2026-10-28T12:10:00+03:00

28.10.2026 12:10

Российский ИИ уже не сводится к чат-ботам и генерации картинок. На карте продуктов российского ИИ собрано 65 решений в девяти сегментах: от языковых моделей и ассистентов до платформ для промышленности, информационной безопасности и разработки. При этом наиболее прикладные системы часто не видны обычному пользователю, потому что работают внутри компаний.

Карта отражает 65 продуктов: 35 доступны рынку, 17 используются только внутри компаний, 12 находятся в тестировании, пилоте или готовятся к запуску, ещё один обозначен как прототип. Это не полный реестр российского ИИ, но полезный срез того, куда крупный бизнес вкладывает ресурсы.

Чат-боты заметнее, чем корпоративный ИИ

Когда говорят о российском ИИ, обычно вспоминают универсальные ассистенты, генерацию изображений и поиск. Их проще показать на презентации, они доступны пользователю и становятся предметом новостей.

Но карта показывает другую структуру рынка. Наряду с языковыми моделями и ассистентами развиваются решения для производства, нефтегаза, энергетики, ритейла, финансов, HR, компьютерного зрения, информационной безопасности и разработки.

Публичные продукты отвечают на вопрос «что можно попробовать прямо сейчас». Внутренние системы отвечают на другой вопрос: где ИИ уже встроен в процесс и влияет на сроки, качество или себестоимость работы.

Как устроена карта российского ИИ

Продукты сгруппированы в девять направлений:

• языковые модели и ассистенты, 10 продуктов;
• медицина, 4 продукта;
• финансы, ритейл, e-commerce и HR, 10 продуктов;
• компьютерное зрение, 5 продуктов;
• корпоративные платформы и агенты, 10 продуктов;
• промышленность, энергетика и нефтегаз, 9 продуктов;
• информационная безопасность, 5 продуктов;
• помощники для разработчиков, 6 продуктов;
• изображения, видео и речь, 6 продуктов.

Наибольшее число решений на карте указано у «Яндекса», 9 продуктов, и «Сбера», 8. За ними следуют «Магнит», Т-Технологии и X5.

Это ожидаемо: у крупных экосистем есть данные, вычислительные мощности, разработчики и процессы, в которые можно встроить ИИ.

Но карта интересна не только лидерами.

Среди названий встречаются «Атом.Зая», «Галя GPT», внутренние продукты ритейлеров, металлургических компаний и нефтегаза.

Это важный сигнал: ИИ перестал быть исключительно витриной нескольких крупнейших технологических игроков.

Рынок вышел из стадии демо, но ещё не стал массовым

Из 65 продуктов 35 доступны пользователям или компаниям как готовые решения. Остальные находятся внутри организаций, проходят пилотирование или существуют на уровне прототипа.

Такое распределение типично для технологий, которые переходят от экспериментов к эксплуатации. Публичный сервис можно запустить быстро, но его ценность ограничена, если он не связан с реальными данными и рабочими системами компании.

Внутренний ИИ требует больше подготовки: доступа к данным, интеграций с CRM, ERP, производственными системами или базой знаний, разграничения прав, мониторинга и ответственности за результат. Поэтому внутренние проекты запускаются медленнее, но чаще решают конкретную прикладную задачу.

Промышленность использует ИИ иначе, чем банки

На карте в сегменте промышленности, энергетики и нефтегаза представлено девять решений. Семь из них отмечены как внутренние продукты компаний.

Это объяснимо. Промышленный ИИ редко нужен как отдельный сервис для широкой аудитории. Его применяют для контроля качества, диагностики оборудования, прогнозирования, работы с технической документацией, анализа производственных данных и поддержки инженеров.

По данным, указанным на карте, Магнитогорский металлургический комбинат заявлял экономический эффект от ИИ-проектов в 4,5 млрд рублей за пять лет. Такую цифру стоит воспринимать как оценку самой компании, а не как универсальный ориентир для рынка. Но сам подход показателен: в промышленности ИИ оценивают не по числу пользователей в чате, а по влиянию на простои, брак, производительность и затраты.

Публичный ИИ легче показать. Промышленный ИИ сложнее внедрить, но именно там проще связать технологию с конкретным экономическим результатом.

