После нескольких лет активного импортозамещения в IT Россия переходит к этапу создания собственной технологической базы. Большое влияние на все сегменты рынка оказывает искусственный интеллект, сообщает РБК. Комментирует Виталий Баум, партнер Б1, отдел по предоставлению услуг в области технологического консалтинга.
 

• Согласны ли вы с мнением, что ИИ — это центральный драйвер рынка?

Безусловно. Сегодня практически каждая крупная компания так или иначе инициирует проекты в области ИИ, и во многих из них это уже вопрос стратегии, а не эксперимента. Проекты можно разделить на три типа. Первый — агентизация процессов, когда ИИ-агенты берут на себя целые участки работы. Второй — внедрение корпоративных ИИ-платформ, которые дают сотрудникам безопасный доступ к моделям и инструментам. Третий — обеспечение безопасности при работе с внешними платформами: контроль утечек данных, политики использования, мониторинг. Именно под эти задачи сейчас перераспределяются ИТ-бюджеты, поэтому ИИ фактически задает повестку для всего рынка технологий.
 

• Где российские компании уже переходят от пилотов к промышленному использованию ИИ?

Здесь важно договориться о терминах. Если понимать под ИИ в том числе классическое машинное обучение, то промышленное использование — давно сложившаяся практика: прогнозирование спроса, управление ценами, скоринг, рекомендательные системы работают в ритейле, банках и телекоме уже много лет. Если же говорить исключительно о генеративном ИИ и больших языковых моделях, картина другая: пока преобладают пилоты, и лишь часть из них постепенно выводится в промышленную эксплуатацию. Основной барьер — не сама технология, а качество данных, интеграция с корпоративными системами и понятная модель оценки эффекта. При этом есть процессы, где LLM уже используются промышленно: разработка ПО, генерация контента и чат-боты для клиентов и сотрудников.
 

• В каких отраслях появляется измеримый экономический эффект?

Наиболее очевидный эффект виден в разработке ПО, генерации контента и маркетинге. В разработке ИИ-ассистенты заметно ускоряют написание кода, тестирование и документирование, и этот эффект легко измерить. В маркетинге и контенте сокращаются сроки и стоимость подготовки материалов, растет возможность персонализации коммуникаций. Отдельно стоит выделить аналитических помощников: они дают эффект в скорости аналитики практически во всех отраслях, независимо от специфики бизнеса. Руководитель или аналитик получает ответ на вопрос к данным за минуты, а не за дни, что напрямую влияет на скорость принятия решений. Важно, что эффект появляется там, где его заранее договорились измерять, а не просто «внедрили ИИ».
 

• Какие задачи ИИ позволяет автоматизировать в первую очередь? 

Разработку программного обеспечения. Это область, где ИИ-инструменты наиболее зрелы: генерация и рефакторинг кода, написание тестов, код-ревью, документирование. У разработки есть важное преимущество — результат легко проверить: код либо работает, либо нет, что снижает риски внедрения. Кроме того, разработчики сами являются наиболее подготовленными пользователями новых инструментов и быстро встраивают их в работу. Следующий эшелон — задачи, связанные с обработкой текстов и документов, поддержкой клиентов и аналитикой. Постепенно фокус смещается от помощи отдельному сотруднику к автоматизации целых цепочек задач с помощью агентов.
 

• Насколько российский рынок ИИ-моделей зависит от зарубежного оборудования и компонентов? 

Чрезвычайно сильно. Обучение и эксплуатация современных моделей требуют графических ускорителей, которые в России не производятся, а отечественные процессоры пока не рассчитаны на такие нагрузки. Оборудование поступает через альтернативные каналы поставок, что увеличивает его стоимость и сроки, а также ограничивает доступ к самым новым поколениям. Это напрямую влияет на экономику: вычислительные мощности остаются дефицитными и дорогими, особенно для обучения крупных моделей. Зависимость касается не только чипов, но и сетевого оборудования, систем хранения и программного стека вокруг них. Поэтому для большинства компаний сейчас ключевой вопрос — не создание собственных моделей, а эффективное использование доступных мощностей.
 

• Что означает технологический суверенитет применительно к генеративному ИИ? 

Технологический суверенитет в генеративном ИИ стоит рассматривать как минимум на трех уровнях:

• Аппаратный: чипы, серверы, центры обработки данных, и здесь, как уже сказано, зависимость максимальна
• Уровень «обвязки», или харнесса: инфраструктура запуска моделей, агентные фреймворки, инструменты оркестрации, контроля качества и безопасности. Именно этот уровень определяет, насколько модель реально работает в бизнес-процессах, и здесь у российских компаний есть хорошие возможности для собственных решений
• Сами модели: собственные разработки вроде GigaChat и YandexGPT, а также дообучение открытых моделей под свои задачи. Суверенитет не означает полной автаркии на каждом уровне — это скорее способность контролировать критически важные звенья и не зависеть от решений, которые могут быть в любой момент отключены извне