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

Теперь официально! 🚀 Запустили Вебпрактик AI, специализированный ИИ-интегратор для крупного бизнеса.

Мы помогаем корпорациям не просто внедрять отдельные ИИ-инструменты, а выстраивать собственную ИИ-платформу и адаптировать под нее архитектуру и процессы.

Главный урок, который мы вынесли из практики: успех ИИ-трансформации зависит не только от технологий, но и от готовности команд и зрелости процессов.

Поэтому Вебпрактик AI работает в партнерстве с консалтинговыми компаниями. Мы закрываем и технологический контур, и вопросы перестройки процессов, организационные изменения и обучение сотрудников.

Что мы предлагаем рынку:

🔴 Технологии без вендор-лока. Строим решения на базе популярных open-source платформ и разворачиваем их в закрытом контуре заказчика.

🔴 Быстрые победы. Подготовили пакет из 30 готовых ИИ-агентов, которые можно внедрить за считанные недели и получить измеримый результат без многомесячных ожиданий.

🔴 Интеграция с корпоративными системами. Агенты подключаются к 1С, SAP, CRM и ERP через API и автоматизируют рутину в маркетинге, продажах, HR и бэк-офисе.

Этот канал — площадка, где мы разбираем корпоративную практику внедрения ИИ: кейсы, архитектуру решений, интеграцию в процессы, экономику проектов, безопасность и управление изменениями.

Хотите разобраться, где ИИ даст реальный эффект именно в вашей компании — оставьте заявку на бесплатный аудит процессов: webpractik.ai

Бюджеты на ИИ растут, а финансовая отдача — нет. Что делать бизнесу?

Bain & Company в новом исследовании (опрошен 951 руководитель по всему миру) зафиксировала тренд: бюджеты на внедрение ИИ растут каждый год, а реальная отдача стабильно не дотягивает до планов. Почти 40% компаний, закладывавших сокращение издержек на 11–20%, в реальности сэкономили менее 10%.

Проблема не в самой технологии, а в разрыве между красивыми презентациями для финансового директора и реальным внедрением. Многие инвест-кейсы строятся на экономике автономных систем, но на практике только 7% компаний используют ИИ без жесткого контроля. 70% работают в режиме «нужно одобрение человека». Из-за этого математика процесса ломается: агент отрабатывает быстро, но задачи просто копятся в очереди на ручную проверку.

Аналитики Bain называют 5 организационных решений, которые отличают успешные внедрения ИИ в процессы от проектов, сжигающих бюджет:

1. Не автоматизировать сломанное. Самая дорогая ошибка — накладывать ИИ поверх старого процесса. Нейросеть не исправит лишние согласования или ручные операции — она просто ускорит их и сделает систему еще более неповоротливой. До внедрения агента процесс нужно пересобрать.

2. Перестать рассчитывать на виртуальные бюджеты. 44% компаний рассчитывают финансировать новые ИИ-проекты из средств, сэкономленных в результате предыдущих внедрений. Однако если прошлые пилоты не обеспечили ожидаемого ROI, такая модель создаёт кассовый разрыв и не позволяет объективно оценивать эффективность инвестиций.

3. Не откладывать запуск в ожидании идеальных данных. Многие компании затягивают внедрение, дожидаясь полной перестройки ИТ-инфраструктуры. На практике эффективнее начинать с тех участков, где оцифровка уже завершена, а сам ИИ использовать как инструмент для постепенного упорядочивания остальных систем.

4. Перестроить систему KPI и ролей. Когда ИИ-агенты забирают рутину, человек перестает быть простым исполнителем и становится супервизором. Если не перестроить оргструктуру под эту новую роль, она станет главным узким местом во всей цепочке.

5. Считать деньги, а не часы. Если измерять результат только «сэкономленными часами», сотрудники просто начнут делать старую работу быстрее, растрачивая освободившееся время на мелкие задачи. Оценивать эффект нужно в реальных бизнес-метриках: снижение затрат, рост выручки или измеримое повышение качества.

