Вебпрактик AI | Корпоративный ИИ

🗯️ #ПятничныйКейс с Сергеем Калюжным

Synthesia сменила фокус: теперь она про тренировки, а не про видео

Британский стартап Synthesia, известный AI-аватарами для видео, запустил Roleplay Sessions. Сотрудники репетируют сложные диалоги с аватаром: питчи, переговоры, разговоры с клиентами. Аватар отвечает, спорит, провоцирует.

Раньше Synthesia продавала скорость. Вместо съемок с актерами — загрузил текст, и аватар будет его читать с экрана. Но в компании пришли к выводу: видео информирует, но не меняет поведение. Продажник, посмотревший ролики, не становится лучше. Навык появляется только когда делаешь, ошибаешься и получаешь обратную связь.

Поэтому Roleplay Sessions устроен иначе. Сотрудник запускает сессию, и аватар играет роль трудного клиента или недовольного подчинённого. Но самое важное здесь — дашборд для руководителя. На нём видно, кто «плывёт» при обсуждении цены, а кто не может дожать сделку.

Техническая архитектура гибридная: собственные технологии синтеза голоса и аватаров, логика диалога — на OpenAI, поверх — собственный слой аналитики, превращающий разговоры в данные.

Первые клиенты — топ-3 компании Европы по капитализации, топ-5 Fortune 100, крупнейшая рекрутинговая компания. Два сценария в топе: отработка навыков продаж и сложные разговоры (увольнения, перформанс-ревью, кризисные коммуникации).

CEO Synthesia Виктор Рипарбелли: «Мы даем руководителям данные о навыках, которые раньше было невозможно собрать».

Фактически компания изменила свой продуктовый фокус. Если раньше основная ценность Synthesia была в создании обучающего контента, то теперь — в данных: кто как продает, где слабые места, как выглядит команда в разрезе компетенций.

Synthesia реализовала современную harness-платформу, создающую ценность за счет инфраструктуры аналитики и экспертизы, а не качества AI-модели. Они увидели проблему: сложно оценить диалог менеджера в распределенных командах. И сделали инструмент, который помогает принимать кадровые решения.

Для компаний с удаленными командами и высокими требованиями к переговорам — это мост между «посмотрели обучение» и «действительно умеют».

Компания Synthesia — одна из первых, кто перешел от генерации контента к генерации данных о компетенциях. Это следующий этап Enterprise AI: не демо-эффект, а измеримый результат в конкретной бизнес-задаче.

Вебпрактик AI | Корпоративный ИИ

AI Governance как новый критерий доверия к бренду

Fast Company опубликовала колонку со-СЕО коммуникационного агентства Mission North Тайлер Перри с разбором исследования Brand Expectations Index 2026. Главный вывод: высококвалифицированные специалисты на рынке — те, кто принимает решения о B2B-закупках, формирует отраслевую повестку и составляет элитный кадровый резерв, — больше не оценивают инновационность компаний по количеству внедренных ИИ-фич. Всё большее значение приобретает AI Governance — правила, которые определяют, где и как компания использует искусственный интеллект.

По данным исследования, 77% внешних экспертов абсолютно комфортно воспринимают использование компаниями нейросетей для рутинных операций, маркетинга или персонализации контента. Но уровень доверия к бренду резко падает, когда ИИ получает автономию в принятии значимых решений.

- 58% выступают против использования ИИ для кадровых решений;
- 55% против подготовки юридических документов;
- 63% считают, что при внедрении ИИ в критически важные процессы компания должна привлекать независимых экспертов.

Для бизнеса это означает серьезный сдвиг в позиционировании. Сильных кандидатов и B2B-партнеров больше не впечатлить скоростью обработки данных, использованием ИИ-агентов. Их волнуют корпоративные границы:
- В каких процессах компании использование ИИ строго запрещено?
- На каком этапе в цепочку обязательно включается валидация человеком?
- Кто из топ-менеджеров несет личную ответственность, если модель совершит ошибку?

