Практика использования ИИ. Часть 3

Материал подготовлен для TG-канала «Поговорим о стратегии» с помощью естественного интеллекта.
Февраль 2026 года.
Павел Милосердов (с)
TG-канал «Поговорим о стратегии» (с)

Примеры использования ИИ:

Навигация и транспортные системы
Системы навигации в городах долгое время работали по упрощённой логике: медленное движение транспорта означало пробку, быстрое — свободную дорогу. Такой подход не учитывал реальную сложность городского трафика. На практике даже одна авария или перекрытие влияют не на отдельный участок транспортной сети, а на несколько прилегающих улиц или даже район в целом.
В 2020 году AI-подразделение Google — DeepMind — внедрило в навигационные сервисы компании модели на основе графовых нейросетей. В них город рассматривается как единая связанная система, а не набор отдельных участков. Это дало возможность прогнозировать, как изменения движения на одной улице отражаются на трафике во всём городе.
При возникновении замедления движения машин система заранее оценивает перераспределение потоков: куда поедут автомобили, какие маршруты окажутся перегруженными, а какие сохранят пропускную способность. Благодаря этому навигатор предлагает оптимальный маршрут с упреждением — ещё до того, как проблема станет заметна водителю или пешеходу.

Рекомендательные системы
Netflix, YouTube и другие стриминговые сервисы во многом опираются на рекомендательные алгоритмы, которые помогают точно подбирать следующий контент для просмотра.
Эти системы обучаются на поведении пользователей. Если видео или фильм досматривают до конца, модель получает положительный сигнал; если закрывают раньше — отрицательный. Со временем алгоритмы всё точнее улавливают предпочтения и сокращают время на поиск подходящего контента.
По оценке Netflix, персонализированные рекомендации экономят сервису около 1 миллиарда долларов в год за счёт снижения оттока пользователей и повышения удобства и длительности просмотра.

Медицина
В медицине ИИ чаще всего используют как вспомогательный инструмент там, где врачу или учёным требуется быстро проанализировать большие массивы данных: изображения, показатели анализов или истории болезни пациента.
В 2018 году Google DeepMind представило нейросеть AlphaFold, которая решала одну из ключевых задач современной биологии — предсказание структуры белков по их аминокислотной последовательности. Это важная задача, на решение которой обычно уходило от нескольких дней до недель.
AlphaFold существенно ускорила этот процесс, сократив его до нескольких часов. Её сразу же стали активно использовать в молекулярной биологии и медицине — например, чтобы лучше разобраться в механизмах развития заболеваний или разработать новое лекарство.

В 2024 году Демис Хассабис и Джон Джампер — разработчики AlphaFold — получили Нобелевскую премию по химии за создание алгоритма машинного обучения, который позволяет предсказывать структуры белков.

Погода
Прогноз погоды обычно строится на физических моделях — это сложные математические системы, которые требуют мощных суперкомпьютеров и много-много времени на вычисления. В последние годы к этому подходу начали добавлять и машинное обучение для ускорения расчётов и повышения точности.
Один из таких примеров — модель GraphCast, разработанная командой DeepMind. Она обучена на архивных данных о погоде и способна быстро прогнозировать развитие атмосферных процессов на несколько дней вперёд.

Промышленное производство
Ключевые направления — предиктивное сервисное обслуживание, контроль качества, автоматизация процессов, оптимизация цепочек поставок, экономия электроэнергии, управление роботами, контроль безопасности и НИОКР.

