. Так что читайте цифры как ориентир по крупному бизнесу, а не как приговор всей экономике.

Две шкалы, которые нельзя смешивать

Здесь начинается самое интересное. Например, исследование задавало сразу два разных вопроса, и ответы на них отличаются в разы. Во-первых, «есть ли у вас проекты с ИИ-агентами». Во-вторых, «работают ли они в промышленной эксплуатации».

Разница принципиальная. Пилот — это контролируемый эксперимент на ограниченной выборке, и если что-то пойдёт не так, его просто выключат. Промышленная эксплуатация — режим, когда решение работает на реальных задачах каждый день. Няньки рядом уже нет, но от результата зависят живые деньги.

Обвал с 59% до 15% и с 25% до 8% — и есть главная новость этого исследования. Не «все внедрили ИИ», а «почти все попробовали, но три четверти застряли по дороге». Кстати, большинство перепечаток эту деталь не заметило и поставило числа из разных строк в один ряд. Между тем именно на этом разрыве держится весь дальнейший разговор про внедрение ИИ в бизнесе.

Почему ИИ-агенты застревают на пилотах

Прежде всего про термин. ИИ-агент отличается от обычной нейросети тем, что не просто отвечает на вопрос. Он выполняет действия: обращается к системам, запускает процессы, доводит задачу до результата. Так что именно на этом классе решений внедрение ИИ в бизнесе спотыкается чаще всего.

44% компаний вообще отказываются от внедрения ИИ-агентов, так как не готовы процессы, инфраструктура данных и интеграции. То есть это не «мы попробовали и не получилось», а «мы посмотрели на своё хозяйство и не стали начинать».

«Ценность ИИ-агентов напрямую зависит от AI-Ready-инфраструктуры: систематизированных и оцифрованных процессов компании, качества и количества данных, а также интеграций с корпоративными системами заказчика».

Максим Андрианов, директор Дирекции по разработке и внедрению ПО компании «Инфосистемы Джет»

Что ломается после пилота

У тех, кто всё-таки дошёл до пилота, ломается следующее звено. 46% не видят устойчивого экономического эффекта. Кроме того, 40% не могут масштабировать решение из-за отсутствия владельца продукта или процесса. Ещё 40% сталкиваются с нестабильным качеством и галлюцинациями — так называют ситуацию, когда модель уверенно выдаёт выдуманные факты.

История не только российская. Например, Gartner ещё в июне 2025 года прогнозировал, что более 40% проектов агентного ИИ свернут к концу 2027 года. Причины те же: растущие затраты, неясная бизнес-ценность и слабый контроль рисков. В середине августа 2026 года к похожему качественному выводу пришли и «Технологии Доверия». По их оценке, практика применения ИИ-агентов в России пока на ранней стадии, а решения требуют постоянного участия человека.

Практический фильтр для выбора подрядчика: Gartner ввёл термин «agent washing» — переклеивание ярлыка «агентный ИИ» на обычную автоматизацию. Из тысяч вендоров, которые называют свои решения агентными, аналитики считают реально агентными только около 130. Так что спрашивайте на демо простую вещь: какие действия система выполняет сама, а какие лишь предлагает человеку.

Механика провала объясняется без всякой мистики. Пилот работает, потому что это один шаг в контролируемых условиях, и человек проверяет результат. В продакшене шаги идут цепочкой, без верификации между ними, так что ошибка накапливается на каждом.

Например, переложим это на продажи. Агент, который сам ведёт сделку, один раз ошибся в квалификации лида. Дальше вся цепочка едет мимо: не то предложение, не тот тон, не тот следующий шаг. На демо этого не видно, так как показ длится три минуты и идёт по счастливому сценарию.

Барьеры внедрения ИИ в бизнесе: серверы, юристы и люди

Список барьеров внедрения ИИ в бизнесе из того же исследования выглядит непривычно приземлённо. Высокая стоимость серверов — 58%, юридические риски — 56%, ограничения инвестбюджетов — 42%. Затем идут дефицит экспертов — 40% и отсутствие ИИ-лидеров вместе с сопротивлением сотрудников — 17%. Как видите, ни слова про «модели недостаточно умные».

Барьер номер один легко перевести в рубли. По расчётам MWS Cloud, за год минимальный набор ускорителей Nvidia подорожал с 13,7 млн рублей до 38,8 млн. Речь про комплект, которого хватает лишь для развёртывания одной языковой модели. Это рост в 2,8 раза (данные CNews от 19 августа 2026 года). Считали при этом только железо: серверы с GPU и коммутаторы, без интеграции, без людей и без самой модели.

Своё железо или облако

Отсюда следует развилка, которую в перепечатках почему-то не сделали. Если больше половины компаний упираются в GPU-инфраструктуру, вопрос стоит иначе. Не «внедрять или нет», а «строить своё или брать готовый сервис». Облачная модель снимает барьер номер один целиком, так как вы платите за результат, а не за стойку с ускорителями.

