Иллюзии кончились. Началась работа
Если в прошлом году на AI Journey все говорили о потенциале, то в 2025-м показывают шрамы. Реальные системы, реальные проблемы, реальные результаты. Никаких маркетинговых презентаций про «революцию». Только инженерные доклады от людей, которые эти системы запускали, ломали и чинили в три часа ночи.
Три компании — Сбер, Т-Банк и Полюс — вышли на сцену и без прикрас рассказали, как ИИ стал для них не экспериментом, а частью производственного конвейера. И да, это скучнее, чем обещания искусственного общего интеллекта. Но в тысячу раз важнее.
Контекст: глобальный тренд на превращение ИИ в инфраструктуру, о котором мы писали в материале про Klarna и HSBC, в России набирает полные обороты. Экспериментальная фаза закончилась.
Сбер: когда мультимодальность выходит из лаборатории
Главный инсайд от Сбера? Их мультимодальные модели (тот самый Kandinsky, про который все слышали) уже не просто генерируют картинки для отчетов. Они стали частью системы анализа инцидентов в дата-центрах.
Звучит скучно. Работает — блестяще.
Это не чат-бот. Это операционная система для инцидентов. Модель понимает не только текст, но и графики температур, схемы размещения оборудования, визуальные аномалии на снимках. Время на диагностику падает с 20-30 минут до 30 секунд. И самое главное — система учится на каждом новом инциденте, пополняя базу «клинических случаев».
| Что делали раньше | Что делает ИИ-система сейчас | Эффект |
|---|---|---|
| Ручной сбор данных из 3-4 систем | Автоматическая агрегация и анализ | Экономия 25 мин/инцидент |
| Диагностика по опыту инженера | Диагностика по базе из 5000+ кейсов | Точность +40% |
| Реакция на уже случившееся | Предиктивный анализ и предупреждения | Простоев на 15% меньше |
Т-Банк: маленькие модели против больших проблем
Тут история другая. Т-Банк, в отличие от Сбера, не стал гнаться за гигантскими моделями. Их фишка — ансамбли небольших, узкоспециализированных ИИ, которые решают одну задачу, но делают это идеально.
Пример? Автоматизация проверки документов для кредитов малому бизнесу.
1 Модель №1: Детектор подделок
Небольшая нейросеть, обученная только на сканах паспортов, УКЭП и выписок из ЕГРЮЛ. Ее задача — найти следы фотошопа, несоответствия шрифтов, артефакты пересъемки. Модель легкая, работает на CPU, не требует мощных GPU. Но точность — 99.3% по своим тестам. Она не умеет ничего другого. И не должна.
2 Модель №2: Извлечение данных
Вторая модель берет чистый документ и вытаскивает из него структурированные данные: ИНН, ОГРН, ФИО директора, дату регистрации. Опять же — узкая специализация. Обучена на российских бланках.
3 Модель №3: Сопоставление и проверка логики
Третья — проверяет внутреннюю согласованность. Сумма в договоре совпадает с суммой в заявке? Дата подписания не раньше даты регистрации компании? Директор, который подписал, действительно числится директором в ЕГРЮЛ?
Вместо одной большой, сложной и дорогой модели — три маленьких, дешевых и понятных. Если одна сломается, остальные работают. Можно апгрейдить по отдельности. Обучение дешевле. Объяснимость выше. Типичный инженерный подход, который забывают в погоне за хайпом.
Это прямой ответ на «коррекцию хайпа». Не ждут волшебства от GPT-5. Берут то, что работает здесь и сейчас, и собирают из этого работающую систему.
Полюс: ИИ, который нюхает руду (почти буквально)
Самая неочевидная и потому самая интересная история — от золотодобытчика «Полюс». Их кейс вообще не про IT в привычном смысле. Речь о предиктивном анализе оборудования на карьерах.
На большегрузных самосвалах и экскаваторах стоят датчики вибрации, температуры, давления масла. Раньше данные с них смотрели только когда что-то ломалось. Теперь поток этих данных (терабайты в сутки) непрерывно анализирует ИИ.
Модель научилась распознавать аномальные паттерны вибрации, которые предшествуют поломке коробки передач за 50-70 моточасов. Или по изменению температуры гидравлической жидкости предсказывать износ уплотнений за неделю до течи.
- Плановый ремонт вместо аварийного простоя. Один час простоя карьерного самосвала стоит сотни тысяч рублей.
- Детали заказывают заранее, а не срочно по тройной цене.
- Ремонт делают в запланированное «окно», а не в ущерб плану добычи.
Здесь нет генерации текста или картинок. Есть анализ временных рядов с шумом, пылью и экстремальными температурами. «Грязный» ИИ для «грязного» производства. И он приносит миллионы долларов экономии на одном месторождении.
Общая картина: три тренда, которые вы не услышите в новостях
Собираем пазл из трех кейсов.
- От моделей к системам. Никто не продает «модель Kandinsky» или «нейросеть для проверки документов». Продают систему анализа инцидентов и систему автоматизации кредитования. Модель — лишь один компонент в цепочке из data pipeline, оркестрации, мониторинга и интерфейсов. Как мы и предсказывали в статье про консолидацию рынка.
- Фокус на ROI, а не на accuracy. Точность модели в 99.5% против 99.3% никого не волнует. Волнует, сколько часов простоя оборудования она предотвратила или сколько человеко-часов освободила. Бизнес-метрики вытесняют академические.
- Гибридные подходы. Ни одна компания не использует «только свои» или «только зарубежные» модели. Везде микс: где-то свой финтюнинг открытых моделей, где-то сторонние API для простых задач, где-то кастомные маленькие модели под специфику. Идеологии «только наш суверенный ИИ» нет. Есть прагматизм.
Что дальше? Судя по настроению на AI Journey, 2026 год станет годом интеграции и стандартизации. Эти разрозненные системы начнут говорить друг с другом. AI-агент Сбера, обнаружив инцидент, сможет автоматически создать заявку в систему снабжения, которая через ИИ «Полюса» спрогнозирует сроки поставки нужной детали. Появятся отраслевые стандарты на data-контракты между ИИ-сервисами.
Совет тем, кто только начинает: не гонитесь за самой большой моделью. Посмотрите на кейс Т-Банка. Найдите одну конкретную, болезненную операцию в вашем процессе — проверку, сопоставление, классификацию — и попробуйте автоматизировать ее с помощью маленького, дешевого, специализированного ИИ. Получите первый ROI. Потом масштабируйте. Это скучно. Зато работает.
Эпоха красивых демо закончилась. Началась эпоха инженеров, которые пачкают руки данными и выводят модели в продакшен. И судя по всему, в России для этой работы уже есть все необходимое. Кроме, может быть, терпения.
