От пилотов к эффекту: как цифровые технологии перенастраивают промышленность

Главное глобальное изменение последнего года не появление новых технологий, а драматическое расслоение компаний по способности извлекать из них ценность. Так, базовый стек промышленной цифровизации стабилизировался: искусственный интеллект (ИИ) во всех его проявлениях — от машинного обучения и предиктивной аналитики до генеративного ИИ, IoT (интернет вещей), цифровые двойники, 5G- и edge-вычисления, коллаборативная робототехника и даже AR и VR (дополнительная и виртуальная реальности). Перечень один на всех, однако результаты сильно отличаются между компаниями. О причинах такого расслоения рассказал «Ъ-Технологиям» партнер «Яков и партнеры», глава практики ИИ и высоких технологий Максим Болотских.

Выйти из полноэкранного режима

Развернуть на весь экран

Большинство международных консалтинговых и аналитических компаний сходятся в исследованиях в том, что только 5–7% организаций извлекают из ИИ материальную ценность при масштабном внедрении, причем оценивают прирост от внедрения ИИ в размере 5% от операционной прибыли. Такие компании иногда называют future-built. При этом 60% компаний не получают от ИИ никакого значимого эффекта вообще. Отдельно можно выделить статистику по генеративному ИИ — только 13% организаций сообщают о значимом эффекте на уровне предприятия.

Что это значит для промышленности? Разговор смещается с «надо ли внедрять ИИ» на «почему у одних получается, а у других — нет». Согласно исследованиям, компании-лидеры тратят около 70% усилий на людей и трансформацию бизнес-процессов, 20% — на данные и технологический стек, и только 10% — на сами алгоритмы. То есть главный тренд 2025 года — это признание того, что ИИ — это не ИТ-проект, а проект организационной трансформации. И именно тут проходит граница между теми, кто собирает эффекты, и теми, кто продолжает оставаться в пилотном болоте.

Экономика внедрений

Сегодня можно выделить четыре трека, где экономика внедрений перестала быть дискуссионной. Машинное обучение и предиктивная аналитика — зрелая история. Модели на сенсорной телеметрии работают в металлургии и нефтегазе уже несколько лет — вопрос не внедрять или нет, а как масштабировать единичные кейсы на уровень группы компаний. Стоимость входа снизилась — так, например, типовое решение по предиктивной диагностике оборудования можно найти в пределах 5–10 млн руб. А вот полномасштабное внедрение может стоить от сотен миллионов до 1–2 млрд руб. в зависимости от размера организации. При этом срок возврата вложений укладывается в 12–24 месяца.

Генеративный ИИ и ИИ-агенты — самое быстрорастущее направление. На фоне того, что в мире только 5–10% компаний извлекают из ИИ значимый эффект на уровне предприятия, российский рынок находится в интересной позиции: массовое внедрение уже произошло, и ключевой вопрос 2026 года — как превратить пилоты в работающую экономику. Наиболее зрелые промышленные кейсы — ИИ-ассистенты для технического обслуживания и ремонта: некоторые интеграторы собрали на базе моделей Yandex AI Studio решения, сокращающие простои на 10–25% и ускоряющие адаптацию сотрудников до 50%. Летом 2025 года «Сбер», группа «Цифра» и ЦРТ объявили об интеграции GigaChat в промышленную платформу ZIIoT, LLM встраиваются уже не в ИТ-контур, а в слой управления производственными данными.

Параллельно 40% компаний используют чисто облачную модель потребления ИИ-сервисов, 29% — гибридную; в банках доля on-premise по-прежнему 90%. Промышленность движется к гибриду: чувствительные данные остаются в закрытом контуре, ресурсоемкие вычисления уходят в облако. Кроме того, российские ВКС-сервисы занимают более 90% корпоративного сегмента, конкуренция идет за ИИ-обвязку: расшифровку встреч, автоматические конспекты, единый интерфейс чатов и видео.