• Siemens интегрирует ИИ в производственные процессы, чтобы проводить предиктивное обслуживание - система Senseye.
  Алгоритмы машинного обучения анализируют данные оборудования и предвидят поломки, что минимизирует время простоя и расходы на техническое обслуживание. Затраты на техническое обслуживание снизились на 30%, а время простоя уменьшилось в два раза. Персонал лучше понимает, что именно не так на той или иной производственной линии, потому что ИИ дает краткое саммари по ситуации вполне человеческим языком.
• Кейс компании Nestlé. 200 млн долларов убытков из-за непредвиденных поломок оборудования.
  Компания наняла специалистов по разработке AI-решений и оцифровала производственные процессы на предприятии. Сначала был небольшой пилот, а затем отлаженное решение масштабировали на другие заводы компании.
  Оцифровка включала анализ всех производственных процессов и отображение их в цифровую форму, на базе которой затем обучалась AI-модель. Каждый день база пополнялась двумя терабайтами данных (промышленный IoT). Готовая AI-модель успешно предсказывала 87% потенциальных поломок за 15 секунд.
  К 2025 году решение внедрили на все 68 заводов компании. Результаты: на 42% меньше незапланированных простоев; на 38% снизились операционные расходы; своевременный ремонт повысил срок службы оборудования на 27%; экономия $140 миллионов в год.
• Schneider Electric использует решения EcoStruxure на базе искусственного интеллекта для оптимизации энергопотребления и мониторинга состояния оборудования. Это помогает компании повышать энергоэффективность, анализировать закономерности и автоматизировать такие процессы, как отопление, охлаждение и освещение.
• Компания BMW внедрила комплексные системы компьютерного зрения на основе ИИ на своих производственных мощностях. В ходе пилотного проекта на одном из европейских заводов компании количество дефектов сократилось на 30% в течение года.
• Samsung внедрила систему контроля качества на основе искусственного интеллекта в процесс производства полупроводников. Система выявляет дефекты с точностью до 99%, поэтому количество брака снизилось примерно на 20%. С точки зрения бизнеса результат таков: за полтора года число возвратов от клиентов сократилось на треть.
• Европейский производитель деревянной мебели использует ИИ-решения для выявления дефектов в древесине. В итоге возврат по браку свелся к нулю.
• Yates Industries, производитель прецизионного оборудования, внедрила платформу Seraf Manufacturing AI для унификации разрозненных источников данных о производстве. Затем на данные натравили обученную нейросеть для поиска инсайтов и способов оптимизации производства и транспортировки. Итог: сокращение производственных ошибок на 37%, своевременная доставка на 99,2% и сокращение сроков выполнения заказов на 22%.
• В Австралии AI-решение воплотил крупный кондитерский завод. Де факто, на базе технологий AI/ML и компьютерного зрения компания Priestley's Gourmet Delights запустила полноценное умное производство. Общий объем инвестиций компании составил 53 миллиона долларов.
• General Motors с помощью AI улучшила конструкцию ремня безопасности, Microsoft обнаружила перспективную замену твердотельного лития для аккумуляторов, а фармацевтическая компания Merck запустила целую AI-платформу для поиска потенциальных молекул-кандидатов для синтеза лекарств.
• Разработка и производство дисплеев
  Основные области применения – исследования и разработки (дизайн, подбор материалов), производство (мониторинг, автоматический контроль процессов, контроль качества и работа с браком), приложения по работе с дисплеем (использование отпечатка пальцев на дисплее).
• Контроль качества на основе машинного зрения:

1. Пищевая промышленность: компьютерное зрение анализирует качество упаковки, следит за сортировкой продуктов по размеру, цвету и другим параметрам.
2. Фармацевтика: искусственный интеллект контролирует целостность ампул и таблеток, проверяет соответствие стандартам размеров и маркировки.
3. Металлургия: оснащённые нейросетями камеры анализируют поверхность металла, выявляя дефекты (царапины, пятна, трещины).
4. Автомобилестроение: контроль качества с помощью AI помогает оценить качество деталей, сварных швов и окраски кузова.
5. На южноуральском заводе по производству минеральной ваты внедрили компьютерное зрение для обнаружения дефектов полотна. Точность выявления отклонений с помощью технологий машинного зрения и AI достигает 99%, а экономический эффект от внедрения системы оценивается в размере 15 млн рублей в год благодаря сокращению финансовых потерь из-за рекламаций.
6. Сибур использует ИИ для диагностики оборудования
   Одной из первоочередных задач было снижение затрат на обслуживание оборудования, возникающих вследствие выхода техники из строя. Важно было обеспечить быстрое выявление дефектов и своевременное принятие мер для предотвращения остановок производств.
   Для решения поставленной задачи была разработана уникальная система поддержки принятия решений инженерами диагностами, основанная на применении искусственного интеллекта. Используемый инструмент построен на продвинутых методах машинного обучения Supervised Fine-Tuning (SFT). Этот подход предполагает обучение языковой модели на специально подготовленных наборах данных с участием специалистов-экспертов, позволяя системе успешно интерпретировать проблемы и выдавать точные рекомендации относительно устранения выявленных неполадок.
   Созданный AI помощник работает следующим образом: инженеры-диспетчеры передают систему данные о сбоях оборудования в форме обычного текста. Нейросеть проводит обработку полученной информации и формирует возможные сценарии возникновения проблем, предлагая конкретные шаги для восстановления работоспособности агрегата. Такой механизм взаимодействия позволяет специалистам оперативно получать актуальные и надежные советы по обслуживанию сложного оборудования.
7. Металлургия: «Норникель» и «Северсталь» используют компьютерное зрение для контроля качества продукции и планирования ремонтов оборудования. Это позволило сократить количество брака и повысить общую эффективность (OEE).
8. Видеоаналитика строительных работ.
   Проблема. Информация о факте выполненных работ поступала менеджменту с большими задержками. Это увеличивало время принятия решений, количество простоев бригад и сами сроки реализации проектов.
   Решение. Внедрить камеры с компьютерным зрением и видеоаналитикой, которые будут автоматизировано контролировать строительство и быстро извещать менеджмент.
   Результат. Общие сроки строительства сократились на 1—3%. Кроме того, на 5% уменьшилось число нарушений, связанных с техникой безопасности.
9. Ашинский металлургический завод внедрил в ЭСПЦ № 2 систему видеоаналитики для определения координат железнодорожных вагонов в зоне учета шихты.
   Проект реализован для дуговой сталеплавильной печи с непрерывной подачей шихты – технологического участка, где классические методы автоматизации достигают своих пределов из-за сложных условий эксплуатации и нестандартных объектов контроля. В рамках проекта использованы алгоритмы компьютерного зрения и машинного обучения, способные в реальном времени детектировать полувагоны и думпкары, вычислять их пространственное положение и передавать результаты в АСУТП. Обработка видеопотоков реализована по принципу стереозрения. Система обучалась на специализированном датасете, сформированном в условиях реального производства.
10. Татнефть выявляет 90% рисков на объектах нефтедобычи с помощью ИИ-видеоаналитики. Система анализирует более 50 типов отклонений.
    Полный функционал платформы запущен осенью 2025 года. Она развивается за счёт цепочек узкоспециализированных ИИ-моделей. В перспективе — полностью безлюдный анализ данных и дальнейшее масштабирование системы на все производственные площадки «Татнефти».

• В 2026 году, по мнению экспертов компании Siemens, исполняемые цифровые двойники (xDT) из теоретической концепции превращаются в прикладной инструмент для эксплуатации и ТОиР: они работают как виртуальные датчики, учитывают реальные условия, прогнозируют отказы и узкие места системы, помогают снижать энергопотребление и простои, а также поддерживают новые сервисные модели.
• Крупный европейский производитель автомобилей внедрил общезаводскую систему профилактического обслуживания своих роботизированных линий сварки и окраски. Каждый робот был оснащен набором датчиков IoT (вибрация, токоотвод, термокамеры), подключенные через частную сеть 5G. Краевые узлы искусственного интеллекта на каждой сборочной линии обрабатывали данные локально для обнаружения непосредственных неисправностей.
  Облачный цифровой двойник производственной линии системы использовал машинное обучение для анализа тенденций на сотнях роботов. Он выявил закономерность, при которой конкретные серводвигатели в сварочных рычагах демонстрировали незначительные изменения вибрации за 120-150 часов до прогнозируемого отказа. Это раннее предупреждение позволило планировать техническое обслуживание во время еженедельной смены линий.
  Результаты (18-месячный период):

1. Незапланированный простой в цехе окрашенных кузовов сокращен на 47%.
2. Затраты на техническое обслуживание роботизированных систем снижены 22%.
3. Инвентаризация запасных частей для критически важных двигателей сокращена на 30% за счет лучшего прогнозирования.
4. Общая рентабельность инвестиций в проект была достигнута 14 месяцев.

· Логистика на производстве
Основные вопросы:

• что есть на складе, в каком количестве и где именно?
• поставки каких товаров и в какие сроки требуются?
• какие поставки ожидаются в ближайшее время?
• как соотносится график производства с поставками?
• какие материалы нужно доставить в определенные точки производственной линии?
• какие погрузчики доступны в терминале склада?
• понадобятся ли вообще погрузчики для разгрузки того или иного транспорта?