Вебпрактик AI | Корпоративный ИИ

💭 #ПятничныйСтек с Иваном Поддубным, CTO «Вебпрактик»

DeepSeek меняет баланс сил: почему рутинные задачи уходят от западных ИИ-моделей

Китайская DeepSeek сделала постоянной скидку 75% на API-доступ к флагманской модели V4 Pro — и этим заметно усилила давление на западных конкурентов.

Что по цифрам. V4 Pro обходится примерно в 7 раз дешевле на входных токенах и в 17 раз дешевле на выходных по сравнению с сопоставимыми западными моделями. Но ключевая цифра — стоимость чтения из кэша: около $0,003625 за миллион токенов. Для агентных систем это критично: в длинных рабочих процессах большая часть токенов уходит не на новые запросы, а на повторное перечитывание контекста.

Куда движется рынок. Эксперты ожидают раскол на два уровня: премиальные закрытые модели OpenAI, Anthropic и Google останутся там, где нужны максимальная надёжность, точность и корпоративные гарантии, а массовые фоновые задачи — рутинный анализ кода, обработка логов, простые проверки — будут всё активнее уходить к дешёвым моделям вроде DeepSeek.

Для нас это не теория из новостей, а уже сделанный шаг. Мы недавно перевели автоматическое ревью кода с американских моделей на DeepSeek и получили кратное сокращение затрат на этом контуре — при том же уровне качества проверок, который нас устраивает.

Вебпрактик AI | Корпоративный ИИ

5️⃣6️⃣% — столько российских компаний хотят использовать ИИ-агентов для автоматизации офисной рутины.

Такие данные приводит «Салют для бизнеса» (входит в группу Сбер) по итогам опроса 308 крупных компаний: от ритейла и строительства до АПК и транспорта.

Главный запрос со стороны бизнеса — оптимизация и автоматизация офисных процессов, так ответили 40,4% опрошенных компаний. Еще 15,6% ждут от ИИ-агентов сокращения времени на рутинные операции. Внутри этого спроса лидирует работа с документами и документооборотом: компании хотят автоматизировать составление, проверку и согласование документов, включая юридические договоры, сверку данных и заполнение форм.

В исследовании также упоминаются анализ данных и подготовка отчетов, включая презентации, а также управление производственными процессами.

Для корпоративного рынка ценность этой цифры не в самом интересе к ИИ-агентам, а в структуре спроса. Крупные компании уже смотрят на ИИ не как на отдельный интерфейс для генерации текста, а как на инструмент, который должен встраиваться в документооборот, отчетность и другие повторяющиеся процессы, где важны скорость, контроль и масштабирование.

Вебпрактик AI | Корпоративный ИИ

Защита от зависимости: как бизнес меняет архитектуру работы с ИИ-вендорами

На этапе первых экспериментов бизнес часто интегрирует решения одного крупного вендора. По мере того, как нейросети встраиваются в основные процессы, возникает риск технологической зависимости. Если значимая часть кода или операций завязана на один внешний инструмент, компания становится чувствительной к изменению его ценовой политики, лимитов и правил использования.

Показательный пример приводит Business Insider на кейсе Walmart. Ретейлер решил не завязывать ИТ-команду на одну платформу и разработал внутреннего кодового помощника Code Puppy. Он работает как единый слой оркестрации, который маршрутизирует запросы разработчиков между языковыми моделями от Anthropic, OpenAI и других вендоров.

Такая внутренняя прослойка решает сразу несколько утилитарных задач. Она позволяет на лету переключаться между LLM для балансировки нагрузки, сравнивать ответы разных движков и гибко управлять стоимостью вызовов, защищая бюджет от скачков цен на токены.

В этой логике корпоративная инфраструктура уходит от привязки к конкретной нейросети в пользу собственного слоя управления. Внешние LLM при таком подходе выступают просто как заменяемые модули, а весь контроль над логикой, затратами и безопасностью остается в контуре компании.

Для бизнеса это означает возможность в любой момент перейти на более выгодную модель незаметно для сотрудников: без простоев ИТ-систем, переобучения команд и слома привычных рабочих процессов.

Вебпрактик AI | Корпоративный ИИ

Мы не только внедряем ИИ в процессы разработки, но и открыто делимся тем, что работает на практике, а что оказывается мифом или требует доработки.

