Двигатель экономики. Генеративный ИИ: от ажиотажа к промышленному стандарту

В 2025 году вклад искусственного интеллекта в ВВП России оценивался в 1,8 трлн рублей, а к 2030-му ИИ может приносить российской экономике более 11 трлн рублей в год, это примерно 5,5% прогнозируемого ВВП. При этом фокус инвестиций сместился: компании перешли от точечных экспериментов с чат-ботами к созданию собственной ИТ-инфраструктуры для работы с данными. Главное изменение 2026 года — интеграция генеративных моделей в закрытые корпоративные контуры, что позволяет бизнесу использовать ИИ в критических процессах без риска утечки информации. Разбираемся, как меняется структура затрат на ИИ, какие отрасли уже фиксируют реальный доход от нейросетей и почему промышленность пока остаётся зоной осторожных пилотов.

Содержание:

• Объём и динамика рынка генеративного ИИ
• Где бизнес уже выигрывает
• Российские модели и прорывы
• Как меняется реальный сектор
• Подходы к внедрению ИИ
• Главное по тексту

Объём и динамика рынка генеративного ИИ

Глобальный рынок генеративного ИИ переходит в фазу масштабных инфраструктурных инвестиций. По данным Global Market Insights, расходы на внедрение технологии в 2025 году достигли 53,7 млрд долларов, ожидается, что они увеличатся с 83,3 млрд долларов в 2026 году до 988,4 млрд долларов к 2035-му. Если включить в расчёты инфраструктуру (программное обеспечение, серверы, устройства), то совокупные траты на генеративный ИИ в 2025 году достигли 644 млрд долларов (данные Gartner). Это закрепляет капиталоёмкий характер текущей волны ИИ-трансформации: конкурентоспособность определяет преимущественно контроль над вычислениями, интеграцией, данными.

Мировые расходы на генеративный ИИ

Источник: Gartner

Российский рынок генеративного ИИ тоже ускоряется: в 2025 году его объём увеличился почти в пять раз год к году, до 58 млрд рублей, а к 2030-му может вырасти до 778 млрд рублей. Такая динамика обусловлена высокой эффективностью технологии: согласно прогнозам, именно генеративный ИИ станет основным драйвером роста всей отрасли, обеспечив вклад в ВВП в размере от 1,6 трлн до 2,7 трлн рублей. Корпоративный сегмент формирует основу спроса: 77% рынка приходится на B2B-решения (с англ. business-to-business — «бизнес для бизнеса»).

Национальная стратегия определяет вектор движения: на развитие искусственного интеллекта до 2030 года запланировано 145 млрд рублей инвестиций, в том числе 33 млрд из бюджета.

По-прежнему наиболее существенный объём инвестиций уходит в видеокарты и инфраструктуру для ИИ, говорит советник генерального директора по искусственному интеллекту «Ассоциации ФинТех» Алексей Сидорюк. «Глобально это хорошо видно по динамике рынка: по данным Stanford AI Index 2026, корпоративные инвестиции в ИИ в 2025 году более чем удвоились, а генеративный ИИ рос быстрее всего (более чем на 200%) и привлёк почти половину частных инвестиций в ИИ. Для российского рынка характерна похожая логика, но со своей спецификой: бизнес инвестирует не только в сами модели, но и в технологический суверенитет, безопасность, локальное развёртывание, интеграцию с внутренними контурами и соответствие регуляторным требованиям», — объясняет эксперт.

* CAGR (Compound Annual Growth Rate) — среднегодовой темп роста.

Источник: Интерфакс (на основе данных МТС)

Согласно исследованию консалтинговой компании «Яков и партнёры», 71% крупных компаний в России уже применяют генеративный ИИ хотя бы в одной функции, 78% фиксируют экономический эффект, а около 10% организаций — до 5% EBITDA (с англ. earnings before interest, taxes, depreciation and amortization — «прибыль до вычета процентов по кредитам, налогов, износа и амортизации»).

Лидируют ИТ и телекоммуникации, электронная торговля, финансы: компании из этих секторов направляют на ИИ 13–17% ИТ-бюджета (против примерно 11% по рынку) и уже получают до 8% EBITDA с ожиданием роста до 13–21% в ближайшие пару лет. Это связано со спецификой отраслей — высокой долей цифровых операций и данных, клиентских коммуникаций и необходимостью автоматизации интеллектуального труда.

Где бизнес уже выигрывает

Все эффекты применения генеративного ИИ можно классифицировать по трём категориям: финансовые, продуктовые, операционные, — говорит Алексей Сидорюк. Для некоторых сценариев можно посчитать прямой финансовый эффект: новые деньги благодаря продуктам на базе ИИ и обслуживанию новых каналов взаимодействия с клиентами либо сокращение затрат. Для других можно оценить улучшение продуктовых метрик (рост конверсии, снижение оттока, повышение удовлетворённости и пр.). Там, где это невозможно, оценивается влияние на операционную эффективность и повышение производительности сотрудников благодаря применению ИИ. «Однако в этом случае экономический эффект возможно получить только при трансформации бизнес-процессов внутри организации или изменения бизнес-модели», — подчёркивает эксперт.