ИИ постепенно перестает быть конкурентным преимуществом сам по себе. Конкурентным преимуществом становится способность компании доказать, что она умеет им управлять. Для крупных заказчиков, партнеров и кандидатов прозрачные правила использования ИИ становятся таким же фактором доверия, как информационная безопасность или защита данных.

Вебпрактик AI | Корпоративный ИИ

💬 #БизнесСреда с Александром Букуровым, основателем и директором Вебпрактик

Вирусное внедрение ИИ: как Uber ускорил бизнес-процессы за 10 дней

Внедрение искусственного интеллекта часто буксует из-за разрыва между теми, кто знает технологии, и теми, кто понимает бизнес. В канале Василя Закиева появился интересный разбор кейса Uber, который показывает, как преодолеть эту пропасть с помощью «вирусного» подхода.

Суть методики: Uber выделил 30 инженеров, подкованных в агентном кодинге, и приставил их к экспертам из операционного бизнеса — юристам, финансистам, маркетологам.

Дальше запустился 10-дневный спринт:
🔴Дни 1–2: инженер просто копирует работу эксперта и разбирает процесс на детали.
🔴День 3: приоритизация задач для автоматизации.
🔴Дни 4–5: сборка ИИ-решения.
🔴Дни 6–9: валидация и тестирование вместе с экспертом.
🔴День 10: полноценный запуск.

По данным самой компании, за два месяца они реализовали 16 таких кейсов. И заявленные результаты впечатляют:
— Время принятия решения по распределению бюджета сократилось с 15 часов до 30 минут.
— Подготовка финансовых отчетов ускорилась с двух дней до 10 минут.
— QA маркетинговых страниц теперь занимает 50 минут вместо двух недель.

Что это значит для рынка? Этот кейс отлично иллюстрирует наш тезис: проблема не в самих инструментах, а в том, как их встраивают в реальные процессы. Покупать подписки на нейросети и просто раздавать их сотрудникам — путь в никуда. Через три месяца все вернутся к старым привычкам.

Uber показал модель «внедрения через энтузиастов». Берешь специалиста, который уже умеет работать с ИИ, сажаешь его рядом с носителем доменной экспертизы и ставишь жесткий дедлайн на результат.

Такой подход работает, потому что он фокусируется не на абстрактном «внедрении инноваций», а на расшивке конкретных узких мест в операционной деятельности. Это уже не просто тесты, а системная агентная трансформация бизнеса.

А как вы подходите к внедрению ИИ: тестируете централизованно или отдаете на откуп энтузиастам в отделах? Делитесь опытом в комментариях! 👇

Вебпрактик AI | Корпоративный ИИ

Toyota внедряет ИИ для унификации производственной терминологии, это должно ускорить производство автомобилей

Когда речь заходит об ИИ на производстве, обычно вспоминают про роботов, контроль качества на конвейере или предсказание поломок. Toyota с помощью нейросетей решает куда более фундаментальную задачу: учит свои подразделения говорить на одном языке.

В середине прошлого века корпорация разделила производство и продажи на независимые компании. В 1982 году они снова объединились, но их информационные системы и корпоративная культура так и остались жить в параллельных реальностях. В результате одна и та же деталь или процесс получили разные названия: там, где отдел продаж видит длинное описание комплектации, производственный блок использует короткий внутренний код.

За десятилетия этот исторический багаж превратился в огромный налог на неэффективность.

Масштаб проблемы:

▪️ 560 шагов проходит автомобиль от планирования до поставки.
▪️ 195 из них (около 30%) существуют только для того, чтобы перевести термины между подразделениями.
▪️ 800 информационных систем.
▪️ 310 тысяч человеко-часов в год уходят исключительно на согласование терминов.

Разработчики ИТ-систем даже не хотели прикасаться к этому хаосу, считая унаследованную архитектуру слишком сложной.

Ситуацию изменило решение создать платформу OMUSVI (Organized Master Unified System for Vehicle Information) — единый слой данных для всего жизненного цикла машины.

Именно здесь вступает в игру искусственный интеллект. Ни одна команда аналитиков не смогла бы вручную перебрать и связать между собой миллионы строк документации за 40 лет работы корпорации. Нейросети поручено проанализировать контекст, выявить синонимы и автоматически свести 45 тысяч запутанных внутренних терминов к 5 тысячам стандартизированных понятий.