CTO Вебпрактик Иван Поддубный стал гостем Devhands AI Club, где вместе с Алексеем Рыбаком обсудил одну из самых горячих тем индустрии — AI SDLC и переход к Spec-Driven Development (SDD).

🎯 Главный тезис дискуссии звучит довольно жестко: у рынка есть примерно год-полтора, чтобы перестроить процессы разработки. Те команды, которые не научатся работать через спецификации, ИИ-агентов и новые подходы к управлению жизненным циклом разработки, рискуют оказаться в роли догоняющих.

🎙 Поговорили о том:
• как меняется роль разработчиков, аналитиков и тимлидов в эпоху ИИ;
• как внедрять AI SDLC без разрушения существующих процессов;
• какие инструменты и практики уже работают;
• какие ошибки и сложности неизбежно возникают при переходе.

Разговор получился по-настоящему обстоятельным: почти полтора часа обсуждали не только сами подходы AI SDLC и Spec-Driven Development, но и сложности внедрения, реальные кейсы перехода на новые процессы. AI SDLC и SDD уже перестают быть предметом дискуссий о будущем и постепенно становятся частью повседневной практики технологических команд.

🔝 Рекомендуем посмотреть запись. Получился содержательный разговор о реальной практике внедрения ИИ в разработку с большим количеством примеров.


#Вебпрактик_эксперты #AI

💬 #БизнесСреда с Александром Букуровым, основателем и директором Вебпрактик

СберТех выпустил концепцию AI-DISRUPT PDLC — 178-страничный документ о том, как должна выглядеть разработка ПО в эпоху ИИ. Это серьёзная методологическая работа, которую стоит знать любому руководителю, принимающему решения об ИИ-трансформации.

Хочу выделить две идеи, которые мне кажутся важными не только для ИТ, но и для управления в целом.

1. Двухпетлевая модель: Intent Loop и Implementation Loop

Авторы разделяют весь процесс создания продукта на два принципиально разных цикла.

Цикл намерения (Intent Loop) — это зона ответственности человека. Здесь формулируется задача, проверяется гипотеза о результате, принимается решение: стоит ли вообще это делать и как именно. Ключевой этап называется Discovery — переосмысление задачи до того, как написана первая строчка спецификации.

Цикл реализации (Implementation Loop) — здесь работают агенты. Они итерируют, тестируют, исправляют. Человек не пишет код — он оркестрирует: запускает агентные сессии, проверяет результаты на контрольных точках, принимает решения об эскалации.


2. Vibe Working как управленческая философия

Если Vibe Coding — это когда разработчик описывает намерение, а агент пишет код, то Vibe Working — это когда руководитель формулирует цель, а команда оркестраторов с агентами её реализует.

Это не фантастика — по сути этим уже занимаются многие продвинутые руководители. Только пока делают это кустарно на личных продвинутых аккаунтах. Без использования промышленного платформенного ИИ получается пока кустарно.

Что это меняет для руководителя?

- Ценность смещается от «сколько людей работает» к «насколько точно сформулировано намерение».
- Главный дефицитный ресурс — не разработчики, а люди, умеющие правильно ставить задачи агентам и валидировать результат.

Я слежу за тем, как крупные российские корпорации начинают переосмыслять не только инструменты, но и саму логику управления командами. AI-DISRUPT PDLC от СберТех — один из первых серьёзных отечественных документов на эту тему. Вопрос не в том, внедрять ли ИИ в разработку. Вопрос в том, кто в вашей организации отвечает за цикл намерения — и умеет ли он это делать.

Вебпрактик AI | Корпоративный ИИ

6️⃣9️⃣% — столько IT-компаний в мире пока не используют искусственный интеллект в своей работе.

И только 4% полностью внедрили ИИ в свои процессы. Это цифры из аналитического доклада «Экономический рост глазами молодых экономистов. Встреча с реальностью», подготовленного фондом Росконгресс совместно с «Ведомостями» и участниками Международного клуба молодых экономистов «Новое поколение».

Схожая картина и в России: 48% крупных и средних организаций говорят об отсутствии потребности в ИИ, а 58% называют главным барьером высокие затраты на внедрение.

