Вебпрактик AI | Корпоративный ИИ

💬 #БизнесСреда с Александром Букуровым, основателем и директором Вебпрактик   ИИ получил прописку в Белом доме: Правительство меняет структуру под внедрение нейросетей Развитие искусственного интеллекта окончательно перестает быть набором разовых экспериментов и переходит в регулярный контур управления. Как пишет «Коммерсантъ», в аппарате Правительства РФ официально закреплена функция по координации развития ИИ. Теперь эти задачи распределены между двумя департаментами: 🔴Департамент проектной деятельности будет координировать внедрение ИИ в экономике страны в целом (выработка методологии для ведомств). 🔴Департамент контроля займется применением нейросетей непосредственно в работе самого аппарата. Этому решению предшествовал успешный пилот: полгода более 130 чиновников тестировали ИИ-помощников (от «Яндекса» и «Сбера») для работы с текстами и аналитикой. Теперь нейросети планируют масштабировать на все подразделения и интегрировать с системой электронного документооборота.

Что это значит для рынка? Эта новость — отличная иллюстрация того, о чем мы постоянно говорим на встречах с корпоративными заказчиками. Внедрение ИИ работает только тогда, когда под него меняется оргструктура. Правительство поступило абсолютно по классике грамотной ИИ-трансформации: 1. Сначала провели пилот на реальных задачах (работа с текстами и аналитикой), получили измеримую пользу. 2. Затем закрепили ответственность в структуре. Не просто «спустили сверху» инструменты, а выделили профильные отделы, которые будут отвечать за координацию. 3. Разделили внешний и внутренний контуры. Один департамент отвечает за методологию для страны, другой — за эффективность внутренних процессов самого аппарата. Для бизнеса это важный сигнал. Государство переходит от роли регулятора к роли квалифицированного заказчика и пользователя ИИ. Когда главный аппарат страны встраивает нейросети в свой электронный документооборот и создает под это структурные подразделения — это уже не хайп, это новый стандарт операционной эффективности. Те компании, которые до сих пор воспринимают ИИ как «игрушку для маркетологов», рискуют оказаться в ситуации, когда их внутренние процессы будут медленнее и дороже, чем у госаппарата. Корпоративный ИИ начинается там, где под него выделяют ответственность и перестраивают процессы.

Вебпрактик AI | Корпоративный ИИ

От пилотов к экономике проекта: что мешает застройщикам зарабатывать на нейросетях Консалтинговая компания «Яков и Партнёры» выпустила масштабное исследование о практике внедрения ИИ в строительной отрасли. Цифры показывают жесткий разрыв между ожиданиями и реальностью: 90% компаний заявляют о «положительном эффекте» от пилотов, но только каждая пятая может измерить этот эффект в деньгах. Даже у лидеров рынка влияние ИИ на EBITDA редко превышает 0,5–1%. При этом потенциал технологии огромен — сквозное внедрение ИИ может приносить сектору около 0,9 трлн руб. в год и вернуть маржинальность девелоперов на уровень 2022 года, говорится в отчете. Главный вывод исследования абсолютно совпадает с тем, что мы видим на практике: барьеры для масштабирования лежат не в технологиях, а в управлении и архитектуре. У компаний со стандартизированной ИТ-архитектурой доля ИИ-решений на стадии масштабирования достигает 36%, а при фрагментированной архитектуре (когда ИИ пытаются внедрять лоскутно) — всего 2%. Большинство девелоперов (64%) просто тестируют модели в свободном режиме без привязки к конкретным процессам. Чтобы преодолеть этот барьер и выйти на реальную окупаемость, аналитики «Яков и Партнёры» рекомендуют застройщикам три шага: - Сместить фокус с локальных экспериментов на сквозные сценарии (например, генеративный дизайн мастер-планов, который сокращает время на проектирование до 75% ). - Назначить владельцев процесса (product owners) для каждого ИИ-сценария и привязать метрики к KPI. - Выстроить единый промышленный контур работы с данными, отказавшись от закупок софта под отдельный отдел. Как точно отмечают аналитики: конкурентное преимущество получат не те компании, которые первыми закупили модные ИИ-инструменты, а те, кто смог бесшовно встроить алгоритмы в экономику проекта. Вебпрактик AI | Корпоративный ИИ

