Сначала пилот, потом стратегия: как российский бизнес внедряет большие языковые модели
За последние два года большие языковые модели (LLM) перестали быть технологическими игрушками для экспериментов и превратились в стратегические инструменты для крупного бизнеса. Однако переход от теории к практике осложняется отсутствием зрелых корпоративных стратегий и жестким контролем со стороны служб информационной безопасности. Исследование Content AI, основанное на более чем 50 интервью с представителями ритейла, банков и промышленности, показывает, что компании предпочитают начинать с легких облачных пилотов, избегая крупных капитальных затрат и полного доверия автономным агентам.
# Сначала пилот, потом стратегия: как крупный бизнес внедряет LLM
Рынок искусственного интеллекта переживает трансформацию: спор о том, нужны ли большие языковые модели (LLM) бизнесу, фактически закончился. Технологии перешли из категории «забавных игрушек» в разряд критически важных инструментов для операционной деятельности. Однако скорость внедрения опережает способность компаний выстроить вокруг этого полноценную архитектуру управления.
Стратегии отстают от практики
Парадокс текущего этапа развития рынка заключается в том, что успешные кейсы внедрения LLM появляются быстрее, чем компании успевают разработать для этого детальные стратегии. Результаты опроса, проведенного компанией Content AI с участием IT- и ИБ-служб из нефтегазовой, банковской и телекоммуникационной отраслей, демонстрируют следующую картину:
* Операционное использование: 53% опрошенных компаний уже применяют генеративный ИИ в своих бизнес-процессах. * Пилотные проекты: Еще 29% находятся на стадии запуска пилотов. * Эксперименты: Только 18% ограничиваются личным использованием моделей сотрудниками.
При этом у половины участников исследования отсутствуют утвержденные корпоративные стратегии ИИ или они находятся в зачаточном виде. Политики использования данных и регламенты безопасности часто появляются с опозданием, отставая от реальных технических задач. Уровень зрелости рынка оценивается сдержанно: лишь 6% респондентов заявили о достижении высших ступеней зрелости (уровень 4–5), характеризующихся гибридом моделей и четкими регламентами.
Выбор архитектуры: облако против собственных серверов
Одним из самых сложных вопросов при внедрении LLM остается выбор места размещения моделей. Разброс ответов свидетельствует о том, что единого стандарта пока не существует.
* Собственная инфраструктура: 41% компаний предпочитают развертывание моделей на собственных серверах. * Гибридный подход: 35% выбрали комбинированную схему. * Публичное облако: Только 24% готовы использовать облачные сервисы как основную платформу.
Интересна ситуация с «частным облаком» (выделенный контур провайдера): на практике этот вариант часто приравнивается к публичному облаку, что вызывает недоверие служб безопасности. В то же время, для запуска пилотных проектов на нечувствительных данных или синтетических наборах информация готова перейти в облако 65% респондентов. Выносить туда реальные данные готовы лишь 21%, в то время как 14% категорически против любого использования облака.
Отношение к российским облачным LLM остается скептически-прагматичным: 70% считают их качество недостаточным, но 30% уже используют или планируют их внедрение. Гораздо спокойнее рынок относится к китайским и открытым моделям в закрытом контуре: они воспринимаются положительно 56% опрошенных.
Что такое «гигабайты» в контексте облачных API?
Важно понимать техническую суть проблемы с передачей данных в облачные сервисы (например, зарубежные API). Когда компания использует внешний сервис, она фактически выгружает свои тексты, логи или документы на серверы третьей стороны, часто находящиеся в другой юрисдикции. Это создает риски потери контроля над конфиденциальной информацией и потенциальных санкционных ограничений. Именно поэтому прямые запреты на такие сервисы действуют у 37% компаний, а еще у 50% их применение ограничено.
Границы готовности к передаче данных
Готовность передавать данные на обработку во внешние сервисы напрямую зависит от класса информации. В отношении персональных данных (ПДн) мнения респондентов разделены почти поровну: 31% полностью запретили передачу ПДн наружу, 31% разрешают обработку только внутри контура, и лишь 38% допускают работу внешней модели при условии маскирования данных и специальных договоров. Таким образом, 62% компаний блокируют прямую передачу персональных данных.
Острая реакция наблюдается на обработку коммерческой тайны и ноу-хау. Полностью в собственном контуре работать с ними готовы только 56% компаний, тогда как 25% вводят полный запрет на использование LLM для таких данных.
