Внедрение ИИ в компании 2026: план, ROI, безопасность

Внедрение ИИ в компанию 2026 — это инженерный проект из 4 фаз: discovery (поиск процесса), PoC (проверка модели на десятке примеров), пилот (production-запуск на ограниченном объёме) и rollout (масштабирование). По данным «Якова и Партнёров», 71% российских компаний уже применяют генеративный ИИ хотя бы в одной функции, но только 4% довели хотя бы один кейс до полного внедрения (Ведомости, июнь 2026). Главная причина разрыва — старт без data layer, без чемпиона в бизнесе и без расчёта ROI до запуска. Ниже — пошаговый план для менеджеров среднего звена: как выбрать первый пилот, посчитать ROI заранее, защитить бюджет перед руководством, минимизировать риски 152-ФЗ. Сроки и суммы — для РФ-реалий 2026.

Pipeline внедрения: discovery → PoC → пилот → rollout

Любое внедрение ИИ распадается на 4 фазы. Пропуск любой — главная причина 80% проваленных ИИ-проектов в РФ.

Фаза	Цель	Длительность	Артефакт на выходе
Discovery	найти процесс с понятным ROI	2-4 недели	список из 3-5 кандидатов + ранжирование
PoC (Proof of Concept)	проверить, что модель в принципе справляется	2-3 недели	прогон на 50-100 примерах + accuracy на тесте
Пилот	запустить в production на ограниченном объёме	8-12 недель	работающая система на 10-50% нагрузки + ROI-замер
Rollout	масштабирование до полного объёма + перенос на смежные процессы	3-6 месяцев	KPI в проде + готовая инфраструктура для следующих кейсов

Discovery без PoC — частая ошибка: договор с подрядчиком на пилот за 1 млн ₽, через месяц выясняется, что модель не достигает accuracy. PoC за 2 недели и 100К ₽ убирает этот риск. PoC без пилота — другая: «попробовали ChatGPT на 20 запросах, работает, масштабируем». В production десятки факторов, которых не было в PoC: нагрузка, реальные пользователи, нестандартные случаи, интеграция с CRM. Сразу с PoC в rollout — путь к скандалу через 3 месяца.

Три уровня внедрения

«Внедрить ИИ» означает разное. Чтобы не путаться, разделим на три уровня:

Уровень	Что это	Срок	Бюджет года	Инициатор
L1. Инструменты для команды	ChatGPT Team / GigaChat для сотрудников	1-2 нед	100К-500К ₽	руководитель отдела
L2. ИИ-функция в продукте	чат-бот, классификатор, авторезюмирование	3-6 мес	1-10 млн ₽	продукт / CTO
L3. Системная трансформация	автоматизация процессов, агенты	12-24 мес	10-100+ млн ₽	CEO / совет директоров

L1 — покупка инструмента, ещё не внедрение. Стратегический эффект даёт L2 — конкретный измеримый пилот. L3 запускается после 2-3 успешных L2.

Шаг 1. Аудит процессов и выбор пилота

Цель — найти один процесс, в котором ИИ даст самый быстрый и измеримый эффект. Критерии хорошего пилота: объём от 1000 операций в месяц, повторяемая операция с понятным форматом ввода/вывода, ручной труд сейчас занимает фиксированные человеко-часы, низкий риск ошибки, есть baseline качества и скорости. Удачные первые пилоты в РФ: служба поддержки (классификация и маршрутизация), подготовка КП из данных CRM, внутренняя база знаний (RAG-поиск), первичный скрининг резюме, аналитика отзывов, резюме совещаний и список задач. Что НЕ брать в первый пилот: юридические задачи, финансовые расчёты с риском потерь, прямое общение с клиентами без проверки человеком, критическую медицину.

Шаг 2. KPI и ROI — как посчитать ДО начала

Главная ошибка — внедрить и потом «считать пользу». Считать нужно до запуска.

Формула baseline:

Текущие затраты на процесс = (человеко-часы × ставка) + (ошибки × стоимость исправления) + (упущенные возможности)

Пример. Customer support, классификация тикетов.

