Искусственный интеллект
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
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
988,4 млрд $
прогнозируемый объём глобального рынка генеративного ИИ к 2035 году
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)
Глеб Маркевич
лидер направления ИИ и комплексных решений компании Yadro
Структура инвестиций в ИИ сейчас меняется. Рынок переходит от покупки модели или доступа к сервису к логике промышленной платформы. Компаниям нужны вычисления, хранение данных, сетевые решения, системы безопасности, средства управления моделями, мониторинг качества, интеграция с корпоративными системами. И здесь возникает основной вопрос: как построить инфраструктуру, которая выдержит не один пилот, а десятки и сотни сценариев. Поэтому растёт значение гетерогенной инфраструктуры. В реальной компании не будет одной универсальной модели, одного типа ускорителей и одного способа развёртывания. Где-то нужен большой языковой ассистент, где-то компактная модель внутри защищённого контура или классическое машинное обучение, компьютерное зрение, высокопроизводительные вычисления. Инфраструктура должна уметь сочетать разные типы вычислений, классы ускорителей, режимы размещения, требования к данным.
778 млрд ₽
прогнозируемый объём российcкого рынка генеративного ИИ к 2030 году
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.
71%
крупных компаний в России уже применяют генеративный ИИ
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.
Глеб Маркевич
лидер направл
Генеративный ИИ быстрее даёт эффект там, где в компании много повторяемой интеллектуальной работы: документы, клиентские обращения, техническая поддержка, тендеры, договоры, внутренние базы знаний, инженерная и эксплуатационная документация. Но важно, что основной эффект появляется не от самого факта использования чат-бота. Он появляется, когда ИИ встроен в рабочий процесс и взаимодействует с корпоративными данными, ролями, правами доступа и существующими системами.
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.
Александр Ведяхин
Первый заместитель Председателя Правления Сбербанка (из интервью для издания «Ведомости. Капитал»)
Сегодня в мире формируется новый «ИИ-клуб», в котором страны либо инвестируют в свою собственную национальную большую языковую модель, либо вынуждены отставать в росте производительности труда. Это в том числе касается исследовательского, интеллектуального труда, где приходится зависеть от воли регуляторов стран из «ИИ-клуба», которые будут определять правила доступа к ИИ-технологиям. В целом такое разделение технологической специализации стран неизбежно, однако фрагментация международной экономики делает инвестиции в ИИ стратегическими. Что значит «инвестиции в ИИ»? Это не только инвестиции в ЦОДы, в вычислительные мощности, но и вложения в человеческий капитал разработчиков, в качественные наборы данных, в энергетику.
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.
Алексей Сидорюк
советник генерального директора по ИИ «Ассоциации ФинТех»
Для значительной части бизнес-задач зрелость российских моделей уже достаточна. Их можно использовать для корпоративного поиска, RAG (от англ. retrieval-augmented generation — «генерация с дополненной выборкой». — Прим. ред.), анализа документов, подготовки черновиков, клиентской поддержки, классификации обращений, суммаризации, работы с регламентами и внутренними базами знаний. Российские решения активно развиваются и уже применяются у крупных финансовых организаций. Но важно не путать зрелость модели и зрелость решения. Сама по себе «голая» языковая модель редко даёт значимый эффект. Важна экосистема инструментов — от платформы для быстрой сборки ИИ-решений до оркестрации взаимодействия. Помимо этого, нужны качественные данные, понятный процесс, интеграция с корпоративными системами, контроль доступа, журналирование, оценка качества ответов, защита от утечек и механизмы обеспечения безопасности ИИ и данных.
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:
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.
Алексей Сидорюк
советник генерального директора по ИИ «Ассоциация ФинТех»
Успех масштабирования генеративного ИИ определяют семь факторов: бизнес-спонсор, работа с качеством данных, конвейер по тестированию гипотез, безопасность, интеграция в процессы, обучение сотрудников и регулярное измерение эффекта. Многие компании застревают на этапе пилотов: сделали несколько проектов, получили интерес, но не смогли встроить ИИ в ежедневную работу. Масштабирование начинается тогда, когда ИИ становится частью стандартного процесса: сотрудник не заходит в отдельный сервис, а работает в привычной системе, где ИИ уже встроен в документооборот, CRM (от англ. customer relationship management — «управление взаимоотношениями с клиентами». — Прим. ред.), service desk (с англ. «служба поддержки». — Прим. ред.), базу знаний, систему разработки или аналитическую платформу. В конечном счёте выигрывают не те компании, которые первыми купили доступ к модели, а те, кто научился перестраивать процессы вокруг ИИ.
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.
Российский рынок генеративного ИИ в 2025 году вырос почти в пять раз — до 58 млрд рублей, при этом 77% спроса уже приходится на B2B-решения. Бизнес использует ИИ для автоматизации документооборота, клиентских коммуникаций, аналитики, разработки, корпоративного поиска. Инструмент снижает издержки, ускоряет принятие решений и масштабирует экспертизу без увеличения штата.
Что это значит для бизнеса
Редакция СберПро
Автор
Статья была вам полезна?
Да
Нет