ИИ выступает как интеллектуальный переводчик, который понимает, что длинное описание у маркетологов и короткий буквенно-цифровой шифр на заводе — это одна и та же деталь.

К 2028 году эта работа должна дать единую картину: отдел продаж будет видеть актуальное состояние производства без дополнительных запросов, а ИИ-система сможет автоматически рассчитывать количество компонентов и отправлять точные заявки поставщикам, избавляя их от сотен часов ручных расчетов по сложным спецификациям.

Вебпрактик AI | Корпоративный ИИ

💭 #ПятничныйСтек с Иваном Поддубным, CTO «Вебпрактик»

Немного про измерение эффективности от внедрения AI в SDLC

Количество часов разговоров с коллегами в отрасли на эту тему за последний год я бы мог исчислять десятками)

Например, полгода назад тут с коллегами из Т-Банк, Яндекс и WB (FunSun) или пару недель назад на круглом столе про ФОТ. Или под Новый год на митапе smallTech.

Также много разговоров с коллегами в кулуарах Saint Highload++, TeamLeadConf, Sber Arch.Meetup и ещё многих других.

Кстати, так сложилось, что практически не обсуждали на Agentic Dev Conf, там как будто бы у людей другой вайб, сильно больше тех, кто уже обосновал для бизнеса эффективность.

Я бы разделил следующие фазы этой дискуссии.

# ФАЗА 1: А ТОЧНО ЛИ УСКОРЯЕТСЯ САМ ПРОЦЕСС РАЗРАБОТКИ?

## Лагерь сомневающихся в ускорении
Во многом коллеги ссылаются на какие-нибудь среднерыночные исследования, но берут конечно те, которые подчеркивают их картину мира, игнорируя отчеты и кейсы других компаний. Здесь, мне кажется, стоит разбирать кейсы, практический опыт и результаты конкретных компаний и потенциал воспроизводимости их опыта. Это точно полезнее средних опросов по больнице.

Второй их основной довод: у нас в компании сеньоры тратят 10% на код, а львиная часть на решение блокеров и других вопросов. И правильное следствие (которое происходит не у всех) — анализировать узкие места и решать: то, что 10% пишется код порой может быть следствием неэффективности построения команд или межкомандного взаимодействия, процессов внутри.

На мой взгляд, в таких случаях правильный вопрос: а стоит ли параллелить решение вопросов. Иногда можно на AI рельсах пересобрать новомодные tiny team, это как раз способ и перезагрузить проржавевшие старые процессы. А с AI-флагом сейчас можно как раньше с agile-флагом ломать многие преграды внутри корпоративных укладов.

Третий довод в том, что упираемся в когнитивные возможности человека на валидацию (многие, в т.ч. Никита в канале SE Materials, подсвечивает риск).
Я бы тут прокомментировал, что большую часть когнитивных возможностей должен решать harness. Предел, конечно же, есть, однако на мой взгляд этот предел точно х2-х3 выше, чем работа в старых парадигмах. Запуская harness в 2-3 потока с высоким уровнем автономности (работа часами с самопроверкой до результата), ты можешь поочередно решить 2-3 задачи, тогда как решал за это время условно 0,5.

Но тема большая, в т.ч. если раскрывать мультипоточность работы разработчика в новых реалиях.

## Лагерь адоптеров

Можно поделить на тех, кто нашел способ доказать ускорение на пилотах в определенных командах. Я видел разные пилоты в корпорациях за последние полгода.

1. Внедрение в greenfield-проект. Берут greenfield-проект, оценивают конвенциональными способами разработки в год (верифицируют оценку другими старыми командами). И потом эффективно делают его за пару месяцев.
Примеров видел много. Вот публичный кейс x5, доклады Александра Поломодова (Т-Банк), в т.ч. на последнем Highload++ рассказывали об успехе таких команд, много данных в кулуарах конференций. Да и в целом кажется про успехи в greenfield не рассказывал только ленивый.