Метрика	До ИИ	С ИИ (план)
Обращений в месяц	5 000	5 000
Время на классификацию (мин/обращение)	3	0.3
Человеко-часов в месяц	250	25
Стоимость часа поддержки	800 ₽	800 ₽
Зарплатные затраты	200 000 ₽	20 000 ₽
Стоимость API ИИ	0	8 000 ₽
Стоимость интеграции (амортизация год)	0	25 000 ₽
Итого затраты в месяц	200 000 ₽	53 000 ₽
Экономия в месяц		147 000 ₽
Стоимость внедрения (разовая)	0	800 000 ₽
Срок окупаемости		5.4 мес
ROI за год		120%

Норма для пилотного проекта: окупаемость до 12 месяцев, ROI 50%+ за год. Если на бумаге меньше — пилот лучше не запускать.

Метрики качества (важно для отчёта):

• Точность классификации (accuracy) — минимум 85% для production
• Охват (доля обращений, которые ИИ обработал) — стартуем с 70%, растим до 95%
• Время ответа — до 2 секунд для интерфейса
• Доля переопределений человеком — норма 5-15%

Шаг 3. Стек: покупать готовое, строить своё или гибрид

Три варианта, у каждого свой профиль рисков.

Подход	Когда подходит	Плюсы	Минусы
Готовое решение	типовая задача, нет своих инженеров, нужно за 2-4 недели	быстро, поддержка вендора, предсказуемый счёт	привязка к вендору, ограниченная кастомизация, дорого на росте объёма
Своя разработка	уникальный процесс, есть инженеры, объём >50К операций/мес	контроль качества, дешевле на масштабе, IP остаётся внутри	долго, риск технического долга, нужны компетенции
Гибрид	основной сценарий для среднего бизнеса	готовый LLM-провайдер + своя обвязка	надо понимать архитектуру слоёв

Что входит в гибрид (наиболее частый выбор в РФ):

• LLM как сервис (GigaChat / YandexGPT / OpenRouter) — не строим свою модель
• Свой backend на FastAPI или Hono — оркестрация, RAG, бизнес-логика
• Свой UI — кнопки и формы под конкретный процесс
• Готовый мониторинг (Langfuse / Helicone) — не строим свою систему наблюдаемости

Что покупать, что строить — по типам задач:

Сценарий	Готовое	Своё	Гибрид
Инструменты для команды	ChatGPT Team, GigaChat Pro	—	—
Поиск по документам (RAG)	Yandex Cloud Search, Llamaindex Cloud	при объёме 1М+ документов	основной выбор: Qdrant + GigaChat
Бот для службы поддержки	JivoChat ИИ, Salebot, BotHelp	при 50К+ запросов/мес	API провайдера + своя обвязка
Классификация / извлечение данных	редко подходит готовое	основной выбор	—
Голосовой ассистент	Voximplant ИИ, Yandex SpeechKit	при глубокой кастомизации	SpeechKit + свой диалоговый движок
Корпоративный поиск	Yandex Cloud Search	при Data Engineer в штате	основной выбор

Правило размера компании:

• 5 человек и меньше → берём готовое, не строим
• Есть Python-разработчик → можно строить простые гибриды
• Есть DevOps + ML-инженер → строим почти всё, кроме редких узких задач

Стек для гибридного варианта в РФ (2026):

• LLM-провайдер: GigaChat, YandexGPT, DeepSeek через OpenRouter
• Векторная БД для RAG: Qdrant (open-source, есть российский хостинг), Chroma
• Backend: FastAPI или Hono
• Frontend: React + любой UI-набор
• Наблюдаемость: Langfuse, Helicone (open-source)

Стоимость и сроки по размеру бизнеса

Цифры — медиана по РФ-рынку 2026 на один производственный кейс уровня L2.