Платформа вместо коробки

На рынке ИТ-вендоров часто противопоставляют две модели — экосистему партнеров или «единое окно». Для промышленности это ложная дихотомия. Побеждают те, у кого есть и то и другое. Три фактора реально двигают выбор в промышленном сегменте.

Первый — глубина экосистемы и связность сервисов. Крупному заказчику неинтересно покупать LLM, ВКС, облако и видеоаналитику у четырех разных вендоров. Нужна связность: чтобы агент внутри MES (Manufacturing Execution System; система управления производственными процессами) обращался к корпоративной базе знаний, чтобы расшифровка совещания попадала в трекер задач, чтобы модель, обученная в облаке, разворачивалась на периметре. Отсюда логика «единого окна» у «Яндекса» (Yandex B2B Tech как зонтик для ИИ-решений Yandex Cloud и «Яндекс 360») и «Сбера» (GigaChat Enterprise плюс партнерская программа для интеграторов, запущенная в апреле). В зрелом цикле внедрений выиграет платформа, а не точечное решение.

Второй фактор — цена и предсказуемость стоимости ИИ. Последние модели зачастую в несколько раз дешевле предыдущих версий. Барьер входа для средних компаний снижается быстрее, чем еще год назад казалось возможным. При этом 86% компаний, работающих с GenAI, по нашим данным, донастраивают внешние open source модели, что говорит о зависимости конкурентоспособности вендора от открытости его инфраструктуры для дообучения.

Третий фактор — способность работать вместе с командой заказчика, а не вместо нее. Промышленные клиенты заметно выросли в экспертизе, во многих Enterprise и не только компаниях уже свои ML-команды, дата-платформы, требования к интерпретируемости моделей. Роль вендора меняется, становится недостаточно оставаться «поставщиком коробки», нужно менять парадигму и превращаться в технологического партнера.

От покупки решений к совместной разработке

Согласно нашему исследованию, собственную разработку ИИ-решений ведут 17% крупных компаний, 78% используют готовые решения, около половины из них адаптируют продукт совместно с подрядчиком. Реальная модель — гибридная.

Выйти из полноэкранного режима

Развернуть на весь экран

Доля собственной разработки растет: число дочерних ИТ-компаний у российских корпораций за год выросло со 150 до 250, их совокупная выручка уже превысила независимый ИТ-рынок страны. Причин четыре: уход западных вендоров создал вакуум, налоговые льготы для аккредитованных ИТ-компаний сделали кэптивную модель экономически оправданной, собственные дата-платформы «Норникеля», «Северстали» и других металлургов показали, что инхаус лучше решает задачи отраслевой специфики, конкуренция за инженерные кадры заставляет строить ИТ-«дочки» как инструмент удержания разработчиков.

Сами делают там, где продукт завязан на уникальные отраслевые данные (контроль качества конкретного передела, оптимизация рудника), где нужна глубокая интеграция с legacy и где ИТ-компетенция — стратегический актив. К вендорам идут с типовыми задачами (ERP, ВКС, почта). Только единицы решаются идти в полностью самостоятельную реализацию LLM-платформ и трансформаций, когда на старте не хватает внутренней экспертизы или где масштаб инвестиций может превышать эффект на коротком горизонте.

Крупные ИТ-компании смещаются от продажи «коробок» к платформам, API и дообучаемым моделям. Логика одна: не только «мы сами внедрим», но и «мы даем технологию и экосистему — внедряют отраслевые партнеры». Большая часть ценности создается там, где платформенная технология вендора встречается с отраслевой экспертизой клиента.

Гибрид как промышленный стандарт

Быстрее всего спрос на гибридные ИТ-архитектуры растет в металлургии, нефтегазе и химии. Логика во всех трех одинаковая: большие объемы данных с производственного контура (телеметрия тысяч датчиков, технологические журналы, лабораторный контроль), жесткие требования к защите критичных сегментов и реальная ценность быстрых аналитических циклов, которые без облачных мощностей не замкнуть. Чисто on-premise — невыгодно: держать собственную инфраструктуру под тяжелое обучение моделей дороже, чем арендовать. Чисто в облако — невозможно из-за требований к защите сегмента операционных технологий (ОТ) и регуляторных ограничений. Параллельно гибрид растет в электроэнергетике и машиностроении, где уже выстроены дата-платформы. В сегментах с низкой цифровой зрелостью (легкая и часть пищевой промышленности) гибрид пока не массовый сценарий.