Примеры:

1. PepsiCo успешно внедрила систему управления складской логистикой на основе искусственного интеллекта.
2. Werner Electric, американский производитель электрического оборудования внедрил логистическое AI-решение на складах. Искусственный интеллект обучили на перемещениях опытных складских рабочих и попросили найти паттерны с учетом измеряемых KPI и мест расположения конкретных товаров на склад. В результате удалось оптимизировать передвижение погрузчиков по складу: скорость доставки груза со склада увеличилась, а число холостых перемещений сократилось на 40%.
3. Для сокращения числа инцидентов и увеличения производительности компания CJ Logistics использовала решение на основе ИИ, камер наблюдения и датчиков. Система анализирует весь объем склада в реальном времени в связке с WPS-системой. Если AI видит, что в какой-то части склада «запара», он автоматически выводит предупреждение и показывает, какие именно работники загружены сильнее всего в данный момент.
   Нарушений ТБ стало на 73% меньше, число инцидентов сократилось на 98%, а производительность и контроль за процессами улучшились.

ИИ в HR

• ИИ чат-бот для проведения первичных собеседований. Вместо личного общения с каждым кандидатом чат-бот задаёт кандидату все интересующие нас вопросы и ответить на типовые вопросы кандидата о компании.
  Отсеивать кандидатов все же лучше вручную. Доверять чат-боту решать, кто подходит на позицию, а кто — нет не следует. А с учетом общего негативного опыта общения соискателей с разного рода ботами, нужно явно дать понять кандидату, что решение будут принимать именно люди.
• ИИ ускоряет скрининг резюме и результатов собеседований.
  Онбординг узкого специалиста на промышленном предприятии — задача многоэтапная и ответственная. При этом второй (третий и т.д.) этапы собеседования уже требуют времени довольно высокооплачиваемых специалистов, поэтому экономически выгодно продолжать собеседовать только самых интересных кандидатов.
  В Unilever с помощью системы скрининга резюме умудрились за год нанять 30 тысяч человек, не «потрогав» ни одного резюме. Соискателей по всему миру было больше миллиона.
• В ИТ-компании Directum искусственный интеллект делает обучающие материалы для отдела продаж.

Административные задачи в компании
ИИ может:

• отвечать на вопросы по первичному инструктажу;
• рассчитывать заработную плату;
• подавать заявки на детали;
• заполнять таможенные документы;
• проверять расчеты с контрагентами;
• составлять графики смен;
• вести журналы.

Маркетинг и продажи

• Netflix использует ИИ для анализа пользовательского поведения и рекомендует персонализированный контент, чтобы поддерживать интерес зрителей, а Amazon — для динамической корректировки цен на основе спроса, цен конкурентов и поведения пользователей.
• CRM‑системы нового поколения умеют анализировать историю общения с клиентом и предлагать индивидуальную стратегию продаж, предсказывать вероятность закрытия сделки и оптимальное время для связи. Системы анализируют миллионы упоминаний бренда в социальных сетях и выявляют изменения в настроениях потребителей быстрее фокус‑групп.
• Персонализация клиентского опыта

1. Гибридная коммерция: рекомендует товары на основе предпочтений и поведения клиентов
2. Электронная коммерция: адаптирует маркетинговые кампании и рекомендации для отдельных пользователей
3. Гостиничный бизнес: улучшает опыт гостей через персонализированное обслуживание
4. Развлечения: настраивает рекомендации контента для стриминговых сервисов
5. Здравоохранение: предоставляет персонализированные планы лечения на основе данных пациентов

• Работа с контентом

1. В «Авито» нейросеть берёт на себя глобальную задачу по модерации. 98% из 2 млн ежедневно выкладываемых объявлений на платформе обрабатываются автоматически, так как вручную такие объёмы осилить невозможно. Кроме того, AI определяет их категорию и атрибуты по фото и тексту. По словам Андрея Рыбинцева, старшего директора по данным в «Авито», от этих процессов напрямую зависит жизнеспособность сервиса: нейросеть заменяет собой 100 000 модераторов.
2. СМИ: автоматизированные новостные сообщения и статьи.
3. Маркетинг: персонализированный контент на основе данных.
4. Электронная коммерция: описания товаров и маркетинговые материалы.
5. Образование: создание персонализированных учебных материалов и тестов.
6. Развлечения: генерация целевого контента для аудитории.

Документоборот

• В коммуникационном агентстве The Mellows нейросеть проверяет договоры и другие юридические документы. Она помогает человеку быстрее и качественнее их обрабатывать и выявляет слабые места, связанные с авторскими правами.
• В сети магазинов «Строительный двор» искусственный интеллект распознаёт текст на бумажных документах и переводит их в цифровой вид.
• В группе «Самолёт» AI сравнивает версии рабочей документации, находит в них расхождения и расшифровывает интервью с клиентами.

