Западные компании используют готовые модели и охотно экспериментируют. Российские строят инфраструктуру и ждут быстрого эффекта. Максим Андрианов ("Инфосистемы Джет") - о разнице в подходах и том, кто быстрее придет к экосистемам
По данным McKinsey, почти половина (49%) зарубежных компаний с выручкой больше $5 млрд уже вывела ИИ за пределы пилотов. Крупный российский бизнес идет вровень. Большие языковые модели пилотируют или уже применяют 86% опрошенных компаний, а у 46% они работают в промышленной эксплуатации (здесь и далее мы будем опираться в том числе на результаты собственного исследования*).
Но пути к внедрению ИИ у российских и зарубежных компаний разные.

Публичные модели против собственной инфраструктуры
Западный бизнес в основном берет мощные модели крупных разработчиков (Anthropic, OpenAI и Google): по оценке венчурной компании Menlo Ventures, на закрытые коммерческие модели приходится почти 90% корпоративного рынка. Разработчик не использует данные клиента для обучения ИИ, защищает их и берет на себя часть юридических рисков, например претензии по авторским правам на сгенерированный контент. За персональные данные компания отвечает сама, остальные риски поделены по договору.
Облачный ИИ быстро запускается и не требует вложений в железо. Покупать, обслуживать и обновлять дорогие серверы не нужно. А при грамотной маршрутизации, когда простые запросы уходят дешевым моделям, а сложные - флагманским, счет за токены можно держать под контролем.
Российские компании чаще идут другим путем: разворачивают модели в своем контуре и платят не за токены, а за железо: 65% опрошенных нами компаний используют собственную инфраструктуру или гибридную схему, и только 12% работают исключительно в облаке.
По закону о персональных данных компания, которая поручила их обработку подрядчику, ответственности с себя не снимает. Коммерческую тайну - договоры, цены, производственные данные - служба безопасности в облако не выпустит.
Нюанс: для задач, не связанных с персональными данными или коммерческой тайной, российские компании используют готовые модели. Но работать с разработчиками напрямую нельзя: Россия не входит в список стран, где доступны сервисы Anthropic и OpenAI. Поэтому токены покупают через посредников, наценка составляет от 1,4 до 3,6 раза к официальной цене. На больших объемах такая переплата быстро съедает бюджет.

Подписка или свой сервер: расчет на одном сценарии
Сравним российский и западный подходы на примере. Предположим, что компания с тысячей сотрудников запускает несколько десятков ИИ-агентов для разработки, поддержки и бэк-офиса. Интеграция с корпоративными системами нужна в обоих случаях, поэтому вынесем ее за скобки.
На Западе первых агентов можно запустить за несколько недель: модели уже работают у провайдера, остается подключить корпоративные данные и настроить доступы. Корпоративный тариф Claude стоит $20 в месяц за сотрудника, а все запросы к модели оплачиваются отдельно, по ценам API. Для компании на тысячу сотрудников только подписка обойдется в $240 тыс. в год (20,4 млн руб.).
Основная нагрузка - токены: чем активнее люди работают с моделью, тем больше счет. При умеренной нагрузке токены могут стоить еще $100-200 тыс. (8,5-17 млн руб.). Итого около 29-37 млн руб. в год по курсу 85 руб. за доллар, 87-111 млн руб. за три года. Однако суммы могут быть и больше: Uber всего за четыре месяца потратил годовой бюджет на ИИ и ввел лимит - не больше $1,5 тыс. в месяц на сотрудника за каждый ИИ-инструмент. Вложений на старте нет, но счет растет вместе с числом пользователей.
В России сначала нужно купить сервер. Кластер из нескольких графических процессоров (GPU), который позволит нескольким тысячам сотрудников одновременно работать с десятками ИИ-агентов, cтоит около 30-45 млн руб. Инфраструктура под флагманские модели - на порядок дороже. Поставка занимает 6-12 недель. От развертывания модели до запуска решения может пройти три-шесть месяцев. К стоимости добавляются хранилища, сеть, охлаждение, электричество, обслуживание и специалисты по работе с ИИ - это еще 15-20 млн руб. в год.
Однако в следующие годы бизнес платит 15-20 млн руб. в год, пока хватает мощности сервера. За три года расходы получаются сопоставимыми или ниже: 75-105 млн руб. против 87-111 млн руб. у облачной модели. Чем больше пользователей, тем быстрее окупается железо. На 3 тыс. сотрудников подписка с токенами обойдется уже в 85-110 млн руб. в год, и свой контур окупится за год-два.