Размер	Сотрудников	Discovery + PoC	Пилот (3 мес)	Rollout (год 1)	Год 1 итого
Малый	до 50	100-200К ₽	500-800К ₽	500К-1 млн ₽	1.1-2 млн ₽
Средний	50-500	200-400К ₽	1-2 млн ₽	2-5 млн ₽	3-7 млн ₽
Крупный	500+	500К-1 млн ₽	2-5 млн ₽	5-20 млн ₽	8-26 млн ₽

Сроки разные по причинам:

• В малом бизнесе главный тормоз — нет данных (1000 размеченных примеров взять негде)
• В среднем — согласования и интеграция с CRM/учётной системой
• В крупном — соответствие требованиям, безопасность и закупки занимают больше, чем сама разработка

Доля ИТ-бюджета на ген-ИИ (Яков и Партнёры, 2026): средняя по РФ — 1.7%, в e-commerce — 4.0%. Если у вас меньше 1% — это сигнал отставания от рынка.

Реальные кейсы внедрения в РФ 2025-2026

Цифры из публичных отчётов компаний и отраслевой прессы — для калибровки ожиданий и в качестве референса для презентации руководству.

Компания	Процесс	Результат
Т-Банк	Чат-бот в поддержке	Решает 45% обращений без человека, скорость решения проблем выросла на 10%
АШАН	Сверка поставок с поставщиками	Расхождения снизились на 80%, годовая экономия 60 млн ₽
«Логика молока»	Прогноз спроса	Точность выросла на 3 п.п., экономия 40-50 млн ₽ в год
«Эврика»	Скоринг ипотек	ROI с 10% до 20%, одобрение ипотек с 15% до 30%
Х5 Group	Скрининг резюме	Качество отбора 85%, закрыто 20% офисных вакансий
«МегаФон»	Подбор продажников	30% вакансий в продажах за 9 месяцев

Источник: подборка кейсов и цифр — публикация click.ru (июнь 2026) и пресс-релизы компаний.

Что вынести менеджеру: доля автоматизации в первый год редко превышает 30-45% объёма процесса — это нормальный плановый ориентир, не «100%». Главные кейсы концентрируются в 4 функциях: поддержка, прогноз спроса, скоринг, HR-скрининг — там самый чистый baseline. Экономия 40-60 млн ₽ в год — это история среднего/крупного бизнеса; для малого реалистичная цифра — 0.5-3 млн ₽ в год на один кейс.

ROI-калькулятор: формулы и пороги

Калькулятор за 10 минут, на одной странице. Подходит для большинства L2-кейсов.

Шаг 1. Текущие затраты процесса (в месяц)

Затраты_до = (часы × ставка × 1.3 на налоги) + (ошибки × стоимость исправления) + упущенная выручка

Шаг 2. Затраты с ИИ (план)

Затраты_после = (остаточные часы × ставка × 1.3) + затраты_на_API + амортизация_внедрения_за_год

Шаг 3. Экономия и срок окупаемости

Экономия_в_месяц = Затраты_до − Затраты_после
Срок_окупаемости = Стоимость_внедрения / Экономия_в_месяц
ROI_за_год = (Экономия_в_месяц × 12 − Стоимость_внедрения) / Стоимость_внедрения × 100%

Пороги для решения:

Метрика	Зелёная зона	Жёлтая (нужно дорабатывать)	Красная (не запускать)
Срок окупаемости	< 6 мес	6-12 мес	> 12 мес
ROI за год 1	> 100%	30-100%	< 30%
Экономия часов в неделю	> 40	10-40	< 10
Объём операций в месяц	> 1000	300-1000	< 300

Жёлтая зона — можно запускать, если есть стратегический довод (выход на новый сегмент, заявка на грант, кейс для маркетинга). Красная — отложить и искать другой процесс.

Контрольная цифра рынка: по исследованию «Яков и Партнёры» (2026), 87% компаний, использующих ген-ИИ, ожидают снижения операционных затрат, 83% — рост выручки. Среднее снижение себестоимости на оцифрованных процессах в РФ — 15-30%.

Шаг 4. Пилотный проект — 90 дней

Стандартная структура пилота:

• Месяц 1 — дизайн и данные. Границы процесса, baseline (100-500 примеров), системный промпт и архитектура, тестовый датасет (50-100 случаев), согласование KPI.
• Месяц 2 — разработка и тестирование. Прототип (2-4 недели работы 1-2 инженеров), итерации промпта до точности ≥ 85% на тесте, production-инфраструктура (мониторинг, логи, передача на человека), обучение 2-3 ключевых пользователей.
• Месяц 3 — production-запуск. Старт на 10% реальной нагрузки, обратная связь по неделям, рост до 50%, финальные замеры против baseline, решение «масштабируем / останавливаем».