Эти цифры показывают, что интерес к ИИ сам по себе еще не превращается в массовое внедрение. На первый план выходят не общие ожидания, а стоимость внедрения, прикладная польза и готовность компании встраивать такие решения в повседневные процессы.

Вебпрактик AI | Корпоративный ИИ

5 трендов ИИ на 2026–2027 годы — из «Прогнозов РР»

У «Рейтинга Рунета» вышел второй выпуск спецпроекта «Прогнозы РР—2026–2027: геополитика, экономика, технологии, законы, маркетинг и культура». Внутри него есть блок Сергея Карелова о том, что будет дальше с ИИ как технологией в ближайшие два года.

Карелов выделяет пять основных трендов:

Масштабирование ИИ. Индустрия продолжает делать ставку на рост вычислительных мощностей больших языковых моделей. В 2026–2027 годах должно стать понятно, была ли эта стратегия верной: около 60% участников рынка считают, что потолка не будет, 40% — что дальше начнётся слишком дорогой барьер.

Альтернатива трансформерам. В 2025 году часть ведущих специалистов заговорила о другом пути, не основанном только на нынешних LLM; в этом контексте обсуждается идея «мировой модели».

Новые бизнес-модели. Попытки зарабатывать на ИИ старыми способами пока, по оценке автора, остаются скорее теорией, чем устойчивой практикой.

Соперничество США и Китая. США усиливают экспортные ограничения, Китай строит собственную экосистему; это противостояние автор описывает как борьбу с очень высокой ставкой.

Раскол идеологий. Около 40% специалистов по ИИ считают, что разработки нужно тормозить, пока не появятся более понятные подходы к оценке рисков, около 60% — что нужно продолжать движение вперёд.

Здесь важны не сами прогнозы, а практический смысл этого блока. В 2026–2027 годах бизнесу придётся одновременно отвечать на три вопроса: на какие ИИ-технологии делать ставку, где искать понятную экономику внедрения и как работать в ситуации, когда даже базовые представления о дальнейшем развитии ИИ на рынке ещё не совпадают.

Вебпрактик AI | Корпоративный ИИ

5 млрд рублей от ИИ: как X5 масштабирует технологии в бизнес-процессах

Компании начали всё чаще публично декларировать финансовую отдачу от ИИ. Искусственный интеллект перестает быть абстрактной инновацией и становится строкой в P&L, о которой сообщают рынку в пресс-релизах. Ранее мы писали о том, как девелопер «Самолет» оценил эффект от внедрения нейросетей, а теперь аналогичными цифрами поделилась группа X5.

В 2025 году X5 перешла от экспериментов с ИИ к промышленному применению: по заявлениям компании, ей удалось получить около 5 млрд рублей дополнительной операционной прибыли за счёт масштабирования ИИ-решений в коммерции, логистике, клиентском опыте и корпоративных функциях.

Технологической основой стал контур AI Core X5, который объединяет инфраструктуру, управление моделями, тестирование, работу с ИИ-агентами и доступ к языковым моделям. Это позволяет не плодить пилоты, а выводить успешные сценарии в тираж с едиными стандартами качества и безопасности.

Основной вклад в EBITDA дали алгоритмы, встроенные в «тело» ритейла:
- прогнозирование спроса и пополнение складов;
- ценообразование и управление ассортиментом;
- рекомендательные механики и цифровые продукты;
- компьютерное зрение для контроля наличия и выкладки товаров.

Отдельный контур — работа сотрудников с ИИ. Корпоративный CoPilot X5 за год использовали более 32 тыс. человек, из них 21 тыс. — на регулярной основе. К сожалению, в открытых данных не указано, какой это процент от всего штата. На базе платформы AgentOps сотрудники создали свыше 2,3 тыс. ИИ-агентов, обработавших более 150 тыс. запросов.

Кейс показывает, как выглядит зрелое внедрение технологий в корпорации. Экономический эффект измеряется миллиардами, когда ИИ встраивается в архитектуру процессов. Будущее не за изолированными ботами, а за мультиагентными системами, которые закрывают рутину и становятся стандартным элементом ежедневного производственного конвейера.

Вебпрактик AI | Корпоративный ИИ