L'Oréal ускорила разработку новых продуктов в четыре раза с помощью ИИ L'Oréal сократила время разработки новых косметических продуктов примерно на 75%. Об этом пишет Sostav со ссылкой на Reuters. По сути, это означает ускорение вывода новинок на рынок примерно в четыре раза. Компания использует ИИ в исследовательском контуре около четырех лет. Алгоритмы помогают анализировать свойства молекул, прогнозировать их влияние на кожу и волосы, а также подбирать новые сочетания ингредиентов. В этом кейсе важно не только само ускорение, но и точка приложения технологии: - ИИ встроен не в маркетинговую функцию, а в R&D-контур. - Эффект возникает на уровне всего цикла разработки продукта, а не отдельной операции. - Сокращение time-to-market напрямую влияет на экономику запуска и скорость проверки продуктовых гипотез. Это еще одно подтверждение простой мысли: наибольшую отдачу ИИ дает там, где он встроен в основные процессы создания ценности, а не работает как внешний инструмент поверх них. Вебпрактик AI | Корпоративный ИИ

2️⃣2️⃣% — на столько внедрение ИИ может повысить производительность в российских компаниях уже сейчас, по оценкам Сбера. На Финансовом конгрессе ЦБ Герман Греф привел конкретные данные: «Мы смотрели, где и в какие процессы уже существующие технологии ИИ можно использовать, и мы увидели, что это может дать повышение производительности примерно на 11–22%». При объединении генеративных моделей с физическим ИИ (робототехникой) этот потенциал становится еще выше — рост составит в среднем 21-33%. ───────────────── Эти цифры звучат оптимистично. Чтобы выйти на заявленные двузначные показатели, фокус корпораций сейчас закономерно смещается с использования базовых чат-ботов на глубокую пересборку ИТ-ландшафта. Именно интеграция мультиагентных систем напрямую в архитектуру процессов позволяет полностью раскрыть потенциал ИИ и качественно улучшить экономику бизнеса. Вебпрактик AI | Корпоративный ИИ

📊 Июнь в цифрах и кейсах: запуск Вебпрактик AI и главные материалы месяца Главная новость месяца для нас — мы запустили Вебпрактик AI, специализированный ИИ-интегратор для крупного бизнеса. Помогаем корпорациям выстраивать собственную ИИ-платформу и адаптировать под нее архитектуру и процессы. А вот что еще интересного мы разбирали в канале в июне: Исследования и статьи — Почему ИИ играет за суперзвезд. Разбор материала «Эконс»: генеративные модели не уравнивают шансы, а дают аномальную доходность текущим лидерам рынка. — 5 ключевых идей книги Hyperadaptive. Выжимка книги Мелиссы Рив о том, почему старый управленческий контур сводит на нет пользу от ИИ. — Прогнозы не сбылись. Опрос ИТ-директоров от RBC: ИИ стал регулярной статьей OPEX, а кризиса классического SaaS так и не случилось. — 5 млрд рублей от ИИ. Опыт X5 Group по масштабированию агентов в бизнес-процессах с едиными стандартами качества. Экспертное мнение 💬 #БизнесСреда с Александром Букуровым: почему переписанный закон об ИИ — это отличная новость для бизнеса, и где заканчивается вайбкодинг (на примере реальной истории из СИБУРа). 💭 #ПятничныйСтек с Иваном Поддубным: почему фоновую рутину в разработке дешевле уводить на DeepSeek, а внедрение ИИ поверх сломанного процесса только умножает корпоративные издержки. 🗯️ #ПятничныйКейс с Сергеем Калюжным: как ИИ-агенты в Shell забрали на себя техобслуживание оборудования и сократили простои на 45%. Цифры месяца — 69% IT-компаний в мире пока вообще не используют ИИ. — 65% обращений Сбер уже закрывает роботами. — 56% компаний ждут от ИИ-агентов автоматизации офисной рутины. — 37% россиян уже применяют нейросети на работе. Вебпрактик AI | Корпоративный ИИ

