"Как указывает Nutanix в отчете Enterprise Cloud Index, быстрое распространение GenAI (генеративного ИИ - "Ведомости. Инновации и технологии") индуцирует резкий рост спроса на облачную и гибридную инфраструктуру, потому что привычные дата-центры и on-premise (локальные серверы - "Ведомости. Инновации и технологии") не справляются с вычислительной нагрузкой. Консалтинговая Gartner прогнозирует, что к 2027 г. около 90% всех корпоративных ИИ-нагрузок будут размещены в гибридных или полностью облачных архитектурах.

Выводы исследователей подтверждаются простой математикой. Стойка из восьми графических процессоров B200 в России обойдется российской компании примерно в 50 млн рублей. Для среднего бизнеса этот ценник неподъемен. И даже после закупки оборудования проблему не решить: на GPU (графический процессор - "Ведомости. Инновации и технологии") нельзя просто "повесить" нейросеть - модель нужно адаптировать под свои кейсы, обучать, поддерживать. Фактически для этого компания должна нанять целую команду специалистов.

Организациям, которые на это не готовы, остается только переход на облачную инфраструктуру, где стоимость вычислений прозрачна, подключение занимает минуты, и можно сразу донастраивать модели под свои задачи.

Развитие рынка подталкивает компании именно в эту сторону. Потребители уже привыкли к качеству ИИ-сервисов в B2C - от голосовых ассистентов до умных рекомендаций - и начинают ожидать того же уровня цифрового удобства от B2B-провайдеров: управляющих компаний, служб такси, ритейлеров, доставок. Чтобы соответствовать этим ожиданиям, корпоративным сервисам необходимо внедрять ИИ.

Это можно делать и on-premise (в периметре корпоративной сети - "Ведомости. Инновации и технологии"), и в облаке, но экономика выбора очевидна. Я уверен, что развитие этого сектора приведет к тому, что между облачными провайдерами развернется конкуренция, а внутри самих облаков появятся готовые продукты, ориентированные на узкие B2B-кейсы.

Экономический эффект от внедрения ИИ в бизнес, кажется, уже стал общим местом, но свежие исследования приводят новые аргументы. Так, PwCʼs 2025 Global AI Jobs Barometer демонстрирует, что в индустриях с высокой степенью ИИ-экспозиции рост выручки на одного работника в 2024 г. втрое превысил аналогичный показатель в "менее AI-интенсивных" секторах: +27% против +9%. По их же данным, с момента широкого распространения генеративного ИИ темп роста производительности в сильно ИИ-экспонированных отраслях увеличился почти в четыре раза - с 7% (2018-2022 гг.) до 27% (2018-2024 гг.).

Тем не менее, когда речь заходит о внедрении конкретных ИИ-инструментов, бизнес зачастую начинает пробуксовывать. Главная причина в том, что эффект сложно просчитать заранее. Руководителям приходится опираться на гипотезы, а стратегические решения нередко принимаются как ставка на технологическое будущее, а не как проект с четким ROI (коэффициентом рентабельности инвестиций - "Ведомости. Инновации и технологии"). Пугает управленцев и риск неэффективных и дорогих вложений: ошибочный ИИ-проект легко оборачивается десятками миллионов потерь.

Глобальное исследование BCG демонстрирует, что лишь 26% компаний получают заметную отдачу от инвестиций в ИИ.

Я убежден, что подход к выбору ИИ-проектов должен быть прагматичным. Чтобы помочь российским компаниям, Альянс разработал методологию оценки финансовой эффективности ИИ-проектов. Это первый в России стандартизованный инструмент, и его использование позволяет бизнесу перейти от принятия решений на основе интуиции к системной оценке экономического эффекта. Методика описывает структуру оценки: какие виды эффектов учитывать (снижение затрат, рост доходов, ускорение процессов, снижение рисков), как фиксировать базовые метрики "до" и "после", как проводить пилоты и A/B-тесты (метод исследования, при котором сравнивают два варианта одного элемента. - "Ведомости. Инновации и технологии") и как учитывать полный состав затрат - от инфраструктуры до обучения людей. Документ дает процедуру, по которой можно принимать решения, сравнивать проекты и масштабировать самые успешные из них.

При этом нужно понимать, что нельзя сразу интегрировать ИИ в core-процессы (фундаментальные бизнес-процессы - "Ведомости. Инновации и технологии"). Компаниям следует начинать внедрение ИИ с "низковисящих фруктов" - отдельных инициатив, которые дают быстрый и измеримый эффект при минимальных затратах ресурсов.

Такие проекты создают доверие к технологии и позволяют накопить экспертизу. Но точечные улучшения не меняют компанию. Чтобы действительно повысить эффективность, ИИ должен привести к изменению самой операционной модели.

Характерный пример - трансформация корпоративного кредитования в "Сбере". Процесс, который занимал у нас 40 дней и, казалось, его нельзя радикально ускорить, был переосмыслен целиком. Целью было сократить срок до 15 дней, но в результате, благодаря применению ИИ, сейчас он занимает семь минут. Такой эффект возможен только тогда, когда организация созрела для пересмотра базовой логики процессов, а не просто для их оптимизации.

Как и с любой технологией, компании с точки зрения их подходов к внедрению ИИ можно разделить на три категории. Первая - early adopters (ранние последователи - "Ведомости. Инновации и технологии"), те, кто уже активно использует ИИ; им объяснять ничего не нужно. Вторая - отстающее меньшинство, которое будет "сопротивляться" до последнего. И третья категория - самая значимая - колеблющаяся середина. Эта аудитория хочет пробовать технологии, но ей нужны не абстрактные демонстрации, а специальные продукты, которые снимают конкретные боли.

Разработчикам нужно предлагать бизнесу не выдуманные сценарии, а реальные решения сложных, затратных, рутинных задач. Революция LLM (языковых моделей - "Ведомости. Инновации и технологии") началась в B2C, но настоящая ценность - в B2B, поэтому рынок движется в сторону "приземления" моделей в конкретные отраслевые инструменты. Период экспериментов прошел, настало время решения реальных бизнес-задач с помощью ИИ", - поясняет Александр Ведяхин.