Почему банки и ритейл пока осторожнее с внешними продуктами

В финансах, ритейле, e-commerce и HR на карте также десять решений. Однако многие из них находятся в тестировании, пилоте или ограниченном запуске.

Для банков и крупных торговых сетей публичный запуск связан не только с качеством ответов модели. Нужно учитывать персональные данные, банковскую тайну, требования к объяснимости решений, интеграции с внутренними системами, риск ошибок и нагрузку на службу поддержки.

Поэтому корпоративный помощник может появиться внутри компании раньше, чем станет публичным сервисом. Сначала организация проверяет сценарии на ограниченной группе пользователей, собирает ошибки, настраивает доступ к данным и только после этого решает, масштабировать ли продукт.

Закрытый контур становится отдельным продуктом

Одна из заметных тенденций карты, развитие закрытых ИИ-контуров. Компании хотят использовать языковые модели и агентов, но не готовы отправлять договоры, код, клиентские данные и внутренние регламенты в обычный публичный чат.

Закрытый контур обычно включает несколько компонентов:

• корпоративный AI-шлюз для управления доступом к моделям;
• авторизацию сотрудников и разграничение прав;
• подключение к разрешённым источникам данных;
• журналирование действий и запросов;
• фильтрацию чувствительной информации;
• внутреннюю базу знаний и поиск по документам;
• возможность развернуть модель внутри инфраструктуры компании или использовать утверждённые внешние API.

Сам по себе закрытый контур не делает работу с ИИ безопасной автоматически. Он помогает контролировать маршруты запросов, ключи, доступ и логи. Но компании всё равно нужны правила обработки данных, оценка рисков, настройка прав и проверка действий агентов.

ИИ-агенту не стоит выдавать доступ «ко всему». Если система может работать с CRM, почтой, документами или инфраструктурой, ей нужны минимально необходимые права, ограниченный набор действий и подтверждение человека для критичных операций.

Что это означает для бизнеса

Карта показывает, что вопрос для большинства компаний уже звучит не «нужен ли нам ИИ», а «в каком процессе он даст измеримый результат и как безопасно его встроить».

Начинать стоит не с выбора модной модели, а с конкретной повторяемой операции. Например:

• поиск ответов в технической документации;
• обработка заявок в поддержке;
• суммаризация звонков и встреч;
• классификация входящих документов;
• контроль качества диалогов;
• анализ журналов и инцидентов;
• подготовка черновиков коммерческих предложений;
• прогнозирование спроса или нагрузки;
• помощь разработчикам и инженерам.

Для такого сценария можно собрать пилот, определить метрики и проверить гипотезу на реальных данных. Если решение сокращает время обработки, уменьшает число ошибок или помогает сотрудникам быстрее принимать решения, его имеет смысл развивать дальше.

Как не превратить внедрение ИИ в дорогой эксперимент

1. Выберите один процесс. Не начинайте с попытки автоматизировать всю компанию.
2. Определите исходную точку. Зафиксируйте текущее время обработки, стоимость, число ошибок и нагрузку на сотрудников.
3. Проверьте данные. Оцените полноту, актуальность, права доступа и качество исходных документов.
4. Ограничьте пилот. Подключите небольшую группу пользователей или один тип задач.
5. Не выдавайте широкие права агентам. Сначала используйте режим чтения, черновики и подтверждение действий человеком.
6. Считайте эффект. Измеряйте не количество запросов к модели, а влияние на бизнес-процесс.
7. Продумайте сопровождение. Модели, интеграции, доступы и базы знаний требуют регулярной поддержки.

Вывод

Российский ИИ-рынок уже шире, чем набор публичных ассистентов. Самые зрелые сценарии постепенно уходят в корпоративные процессы, где важны не яркие демонстрации, а работа с данными, надёжность интеграций и экономический эффект.

Промышленные компании, ритейл, банки и ИТ-команды используют разные подходы, но движутся в одном направлении: от отдельных чатов к управляемым ИИ-системам, встроенным в повседневную работу.

Для бизнеса это означает простую вещь: конкурентное преимущество создаёт не сам доступ к языковой модели, а качество данных, понимание процессов и способность безопасно довести пилот до эксплуатации.

Источник данных

Инфографика «Карта продуктов российского ИИ», предоставленная для подготовки материала. Данные на карте отражают состояние продуктов на момент её составления.