💬 #БизнесСреда с Александром Букуровым, основателем и директором Вебпрактик Почему только 6% компаний получают реальный эффект от внедрения ИИ? В 2026 году корпоративный мир столкнулся с реальностью: искусственный интеллект внедряют почти все, но окупают эти вложения единицы. По данным Gartner, в этом году мировые расходы на ИИ достигнут рекордных 2,59 трлн $, однако свежие исследования показывают парадоксальную картину окупаемости этих инвестиций. Сразу несколько крупных аналитических центров (Scale AI, MIT, BCG) пришли к одному неутешительному выводу: от 60% до 95% корпоративных ИИ-проектов не приносят измеримого финансового результата. В недавнем отчете The Six Percent Report от Scale AI отмечается, что лишь 6% организаций смогли масштабировать ИИ на уровне всего бизнеса и получить реальную отдачу. Исследование MIT (Project NANDA) приводит еще более жесткие цифры: 95% пилотных проектов с генеративным ИИ дают нулевой эффект на P&L (прибыли и убытки) компании. Почему так происходит? Аналитики выделяют три главные причины провалов: 1. Проблема качества данных. Модели работают ровно так, как позволяют данные. По статистике, 58% компаний сталкиваются с тем, что их расходы на ИИ превышают смету на 40% и более именно из-за недооценки стоимости подготовки данных. Компании пытаются натянуть передовые нейросети на устаревшую, разрозненную и «грязную» инфраструктуру баз данных. 2. Синдром «Пилотного чистилища». Бизнес запускает ИИ-инициативы из-за страха отстать от конкурентов (FOMO), а не для решения конкретных проблем. В итоге создаются десятки локальных пилотов, которые показывают красивые демо, но никак не влияют на общую выручку или сокращение издержек. 3. Отсутствие редизайна процессов. Обычные компании пытаются встроить ИИ в уже существующие бизнес-процессы. Успешные (те самые 6%) — полностью перестраивают процессы вокруг возможностей ИИ. Что делают лидеры (те самые 6%) иначе? Отчет BCG называет их «future-built» компаниями. Их главные отличия: 🔴Фокус на одной проблеме: вместо десятка разрозненных пилотов они выбирают одну болевую точку с четким владельцем бюджета. 🔴Измерение результата: успех измеряется не фактом внедрения нейросети, а изменением конкретной бизнес-метрики в течение 90 дней. 🔴Подготовка фундамента: они инвестируют в качество и архитектуру данных до того, как начинают внедрять модели. Вебпрактик AI | Корпоративный ИИ

От слепой зоны к управляемой конверсии: зачем бизнесу ИИ-анализ диалогов Оценка работы отдела продаж всегда упиралась в ресурсное ограничение: руководитель или отдел контроля качества физически могут отсмотреть лишь 3–5% звонков и встреч. Из-за этого огромный массив данных о том, почему на самом деле срываются сделки, остается «слепой зоной». Решать эту проблему компании начинают с помощью алгоритмов: по данным свежего исследования «Аихаб», уже каждая четвертая компания готова поручить нейросетям оценку коммуникаций менеджеров с клиентами. Искусственный интеллект меняет правила игры, поскольку способен расшифровать и разметить 100% диалогов. Алгоритм вытаскивает истинные причины отказов, подсвечивает удачные паттерны поведения и формирует дашборды, где конверсия разбирается на атомы. По данным опроса, 25% предпринимателей уже видят в этом способ объективной оценки качества работы, а 22% готовы доверить ИИ мониторинг соблюдения корпоративных стандартов. Однако массовой интеграции пока не случилось: системно внедрили такие решения лишь 8% компаний, еще 52% пока тестируют отдельные функции. Полноценному переходу мешают ожидаемые барьеры: - Опасения, что алгоритм не считает эмоциональный контекст сложных переговоров (51%). - Сомнения в достаточной зрелости самой технологии (27%). - Страх за безопасность и сохранность корпоративных данных (22%). Настоящая ценность ИИ в этом сценарии — в переходе от интуитивного управления воронкой к дата-центричному подходу. Когда нейросеть берет на себя сплошной анализ рутины, у бизнеса появляется точная карта процесса: руководители видят системные узкие места, а менеджеры получают объективную обратную связь, которая помогает закрывать больше сделок. Вебпрактик AI | Корпоративный ИИ

Прогнозы не сбылись: как ИИ на самом деле меняет корпоративные бюджеты Два главных мифа об экономике ИИ-проектов пошли трещинами. Опрос ИТ-директоров от RBC Capital Markets, который приводит Busines Insider, показал, что предсказанный «SaaSpocalypse» не произошел: компании не урезают бюджеты на классическое корпоративное ПО ради покупки нейросетей, а наоборот, планируют наращивать общие софтверные расходы. Второй миф касался неуправляемых затрат на вычисления: почти 9 из 10 респондентов считают свои бюджеты на токены полностью контролируемыми, даже если половина из них уже вышла за рамки первоначальных смет. Исследование фиксирует высокую динамику перехода от пилотов к реальным процессам: - 90% ИТ-руководителей заявили, что в 2026 году целенаправленно увеличат инвестиции в искусственный интеллект. - 60% компаний уже перевели свои ИИ-решения в промышленную эксплуатацию. - 32% планируют сделать это в ближайшие полгода. При этом рынок уверенно уходит от монополии одного вендора: хотя OpenAI сохраняет значительную часть корпоративных бюджетов, стандартом становится мультимодельный подход, когда одновременно используются решения нескольких разработчиков. Для бизнеса это означает рост архитектурной сложности и спрос на системы, которые умеют управлять разными моделями, расходами на вычисления и безопасностью данных в едином контуре. Вебпрактик AI | Корпоративный ИИ

