Российский рынок ИИ в 2026 году: тренды, драйверы, барьеры и реальные кейсы

Сегменты, связанные с ИИ, растут вдвое быстрее российского ИТ-рынка в целом. Это касается как автоматизации бизнес-процессов, так и инструментов разработки. Однако несмотря на то, что компании активно запускают пилотные проекты, до стадии масштабирования доходят немногие.

В этой статье мы разберем, что способствует и что мешает внедрению ИИ, а также расскажем, какие технологии могут принести пользу на практике.

Объем и динамика рынка ИИ

Активный интерес компаний к ИИ хорошо заметен на общей картине по рынку.

Объем российского рынка ИИ, по оценке аналитического агентства AIANA, составляет около 316 млрд рублей. При этом сегмент платформ для бизнеса занимает в нем примерно 20 млрд рублей. В эту категорию входят, например, ИИ-боты для техподдержки, LLM для генерации текстов или решения для подготовки отчетов по корпоративным данным. На сегмент инструментов разработки приходится примерно 2 млрд рублей. Сюда относятся ассистенты для автодополнения или помощи по документации, а также агентные сценарии, когда ИИ автономно пишет и тестирует код.

В открытой аналитике можно увидеть оценки в 100 и более миллиардов рублей, но они включают продукты технологических гигантов (Сбер, Яндекс, Т-Банк), которые используются исключительно внутри этих компаний. Приведенная оценка включает только продукты, доступные на рынке.

Прирост особенно заметен на фоне общего охлаждения в российской экономике в целом и ИТ-сфере в частности.

Какие отрасли формировали спрос на ИИ в 2025 году:

• Финансы и страхование
• Телеком
• Ритейл
• E-commerce

В 2026 году к ним добавились:

• ТЭК
• Химическая промышленность
• Добывающая промышленность
• Транспорт и логистика
• Государственный сектор

Наиболее активны компании, которые оперируют большим объемом данных. Например, ритейл ежедневно имеет дело с десятком тысяч бумажных договоров, накладных, счетов и актов, которые нужно оперативно оцифровывать. Другой сценарий — органы власти каждый день получают сотни тысяч обращений граждан, которые нужно классифицировать и передавать исполнителям.

Как масштаб компании влияет на внедрение ИИ

Задачи у компаний из различных отраслей могут быть похожими, но подход к внедрению ИИ зависит от масштаба. Граница проходит между крупным бизнесом и остальными компаниями.

Для малого и среднего бизнеса основные направления роста это генеративный ИИ и AI Studio — платформы, на базе которых можно настраивать сценарии автоматизации под запросы конкретной компании.

Среди крупного бизнеса востребованы развертывание self-hosted LLM и инференс — использование обученных моделей для решения корпоративных задач. Поверх этого уже надстраиваются инструменты для автоматизации бизнес-процессов и разработки.

Ключевое различие — малый и средний бизнес использует готовую инфраструктуру провайдера, крупный бизнес строит свою.

Почему для крупного бизнеса выгоднее иметь свой контур:

• Контроль данных и комплаенс. Часто данные не могут покидать периметр компании по внутренним политикам безопасности и законодательным требованиям.
• Экономика масштаба. При постоянном объеме запросов к LLM инвестиции в собственную инфраструктуру окупаются, тогда как для малого и среднего бизнеса разворачивать собственные модели невыгодно.
• Глубина кастомизации. Готовые платформы, хоть и позволяют настроить индивидуальные сценарии автоматизации, все же ограничены определенными рамками, а для крупного бизнеса важна специфика процессов.

Что способствует развитию ИИ

Какой бы подход ни выбрала компания — готовую инфраструктуру или собственные мощности — стимулы для внедрения ИИ у бизнеса во многом совпадают. Какие конкретно факторы способствуют развитию ИИ:

• Повышение эффективности операционной деятельности. ИИ автоматизирует рутину и уменьшает количество ошибок из-за человеческого фактора. Более того, появились первые кейсы с подтвержденным ROI — ИИ-ассистенты и RAG-приложения. ИИ-ассистенты — решения на базе LLM, которые выполняют задачи по запросу пользователя. На их основе могут быть реализованы в том числе агентные сценарии, когда последовательность шагов выполняется автономно, без пошаговых инструкций пользователя. На практике ИИ-ассистенты могут выполнять функции технической поддержки или помогать сориентироваться в корпоративных данных. RAG-приложения (Retrieval-Augmented Generation) — системы, которые при ответах используют базу знаний компании в качестве контекста для LLM. В основе таких систем лежат векторные базы данных, откуда извлекаются наиболее релевантные по смыслу фрагменты. В результате ответы модели становятся более точными и актуальными.
• Рост зрелости и доступности open source LLM. За последний год ИИ-модели стали достаточно надежными для внедрения в производственные процессы, а их стоимость — сопоставимой с затратами на классическую автоматизацию. Достойный результат можно получить даже на относительно слабых моделях — от 8 до 35 млрд параметров. Параметры показывают общую «емкость» памяти модели и сложность ее «размышлений». Об эволюции LLM свидетельствует также исчезновение профессии промпт-инженера, поскольку теперь в запросах можно использовать обычные, разговорные формулировки.
• Построение data-driven управления. Компании ориентируются на факты и метрики, а ИИ позволяет организовать работу с большим объемом данных и выявить закономерности, которые человек не способен увидеть. Возможно, здесь формируется новый тренд — на смену традиционной BI-аналитике со статичным набором показателей приходит ситуативный мониторинг. Нужный набор метрик будет формироваться в нужный момент именно на том устройстве, с которым пользователю удобно работать.
• Автономность бизнес-функций. Подразделения могут внедрять ИИ независимо друг от друга, не нужно ждать централизованного решения.
• Целеполагание стейкхолдеров. Активный интерес присутствует на всех уровнях, но именно запрос на уровне высшего руководства компании или руководителей направлений имеет критическое значение.

Что замедляет внедрение ИИ

Оставим за скобками общее охлаждение экономики, которое влияет на рынок ИИ, несмотря на его заметный рост.

Существует несколько факторов, которые замедляют развитие ИИ:

• Высокие требования к информационной безопасности. Мы уже упоминали, что крупным компаниям критически важно предотвратить утечки данных и исключить риски ошибок в производственной среде. Поэтому одни откладывают внедрение ИИ, а другие строят систему контроля. Также требования к ИБ влияют на выбор моделей — компании отказываются от проприетарных иностранных моделей.
• Высокая стоимость инференса. Из-за экономии компании разворачивают менее мощные модели, обычно класса Qwen 3.5-35B. Для каких-то систем, например, электронного документооборота, этого хватает, однако для агентной разработки корпоративного уровня уже недостаточно. Это еще один вопрос, который бизнесу необходимо решить для масштабирования.
• Дефицит кейсов с подтвержденным ROI. Компаниям важно инвестировать в инициативы, подтвержденные фактами и метриками. Поэтому бизнес двигается постепенно, просчитывая экономику и оценивая эффективность пилотов.
• Нехватка компетенций на рынке. Многие ИТ-компании, как и бизнес, находятся на стадии экспериментов. Как следствие, сложно найти технологических партнеров с опытом, которые помогут прийти к результату.

Технологические тенденции

В последние несколько лет сформировался пул технологий, которые развиваются наиболее активно. Они помогают повысить продуктивность работы, изменить формат взаимодействия с корпоративными системами и оптимизировать затраты на использование LLM.

Развитие агентных систем

Сегодня ИИ-агенты в основном используются для персональной автоматизации, но, судя по динамике, они постепенно будут адаптированы и под корпоративный сегмент. Этот тренд способен перевернуть как автоматизацию бизнес-процессов, так и разработку. В корпоративных системах пользователям будет достаточно написать запрос в чат, например «покажи топ клиентов по просроченной задолженности» или «собери профиль по клиенту». В разработке это подготовка спецификации на основе описания функциональности, реализация решения, проверка валидности и тестирование кода.

Внедрение мультимодального ИИ

Мультимодальный ИИ способен работать с информацией в различных форматах: текстом, изображениями, видео, речью. Пример использования для бизнеса — трансформация записи встречи в текст или автоматическая озвучка видеоматериалов. В процессе разработки агенту можно будет отправить скриншот экрана для поиска и исправления ошибок.

Использование технологий голосового управления в связке с ИИ

Голосовое управление в связке с ИИ позволяет сделать взаимодействие с системами более удобным и быстрым. Пользователю достаточно открыть чат и надиктовать описание задачи или задать вопрос, чтобы запустить работу модели и вскоре получить результат.