Клиентский сервис

• Интернет-провайдеру «Уфанет» AI-консультанты, оказывающие техническую и информационную поддержку пользователям, помогают снизить расходы на операционную деятельность и не расширять штат при увеличении числа клиентов.

Аналитика и прогнозирование

• В X5 Group искусственный интеллект занимается прогнозированием спроса, промоакций и товарных запасов. Таким образом, например, холдингу удалось сократить количество списанных продуктов на 2%, что повысило выручку сети на 1%.
• В Black Horse (оборудование для производства окон) нейросеть проводит финансовую аналитику.
• В сети клиник «Меги» нейросеть проводит речевую аналитику диалогов между оператором и пациентом и проверку медицинских заключений врачей на соответствие клиническим рекомендациям.
• В агентстве Okkam для исследований используются синтетические респонденты: нейросеть формирует ответы на основе реальных комментариев людей из какой-то определённой категории.

Разработка ПО

• Интегратор «Арсенал+» и девелопер «Брусника» с помощью нейросетей разрабатывают корпоративное ПО.

Контроль безопасности и аутентификация пользователей

• ИИ повышает эффективность протоколов безопасности путем мониторинга и анализа данных в режиме реального времени. Это помогает выявлять потенциальные угрозы и обеспечивать соблюдение правил безопасности. Системы безопасности на базе ИИ используют комбинацию датчиков, камер и аналитики данных для мониторинга окружающей среды. Они особенно эффективны в обнаружении аномалий, которые могут представлять потенциальную угрозу. Эти системы могут анализировать огромные объемы данных из нескольких источников одновременно, что позволяет быстро выявлять проблемы, которые человек мог бы пропустить.

1. Автомобильная промышленность: функции безопасности на базе искусственного интеллекта в транспортных средствах.
2. Производство: мониторинг оборудования и условий труда для предотвращения несчастных случаев.
3. Строительство: обнаружение опасностей в реальном времени и контроль соблюдения требований безопасности.
4. Авиация: мониторинг систем воздушных судов для обеспечения безопасности и производительности.
5. Домашняя безопасность: усиление защиты жилых помещений с помощью умных устройств.

• ИИ усиливает безопасность благодаря продвинутым методам аутентификации пользователей, таким как биометрическая верификация, поведенческий анализ и многофакторная аутентификация. Это снижает риск мошенничества и обеспечивает безопасный доступ к системам. ИИ-системы безопасности используют умные технологии для защиты информации. Например, биометрическая верификация может включать сканирование отпечатков пальцев или лица. Многофакторная аутентификация (МФА) требует больше, чем просто ввод пароля — например, ввод кода, отправленного на телефон, или сканирование отпечатка пальца. Системы искусственного интеллекта могут предупреждать администраторов или даже пользователей о подозрительной активности при входе в систему или других потенциально опасных действиях. Поведенческий анализ изучает типичные действия пользователя — как он печатает или двигает мышью. Если происходит что-то необычное, система может запросить дополнительную проверку.

1. Банковское дело: безопасная аутентификация клиентов при проведении операций.
2. Электронная коммерция: выявление мошенничества и безопасные онлайн-платежи.
3. Технологии: усиление протоколов безопасности для доступа к программному обеспечению.
4. Здравоохранение: обеспечение безопасного доступа к данным пациентов и медицинским картам.
5. Телекоммуникации: безопасная аутентификация для обслуживания клиентов.

Сложности и ограничения внедрения ИИ

Ограничения при использовании ИИ

https://dzen.ru/a/aFpAPI3M9R5u2H6J

Предприятия сталкиваются с рядом ограничений, которые мешают масштабному и повсеместному применению ИИ.

Низкий уровень зрелости автоматизации на предприятиях

Прежде чем применять ИИ, нужно навести порядок в базовых вещах:

• систематизировать нормативно-справочную информацию (НСИ);
• наладить регулярный сбор и чистоту данных;
• обеспечить прозрачность бизнес-процессов.

На многих предприятиях до сих пор используют Excel, не закрыты базовые блоки ERP, а MES-системы отсутствуют или внедрены фрагментарно. В такой среде говорить об ИИ просто преждевременно — он не сможет давать качественные результаты на «грязных» и неполных данных.