2. Внедрение в brownfield-проект. Это уже интереснее, т.к. было много споров, что вот на старых-то проектах внедрить нельзя. Но пилоты у многих показали, что и тут можно добиваться значимых результатов.

На Agentic Dev Conf и грядущем TeamLead Conf Siberia коллеги из Райфа показывают такие пилоты и их успех в разных несвязанных вертикалях.
Есть и много других проектов. И мы в Вебпрактик видим ускорение в т.ч. в brownfield проектах, если правильно работать с контекстом и правильно затачивать под это harness. Причём как про микросервисную (могу говорить про десятки/сотни), так и про монолитную brownfield-архитектуру.

Т.е. в лагере адоптеров есть много кейсов, когда они доказали эффективность бизнесу через прирост производительности разработки в конкретных метриках.

И есть, конечно, те, кто видят эффективность и не меряют, просто принимая это как новый уклад. Считая, что назад дороги уже давно нет, и можно двигаться только вперед.

# ФАЗА 2: ТРАССИРОВКА ЭФФЕКТОВ ОТ УСКОРЕНИЯ НА БИЗНЕС

Когда обе стороны принимают факт, что разработка ускорилась, или сторона сомневающихся условно принимает довод, что разработка ускорилась.

И один из ключевых вопросов, который задают: а точно ли ускорение разработки даёт эффект в бизнесе?
Измеримый сквозной throuthput. В идеале, в финансах.

И тут ловушка, в которую попадает этот вопрос: что даже в мире без AI в большинстве команд не могут однозначно сказать, насколько те или иные гипотезы бэклога определенного продукта повлияли на сквозную пользу для бизнеса, который выразился в финансовом результате. Могут быть какие-нибудь промежуточные метрики, но насколько они точно влияют на конечный бизнес-результат, сказать сложно.

Да, есть кейсы, когда это можно трассировать прозрачно, как ускорение переработки бэклога даёт прозрачный бизнес-результат. Но померить влияние на финансы какой-нибудь команды в микросервисной архитектуре — порой весьма непростая задача)

И тогда 2 сценария:
а) У вас есть возможность доказать бизнесу, что бэклог действительно конвертируется в ценность и ускорение переработки бэклога = польза.
б) У вас идут сценарии доказывания через сохранение скорости бэклога, но сокращение ресурсов.

===
В целом, в правильном споре стоит разделять уровни, и спорить на каждом конкретно: разработчик / команда / поток доставки / бизнес
Часто в спорах идет перепрыгивание с уровня на уровень, причем неосознанное.

На мой взгляд, эффективность разработки доказана давно. Лето 2026 славится тем, что уже к этому моменту, за весну, многие корпорации откатали свои пилоты и пришли с публичными результатами, о которых могут заявлять. Сейчас все начинают думать, как масштабировать этот опыт и решать те боли, с которыми столкнулись в процессе.

Нельзя не уважить лагерь тех, кто говорит подходить аккуратнее и утверждает, что можно получить ускорение больше классическими методами поиска узких мест без AI, особенно если у вас накопился большой ворох проблем и те самые 10% написания кода происходят в результате огромного количества блокеров. Но, имхо, эти процессы нужно параллелить. Чтобы к тому моменту, когда вы разошьете старые проблемы, не оказалось, что вы в самом начале перевода производства на новые рельсы.

Вебпрактик AI | Корпоративный ИИ

Таковы данные исследования HexaData, посвященного цифровой зрелости фармацевтических компаний. В первом полугодии 2026 года агентство опросило более 30 производителей. 80%+ выборки составили крупные и средние компании с оборотом от 5 млрд рублей. Среди респондентов — C-level, руководители ИТ, аналитики и цифровой трансформации.

72% опрошенных прямо заявили: корпоративные данные не выдерживают требований AI‑систем, 67% признали, что уже сворачивали AI‑инициативы из‑за проблем с данными.

Ответы показывают три повторяющиеся причины:

1. Данные разнесены между несколькими учетными системами, интеграция либо отсутствует, либо поддерживается вручную.

2. Нет единых справочников, одни и те же сущности по‑разному называются в производственных и коммерческих контурах.