Например, сервисы речевой аналитики вроде Rechka работают по модели оплаты за секунды обработанного аудио. Компании не нужно покупать ускорители, нанимать MLOps-инженера и закладывать амортизацию железа. Она платит только за фактически разобранные звонки.

Впрочем, похожую картину видят и за рубежом. Вендорский отчёт Google Cloud «State of infrastructure in the agentic AI era» вышел 25 августа 2026 года. Он собрал ответы 1 402 ИТ-руководителей. 83% организаций считают, что им нужен апгрейд инфраструктуры под продакшен-агентов. А 79% техлидеров называют главным барьером масштабирования безопасность, управление или эксплуатацию, но вовсе не качество моделей.

Стоит отметить и скромные 17%. Для отдела продаж сопротивление сотрудников — барьер номер один при запуске любого контроля качества звонков. Менеджеры воспринимают ИИ-анализ как слежку, если им заранее не объяснить смысл. На самом деле это инструмент обучения, а не сбор материалов для штрафов.

Россия на фоне мира: отстаём не по внедрению, а по зрелости

Полезно посмотреть на глобальный контекст. По данным отчёта McKinsey The State of AI от 5 ноября 2025 года, картина в мире похожая. 88% организаций регулярно используют ИИ хотя бы в одной функции. Выборка солидная: 1 993 респондента из 105 стран. Однако влияние ИИ на EBIT на уровне компании фиксируют лишь 39%.

Сопоставим осторожно, так как это разные исследования с разными выборками. 86% у крупного российского бизнеса против 88% в мире — по проникновению паритет. А вот дальше картина расходится. Там 39% видят влияние на прибыль, здесь 46% не видят устойчивого эффекта после пилотов.

Вывод простой и неприятный сразу для всех. Проблема глобальная и совсем не техническая, потому что покупка ИИ не равна внедрению ИИ в бизнесе.

Где ИИ реально работает: контакт-центры, аналитика и поддержка

Теперь посмотрим, где внедрение ИИ в бизнесе действительно приносит результат. Функции-лидеры по применению распределились так: контакт-центры и поддержка — 75%. Дальше идут аналитика и BI — 63%, а также ИТ-службы и сервис-деск — 60%. Эффект компании чаще всего видят в работе с корпоративными знаниями — 63%. Речь про RAG, когда модель отвечает с опорой на документы компании, а не на собственную фантазию.

Ниже в списке — поддержка клиентов и сотрудников (60%), а также анализ обращений и заявок (54%). Последняя цифра встречается только в изложении NBJ, так что относиться к ней стоит чуть осторожнее.

Наша гипотеза, а не вывод исследования. В лидерах оказались сценарии, где ИИ обрабатывает информацию и отдаёт её человеку, а не принимает решения вместо человека. Исследование фиксирует корреляцию, хотя причинно-следственную связь оно не доказывает. Тем не менее логика здесь напрашивается сама.

Объяснение может быть в цене ошибки. В аналитическом сценарии галлюцинация модели стоит копейки, так как руководитель откроет транскрипт и отбросит неверный вывод. В автономном сценарии та же самая ошибка уходит клиенту и превращается в потерянные деньги и испорченную репутацию.

Отсюда контраст, который стоит держать в голове при выборе первого проекта. С одной стороны — автономный агент, который сам звонит клиенту и обещает скидку. С другой стороны — ИИ, который прочитал 100% звонков за неделю и показал руководителю, где менеджеры теряют сделки. Первый эффектно смотрится на демо, но второй работает в понедельник утром.

Что это значит для отдела продаж: зелёная, жёлтая и красная зоны

Макро-цифры бесполезны, пока их не перевели на конкретную функцию. Так что разложим сценарии внедрения ИИ в бизнесе применительно к отделу продаж — от самых предсказуемых к самым рискованным.

Критерий выбора первого сценария сформулируем явно, чтобы его можно было применить к любой идее подрядчика. Нужны четыре совпадения. Это большой объём однотипных данных, метрика, которую вы уже считаете, решение за человеком и возможность запуститься без своего железа.

Как выглядит зелёная зона на практике

Речевая аналитика — почти учебниковый пример зелёной зоны. Например, Rechka расшифровывает звонок и размечает реплики менеджера и клиента. Затем система проверяет разговор по чек-листу из 15–20 параметров. Поздоровался, выявил потребность, назвал цену, отработал возражение, договорился о следующем шаге. Кроме того, сервис оценивает вероятность продажи и собирает аналитику по каждому менеджеру и по отделу. Подробнее о том, как устроен анализ звонков с помощью нейросетей, мы писали отдельно.

Все четыре критерия здесь совпадают. Решение — учить менеджера, менять скрипт или спасать сделку — принимает руководитель, а модель только показывает, что произошло. Стандартная интеграция с AmoCRM, Bitrix24 или телефонией занимает до трёх рабочих дней. Данные хранятся на серверах в России, так что компания снимает часть юридических рисков из тех самых 56%.

