Осенью 2026 года про искусственный интеллект принято говорить в одном из двух режимов. Либо это технология, которая вот-вот заменит половину профессий, либо это пузырь, который скоро лопнет. Обе версии удобны тем, что не требуют читать первоисточники. Если посмотреть на исследования, а не на заголовки, картина окажется куда более скучной и куда более полезной для тех, кто реально внедряет ИИ в бизнес.
Начнем с одной цифры, которая задает тон всему остальному тексту. По данным опроса UserGate (январь 2026 года, 335 топ-менеджеров российских компаний с выручкой от 100 млн рублей), 97% компаний в России уже используют ИИ, тестируют его в пилотах или планируют внедрение. При этом 54% из них честно признают, что не понимают, в чем именно его ценность для бизнеса. Это не история про страх перед технологией. Это история про то, что почти все уже сели за руль, но половина не понимает, куда едет.
Внедряют почти все, доверяют единицы
Российский рынок сейчас проходит классическую фазу, когда завышенные ожидания сменяются разочарованием, и статистика это подтверждает. Разрыв между тем, что компании пробуют, и тем, чему они готовы доверить финальное решение, в российской практике особенно заметен. Совместное исследование «УЦСБ» и ГК «Солар» (102 организации из разных отраслей) фиксирует то, о чем меньше пишут: 59% компаний уже используют нейросетевые модели, но лишь 3% готовы доверить ИИ самостоятельное принятие решений. Подавляющее большинство, 40%, используют его как ассистента, который анализирует информацию, а решение все равно принимает человек. Главная причина осторожности не абстрактный скепсис, а конкретика: 42,5% называют риски утечек данных и компрометации кода, 35% нехватку компетенций внутри компании, 32,5% отсутствие понятных сценариев применения. Проблема часто не в модели, а в том, что вокруг нее не выстроен контур управления.
Что происходит с пилотом дальше
Цифра «97% внедряют» на самом деле описывает точку старта, а не финиша. Из тех же осторожных пилотов лишь немногие доходят до масштаба. Гендиректор интегратора-подрядчика «Росатома» Александр Вибе в комментарии для СМИ называет цифру в 5% пилотов, доходящих до реальной эксплуатации, и объясняет это изолированностью: «это небольшие спринты, когда лоскутно решается какая-нибудь маленькая мини-задачка, но кросс-функционально они никак не взаимосвязаны». При попытке масштабировать пилот добавляются барьеры информационной безопасности, нехватка вычислительных мощностей и разрозненность заводских систем, которые изначально никто не проектировал под совместную работу с ИИ. Те немногие, что все же доходят до масштаба, обычно объединяет одно: задача была выбрана узко, интеграция в процессы продумана заранее, а эффект в деньгах считали с первого дня, а не постфактум, когда пилот уже нужно как-то оправдывать.
Где проходит техническая граница
Отдельно от организационных проблем существует чисто техническое ограничение, и оно измеримо. Исследовательская группа METR предложила смотреть на возможности ИИ не абстрактно, а через длину задач, которые модель способна выполнить самостоятельно с приемлемой надежностью. Результат такой: современные топовые модели показывают почти стопроцентный успех на задачах короче 4 минут, около 50% успеха на задачах длительностью около часа и меньше 10% успеха на задачах длиннее 4 часов. Иначе говоря, ИИ отлично справляется с короткими, четко очерченными действиями и резко теряет надежность, как только задача требует много последовательных шагов и умения заметить и исправить собственную ошибку.
Похожая картина видна и в частных случаях. Система может блестяще решить сложную задачу и одновременно ошибиться в чем-то, что кажется элементарным, например в подсчете объектов на картинке или в восстановлении после мелкой ошибки внутри длинной цепочки действий. Это не каприз конкретной модели, а системная характеристика того, как устроены современные языковые модели. Сюда же относится и проблема фактической точности: даже у лучших моделей случаются галлюцинации, и чем сложнее модель рассуждает, тем не всегда она правдивее. Для задач, где нужна проверяемая точность без участия человека, юридические заключения, финансовая аналитика, коммерческие предложения, это стоит держать в голове.
Что остается за человеком
Есть и четвертый пласт ограничений, который сложнее измерить в процентах, но именно он чаще всего определяет, где ИИ можно доверить задачу целиком, а где нет. Речь про творческое мышление в смысле по-настоящему оригинальной идеи, а не рекомбинации существующих паттернов; про эмпатию и способность вызывать доверие через проявленные эмоции; про интуицию как решение, которое строится на опыте и не всегда поддается пошаговому логическому объяснению; и про переговоры и разрешение конфликтов, где важно считывать скрытые мотивы сторон, а не только содержание сказанного.
Здесь любопытно сопоставить это с данными ВЦИОМ о том, каким сферам применения ИИ россияне доверяют больше, а каким меньше. На первый взгляд парадоксально: сфере творчества россияне доверяют ИИ на 42%, это один из самых высоких показателей, наравне с виртуальными помощниками (44%) и опережая промышленность (32%) и здравоохранение (28%). А вот сферам, где как раз нужны переговоры и работа с интересами сторон, доверяют меньше всего: экономике и социальной сфере по 19%, безопасности 18%, государственному управлению всего 13%. Похоже, люди интуитивно понимают ограничение не там, где его чаще всего обсуждают в медиа (творчество), а там, где на кону стоят реальные решения с последствиями для других людей. При этом 9% опрошенных не доверяют ИИ ни в одной из сфер целиком, а техно-оптимистов и техно-скептиков поровну, по 8%.
Что с этим делать на практике
Если собрать все это в один вывод, он звучит не эффектно, зато честно. ИИ не провалился и не оправдал ожиданий одновременно, потому что и то, и другое зависит от того, какую именно задачу ему поручили. Технология хорошо справляется с короткими, четко определенными операциями, где ошибку легко заметить и исправить, и заметно хуже с длинными многошаговыми процессами, где нужно самостоятельно восстанавливаться после сбоя. Она отлично ускоряет генерацию текста, анализ больших массивов данных и рутинную обработку информации, и остается ненадежной там, где нужна проверяемая фактическая точность без участия человека.
Организационная часть провала обычно больше связана не с моделью, а с тем, что вокруг нее не выстроено: нет стратегии, нет измерения эффекта, не готовы данные, не продуманы риски безопасности. Именно поэтому 97% внедрения и 54% непонимания ценности прекрасно уживаются в одной и той же российской статистике. И именно поэтому трезвый вопрос перед стартом любого ИИ-проекта звучит не «может ли ИИ это сделать», а «что случится, если модель ошибется именно в этом месте, и кто это заметит первым». Пока ответ на этот вопрос не готов, доверять ИИ финальное решение рано, что бы ни говорил хайп по обе стороны спора.
Команда DynamicSun как раз специализируется на разработке продуктов на основе искусственного интеллекта и автоматизации бизнес-процессов, поэтому вопросы из этой статьи для нас скорее рабочие, чем теоретические. Если нужно трезво оценить конкретный ИИ-проект или выстроить процесс внедрения с нуля, мы готовы помочь.