Критерии успеха пилота: ROI выше плана на 20%+, точность не ниже плана на 10%, доля переопределений человеком ниже 15%, удовлетворённость пользователей ≥ 7/10.

Шаг 5. Подготовка команды

Без обучения ИИ-инициатива умирает на стадии «инструмент есть, никто не пользуется». Конечные пользователи (продажи, поддержка, маркетинг) — 2-4 часа тренинга: как написать хороший запрос, когда не доверять ИИ. Менеджеры команды — те же 4 часа + 2 часа про метрики команды с ИИ. ИТ и DevOps — 1-2 дня технического обучения по выбранному стеку. HR — отдельный блок про 152-ФЗ: что нельзя загружать в ИИ. Внутренние материалы: чек-лист «что можно и нельзя», 10-15 готовых промптов под типовые задачи, контакт чемпиона, канал в Telegram для обмена находками.

Шаг 6. Масштабирование

После пилота — не торопиться захватывать всё одновременно. Порядок: месяц 4-6 — пилот до 100% и плавный раскат по командам, месяц 7-9 — второй пилот в смежной области по тому же шаблону, месяц 10-12 — интеграция двух кейсов в общую инфраструктуру, год 2 — третий пилот и начало системной трансформации. Признаки готовности к L3: 3-5 работающих ИИ-кейсов с измеренным ROI, внутренняя экспертиза (1-2 продакта и инженера), утверждённый бюджет года, поддержка руководства KPI, а не словами.

Шаг 7. Безопасность и 152-ФЗ

Критический шаг, который часто пропускают на уровне пилота и попадают в проблемы при масштабировании.

Категории данных и где их можно обрабатывать:

Категория	Можно западные ИИ	Можно российские	Только on-premise
Публичные данные	✓	✓	необязательно
Внутренние документы (не персональные)	✓ через VPN	✓	необязательно
Персональные данные граждан РФ	❌	✓ (152-ФЗ-совместимые)	✓
Коммерческая тайна	при NDA	✓	рекомендуется
Финансовая отчётность	❌	✓	✓
Медицинские данные	❌	✓ + дополнительные требования	✓
Государственные тайны	❌	❌	✓

Минимальный набор для production: аудитируемые логи всех запросов (минимум 6 месяцев), маскирование персональных данных перед отправкой во внешний API, механика согласия для пользователей, возможность удалить данные конкретного пользователя по запросу, ежегодный аудит безопасности. Подробнее — в гайде по 152-ФЗ для ИИ-проектов.

Как продать руководству — чек-лист

Для менеджера среднего звена это часто главная сложность, не техника. Презентация перед CEO / CFO / советом директоров должна закрывать 7 пунктов:

1. Конкретная задача, не «внедрить ИИ». Плохо: «внедрить ИИ в маркетинге». Хорошо: «сократить время подготовки КП с 4 часов до 30 минут на 200 заявок в месяц».
2. Baseline в цифрах. Сколько сейчас стоит процесс — часы, ошибки, упущенная выручка.
3. ROI-калькулятор по формуле выше. С честными допущениями («снижение на 70%», не «полная автоматизация»).
4. Срок и сумма пилота. Конкретное «3 месяца, 800 000 ₽» + критерии «масштабируем / останавливаем».
5. Запасной план. Если пилот провалится: теряем сумму пилота + 1-2 человеко-месяца; компенсируем переходом на смежный процесс.
6. Конкурентный контекст. 1-2 примера, что делают коллеги по отрасли (см. раздел «Реальные кейсы»). Убирает «давайте подождём».
7. Личная ответственность. KPI лично менеджера-инициатора. Для CEO это главный сигнал: у инициатора есть обязательства по результату.

Топ-5 ошибок внедрения ИИ — и как их обойти

По данным Ведомостей (июнь 2026), 95% компаний пока не окупили инвестиции в ИИ. Причины повторяются.