Пока основной эффект создаётся сокращением издержек: около 90% компаний связывают финансовый результат внедрения ИИ преимущественно с уменьшением операционных затрат. При этом уже четверть компаний фиксируют рост выручки за счёт новых продуктов и сервисов, а в наиболее продвинутых отраслях этот показатель достигает 70%. Это указывает на смену роли технологии: от автоматизации отдельных операций к пересборке бизнес-модели, где после снижения себестоимость обработки информации ускоряются бизнес-процессы, а затем появляется новый доход.

В российском бизнесе генеративный ИИ всё больше связывают с решением прикладных задач внутри компаний: клиентскими коммуникациями, документооборотом, аналитикой, созданием кода, корпоративным поиском.

На практике генеративный ИИ быстрее всего внедряют там, где критичны скорость ответа и точность коммуникаций. Компании снижают стоимость создания контента, уменьшают нагрузку на контакт-центры (при сохранении уровня клиентского сервиса) и ускоряют обработку документов. На смену пилотным проектам приходят масштабируемые решения, сокращающие транзакционные издержки в повседневных операциях.

Расширяется и глубина внедрения. Среднее число функций, где технология дошла до пилота или промышленного использования, выросло с 2,4 до 3,1 за два года, а сами решения присутствуют примерно в 80% основных бизнес-функций. Параллельно почти половина компаний внедряет или тестирует ИИ-агентов, способных выполнять последовательности задач без постоянного участия человека. Следующий этап роста связан со сценариями, встроенными в операционную деятельность и работающими на уровне процессов, а не отдельных инструментов.

Государственная повестка усиливает этот сдвиг: по итогам AI Journey 2025 даны поручения сформировать планы внедрения генеративного ИИ и закреплён приоритет российских фундаментальных моделей в государственном управлении и на объектах критической информационной инфраструктуры. В этих условиях следующий этап трансформации будет определяться скоростью интеграции технологий, а не доступом к ним: она станет фактором разрыва в эффективности между компаниями.

Российские модели и прорывы

2025 год показал переход к зрелости российских больших языковых моделей (large language models, LLM) — прежде всего на уровне конкретных продуктовых линеек. Лидеры смещают фокус в прикладную плоскость: ускоряют работу моделей, повышают точность ответов, расширяют объём обрабатываемого контекста и улучшают работу с внешними данными. Конкуренция идёт вокруг способности нейросетей работать с корпоративной информацией, выполнять цепочки задач, встраиваться в реальные бизнес-процессы.

Например, бизнес получил доступ к флагманской языковой модели ГигаЧат Ультра (GigaChat Ultra) для создания корпоративных ИИ-агентов. На платформе ГигаЧат Бизнес (GigaChat Enterprise) компании теперь могут использовать самую современную версию ИИ-помощника. С ним сотрудники получают возможность автоматизировать рутинные рабочие операции, ускоряя поиск данных, подготовку отчётов или написание кода прямо «из коробки» с помощью типовых ИИ-агентов для разных офисных ролей. Новая архитектура модели позволяет ИИ-агентам обрабатывать запросы быстрее, что имеет огромное значение для бесшовного взаимодействия в сложных мультиагентных системах. Увеличенная скорость в сочетании с высокой производительностью даёт сотрудникам компаний возможность эффективно решать комплексные задачи с минимальной задержкой, рационально используя вычислительные мощности. Кроме того, ГигаЧат Ультра поддерживает исполнение кода непосредственно в интерфейсе.

Корректность направления развития подтверждает использование ГигаЧат за пределами офисных задач — в более формализованных и высоконагруженных средах: в 2025 году совместно с Роскосмосом стартовал эксперимент по интеграции программного комплекса с ИИ в работу космонавтов на орбите.

Как меняется реальный сектор

В электронной коммерции генеративный искусственный интеллект применяют активно: по данным исследования консалтинговой компании Strategy Partners, 92% компаний отрасли внедряют или планируют внедрение технологии в маркетинг и продажи, 33% — в логистику и управление цепочками поставок.

В промышленности динамика иная: только около 50% крупных предприятий готовы использовать генеративный ИИ в производственных процессах, где формируется основная добавленная стоимость, 42% уже внедряют или планируют решения в управлении производством и технологическими процессами, ещё 29% — в научно‑исследовательских и опытно‑конструкторских работах, а также и проектировании. Уровень зрелости промышленности оценивается в 2,0 из 5 против 2,9 в электронной коммерции, демонстрируя этап точечных экспериментов, а не масштабное внедрение. Но это отставание создаётся спецификой отрасли, где выше цена ошибки и сложнее внедрять типовые решения.