Преимущества и недостатки российского пути
У российского подхода есть очевидные минусы. Первый - дорогое и дефицитное оборудование. Стоимость серверов называют критическим барьером 58% опрошенных нами компаний. Так, по данным Selectel, с октября 2025 года серверы подорожали примерно вдвое. С поставками тоже могут быть проблемы: в 2024 году в Россию ввезли тысячи серверов класса H100, а к 2026-му - лишь десятки.
Второй минус - локальные модели уступают флагманским по качеству, и отставание приходится компенсировать работой инженеров. Они подключают модель к источникам данных, дообучают ее и тестируют различные бизнес-сценарии.
Однако у искусственного интеллекта в собственном контуре есть и сильные стороны. На своем железе не нужно доплачивать за подключение каждого сотрудника или токены: после покупки сервера новый пользователь почти ничего не стоит. Данные не выходят за периметр, и модель можно дообучать на любых внутренних данных. Наконец, компания не привязана к одному поставщику и может заменить любую языковую модель, если в open-source появится более мощная и производительная.

Встроенные интеграции против ручных
Чтобы искусственный интеллект перестал быть просто чатом и смог самостоятельно выполнять действия, его нужно интегрировать с корпоративными системами.
У западных компаний интеграции заложены в архитектуру. Их процессы давно оцифрованы и "живут" в облачных платформах вроде Salesforce и Slack, у которых есть открытые API. Крупные вендоры корпоративного ПО поддерживают MCP - открытый стандарт, по которому ИИ-агент подключается к системам по единым правилам, а в Salesforce агенты уже встроены в платформу. Это преимущество копилось годами.
Российским компаниям приходится интегрировать ИИ-решения вручную. За 30 лет у них накопилось много полузакрытых систем, например ERP или самописные CRM. Часто в этих системах просто не предусмотрен API, и коннектор под каждого агента пишут отдельно - а это люди, время и деньги. Западные облачные платформы из России ушли, а отечественных систем, в которые интеграция с ИИ заложена изначально, пока немного.
Недостаток российского пути состоит в том, что запуск проектов требует больше времени, а значит, растет и стоимость. Преимущество - в том, что российскому бизнесу в любом случае придется выстраивать интеграции и их сразу можно проектировать с учетом будущего внедрения ИИ-агентов. Полагаю, что значительную часть кода вендорских систем со временем перепишет сам ИИ и новые системы будут изначально рассчитаны на работу с ним.

Общая проблема: незрелые процессы и данные
При всех различиях у российских и западных компаний один и тот же барьер - незрелые процессы и данные. 44% опрошенных нами компаний отказываются от ИИ-агентов из-за незрелости процессов, инфраструктуры данных и сложной интеграции с корпоративными системами. По данным Gartner, у 63% организаций в мире нет подходящих для ИИ практик работы с данными или они в этом не уверены. До конца 2026 года компании свернут 60% ИИ-проектов, для которых готовых данных нет.
Главный техдолг - процессы без цифрового следа. Заявки согласуют в мессенджерах, решения принимают на планерках, а нюансы хранятся в головах сотрудников. Модель видит только то, что записано в системах, поэтому без цифрового следа автоматизация охватывает не более 5% процессов.
Меняется и подход к хранению данных: теперь дешевле хранить все, чем не хранить ничего. Компании, которые годами накапливали данные, пусть неструктурированные и вперемешку с лишним, быстрее запускают ИИ-проекты. У остальных даже пилоты дорожают в десятки раз и растягиваются на месяцы.