1. Старт без бизнес-чемпиона. Самая частая ошибка. ИТ выбирает технологию, считает архитектуру, запускает пилот — а в бизнесе никто не отвечает за результат. Через 3 месяца пилот «формально работает», но конечные пользователи им не пользуются. Чемпион — это не CTO, а руководитель отдела, чей процесс автоматизируем (Head of Support, Head of Sales). Без него — не запускать.

2. Отсутствие data layer. «У нас есть ИИ, но нет нормальных данных». Тикеты в одной системе, CRM в другой, документы в почте. Если собрать данные сложнее, чем построить модель, проект встанет. Перед PoC проверить: можно ли выгрузить 1000 примеров для baseline за 1 рабочий день. Если нет — сначала data layer, потом ИИ.

3. Пилот без production-инфраструктуры. Прототип в Jupyter, демо понравилось, а как это запустить в проде — никто не думал. Логи, мониторинг, fallback на человека, права доступа, бэкап откладываются «на потом». «Потом» не наступает.

4. Покупка решения без замера baseline. «Внедрили ChatGPT — стало лучше». Лучше на сколько? Сравнить не с чем — до внедрения никто не измерял текущие затраты. Без baseline нельзя ни доказать ROI, ни обосновать следующие инвестиции. Замер делается до старта, не после.

5. Масштабирование до того, как пилот стабилизировался. Пилот достиг KPI на 10% нагрузки за 2 недели — и сразу «катим на всю компанию». На 100% объёма всплывают нестандартные случаи, нагрузка ломает интеграцию, пользователи задают вопросы, на которые модель не обучена. Порядок: 10% → 30% → 50% → 100%, с замерами на каждой ступени.

Что НЕ работает — антипаттерны

Дополнение к топ-5 ошибкам — паттерны, которые не сразу ломают пилот, но обнуляют результат за квартал.

• «ИИ ради ИИ». Цель «внедрить ИИ в маркетинг» — это не цель, это инструмент. Цель формулируется через метрику: «снизить стоимость заявки с 1500 до 800 ₽».
• Хакатон вместо стратегии. 20 идей за двухдневный штурм, 3 запускают параллельно — через полгода ни одна не в проде. Лучше одна идея в фокусе, чем три рядом.
• Без human-in-the-loop в критичных операциях. Модель пишет клиентам напрямую — первая галлюцинация это PR-скандал. Ручной шлюз минимум на первый квартал для всего, что уходит наружу или решает деньги.
• Гонка за моделью last-gen. Команда переключается на новую модель каждый месяц — промпты переделываются, метрики между неделями не сравнимы, ROI посчитать нельзя. Зафиксировать модель на квартал, потом обновлять.

Российские интеграторы и платформы

Если внутренней команды нет, придётся брать подрядчика. Карта рынка на середину 2026.

Крупные интеграторы (под ключ от 2 млн ₽):

• Sber AI / SberDevices — глубокая экспертиза в GigaChat, корпоративные внедрения от 5 млн ₽, силён в банкинге и страховании
• Yandex Cloud Pro — упор на YandexGPT, SpeechKit, CV-задачи; удобен для e-commerce и логистики
• Selectel AI — инфраструктура + ML-команда, хорош для гибридных проектов с он-премис-составляющей
• Krista AI — фокус на корпоративных RAG и поиске по документам
• Айкат — внедрения в промышленности и крупном ритейле

Платформенные сервисы (готовые решения):

• GigaChat API + B2B-кабинет — для тулинга команды и базовых ботов
• Yandex Cloud — SpeechKit, Vision OCR, Translate — для голоса, документов, локализации
• MWS GPT (МТС) — корпоративная обвязка над разными LLM
• Salebot, BotHelp — конструкторы ботов с встроенной поддержкой LLM

Альтернатива — внешний консультант на парт-тайме: 1-2 опытных ИИ-инженера на 10-20 часов в неделю, 200-500К ₽/месяц за человека. Подходит для среднего бизнеса, когда штатной команды нет, а проект надо вести 6+ месяцев. Риск: зависимость от конкретного человека, нужен договор передачи знаний.