Сигнал от рынка: около половины респондентов исследования «Яков и партнеры» и Yandex B2B Tech отмечают финансовый эффект от облачных решений выше 3% EBITDA. Для капиталоемких отраслей это заметная величина и сильный аргумент для прохождения облачных проектов внутри компаний.

ИИ-агент на службе

Стоит отдельно отметить, что для горнодобычи, металлургии и нефтегаза ИИ-агенты перспективны, но не одинаково во всех частях производственной цепочки. Поле их применения можно разделить на три слоя.

Периферийные процессы вокруг производства — работа с документами (регламенты, акты, отчеты по сменам), поддержка диспетчеров, анализ заявок на ТОиР, суммаризация расследований инцидентов, обучение персонала. Цена ошибки контролируема, данные структурированы — за 2025 год собрано большинство успешных промышленных кейсов. Эффект измеримый: сокращение простоев на 10–25%, закрытие до половины документооборота без участия человека.

Поддержка принятия решений — агенты, анализирующие отклонения технологических параметров, предлагающие оптимальные режимы, помогающие планировать цепочки поставок. Около 30% пилотов 2025 года в тяжелой промышленности перешли в промышленную эксплуатацию именно в этом слое.

Прямое управление технологическими процессами пока единичные пилоты, и здесь целый ряд тормозящих внедрение факторов.

В их числе — качество и связность исторических данных; требования к объяснимости модели и валидации каждого управляющего действия — на опасном производственном объекте «черный ящик» недопустим; регуляторная инерция (промышленная безопасность требует сертификации решений); дефицит инженеров, одновременно разбирающихся в AI и в процессной технологии; инерция операционной культуры — сменный инженер должен научиться доверять рекомендации модели, это вопрос управления изменениями.

В ближайшие полтора-два года агенты будут расползаться из периферии вглубь производственного контура, но автоматизация работы оператора возможна лишь на горизонте 2028–2030 годов.

Кибербезопасность — часть архитектуры

Рост цифровизации неизбежно увеличивает расходы на информационную безопасность. В промышленности доля ИБ в ИТ-бюджете в среднем выросла в полтора-два раза за 2023–2025 годы — это новая норма. Сам ландшафт угроз изменился по трем параметрам.

Первый — это профиль атак: массовые DDoS-атаки и атаки вымогателей уступили место целевым APT — рост на промышленный сектор 20–22% год к году. На промышленность в первом полугодии 2025 года пришлось 13% всех успешных атак на организации (второе место после госсектора); топ-3 атакуемых секторов — пищевая промышленность (29%), нефтегаз (23%) и машиностроение (17%).

Второй — мотивация: промышленный шпионаж как доля мотиваций вырос с 54% до 61%, цель все чаще не выкуп, а физическое нарушение технологических процессов через атаки на АСУ ТП.

Третий — способы проникновения: доля атак через подрядчиков и цепочки поставок выросла с 8% до 27,6%. Среднее время присутствия атакующих в сети до обнаружения — недели, при отсутствии мониторинга — месяцы.

Как с этим борются компании? Растут расходы на поведенческий мониторинг и SOC-сервисы. Холдинги либо строят собственные SOC (Security Operations Center — центр мониторинга и реагирования на кибератаки), либо переходят на MSSP-модель (Managed Security Service Provider — защита ИТ-инфраструктуры клиентов по модели аутсорсинга), на NDR-решения и контроль сегментации информационных и OT-технологий, на защиту цепочек поставок — теперь это отдельная статья бюджета. Защищенность ОТ-сегмента стала базовой частью проектирования новых производств. Практический вывод: любой новый цифровой проект — ИИ, облако, коммуникации — изначально проектируется с учетом защиты данных и сегментации контура. Это уже не опция, а базовое условие входа.