🗯️ #ПятничныйКейс с Сергеем Калюжным Shell передала ИИ-агентам управление техобслуживанием на 30 000 единицах оборудования Компания Shell годами использовала платформу C3 AI для мониторинга оборудования: система отслеживала аномалии и передавала уведомления инженерам. Дальше только ручная работа. От сигнала до ремонта проходили часы и дни. Но так долго не могло продолжаться и следующим шагом стал агентный ИИ. Теперь система проходит полный цикл без человека: - устанавливает первопричину, - формирует рабочее задание, - проверяет склад и создаёт заявку в SAP. Незапланированные простои сократились на 45%, затраты на обслуживание на 20–25%, годовая экономия порядка 400 млн $. Еженедельно обрабатывается 20 млрд строк данных, 3 млн датчиков, создается 15 млн прогнозов и действий в день.

В Shell не просто внедрили агентный ИИ, а доказали, что эта модель работает в реальных промышленных условиях. Логика, когда агенты выполняют автоматическое действие на основе собранных данных прошла проверку в одной из самых сложных операционных сред в мире: тысячи объектов, критическое оборудование, там где цена ошибки — это миллионы в час. Та же логика уже сегодня не требует колоссальных бюджетов с многолетним опытом и воспроизводится через n8n, Dify, Langflow, Make: в заявках, закупках, поддержке и документообороте. В любом процессе, где есть повторяющийся сценарий и четкий триггер.

Теперь остается один вопрос: какой процесс вы автоматизируете первым? Вебпрактик AI | Корпоративный ИИ

3️⃣7️⃣% — столько работающих россиян уже владеют навыками взаимодействия с искусственным интеллектом. Такую статистику приводит ИСИЭЗ НИУ ВШЭ в свежем исследовании. Чтобы понять глубину проникновения технологий на рынке труда, авторы отчета разбили эту аудиторию по уровню решаемых задач. Цифры распределились следующим образом: 22,7% применяют алгоритмы для базовых рутинных функций (генерация текстов или изображений). 11,7% интегрируют ИИ непосредственно в свои профильные рабочие процессы. 4,9% отмечают, что владение нейросетями официально требуется им по должностной инструкции. Статистика наглядно фиксирует текущую ситуацию. Технологии уже активно используются внутри команд по личной инициативе сотрудников, но пока редко становятся частью официальных требований и корпоративных регламентов работодателя. Вебпрактик AI | Корпоративный ИИ

Масштабируемость вместо интеллекта: как бизнес теперь выбирает ИИ The Economic Times обращает внимание на смену приоритетов в корпоративном ИИ: компании перестали оценивать нейросети только по их базовым возможностям. Теперь они смотрят на архитектурный запас прочности. Главный критерий выбора сместился — важно не то, насколько алгоритм «умный», а выдержит ли продукт кратный рост нагрузки. Ситуация, когда локальный ИИ отлично справляется с задачей в одном отделе, уже никого не удивляет. Но как только бизнес пытается удачный пилот «раскатать» на смежные функции — например, связать продажи, финансы и поддержку, — начинаются системные сбои. Инструменты не стыкуются, безопасность данных провисает, а юнит-экономика проекта просто не сходится из-за огромных трат на интеграцию. Из-за этого вопросы при оценке внедрений ИИ поменялись. Вместо привычных: — Насколько точные ответы дает модель по бенчмаркам? — Как быстро мы сможем показать эффект от пилота? Бизнес теперь спрашивает другое: — Сможет ли эта архитектура тянуть несколько процессов сразу, чтобы мы не потеряли управляемость? — Не придется ли нам сменить это решение через год, когда компания вырастет вдвое или изменятся регламенты? Это меняет и структуру спроса. Компании меньше заинтересованы в разрозненных инструментах под отдельные функции и больше — в продуктах, которые можно разворачивать на уровне нескольких команд и направлений. Иными словами, рынок постепенно смещается от ИИ как точечной функции к ИИ как рабочей системе. Для бизнеса это означает довольно простую вещь. Сегодня уже недостаточно купить решение, которое производит сильное впечатление на этапе демонстрации. Гораздо важнее понять, выдержит ли оно рост компании, усложнение процессов и более широкий круг задач. Именно это, а не эффект новизны, и определяет практическую ценность ИИ-продукта. Вебпрактик AI | Корпоративный ИИ