Чек-лист выбора подрядчика на встрече: 2-3 кейса в вашей отрасли с цифрами ROI; какой baseline замеряли до старта (если ответа нет — отказ); кто пишет промпты — ML-инженер или джун-аналитик; какая accuracy была на тестовом датасете после PoC; как мы заберём проект к себе через год.

Технические риски (не покрытые ошибками внедрения)

• Утечка персональных данных — 152-ФЗ-совместимые модели, маскирование данных, NDA с провайдером, ежеквартальный аудит логов.
• Привязка к одному вендору — OpenAI-совместимый формат API (большинство российских провайдеров поддерживают), архитектура с заменой LLM-слоя за 1 неделю.
• Модель устаревает или провайдер меняет цену — еженедельный мониторинг качества, альтернативный провайдер протестирован заранее.
• Галлюцинации модели в production — проверка человеком для критичных операций, метрики качества в реальном времени, оповещение при падении точности.
• «Последняя миля» интеграции — частая ловушка крупных проектов: модель готова, accuracy 90% на тесте, но встроить в живой workflow (CRM, ERP, права доступа, легаси) выходит в 2-3 раза дороже самой модели. Закладывать на интеграцию минимум 40% бюджета пилота, не 10%.

Тренд 2026: агентный ИИ и мультиагентные системы

Российские отраслевые медиа (Ведомости, Хабр, июнь 2026) сходятся: 2026 — год перехода от точечных ИИ-функций к агентам. Это системы, которые получают задачу, сами планируют шаги, дёргают внешние сервисы и доводят процесс до результата без оператора на каждом шаге.

Что меняется на практике: появляются новые роли (оператор ИИ-агентов, ИИ-продакт-менеджер с фокусом на ROI, архитектор агентных процессов); одиночный чат-бот L2 превращается в связку «классификатор → агент-исполнитель → агент-проверяющий» — каждый со своим промптом и метриками; архитектурный паттерн зрелого внедрения — Knowledge Graph + LLM + RAG, то есть структурированные знания компании + языковая модель + поиск по документам.

Когда брать агентов в пилот: уже есть 1-2 работающих L2-кейса с измеренным ROI; процесс распадается на ≥3 связанных подзадачи (классификация → действие → проверка); есть бюджет на двойную наблюдаемость — на агента в проде нужны логи каждого шага.

Когда НЕ брать агентов: это первый ИИ-кейс в компании (начать с обычного L2); нет data layer (агент работает на интеграциях, без них он не запустится); нет SLA на мониторинг (агент в проде ошибается тихо, без алёртов отлавливать поздно).

Инфраструктурный порог: по данным Ведомостей, серьёзные on-premise агентные внедрения в 2026 стартуют от 100 млн ₽ — это уровень крупного бизнеса. Среднему бизнесу разумно идти через cloud-API и гибридный стек.

Главное за 30 секунд

• Не «внедряем ИИ» — внедряем конкретный процесс с измеримым ROI
• Pipeline: discovery → PoC → пилот → rollout, без пропуска фаз
• Первый пилот: 3 месяца, до 1 млн ₽, окупаемость до 12 месяцев
• Покупать или строить: меньше 5 человек — готовое, есть DevOps — гибрид
• Команда: 4 часа обучения каждому пользователю, чемпион в бизнесе обязателен
• 152-ФЗ: для персональных данных граждан РФ — только GigaChat / YandexGPT / T-Pro
• Презентация CEO: задача + baseline + ROI + срок и сумма пилота + запасной план

FAQ

С какого размера компании имеет смысл внедрять ИИ?

Уже с 5-10 человек L1 (инструменты для команды) даёт пользу — ChatGPT Team или GigaChat Pro окупаются на любом размере. L2 (ИИ-функция в продукте) имеет смысл от 30-50 человек, когда есть достаточный объём данных. L3 (системная трансформация) — от 200+ человек.

Сколько стоит пилот ИИ-проекта?