Финансовые операции остаются зоной особого контроля. 80% компаний допускают выполнение ИИ-агентами платежных функций только при обязательном подтверждении действий человеком. Полная автономия агента в вопросах финансов на текущем этапе рынка не принята.
Информационная безопасность: главный тормоз и инициатор
Инициатором запуска проектов с LLM в 47% компаний выступают несколько служб одновременно: бизнес-подразделения видят экономию, инженерия — технологические преимущества, а топ-менеджмент — возможность оптимизации структуры. Однако главным «стоп-фактором» для 76% респондентов выступает служба информационной безопасности (ИБ).
Службы безопасности боятся утечек, несанкционированного доступа и использования моделей для фишинга. В результате рынок балансирует между политикой ИБ и необходимостью развития технологий. Более половины компаний принимают решения по мере возникновения конкретных кейсов, тогда как у 47% существуют заранее утвержденные политики ИИ.
Что такое «теневой ИИ»?
«Теневой ИИ» — это практика использования сотрудниками корпоративных инструментов (чатов, конструкторов сайтов) через публичные сервисы (такие как ChatGPT или другие бесплатные решения) без ведома руководства. Это возникает, когда внутренние запреты не подкреплены безопасными альтернативами. В результате сотрудники обходят корпоративные правила, что повышает риски утечки данных и создает проблемы для единого корпоративного стека технологий.
Экономика и требования к вендорам
Вопрос капитальных затрат (CAPEX) остается критическим. Высокая стоимость вычислительных кластеров (около 20–30 млн рублей за стартовый проект) сильно тормозит инициативы 77% респондентов. Компании ждут быстрых результатов и не готовы замораживать бюджеты на оборудование без видимого возврата инвестиций.
Типичный успешный сценарий выглядит следующим образом: начать с легкого облачного пилота, измерить эффект в течение 2–3 месяцев и только при положительной динамике переносить решение во внутренний контур.
При выборе поставщика (вендора) главное значение имеют: 1. Контроль данных и безопасность: так ответили 59% респондентов. 2. Техническая поддержка: 56% нуждаются в помощи с инфраструктурой. 3. Гибкость: 86% компаний хотят возможность использования своих моделей (BYO-LLM) и не хотят привязываться к конкретному провайдеру.
Будущее: автономные агенты и роль человека
Рынок скептически относится к полностью автономным ИИ-агентам. Только 15% компаний готовы пилотировать решения без участия человека. Большинство (38%) поддерживают модели, работающие только с участием оператора (HITL — Human-in-the-Loop), а 47% относятся к идее автономии скептически.
Новым вызовом становится «агентная автоматизация»: ситуация, когда разные ИИ-агенты договариваются между собой и предпринимают действия самостоятельно. С таким явлением столкнулись или предполагают столкнуться в будущем 70% опрошенных. Это потребует пересмотра политик безопасности.
Как работает маскирование данных?
Маскирование данных — это метод замены реферируемой информации (имен, номеров карт, адресов) на обезличенные символы или «шум» в процессе отправки данных к модели. Это позволяет использовать мощные внешние модели, не раскрывая конфиденциальных сведений. 91% респондентов признали этот инструмент эффективным способом преодоления ограничений ИБ при гибридных схемах работы.
Шести трендов на ближайшие два года
На основе исследования можно выделить ключевые тенденции, которые сформированы за следующие год-два:
1. Политики безопасности догонят внедрения. Сейчас стратегии отсутствуют, но в ближайшие два года появятся типовые модели рисков и регламенты. 2. Гибридная архитектура станет стандартом. Сочетание локальных безопасных контуров для данных и облачных мощностей для вычислений. 3. ИБ останется главным барьером. Его преодоление будет возможно только через четкую модель ответственности и пакеты документации. 4. Легкий старт важнее затрат. Инвестиции в собственную инфраструктуру будут оставаться стратегией для боевой среды, а пилоты — облаком или арендой. 5. Автономные агенты возьмутся за рутину. Но человеческий контроль останется необходимым элементом процессов. 6. Смещение фокуса на обвязку. Ценность продукта будет определяться не самой моделью, а системой управления, качеством пайплайнов и инструментами логирования.
Российский рынок ИИ движется вперед, балансируя между желанием внедрять инновации и необходимостью обеспечить безопасность. Путь к полной автоматизации лежит через осторожные пилоты и строгий контроль над данными.