Оптимизация использования LLM

Тренд сегодня заключается не столько в росте масштаба моделей, сколько в их оптимизации. С одной стороны, публичный инференс старых моделей дешевеет, появляются небольшие специализированные модели, происходит квантизация средних моделей с открытыми весами под доменную область. Инфраструктура для развертывания ИИ стоит дорого, поэтому развиваются альтернативные пути: использование моделей предыдущих поколений или работа в гибридном облаке в доверенной среде. Еще одно перспективное направление — оркестратор, который определяет, какую модель использовать для какого запроса пользователя или агента. Как правило, 80% запросов простые, для них подойдут менее мощные модели, тогда как для 20% требуются действительно глубокие размышления.

Какой результат ИИ дает на практике

Для наглядности приведем несколько кейсов как ИИ упрощает жизнь бизнес-пользователям и разработчикам.

Кейс №1 — классификация входящих документов

Крупная страховая компания ежедневно получает десятки тысяч входящих документов, в основном судебных писем и договоров. Для каждого предусмотрен свой процесс и разбирать их вручную отнимает у сотрудников много времени.

На базе СЭД ТЕЗИС реализован такой пайплайн:

• На базе OCR распознается текст документов
• LLM определяет тип документа и содержание
• Карточки автоматически заполняются и регистрируются в системе
• Для каждого документа запускается соответствующий процесс

В результате обработку корреспонденции можно ускорить на 40–50%.

Кейс №2 — ИИ-ассистент для разработчиков

Платформа Jmix предназначена для повышения продуктивности при построении архитектуры, модели данных, бизнес-логики и интерфейса корпоративных приложений. Чтобы помочь разработчикам в изучении платформы, а также дать направляющие для код-агентов, команда продукта реализовала ИИ-ассистента.

Компоненты ИИ-ассистента:

• Языковая модель
• База знаний о платформе на основе технологии RAG
• Доступ через веб-интерфейс или IDE
• Слой правил, инструкций и навыков для агентной разработки

Узкий доменный корпус повышает релевантность ответов. Вместо поиска по всему интернету модуль использует документацию по продукту, учебные материалы, примеры кода и обсуждения с форума. ИИ-ассистент Jmix способен генерировать примеры кода, пошаговые инструкции, а также спецификации для агентной разработки. В результате затраты на поддержку сообщества снизились на 50%, а пользователи получили инструмент, который помогает быстрее погрузиться в специфику платформы и обеспечить предсказуемую работу код-агентов.

Как будет развиваться рынок ИИ: прогноз

Стандартом для рынка в ближайшее время будут генеративный ИИ, базы знаний на основе технологии RAG и ассистенты для разработчиков.

Конкурентное преимущество способны обеспечить направления, которые будут активно развиваться и постепенно становиться более массовыми:

• Автономные виртуальные сотрудники, в том числе, несколько виртуальных сотрудников со своей специализацией.
• Проактивные агентные сценарии, когда ИИ-модели самостоятельно занимаются исследованием задачи, планируют необходимые шаги, выполняют их и валидируют результат.
• Оркестрация агентных систем на основе формальных инструкций или классической автоматизации.

Хоулмонт как ИТ-компания фокусируется на развитии наиболее перспективных технологий. Мы строим экосистему продуктов для бизнеса и разработки, которые дополняют друг друга и сочетаются с широко распространенными решениями, включая ИИ-модели и код-агентов.

Наша задача — помочь компаниям повысить продуктивность без потери контроля над процессом и результатом.

Для бизнеса будут актуальны ИИ-возможности СЭД ТЕЗИС и агентные сценарии в корпоративном ПО (пример можно увидеть в демо-приложении B2B CRM).

Для разработчиков мы реализовали совместимость всех наших продуктов (OpenIDE, Jmix, Amplicode, OpenBPM) с популярными код-агентами (Codex, Claude Code, OpenCode, KiloCode), а также развиваем инструменты, которые помогают моделям работать эффективно, а не вслепую.

По обоим направлениям мы учитываем затраты на инфраструктуру. Так, СЭД ТЕЗИС хорошо работает на самых распространенных в корпоративном секторе моделях класса Qwen 3.5. Для агентной разработки на базе платформы Jmix наши партнеры из KodaCode предлагают развертывание агентов и моделей в доверенном облаке Ростелекома по модели SaaS.

Опыт 2025–2026 годов показывает, что рынок вознаграждает не тех, кто первым запустил пилот, а тех, кто довел его до промышленной эксплуатации и получил измеримый результат.