Внедрение ИИ по отраслям: где в России это работает и с чего начать

Внедрение ИИ по отраслям — это выбор того процесса, который в конкретной отрасли даёт измеримый эффект первым, и его сборка вокруг учётной системы компании. Универсального «ИИ для бизнеса» не существует: на производстве первым уходит визуальный контроль качества, в логистике — разбор перевозочных документов и планирование пополнения, в рознице — обработка заказов и прогноз спроса, в финансах — управление рисками, в услугах — первая линия обращений. Отрасль определяет не только процесс, но и препятствие: своя номенклатура, свои регламенты, своя учётная система и своя цена ошибки.

Ниже — насколько отрасли разошлись по проникновению ИИ в России и откуда взяты эти числа. Таблица «отрасль → процесс, который отдают первым → что нужно, чтобы это заработало у вас». Подробный разбор по шести направлениям: производство, логистика и склад, ритейл и опт, строительство и девелопмент, финансы, услуги. И почему отраслевая коробка закрывает общую часть процесса, а вашу — нет.

Насколько отрасли разошлись по внедрению ИИ?

Разрыв измеряется разами, а не процентными пунктами. По экспресс-информации ИСИЭЗ НИУ ВШЭ от 18 марта 2026 года, подготовленной по итогам обследования крупных и средних организаций (кроме субъектов малого предпринимательства), которое Росстат провёл в 2025 году по методологии института, средняя доля организаций, использующих технологии ИИ, составляет 4,8%. Внутри той же совокупности группы различаются в 3,6 раза: 14,9% при численности работников более 500 человек и 4,1% в группе «100 и менее человек». Чаще всего ИИ востребован в маркетинге и продажах, реже всего — в выстраивании логистики и транспортировки.

Среди крупного бизнеса картина принципиально другая. По исследованию «Яков и Партнёры» и «Яндекс» «Искусственный интеллект в России — 2025» (8 декабря 2025 года; опрошены 150 технических директоров крупных компаний из 16 отраслей, 150 поставщиков решений и свыше 3,5 тысячи пользователей) генеративный ИИ хотя бы в одной функции используют 71% крупных российских компаний, об экономическом эффекте сообщают 78% из них. Активнее всего технологию применяют пять отраслей: ИТ и технологии, телеком и медиа, электронная коммерция, банковское дело и страхование. Общее у них одно — данные изначально живут в цифровом виде и собраны в одном месте.

Сравнивать эти два числа между собой нельзя: у исследований разные совокупности, разные способы опроса и разные определения технологии. Практический вывод складывается не из их разницы, а из совпадения. Отрасль определяет не столько желание внедрять, сколько готовность данных: там, где операция и так фиксируется в системе, ИИ подключается к готовому потоку, а там, где она проговаривается по телефону и записывается в тетрадь, проекту предшествует работа по описанию процесса.

Какой процесс отдают ИИ первым в каждой отрасли?

Тот, где повторов много, эталон правильного ответа записан, а ошибку видно до того, как она уйдёт наружу. По отраслям это выглядит так.

Правый столбец и есть настоящая смета проекта. Модель одинаково доступна всем шести отраслям, а вот адресное хранение на складе, размеченные примеры брака или расшифровки звонков появляются только тогда, когда компания их сделала.

Производство: с чего начинают и во что упирается?

С контроля качества по видео — это единственная технология, дошедшая в отрасли до массовости. По исследованию Strategy Partners и ГК «Цифра» «Перспективные цифровые технологии в промышленности» (5 ноября 2025 года) доля российских промышленных предприятий, применяющих машинное зрение, выросла более чем вдвое с 2020 по 2024 год: с 18,9 до 41,6%. Остальные технологии сильно отстают: промышленный интернет вещей — 7,1%, машинное обучение и большие данные — 5,5%, генеративный ИИ — 0,3% по данным 2024 года. Разрыв между первой строкой и остальными объясняется просто: камера ставится на участок и работает автономно, а модель прогноза требует связанных данных из нескольких систем.

Там же названа причина, по которой следующий шаг даётся тяжело: в промышленности собраны большие объёмы данных, но до половины из них не используется. Датчики стоят, телеметрия пишется, однако она не сведена с историей отказов, с журналом ремонтов и с номенклатурой запчастей — а предиктивное обслуживание живёт именно на этой связке.

Второй по частоте сценарий скромнее и окупается быстрее: разбор входящих документов. Спецификация от поставщика, заявка от клиента, акт от подрядчика — модель вытаскивает позиции и сопоставляет их со справочником. Здесь и вылезает отраслевая специфика: у каждого производителя своя система артикулов, свои единицы измерения и свои правила, по которым «уголок 50 на 50» поставщика превращается в позицию склада. Потолок распознавания и способы его обходить разобраны отдельно — в статье про распознавание первички в 1С.