Зависит от уровня. Для L1 (инструменты для команды) — от 100К ₽ за год. Для L2 (продуктовая ИИ-функция) — медиана в 2026 году по РФ-рынку: 800К-1.5 млн ₽ за 3-месячный пилот. Для L3 (системная трансформация) — от 10-20 млн ₽ на год.

Как объяснить ROI ИИ-проекта руководству?

Чёткой таблицей baseline vs план. Не «улучшим эффективность», а «снизим зарплатные затраты с 200К до 53К в месяц». Подробный шаблон таблицы — в разделе «Шаг 2. KPI и ROI» выше.

Что делать, если пилот провалился?

Анализ причин: техническая (модель не справилась), процессная (команда не использовала), организационная (KPI не были измеримы). Чаще всего — процессная. Не списывать на «ИИ не работает», а конкретизировать процесс. Часто помогает сменить процесс — попробовать смежный, где KPI чище.

Как обучить команду работать с ИИ?

4 часа практического тренинга на каждого конечного пользователя: «как написать хороший запрос», «когда не доверять ИИ», «как мерить свою эффективность». Для менеджеров команды — плюс 2 часа про метрики команды. Внутренний чемпион обязателен.

Какой ИИ выбрать для корпоративного использования в РФ?

Для большинства задач связка: GigaChat 2 Max (длинные документы) + YandexGPT 5 Pro (разговорный русский) + Kandinsky (картинки). Для финансовых задач — добавить T-Pro. Все 152-ФЗ-совместимы. Подробное сравнение — на странице сравнения российских нейросетей.

Сколько занимает первый пилот по времени?

Стандартный пилот — 3 месяца. Месяц на дизайн и подготовку данных, месяц на разработку и тестирование, месяц на production-запуск с измерениями. Меньше 3 месяцев — высокий риск пропустить что-то критическое. Больше 6 — менеджер теряет внимание руководства и бюджет.

Можно ли внедрить ИИ без согласования с ИТ?

Можно (через L1 — инструменты для команды), но небезопасно. Без ИТ нет логов, нет маскирования данных, нет соответствия 152-ФЗ. На уровне пилота ИТ всегда должно быть в курсе, даже если технические работы делает внешний подрядчик.

Какие компании в РФ делают внедрение ИИ под ключ?

Несколько крупных интеграторов: Айкат, Krista AI, Selectel AI, Yandex Cloud Pro, Sber AI. Цены от 1-2 млн ₽ за пилот. Альтернатива — нанять 1-2 консультантов на парт-тайме (от 200К ₽/мес). Подробнее — в разделе «Российские интеграторы и платформы» выше.

Чем отличается PoC от пилота?

PoC (Proof of Concept) — это проверка «работает ли в принципе»: 2-3 недели, 50-100 примеров, нет интеграции с боевыми системами, нет реальных пользователей. Стоит 100-300К ₽. Пилот — это уже production-запуск на ограниченном объёме (10-50% нагрузки), с реальными пользователями, мониторингом, fallback на человека. Длится 8-12 недель, стоит 0.8-2 млн ₽. Пропуск PoC удваивает риск, что пилот окажется заведомо провальным.

Что делать, если в компании нет своих ИТ-специалистов?

Брать готовое решение, не строить своё. Для тулинга команды — GigaChat Pro или ChatGPT Team (от 100К ₽/год). Для конкретного процесса — конструктор (Salebot, BotHelp, JivoChat ИИ). Если задача нестандартная — нанять консультанта на парт-тайме (200-500К ₽/мес) на 3-6 месяцев. Только когда есть 2-3 работающих кейса и собственная команда — переходить на свою разработку.

Дальше

Внедрение ИИ в компанию 2026 — это инженерный проект с конкретными метриками, а не модное слово. Главное — не «попробовать ИИ», а выбрать один измеримый процесс, пройти discovery → PoC → пилот → rollout без пропуска фаз, и довести его до production с реальным ROI-замером. Связанные материалы: как стать промпт-инженером (если планируете развивать внутреннюю экспертизу), сравнение российских нейросетей (для выбора провайдера), гайд по 152-ФЗ (для безопасности). Кейсы реальных ИИ-внедрений с цифрами выручки — в Базе идей.