Скрытый ИИ как симптом архитектурной проблемы По данным опроса компании Speech2Text, в котором участвовали более тысячи работающих россиян разных возрастов, 41% респондентов используют искусственный интеллект для решения рабочих задач, но не сообщают об этом руководству. В группе до 31 года «теневое» использование ИИ достигает 52% — эти цифры опубликовала «Газета.Ru». Мотивация понятна. Сотрудники адаптируются к растущим требованиям бизнеса и высоким темпам работы. При этом они боятся, что руководство спишет их личную эффективность на алгоритм, обесценит их труд или решит, что функцию проще автоматизировать. Для бизнеса, который готов к цифровой трансформации, эти цифры указывают на серьезный структурный разрыв. Проблема не в том, что команда применяет новые инструменты — инициатива снизу подтверждает готовность к оптимизации. Риск в том, что адаптация происходит хаотично. Когда специалисты прогоняют внутренние отчеты, финансовые показатели или клиентские данные через внешние сервисы, компания теряет контроль над безопасностью информации. Более того, стихийный подход превращает нейросеть в личный удобный чат, но не дает системной экономической выгоды всему бизнесу. Масштабировать удачные индивидуальные практики в таких условиях невозможно. Попытки запретить ИИ-инструменты только загоняют проблему в тень. Реальная задача руководителей — легализовать этот процесс и возглавить его. Эффективность появляется тогда, когда ИИ получает свое место в операционном контуре, прозрачные границы автономности и измеримые бизнес-метрики.  Вебпрактик AI | Корпоративный ИИ

Законопроект об ИИ переписали: поддержка вместо запретов и свобода для Open Source В правительстве представили кардинально обновленную версию законопроекта об искусственном интеллекте. Документ, который дорабатывали несколько месяцев, переписали практически полностью. И главное изменение кроется уже в названии: теперь это не закон о «регулировании», а закон о «поддержке развития» технологий ИИ в России. 💬 #БизнесСреда с Александром Букуровым, основателем и директором Вебпрактик Обычно эта рубрика выходит по средам, но сегодня делаем исключение: слишком важная новость для рынка, чтобы откладывать обсуждение. Что важно знать бизнесу: 🔴 Дерегуляция малых проектов. Фокус смещен с тотального контроля всего ИИ на регулирование исключительно «больших фундаментальных моделей» (БФМ) — тех, что содержат более 1 млрд параметров. Малые опенсорсные решения (например, системы компьютерного зрения для регионального бизнеса) под действие закона больше не попадают. Бизнес может выдохнуть. 🔴 Отмена жестких запретов. Из документа убрали скандальный пункт об обучении моделей только на российских данных. Также исчез запрет на трансграничную передачу данных, а значит, доступ к зарубежным сервисам (включая ChatGPT) перекрывать не планируют. 🔴 Авторское право. Закон встал на сторону разработчиков ИИ. Обучать модели на открытых данных можно. Исключение — если владелец сайта прямо прописал запрет в мета-тегах, тогда у него появляется право на претензию. 🔴 Маркировка контента. Требования существенно смягчили. Теперь закон говорит лишь о том, что разработчик должен «обеспечить возможность» пользователю разместить предупреждение о том, что контент сгенерирован ИИ.

Перед законодателями стояла непростая задача: государству необходимо стимулировать национальный рынок фундаментальных моделей, но при этом нельзя монополизировать отрасль и «складывать все яйца в одну корзину». Получилась на удивление рабочая и сбалансированная конструкция. С одной стороны, закон не перекрывает кислород и позволяет бизнесу свободно использовать лучшие мировые Open Source решения, которые закрывают многие прикладные коммерческие задачи. С другой — создает правовую рамку и дает господдержку для развития «суверенных» (полностью воспроизводимых в РФ) и «национальных» фундаментальных моделей. В кои-то веки регулирование выглядит как стимул к развитию, а не как бутылочное горлышко.