3. В компании нет функции Data Governance, никто формально не отвечает за качество, полноту и единообразие данных.

На этом фоне почти 100% респондентов проявляют интерес к ИИ‑сценариям — от предиктивной аналитики спроса и оптимизации логистики до планирования клинических исследований, но до промышленной эксплуатации доходит лишь около 8% проектов.

Основные точки сбоя — некачественный вход, отсутствие стандартизированных процессов работы с данными и непонимание, как встроить AI‑решения в жестко регулируемые контуры фармпроизводства.

HexaData оценивает окно в 3–5 лет как критическое для формирования нового конкурентного преимущества: выиграют те компании, которые сначала разберутся с архитектурой данных и Data Governance, а уже потом будут масштабировать ИИ, а не бесконечно перезапускать пилоты.

Вебпрактик AI | Корпоративный ИИ

💬 #БизнесСреда с Александром Букуровым, основателем и директором Вебпрактик

Интеллект в каждом утюге: как широкое определение ИИ может затормозить рынок

В июне мы обсуждали, что базовый закон об ИИ стал более сбалансированным и сфокусировался на регулировании больших фундаментальных моделей. Однако регуляторная неопределенность на рынке сохраняется, и теперь она пришла с неожиданной стороны.

Как пишет «Коммерсантъ», ассоциация РАТЭК (объединяет Huawei, DNS, «М.Видео» и других) раскритиковала поправки ФАС к закону об иностранных инвестициях. Ведомство предлагает признать стратегической деятельность, связанную с «разработкой, созданием, внедрением, реализацией или оборотом технологий искусственного интеллекта».

Проблема в формулировке. В ассоциации справедливо отмечают, что под такое широкое определение могут формально попасть любые устройства с базовыми алгоритмами: от смартфонов с умной камерой до телевизоров и систем умного дома. Если продажу такой техники истолкуют как «оборот технологий ИИ», российские дистрибьюторы с долей иностранного капитала от 5% будут вынуждены согласовывать корпоративные сделки с правительственной комиссией.

Этот кейс отлично иллюстрирует сразу несколько важных проблем регулирования ИИ:
🔴 Размытость понятий опаснее жесткости запретов. Когда граница объекта регулирования не определена, юридическая неопределенность становится операционным налогом.
🔴 ИИ перестал быть отдельной отраслью. Алгоритмы машинного обучения уже встроены в подавляющее большинство потребительских и корпоративных продуктов. Попытка регулировать «ИИ вообще» эквивалентна попытке регулировать «программное обеспечение вообще».
🔴 Синхронизация правил. Рынку жизненно необходим единый глоссарий во всех нормативных актах. Фокус госконтроля должен оставаться на инфраструктурных фундаментальных моделях, а не на бытовых устройствах с предиктивной аналитикой.

Регулирование ИИ — это тонкая настройка. И сейчас главное для государства — не перекрутить гайки там, где технология уже стала повседневной нормой.

Вебпрактик AI | Корпоративный ИИ

Платить за ИИ дважды: деньгами и корпоративными знаниями

Генеральный директор Microsoft Сатья Наделла подсветил проблему: при использовании внешних ИИ-моделей компании платят не только за токены. Чтобы модель стала полезной, бизнес передает ей промпты, документы, обратную связь и исправления. В совокупности это превращается в накопленное знание о процессах компании.

«По сути, вы платите за интеллект дважды: один раз деньгами, а второй — чем-то еще более ценным: конфиденциальными знаниями, которые вы должны раскрыть, чтобы этот интеллект был полезен. Чтобы модель давала более точные и полезные ответы, ей нужен доступ к большему объему знаний!», — говорит Наделла.

Особую ценность представляют не сами запросы, а корректировки сотрудников. Они фиксируют, где модель ошиблась, как устроен процесс и какое решение считается правильным. По словам Наделлы, именно так формируется экспертиза, которую конкурент не сможет просто купить.

Для корпоративной архитектуры отсюда следуют три практических вопроса:
- Какие данные и следы взаимодействия с ИИ остаются у поставщика модели?
- Может ли компания сохранить контроль над промптами, обратной связью и результатами работы агентов?
- Есть ли оркестрационный слой, который позволяет переключать модели и не привязывать критичный процесс к одному вендору?