Отдельное ограничение отрасли — режим данных. По оценке Strategy Partners (изложение CNews, 3 марта 2026 года) 79% крупных промышленных предприятий исключают публичные сервисы генеративного ИИ из соображений безопасности данных. Значит, вопрос размещения модели решается до выбора модели, а не после.

Логистика и склад: почему отрасль в хвосте?

Потому что планирование опирается на данные, которые в отрасли чаще всего расходятся между системами. Отставание видно в двух разных срезах, и путать их не стоит. Первый — процессный: ИСИЭЗ НИУ ВШЭ по итогам обследования Росстата называет выстраивание логистики и транспортировки бизнес-процессом, в котором технологии ИИ востребованы меньше всего, и это утверждение про процесс внутри организаций любой отрасли. Второй — отраслевой: по оценке Strategy Partners (25 января 2025 года) генеративный ИИ в транспорте и логистике внедряют 6% компаний, ещё 16% планируют сделать это в ближайшие два-три года, а использовать ИИ в том же горизонте намерены 45%. Это два независимых измерения, и они указывают в одну сторону.

Направления применения в отрасли Strategy Partners перечисляет по убыванию: логистика, доставка грузов, обслуживание клиентов, ИТ-обеспечение, финансы. Базу этих долей агентство не раскрыло — неизвестно, считаются проценты от всех компаний отрасли или только от применяющих ИИ, — поэтому здесь важен порядок направлений, а не сами числа.

Первым процессом обычно берут не маршрутизацию, а разбор транспортных документов и заявок: накладные, заявки на перевозку, акты приёмки. Это поток, эталон ответа существует, ошибка видна на сверке. Маршрутизация и прогноз пополнения идут следом и требуют большего: адресного хранения, честных остатков и истории фактического времени рейсов, а не планового.

Именно здесь чаще всего обнаруживается, что проект упирается не в модель. Если приёмка вносится в конце смены, а пересорт правится вручную, прогноз строится на картине запасов, которой не существует. Что должно быть в системе учёта склада до автоматизации, разобрано в статье про WMS-систему, а слой связок между складом, 1С и каналами — в материале о том, как связать системы в один контур.

Ритейл и опт: чем онлайн отличается от офлайна?

Готовностью данных и наличием собственной технической команды. Разрыв внутри одной, казалось бы, отрасли был измерен ещё в более раннем исследовании той же пары авторов: по работе «Якова и Партнёров» и «Яндекса», опубликованной в мае 2024 года, генеративные нейросети использовали 67% компаний интернет-торговли и менее 10% традиционного ритейла. Опрошены были более ста технических директоров крупнейших компаний из 15 отраслей, включая представителей 90% крупнейших ритейлеров и 60% рынка интернет-торговли. Цифры относятся к 2024 году; в декабрьском исследовании 2025 года электронная коммерция по-прежнему остаётся в группе отраслей-лидеров.

Причина разрыва не в бюджете. В интернет-торговле каждое действие покупателя уже записано: просмотр, корзина, отказ, возврат. В офлайне значительная часть той же информации не фиксируется вовсе, а история продаж по позициям искажена дефицитом и промо — товар не продавался не потому, что он не нужен, а потому, что его не было на полке.

Первым процессом в опте и рознице обычно отдают обработку входящих заказов и прайсов контрагентов: письма и файлы разной формы превращаются в позиции заказа с сопоставлением по своему справочнику. Прогноз спроса и пополнение идут вторым шагом — они дают больший эффект, но требуют вычищенной номенклатуры и разметки периодов, которые нельзя брать в расчёт.

Строительство и девелопмент: почему ИИ пока в маркетинге?

Потому что там данные оцифрованы, а на площадке — нет. По опросу «Авито Недвижимости» (июнь 2026 года; 30 девелоперских компаний, 89 риелторов и частных специалистов) об использовании ИИ в своей компании говорят 94% опрошенных сотрудников девелоперов, о регулярном применении в работе — 45%, а на системном уровне такие инструменты внедрены у 12%. Выборка в тридцать компаний невелика, поэтому числа показывают направление, а не точный уровень рынка. Распределение по задачам красноречиво: маркетинг, контент и реклама — 75%, аналитика — 53%, продажи и контакт-центр — 47%, работа с документацией — 28%, а контроль строительства и управленческие решения — 9%.