Проверить эту логику можно, не запуская проект и не защищая бюджет. Просто возьмите записи звонков за один день и посмотрите, что увидит в них модель.

Но прежде чем запускать даже такой минимальный пилот, стоит честно ответить себе на несколько вопросов. Те самые, на которых спотыкаются 46% компаний.

Чек-лист: не окажется ли ваш ИИ-проект в тех 46%

Семь пунктов самопроверки для любого проекта внедрения ИИ в бизнесе — мы собрали их прямо из данных исследования. Пройдите их, прежде чем подписывать договор с подрядчиком.

1. Замерили ли вы метрику до старта? Если базовых цифр нет, вы автоматически попадёте в те 46%, которые «не видят экономического эффекта», — даже когда эффект есть.
2. Есть ли владелец процесса? 40% не смогли масштабировать пилот именно потому, что после красивого демо никто не отвечал за результат.
3. Оцифровали ли вы сам процесс? Если звонки не пишутся, а договорённости живут в блокноте менеджера, анализировать попросту нечего.
4. Кто принимает финальное решение — человек или модель? Чем ближе к автономии, тем выше требования к качеству данных и глубине интеграций.
5. Что будет, если модель ошибётся? Посчитайте цену одной галлюцинации, так как с нестабильным качеством столкнулись 40% компаний.
6. Нужно ли своё железо? 58% упираются в стоимость серверов. Если сценарий закрывается облачным сервисом, начинайте именно с него.
7. Объяснили ли команде, зачем это? Сопротивление сотрудников вместе с отсутствием ИИ-лидеров назвали барьером 17% компаний.

Если хотя бы по трём пунктам ответа нет, начинать стоит не с агента. В таком случае внедрение ИИ в бизнесе лучше стартовать с самого простого аналитического сценария. Он дешевле, быстрее и, что важнее, оставляет вам данные для следующего шага.

Мнение эксперта

Мы попросили прокомментировать разрыв между пилотами и продакшеном команду, которая ежедневно работает с ИИ-анализом звонков в отделах продаж.

Rechka.ai

Искусственный интеллект для анализа звонков

Задать вопрос

Разрыв между 59% и 15% — это не про качество моделей, это про цену ошибки. Когда ИИ анализирует уже состоявшийся звонок, его ошибка стоит ноль: руководитель откроет транскрипт и увидит, что модель поняла неправильно. Когда агент действует сам, та же самая ошибка уходит живому клиенту. Так что первый ИИ-сценарий в отделе продаж имеет смысл выбирать по трём признакам: много однотипных данных, метрика, которую вы уже считаете, и человек, принимающий финальное решение. Анализ звонков попадает во все три. Отдел из десяти менеджеров делает сотни разговоров в неделю, конверсию и выполнение скрипта считают и так, а решение — учить менеджера, менять скрипт или спасать сделку — остаётся за руководителем. И ещё один момент, которого нет в статистике. Пилоты чаще всего умирают не от технологии, а от того, что никто не зафиксировал точку отсчёта. Перед стартом любого ИИ-проекта запишите текущие цифры: конверсию, среднюю длительность разговора, долю звонков с назначенным следующим шагом. Без этого через три месяца вы не докажете эффект, даже если он будет.

Частые вопросы про внедрение ИИ в бизнесе

Почему пилоты застревают и где ИИ уже окупается

Первый ИИ-проект в отделе продаж

Главное

• Внедрение ИИ в бизнесе достигло почти полного охвата на уровне экспериментов, хотя на уровне промышленной эксплуатации оно провалилось. 86% против 8% в самом сложном классе решений.
• Буксуют не модели, а процессы вокруг них, то есть качество данных, интеграции, владелец продукта и измеримость результата.
• Окупаются сценарии, где ИИ обрабатывает информацию, а решение остаётся за человеком. Например, это объясняет, почему в лидерах контакт-центры и аналитика.
• Начинать стоит с самого измеримого и дешёвого сценария. Лучше выбрать тот, который не требует своего железа и подключается за дни, а не за кварталы.
• Отставания от мира по проникновению у российского бизнеса нет. Есть отставание по зрелости, но чинится оно управленческими решениями, а не бюджетом на GPU.

Хорошая новость в том, что порог входа сейчас ниже, чем кажется по заголовкам про миллионы за серверы. Внедрение ИИ в бизнесе вполне можно начать с одного дня записей своего отдела продаж. Этого достаточно, чтобы понять, есть ли в ваших данных то, ради чего стоит идти дальше.

Источники

• CNews, 26.08.2026 — изложение исследования «Инфосистемы Джет» и Smart Ranking
• NBJ, 25.08.2026 — подробное изложение с данными по эффекту и цитатами спикеров
• Gartner, 25.06.2025 — прогноз по свёртыванию проектов агентного ИИ
• McKinsey, The State of AI, 05.11.2025 — глобальный срез по 105 странам
• Google Cloud, State of infrastructure in the agentic AI era, 25.08.2026
• CNews, 19.08.2026 — расчёты MWS Cloud по стоимости набора GPU-ускорителей