Как вы оцениваете новые правила игры? Будете внедрять Open Source или ждете мощных отечественных моделей? Делитесь мнением в комментариях! 👇 Вебпрактик AI | Корпоративный ИИ

💭 #ПятничныйСтек с Иваном Поддубным, CTO «Вебпрактик» Несколько лет назад на одном производстве автоматизировали учёт в 1С. Сделали аккуратно, сдали в срок. А потом выяснилось: 30% операций — это передача данных между подразделениями, и они никуда не делись. Просто переехали из бумаги в красивый интерфейс. За автоматизацию в итоге заплатили дважды — сначала за внедрение, потом за переделку процесса вместе с самой системой. Это история из разбора Андрея Апатьева на Хабре. Формально она про производство и бережливый подход, но читается как точный диагноз для ИИ-проектов. Потому что суть внедрения ИИ — это перестройка процесса, а не сама модель или агент. А раз так, все классические грабли автоматизации работают и здесь: автоматизируешь неэффективный процесс — получаешь его точную цифровую копию, только дороже.

Мысль автора простая и неудобная: окупаемость появляется только тогда, когда сначала находишь звено, автоматизация которого экономит больше всего, и лишь потом обсуждаешь архитектуру. А гипотезу проверяешь самым дешёвым способом — руками или на бумаге, не кодом. На проектах мы видим ровно это: дисциплина «сначала процесс, потом инструмент» отсеивает половину красивых ИИ-идей ещё до старта. Но с одним пунктом я бы поспорил. Не каждую операцию стоит прогонять через громоздкий расчет эффективности. У ИИ эффект накопительный: обосновать первого агента почти всегда тяжелее, чем пятого, — инфраструктуру, на которой он живёт, уже оплатили предыдущие. И мелкая рутина тоже считается. Если платформа позволяет собрать агента под конкретную задачу за вечер, требовать от него расчёт окупаемости как от полноценного проекта — значит просто его не собрать. Поэтому я считаю, что внедрения ИИ нужно делить на два режима. Крупное внедрение, которое перекраивает процесс, — через картирование и проверку гипотез, ровно как в статье. С мелкой автоматизацией рутины всё проще: окупается за месяц — делаем, не собирая проектный комитет.

Как вы определяете, где нужно строго считать окупаемость, а где можно пойти по пути «просто берем и делаем, потому что дёшево»? Вебпрактик AI | Корпоративный ИИ

Почему одни ИИ-агенты работают, а другие остаются пилотами? Несколько архитектурных принципов В свежем исследовании Cloud.ru об ИИ-агентах есть важный и довольно трезвый вывод: успех проекта определяется не столько моделью «под капотом», сколько тем, как алгоритм встроен в операционный контур. Ценность появляется не в момент закупки технологии, а когда для нее определена четкая роль в процессах. Чтобы агент действительно работал на бизнес, а не оставался изолированным экспериментом, компании нужно заранее продумать его архитектурный каркас. Анализируя логику исследования, можно сформулировать принципы, на которых строятся успешные внедрения. Жесткий прикладной сценарий. Агент должен забирать на себя конкретный класс базовых задач: например, маршрутизацию обращений или первичный разбор документов. Успешные внедрения чаще связаны с конкретными процессами и измеримыми задачами, чем с попытками использовать агента сразу для широкого круга функций. Измеримые бизнес-метрики. Если до запуска не определено, что именно мы улучшаем — скорость операций, снижение трудозатрат или качество ответа, — отличить полезное внедрение от просто заметного будет невозможно. Метрики здесь нужны не для отчетов, а для управления: они показывают, когда агента пора масштабировать, а когда — останавливать проект. Границы автономности. Должно быть заранее ясно, в каких ситуациях алгоритм вправе действовать сам, где он только готовит черновик, а где обязан передать задачу сотруднику. На этом этапе ИИ перестает быть «умным чатом» и становится элементом системы с понятными зонами контроля и ответственности. Без такого архитектурного каркаса компании либо из-за страха чрезмерно ограничивают ИИ, сводя его пользу к нулю, либо теряют контроль над процессом. Вебпрактик AI | Корпоративный ИИ