Наделла предлагает компаниям создавать собственные среды обучения и оркестрационные слои поверх моделей. Это не аргумент против внешних моделей. Это аргумент за архитектуру, в которой корпоративные данные и накопленная экспертиза остаются активом компании, а не побочным продуктом потребления ИИ.

Вебпрактик AI | Корпоративный ИИ

🗯️ #ПятничныйКейс с Сергеем Калюжным

Анализ крови вместо УЗИ: как PinPoint Data Science изменил систему диагностики рака

В двух крупных британских больницах изменили подход к диагностике рака матки. Первым этапом, вместо инвазивных процедур, теперь делают тест PinPoint — это анализ крови с ML-оценкой 30 маркеров.

Модель, обученная на данных 16 481 пациентки, делит женщин на группы низкого, повышенного и высокого риска онкозаболеваний.

Раньше всех обратившихся сначала направляли на УЗИ, затем часть — на биопсию, но рак находили только у 11%. Остальные проходили процедуры зря. Теперь анализ крови отсеивает пациентов с низким риском, и на УЗИ идут только те, у кого есть реальные основания.

Что получилось в цифрах:
🔴 среди пациенток, отнесенных тестом в группу высокого риска, рак подтвердился в 99,1% случаев;
🔴 вероятность ошибочно определить низкий риск — всего 0,2%;
🔴 количество визитов к врачу сократилось в шесть раз.

Медики этих больниц подтверждают: сортировка пациентов теперь происходит до стационара, а вместо шести приемов врачей во многих случаях достаточно одного анализа крови.

Произошла не медицинская трансформация, а логистическая. Взяли существующую лабораторную инфраструктуру (анализы крови есть везде) и использовали ИИ-фильтр. Никакого нового оборудования.

Исследователи продолжают оценивать результаты нововведения, но сам подход уже доказал свою практическую ценность: ИИ больше не помощник, а первый фильтр диагностического конвейера.

Подобный ИИ-подход применим не только в медицине:
🔴 L'Oréal использует ИИ для отбора перспективных составов, ускоряя R&D в четыре раза;
🔴 Nestlé применяет ИИ при поиске альтернатив ингредиентам и упаковочным материалам.

Вебпрактик AI | Корпоративный ИИ

«Зоопарк» нейросетей: почему ИИ-инициатива снизу бьет по бюджетам корпораций

Топ-менеджеры западных компаний столкнулись с неожиданным эффектом массового внедрения ИИ. Чем проще становятся инструменты вроде Claude Cowork, тем чаще сотрудники самостоятельно создают ИИ-агентов под свои задачи — без участия ИТ-служб и единых правил. На Западе для этого явления уже появился отдельный термин — «разрастание ИИ-агентов» (AI agent sprawl).

Масштаб проблемы отлично виден в цифрах. В медицинской корпорации DaVita сотрудники самостоятельно создали более 10 000 ИИ-агентов. В финтех-гиганте FICO 3500 работников ежедневно плодят десятки новых ботов на всех уровнях иерархии. Аналитики Gartner прогнозируют, что к 2028 году средняя компания из списка Fortune 500 будет иметь в своей инфраструктуре более 150 000 таких агентов, при этом сегодня лишь 13% компаний обладают инструментами для управления ими.

CIO компании Magnum Ice Cream Майкл Фридлендер честно формулирует управленческую боль: когда агент есть у каждого, компания получает сотни дублирующих друг друга ботов, каждый из которых тратит дорогие токены. В итоге то, что задумывалось как оптимизация, превращается в бесконтрольную статью расходов и угрозу кибербезопасности.

Этот хаос — прямое следствие подхода, при котором ИИ внедряется как персональный инструмент сотрудника. Масштабировать мультиагентные системы без потерь для OPEX возможно только при смене архитектуры. Компании будут вынуждены переходить от вольного доступа к жесткой оркестрации: с единым контуром учета затрат, прозрачным доступом к данным и привязкой алгоритмов к конкретным бизнес-процессам.

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