Недостаток типовых кейсов и предсказуемых процессов

В отличие от e-commerce, где поведенческие сценарии клиентов более-менее одинаковы, производственные цепочки у каждого предприятия уникальны. Задачи, которые могли бы быть автоматизированы с помощью ИИ, сталкиваются с огромной вариативностью:

• сложные иерархии маршрутов и изделий;
• нестабильная загрузка оборудования;
• индивидуальные требования по срокам, качеству, условиям хранения и т.д.

Из-за этого невозможно «перенести» успешный кейс с одного предприятия на другое без существенной адаптации.

Модели ИИ нуждаются в обучении, а обучать их нечем

Большинство моделей машинного обучения требуют:

• архивов данных в нужном формате и за длительный период;
• маркированных примеров, где уже известен «правильный ответ»;
• повторяемых шаблонов, чтобы выстроить закономерности.

Промышленность — это часто хаос и ручное вмешательство. Поэтому данные для обучения могут быть неполными, противоречивыми или их может вовсе не быть. К тому же задачи сильно зависят от человеческого фактора (ручные корректировки плана, специфика цехов, неучтенные перебои и т.п.).

Высокая стоимость внедрения и неочевидный эффект

Разработка ИИ-решения под конкретное предприятие — это:

• месяцы подготовки данных,
• кастомизация алгоритмов,
• настройка интеграций.

При этом бизнесу важно понимать окупаемость. Для ИТ-директора или CEO, которому ещё предстоит «достроить ERP», этот сценарий звучит как риск, а не как выгода.

Сложности внедрения AI

https://sber.pro/publication/avtomatizatsiya-prognozi-kreativ-kak-bolshoi-biznes-ispolzuet-iskusstvennii-intellekt/

Нехватка специалистов по ИИ

Рынок труда в этой сфере очень конкурентен, и спрос на таких специалистов значительно превышает предложение. Однако есть и другое препятствие, связанное с человеческим фактором. Это недостаточная осведомлённость сотрудников, чья деятельность напрямую не связана с нейросетями, об их возможностях по облегчению ежедневной рутины.

Оборудование

В X5 Group отмечают, что цена и доступность оборудования накладывают определённые ограничения при внедрении нейросетевых моделей последнего поколения. Такую же проблему озвучили и в крупных онлайн-сервисах — «Авито» и «Работа.ру». Там подчёркивают, что перебои в цепочках поставок замедляют внедрение технологий и масштабирование существующих решений в области ИИ в бизнесе.

Несовершенство технологии

Ряд компаний отмечают, что модели могут генерировать неправильные ответы и нуждаются в проверке. Из-за этого снижается доверие к AI-технологиям со стороны бизнес-подразделений. Особенно такие проблемы ощущаются в областях, связанных с узкоспециализированными знаниями.

Риски и вызовы

https://media.mts.ru/business/210764-kak-ii-menyaet-biznes-v-2025-godu

Этические вопросы:

• Предвзятость в данных. ИИ обучается на исторических данных. Если в этих данных уже есть неявная дискриминация — по полу, возрасту, региону или другим признакам — модель будет её повторять.
• Прозрачность решений. Нейросеть принимает решения, но не всегда корректно объясняет, как именно она к ним пришла. Это усложняет контроль.
• Манипуляция и навязывание. ИИ может использовать персональные данные, в том числе историю поиска в сети. Это нужно, чтобы влиять на выбор пользователя — незаметно для него. Например, система персонализирует цены на билеты: предлагает пользователю чуть более высокую стоимость, если замечает, что он заинтересован в покупке.

Кибербезопасность:

• Уязвимость моделей. Злоумышленники могут ввести в систему некорректные данные или повлиять на работу модели через вредоносные запросы. Например, хакер может загрузить фальшивый банковский чек, чтобы вывести из строя систему распознавания подделок.
• Утечка данных. Нейросети обрабатывают историю покупок, контакты, документы. При слабой защите есть риск утечки информации — особенно при подключении внешних сервисов или использовании открытых платформ.
• Ошибки в открытых решениях. Многие ИИ-инструменты доступны как open-source или через сторонние API. Они удобны, но не всегда безопасны.

Регуляторные ограничения:

• Неполные или устаревшие нормы. ИИ может использовать неактуальные версии законов, не учитывать дополнения и разъяснения. Это приводит к разночтениям и правовой неопределённости.
• Необходимость контроля. Если ИИ обрабатывает данные за пределами страны, могут действовать ограничения на передачу и хранение информации.