Пост «полезная выжимка из выжимки» — пять ключевых идей книги Мелиссы Рив «Hyperadaptive: rewiring the enterprise to become AI-native». Книгу пока не перевели на русский, опираемся на конспект, опубликованный в Next Big Idea Club. Мелисса Рив — автор модели Hyperadaptive, эксперт по организационным трансформациям и бывший вице-президент по маркетингу в Scaled Agile с более чем 25-летним опытом в управлении и agile-подходах. Сегодня она фокусируется на том, как пересобрать бизнес в эпоху ИИ, а не просто внедрить пару инструментов. Ниже — пять главных тезисов книги. 1. Старый управленческий контур плохо сочетается с ИИ Во многих компаниях ИИ пытаются встроить в систему, рассчитанную на длинные циклы согласований, жесткую иерархию и разделение по функциям. В такой логике технология может ускорить отдельные операции, но не меняет скорость принятия решений в целом. 2. Проблема не в доступе к ИИ, а в устройстве компании Сами инструменты уже стали массовыми, но это не означает, что бизнес автоматически получает преимущество. Эффект появляется там, где компания умеет быстро замечать изменения и перестраивать процессы. 3. Набор разрозненных пилотов не равен стратегии Чат‑бот в поддержке, генерация текстов в маркетинге и пара экспериментов в аналитике ещё не означают, что компания всерьёз работает с ИИ. Если между этими инициативами нет общей логики, они остаются локальными улучшениями и не меняют бизнес как систему. 4. Обучение работе с ИИ должно стать частью повседневной практики Разовый курс или внутренний вебинар здесь не решают задачу. По мысли Рив, компании нужен постоянный цикл: пробовать ИИ на реальных задачах, быстро разбирать ошибки, обмениваться рабочими находками и обновлять подходы по мере изменения самих инструментов. 5. Без пересмотра ролей и полномочий ИИ останется надстройкой ИИ всем даёт доступ к аналитике и рекомендациям, которые раньше были «привилегией» верхних уровней управления. Если при этом не менять, кто и на каком уровне может принимать решения, ИИ остаётся дорогой надстройкой над старой системой, а не драйвером изменений. Вебпрактик AI | Корпоративный ИИ

6️⃣5️⃣% — столько обращений клиентов Сбера в голосовых и текстовых каналах в первом квартале 2026 года были решены с помощью искусственного интеллекта. При клиентской базе более 110 млн розничных клиентов уровень автоматизации в голосовом канале достиг 66%, а в чатах — 71%, что выше среднерыночных значений 2026 года: 23% в голосе и 67% в чатах, по данным Frank RG. Ранее стало известно, что в ВТБ доля обращений клиентов, успешно решаемых роботами без участия оператора, превысила 62% — речь идет о голосовых помощниках в контакт-центре и чат-боте в онлайн-банке. Похоже, для банков ИИ в поддержке уже перестает быть пилотом или витриной инноваций. Когда крупнейшие игроки выводят в автоматизацию больше половины клиентских обращений, это уже не отдельный цифровой сервис, а новая операционная норма для всего клиентского контура. Вебпрактик AI | Корпоративный ИИ

Конец эпохи ИИ-безлимитов: рынок переходит к подсчету ROI Волна безоглядного внедрения ИИ, похоже, заканчивается. Теперь в фокусе не сам факт использования, а экономический смысл: кто, где и за счет каких процессов действительно превращает ИИ в результат, а не просто в растущий счет за токены. CIO пишет о сдвиге, который хорошо знаком крупным компаниям: после этапа «раздать ИИ всем» начинается этап управленческой трезвости. У одних организаций сотрудники быстро сжигают выделенные бюджеты на эксперименты, у других — ИТ и финансовые отделы начинают ограничивать использование и искать более внятную модель отдачи. Сам по себе высокий уровень внедрения больше не считается успехом. Главный вопрос теперь другой: что именно меняется в бизнесе. В этом смысле рынок быстро взрослеет. Раньше компании мерили прогресс числом подключенных пользователей. Теперь важнее другое: - Какие сценарии реально дают экономический эффект. - Где для простых задач используют слишком дорогие модели. - Какие подразделения должны получать приоритетный доступ к ИИ с учетом целей роста и конкуренции. - Где нужны лимиты, прозрачность расходов и правила использования, чтобы ИИ не превращался в бесконтрольную статью затрат. Отдельно важен тезис про цену инфраструктуры. CIO цитирует экспертов: сейчас стоимость ИИ во многом недооценивают, а по мере перехода поставщиков к более жестким тарифам многие компании столкнутся с неприятным ростом расходов. То есть период дешевого энтузиазма заканчивается. Выиграют те, кто заранее выстроит не культ использования, а дисциплину применения. Вебпрактик AI | Корпоративный ИИ