Эксперименты против быстрой окупаемости
Западные компании вкладываются в ИИ, не дожидаясь, пока эффект станет понятен. По данным опроса IBM, среди 2 тыс. гендиректоров 64% инвестируют в технологии раньше, чем понимают их ценность, - боятся отстать от конкурентов. McKinsey подсчитала, что 62% компаний экспериментируют с ИИ-агентами или масштабируют их, но лишь 39% отмечают влияние ИИ на операционную прибыль.
Крупные игроки ставят смелые эксперименты. Goldman Sachs "нанял" автономного ИИ-разработчика Devin: банк планирует запустить сотни, а то и тысячи его копий, которые будут работать бок о бок с 12 тыс. программистов. Биотехнологическая компания Moderna объединила HR и IT в одну службу, которая решает, какую работу отдать людям, а какую - ИИ, а сотрудники компании создали больше 3 тыс. специализированных версий ChatGPT под свои задачи. А JPMorgan за восемь месяцев открыл доступ к собственной ИИ-платформе для 200 тыс. сотрудников.
Несмотря на кризис ожиданий, зарубежные компании продолжат экспериментировать - за их счет они быстрее находят работающие сценарии.
Российский бизнес тоже наращивает вложения: почти половина опрошенных нами компаний собирается увеличить бюджет на ИИ в следующем году, еще 32% сохранят его на прежнем уровне. Но ждут от этих денег вполне приземленного результата. Если проект уже на этапе пилота не показывает экономического эффекта, его закрывают. Это главная причина, по которой пилоты не доходят до промышленной эксплуатации: ее называют 46% компаний.
Поэтому ИИ приживается там, где цифровой след уже накоплен, а эффект легко посчитать. Чаще всего - в контакт-центрах и поддержке: здесь его, по данным нашего исследования, используют три четверти крупных компаний. Самую заметную отдачу дают поиск по корпоративным документам, поддержка клиентов и разбор обращений.
Например, в "Ригле" голосовой робот сам принимает звонки и оформляет аптечные заказы. Он обслуживает больше половины входящих звонков, а минута разговора с ним в 2,5 раза дешевле, чем с оператором. В DPD ИИ без участия человека закрывает большую часть обращений - в чатах, по телефону и почте.
Минус такого подхода в том, что права на ошибку в России почти нет. Значит, к сложным сценариям отечественные компании придут позже, чем зарубежные лидеры.

Разные пути - одна цель
У каждого пути есть преимущества и недостатки, но цель одна - ИИ-экосистема, в которую из корпоративных систем перетечет большая часть бизнес-процессов. Разница лишь в сроках.
Полагаю, что зарубежные компании придут к массовому внедрению агентов и ИИ-экосистеме быстрее: большая часть процессов у них уже оцифрована, а интеграции ИИ с корпоративными системами заложены в архитектуру.
Российскому бизнесу понадобится на несколько лет больше. Это рациональный ответ на наши условия: доступ к западным моделям ограничен, токены через посредников стоят в разы дороже, а данные по закону и по привычке мы держим у себя.
Ближайшие год-два российские компании будут внедрять ИИ в сценариях, которые уже доказали эффективность: поддержке, поиске по документам, разборе обращений. Параллельно они будут выстраивать инфраструктуру, ориентированную на ИИ, - оцифровывать процессы, собирать и хранить их цифровой след. Следующий шаг - агенты в бэк-офисе: бухгалтерии, юридической службе, АХО. По данным MIT, именно там генеративный ИИ дает наибольшую отдачу. Но цифровой след там пока лежит в сканах, PDF и письмах, поэтому массово агенты придут туда, когда компании закроют техдолг.
Главным в обоих путях окажется не модель и не количество токенов, а данные, которыми питается ИИ. Выиграют все компании, которые пройдут этот путь.

*Об исследовании
"Инфосистемы Джет" и аналитическое агентство Smart Ranking провели исследование "ИИ-зрелость крупного бизнеса в России" в 2026 году. В количественном опросе участвовали 52 крупные российские компании, в которых в сумме работают около 450 тыс. сотрудников. На вопросы отвечали IT- и технические директора, а также другие руководители, которые отвечают за цифровизацию и внедрение ИИ. Выборку формировали на основе рейтингов РБК 500, Smart Ranking BigTech 100 и Smart 500. Отраслевой состав: IT и технологии - 38%, финансы - 21%, реальный сектор - 21%, торговля, логистика и сервис - 19%. Дополнительно проведены семь глубинных интервью с представителями компаний, которые уже внедряют ИИ, и кабинетное исследование.