Исследование AGM (изложение РБК Недвижимости, 5 мая 2026 года) показывает ту же картину с другой стороны. В основе — интервью с руководителями коммерческого блока, маркетинга и цифрового развития в 24 девелоперских компаниях разных классов жилья и регионов. Инициативы по ИИ есть у 88% застройщиков, речевую аналитику звонков используют или внедряют около 80%, генеративные модели для контента — более 90%, но ожидаемых показателей достигают лишь 5% внедрений. До 80% неудачных случаев там объясняются качеством данных, отсутствием формализованных процессов и нехваткой компетенций в команде.

Практический вывод для отрасли: первым процессом берут звонки и заявки, потому что запись разговора — это готовые данные. Всё, что касается площадки — приёмка работ, исполнительная документация, контроль объёмов, — требует предварительной оцифровки регламентов, и этот этап закладывают в проект отдельной строкой.

Финансы: что даёт отрасли фору?

Размеченная история решений и требование объяснимости, которое отрасль научилась выполнять. Банк России в консультативном докладе от 20 ноября 2025 года сообщает, что ИИ применяет каждая пятая организация финансового рынка, а ещё треть планирует внедрить его в бизнес-процессы на горизонте трёх лет; опрос регулятора проводился в 2025 году среди 252 финансовых организаций. Чаще всего ИИ используют во взаимодействии с клиентами, идентификации, антифроде, обработке жалоб, аналитике и прогнозировании, управлении рисками.

Фора отрасли объясняется устройством её данных. Кредитная заявка, решение по ней и исход — это готовая размеченная выборка, накопленная за годы. У производственной или строительной компании такого набора нет: результат решения известен, а вот исходные условия зафиксированы в переписке и в головах.

Обратная сторона — ответственность, и отрасль отвечает на неё вполне копируемым приёмом. По данным того же обзора Банка России, более 80% финансовых организаций, использующих ИИ на постоянной основе, дают клиенту возможность переключиться на оператора-человека. Прикладное правило для компании любой отрасли отсюда следует прямое: чем выше цена ошибки, тем раньше в проекте появляются журналирование, объяснимость решения и обязательная передача спорного случая человеку.

Услуги и B2B-сервис: какой процесс окупается первым?

Первая линия обращений и обработка заявок — процесс, где повторов больше всего. По исследованию «СберАналитики» и «Сбер Бизнес Софт» по итогам 2025 года (изложение ComNews, 22 января 2026 года; в выборке 38% — крупный бизнес от 250 сотрудников, около трети — средний, 22% — малый) ИИ-агентов и ассистентов используют 39% организаций. Чаще всего автоматизируют документооборот и обработку заявок — 70%, бухгалтерию и финансовый учёт — 55%, HR-процессы — 34%, поддержку клиентов — 30%.

В услугах барьер входа ниже, чем в промышленности: не нужны камеры, датчики и телеметрия. Нужна база знаний в машиночитаемом виде и человек, который её ведёт. Отсюда и типичная ошибка отрасли — запуск бота на сайте раньше, чем описаны условия, тарифы и исключения. Модель начинает досочинять недостающее, и первая же ошибка приходит клиенту.

Расчёт окупаемости на конкретном сценарии первой линии разобран в статье «Когда AI-агент первой линии окупается», а выбор между сценарным ботом, ассистентом и агентом — в материале «ИИ-агенты для бизнеса».

Что нужно, чтобы это заработало в вашей отрасли?

Шесть предпосылок, и ни одна из них не про выбор модели. Список выглядит одинаково для производства и для сервиса, а вот наполнение у каждой отрасли своё.

1. Описанный процесс с письменным эталоном ответа. Регламент приёмки, правила сопоставления номенклатуры, условия тарифа. Если правило живёт только в голове мастера или старшего менеджера, первым этапом идёт его описание.
2. Доступ к данным в машиночитаемом виде. Не сканы в общей папке и не переписка в мессенджере, а выгрузка, у которой есть структура. Обычно это самая большая статья проекта.
3. Интеграция с учётной системой. 1С, WMS, CRM, MES, телефония — та система, где операция живёт на самом деле. Без записи обратно проект остаётся демонстрацией.
4. Разграничение прав. Что модель видит, чего не видит никогда, какие поля не покидают контур. Решается до проектирования, потому что отсекает часть вариантов размещения целиком.
5. Замер состояния «до». Поток операций в месяц, минуты на операцию, стоимость часа сотрудника. Без этих трёх чисел эффект нечем предъявить, даже если он есть.
6. Владелец после запуска и сопровождение. Конкретный человек с временем и полномочиями обновлять базу знаний и справочники. Прайс меняется, регламент дополняется — без владельца система за квартал начинает отвечать по прошлогодним условиям.

Первые два пункта не требуют бюджета на разработку, но именно они определяют, дойдёт ли проект до эффекта. Общая рамка этапов и сметы — в статье про этапы и стоимость внедрения ИИ; с чего начинать, если процесс ещё не выбран, — в разборе «Автоматизация бизнеса: с чего начать».