При этом предприятия активно используют генеративный ИИ для вспомогательных функций — в документообороте (70–80% компаний), протоколировании, аналитике и отчётности. «В промышленности наиболее практичные сценарии сегодня — не „автономный завод“, а помощь инженерам, технологам, сервисным службам и операторам: быстрый поиск по регламентам, анализ эксплуатационной документации, подготовка инструкций, разбор инцидентов, поддержка ремонта, работа с заявками и отчётами, — говорит Глеб Маркевич. — Это задачи, где ИИ снижает время поиска, уменьшает ручную рутину и помогает быстрее принимать решение, но при этом человек остаётся в контуре ответственности».

Эксперты отмечают, что сдерживающие факторы носят организационный и технологический характер:

• дефицит специалистов с отраслевой и ИИ-экспертизой;
• необходимость глубокой интеграции с промышленными системами: MES (с англ. manufacturing execution system — «управление производственными процессами»), ERP (с англ. enterprise resource planning — «планирование ресурсов предприятия»), SCADA (с англ. supervisory control and data acquisition — «диспетчерское управление и сбор данных»);
• фрагментарность данных и отсутствие выстроенных метрик эффекта.

Сдерживающими факторами выступают и дорогая инфраструктура для работы с LLM в корпоративном контуре, и отсутствие регуляторных требований для применения ИИ в критической инфраструктуре, добавляет Алексей Сидорюк.

Тем не менее отдельные внедрения уже демонстрируют измеримый результат. Применение нефтегазовой компанией нейросетевого моделирования для оптимизации работы добывающих скважин дало в 2025 году экономический эффект в 100 млн рублей. Другой ИИ-инструмент извлекает до 16 физических параметров керна из геологических отчётов, ускоряя работу с данными в 7 раз.

Подходы к внедрению ИИ

Основная ценность генеративного ИИ для бизнеса возникает при интеграции технологии в процессы, данные и корпоративную инфраструктуру, а не во время создания модели. Поэтому компании всё чаще делают ставку на адаптацию готовых решений: около 78% компаний применяют внешние модели, доработанные под собственные задачи. Собственную разработку ведут лишь 17% компаний. При этом 86% компаний, работающих с генеративным ИИ, дообучают модели с открытым кодом под внутренние требования.

Бизнес также смещается к защищённым сценариям внедрения: более 68% корпоративных ИИ-систем работают on-premises (локально), в банковском секторе — до 90%. На смену экспериментальным проектам приходят решения с понятной экономикой, требованиями к безопасности и возможностью масштабирования.

Подходы компаний к внедрению ИИ при этом могут различаться, отмечают эксперты.

• Анализ узких мест и быстрые внедрения. Компании определяют процессы с наибольшими потерями времени или ресурсов и внедряют ИИ точечно: в документооборот, поддержку, поиск информации, аналитику или клиентские коммуникации. Такой подход позволяет показать измеримый эффект и получить первые «быстрые победы».
• Стратегическая трансформация в ИИ-ориентированную организацию. Часть компаний рассматривает ИИ не как отдельный инструмент, а как основу будущей операционной модели. Для этого проводятся стратегические и форсайт-сессии (с англ. foresight — «взгляд в будущее»), формируются ИИ-лаборатории и центры компетенций, меняются организационная структура и подходы к управлению.
• Платформенный подход вместо изолированных пилотов. Компании постепенно уходят от внедрения ИИ «по одному процессу» к единому контуру. В этом случае ИИ связывает между собой базу знаний, сервисные заявки, документацию, аналитику, продажи и инженерные системы, создавая мультипликативный эффект.
• Интеграция ИИ в бизнес-контур компании. Более зрелый подход предполагает, что ИИ внедряется вокруг связки данных, сотрудников и процессов, а не «модного» сценария. Компании выбирают несколько взаимосвязанных направлений, а затем создают платформу, позволяющую масштабировать решения без пересборки архитектуры под каждый кейс.

Эксперты сходятся во мнении: без изменения процессов и управленческой культуры ИИ-проекты не масштабируются и остаются на уровне пилотов. Основной эффект получают компании, которые перестраивают операционную модель под ИИ, вводят метрики эффективности, инвестируют в данные и инфраструктуру и заранее определяют зоны человеческого контроля.

Заключение. Российский рынок генеративного ИИ переходит от пилотных проектов к промышленному внедрению: в 2025 году доля пилотов снизилась с 90 до 55%, масштабирование выросло до 30%, а полноценные внедрения — до 15%. При этом растёт и число проектов, и их масштаб, а передовые отрасли планируют увеличить расходы на генеративный ИИ примерно на 25%, рассматривая его как источник выручки, а не только для снижения трат. Генеративный ИИ становится базовым производственным слоем, а ключевое конкурентное преимущество формируется скоростью его интеграции в процессы, управление, данные.

Редакция СберПро

Автор

• Чтобы быть в курсе важных трендов и мнений ведущих экспертов, следите за нами в канале в Max. О развитии навыков управления, личностном росте пишем в «Дзене». Про технологии и развитие в IT — в блоге на VC.