Победитель получает всё. Почему ИИ играет за суперзвёзд? Принято считать, что ИИ якобы всех уравнивает, даёт небольшим и шустрым компаниям шанс обогнать неповоротливых гигантов. Исследование, которое разбирают в материале Эконс, фиксирует другой эффект — генеративный ИИ в первую очередь увеличивает преимущество тех, кто уже в лидерах. Авторы исследования взяли 2500 американских компаний и разделили их на четыре группы по уровню рыночной власти и потенциалу автоматизации задач: - суперзвезды с высоким потенциалом внедрения генеративного ИИ, - обычные компании с высоким потенциалом, - суперзвезды с низким потенциалом, - и обычные компании с низким потенциалом. И экономисты выяснили: основной выигрыш от внедрения генеративного ИИ получают текущие лидеры рынка — так называемые суперзвезды, чьи процессы готовы к внедрению ИИ. Оказалось, что их акции через год после появления ChatGPT показали аномальную доходность в 34 процентных пункта. Эффект проявился во всех секторах, а не только в бигтехе, и сопровождался реальным ростом рентабельности активов. Почему выигрывают гиганты? ИИ дает максимальную отдачу там, где уже накоплены базы данных, сильные нематериальные активы и выстроена сложная управленческая вертикаль. Для таких компаний технологии кардинально снижают издержки на координацию между отделами и уровнями менеджмента. ───────────────── Для бизнеса это важное уточнение к разговору про ИИ. Генеративные модели не «уравнивают шансы» автоматически, а чаще усиливают уже существующие преимущества — масштаб, данные, бренд, управленческую структуру и доступ к квалифицированным кадрам. Поэтому следующий этап конкуренции, похоже, будет идти не только вокруг самих моделей, но и вокруг того, у кого уже есть инфраструктура, чтобы быстрее превратить ИИ в прибыль. Вебпрактик AI | Корпоративный ИИ

💬 #БизнесСреда с Александром Букуровым, основателем и директором Вебпрактик На Хабре вышла отличная корпоративная статья об ИИ. Автор — Виктория из службы маркетинговых коммуникаций СИБУРа. Не разработчик, не CDO, не директор по трансформации. Просто человек, у которого уволили стажёров, а задачи никуда не делись. Что она сделала за три месяца: — Email-рассыльщик для клиентского журнала: экономия ~7 часов в месяц, или 900 тыс. руб./год через подрядчика. — Telegram-бот для мониторинга 36 внешних ресурсов: аналог внешнего сервиса за 2–2,5 млн руб./год. — Сквозная аналитика по всем каналам коммуникации с клиентами. — Мультиагентный Telegram-канал с отраслевыми новостями, где она «занимается только стратегией». Финальный вывод, который она сформулировала сама: «Они не заменили мне стажёров. Они сделали меня руководителем маленькой команды цифровых джунов. Быстрые, не устают, работают ночью».

Отличная метафора. И точная. Тезис первый: это и есть правильное начало ИИ-трансформации История Виктории — идеальная иллюстрация того, как ИИ реально приносит пользу на уровне личной эффективности. Не пилот на 18 месяцев с командой из 40 человек. Конкретный человек с конкретной болью автоматизировал конкретные процессы — и получил измеримый результат. Именно так выглядит первый горизонт: снять рутину, освободить время, почувствовать, что это работает. Тезис второй: но дальше начинается другая история Сама Виктория честно описывает момент, когда «маленький скрипт на вечер» вырос до шести тысяч строк кода с ролями, интерфейсом, логикой согласования и историей версий. И задаёт правильный вопрос: «Где заканчивается вайбкодинг ради удобства, и начинается зона решений, за которые отвечаешь уже как за полноценный инструмент для других команд?» Вот здесь и проходит граница между личной автоматизацией и корпоративным ИИ. Команда «цифровых джунов» — отличный старт. Но чтобы превратить её в производительную силу, нужны две вещи: 1. Платформа. Агенты, собранные «на коленке», не масштабируются на всю организацию. Нужна среда, где агенты живут, логируются, обновляются и управляются централизованно. 2. Пересборка процессов. Агент, встроенный в старый процесс, автоматизирует старый процесс. Реальный эффект появляется, когда сначала переосмысляется логика работы — и только потом под неё проектируется агент. Личная автоматизация — это первый шаг. Но корпоративный ИИ начинается там, где заканчивается вайбкодинг и начинается инженерная дисциплина: платформа, harness, изменение процессов. Кто пройдёт этот путь быстрее конкурентов — получит не просто экономию на рутине, а системное конкурентное преимущество.

Вебпрактик AI | Корпоративный ИИ