Почему отраслевая коробка закрывает не всю задачу?

Потому что коробка знает отрасль, но не знает вашу компанию. Готовый продукт хорошо закрывает общую часть: типовые формы, стандартные отчёты, привычный интерфейс, требования законодательства, одинаковые для всех участников рынка. Расходятся компании ниже этого уровня — в структуре справочника номенклатуры, в маршруте согласования, в правах доступа и в перечне исключений, ради которых сотрудники и обходят систему.

Показательно, как ведут себя те, у кого есть выбор. По экспресс-информации ИСИЭЗ НИУ ВШЭ от 18 марта 2026 года организации с численностью более 500 человек наряду с закупкой технологий наиболее активно используют бесплатные решения (38%), разрабатывают их собственными силами (34%) или дорабатывают (23%). Организации из группы «100 и менее человек» чаще приобретают готовые разработанные (62%) или модифицированные решения (56%). Читать это стоит на полшага дальше: там, где процесс уже описан, выбор между «взять коробку» и «собрать под свой процесс» решается в пользу второго, а чем именно собирать — своей командой или подрядчиком — вопрос доступного ресурса, а не подхода.

Отсюда рабочий порядок: отраслевой продукт берут как основание там, где он совпадает с вашим процессом, а разницу собирают под себя. INCUBE AI работает по договору, оставляет данные в РФ и собирает систему под ваш регламент — с интеграциями в учётные системы, разграничением прав и сопровождением после сдачи. Развилку между готовым решением и системой под свой процесс мы разбирали отдельно — своя система или коробка. Примеряете это к своей отрасли — запишитесь на консультацию: посмотрим процесс и скажем прямо, где хватит готового продукта, а где придётся собирать своё.

Источники

• ИСИЭЗ НИУ ВШЭ, экспресс-информация от 18 марта 2026 года — обследование крупных и средних организаций (кроме субъектов малого предпринимательства), проведённое Росстатом в 2025 году: средняя доля использующих ИИ 4,8%, 14,9% при численности более 500 человек и 4,1% в группе «100 и менее человек»; наименее охваченный процесс — логистика и транспортировка
• ComNews, 8 декабря 2025: исследование «Яков и Партнёры» и «Яндекс» «Искусственный интеллект в России — 2025» — 150 технических директоров из 16 отраслей, 150 поставщиков, свыше 3,5 тысячи пользователей: 71% крупных компаний, экономический эффект отмечают 78%
• РБК Компании, 5 ноября 2025: исследование Strategy Partners и ГК «Цифра» «Перспективные цифровые технологии в промышленности» и изложение в «Коммерсанте» — машинное зрение с 18,9% в 2020 году до 41,6% в 2024-м, промышленный интернет вещей 7,1%, машинное обучение и большие данные 5,5%, генеративный ИИ 0,3%
• «Эксперт», 25 января 2025: оценка Strategy Partners по транспорту и логистике — генеративный ИИ внедряют 6%, планируют 16%, использовать ИИ в горизонте двух-трёх лет намерены 45%; критерии отбора компаний агентство не раскрыло
• CNews, 3 марта 2026: оценка Strategy Partners — 97% крупных компаний внедряют или планируют внедрять ИИ, стратегия есть у каждой четвёртой, 79% крупных промышленных предприятий исключают публичные сервисы генеративного ИИ
• CNews, 14 мая 2024: исследование «Якова и Партнёров» и «Яндекса» — генеративные нейросети используют 67% компаний интернет-торговли и менее 10% традиционного ритейла; опрошены более ста технических директоров из 15 отраслей
• Опрос «Авито Недвижимости», июнь 2026 — 30 девелоперских компаний, 89 риелторов и частных специалистов: об использовании ИИ говорят 94%, системное внедрение у 12%, контроль строительства и управленческие решения — 9%
• РБК Недвижимость, 5 мая 2026: исследование AGM — интервью в 24 девелоперских компаниях: инициативы у 88% застройщиков, ожидаемых показателей достигают 5% внедрений, до 80% неудач связаны с качеством данных и отсутствием формализованных процессов
• Банк России, консультативный доклад от 20 ноября 2025 года и страница «Применение искусственного интеллекта на финансовом рынке» — опрос 2025 года среди 252 финансовых организаций: ИИ применяет каждая пятая, более 80% постоянных пользователей технологии дают переключение на оператора
• ComNews, 22 января 2026: исследование «СберАналитики» и «Сбер Бизнес Софт» — 39% организаций используют ИИ-агентов и ассистентов; документооборот и заявки 70%, бухгалтерия и учёт 55%, HR 34%, поддержка клиентов 30%