Искусственный интеллект уже вовсю меняет бизнес, но когда дело доходит до крупного бизнеса, всплывают проблемы, о которых на презентациях обычно не говорят. Разберем, с чем реально сталкиваются компании в РФ и мире в 2026 году: где буксуют проекты, какие решения работают, а какие только тратят бюджет.
Инфраструктурные ограничения: железо и данные
Искусственный интеллект уже вовсю меняет бизнес, но когда дело доходит до крупного бизнеса, всплывают проблемы, о которых на презентациях обычно не говорят. Разберем, с чем реально сталкиваются компании в РФ и мире в 2026 году: где буксуют проекты, какие решения работают, а какие только тратят бюджет.
В 2026 году с железом для ИИ все непросто. В РФ из‑за санкций купить мощные GPU стало в разы сложнее - компании вынуждены выкручиваться: оптимизировать модели под то, что есть, или искать обходные пути.
Например, некоторые банки перешли на гибридные решения: часть вычислений делают локально, часть - в облаке (правда, с задержками).
Глобально другая проблема - дата‑центры с ИИ жрут слишком много энергии. В Европе уже начали штрафовать за превышение углеродного следа - и компаниям приходится думать, как обучить модель без гигантских затрат электричества.
А еще 68 % проектов с треском проваливаются из‑за данных. Представьте: собрали терабайты информации, а она не размечена, противоречива или просто устарела. Поэтому умные компании теперь не просто копят данные, а вкладываются в их качество: нанимают специалистов по разметке, внедряют системы управления данными (MDM), создают внутренние правила работы с информацией. Без этого даже самая крутая модель будет выдавать мусор.
Регуляторные вызовы: баланс инноваций и контроля
К 2026 году регуляторы взялись за ИИ всерьез. В ЕС действует AI Act - он делит ИИ‑системы по уровню риска: если у вас модель для оценки кредитов, придется доказывать, что она не дискриминирует заемщиков. В РФ ввели ГОСТ Р 71657‑2024 и обязали сертифицировать ИИ‑решения, которые влияют на жизнь людей (например, медицинские диагносты или системы управления транспортом).
Компании теперь тратят до 30 % бюджета проекта на соответствие нормам.
Что это значит на практике:
- нужно объяснять, почему модель приняла то или иное решение (а не просто выдавать «да/нет»);
- нельзя использовать персональные данные без четкого обоснования (привет, ФЗ‑152);
- алгоритмы проверяют на предвзятость - например, если система найма чаще отсеивает женщин, ее отправят на доработку.
Парадокс в том, что из‑за всех этих правил внедрение ИИ замедляется. Есть и плюс: клиенты больше доверяют компаниям, которые могут доказать безопасность своих решений. Некоторые корпорации даже создают «регуляторные песочницы» - зоны, где тестируют новые модели без жестких ограничений (но под надзором регуляторов).
Как бизнес все-таки справляется с этими вызовами?
Организационные барьеры: люди и процессы
Многие думают, что главная проблема ИИ - технологии. Но в 2026 году выяснилось: чаще всего проекты буксуют из‑за людей и процессов. Например, одна логистическая компания внедрила ИИ для оптимизации маршрутов, но водители продолжали действовать по старинке - система простаивала. Оказалось, никто не объяснил им, как с ней работать.
Или другой случай: крупный ритейлер вложил миллионы в ИИ‑аналитику спроса, а потом выяснил, что его складские процессы настолько хаотичны, что модель не может дать точных прогнозов. В итоге 40 % подобных проектов с агентным ИИ проваливаются - не потому, что алгоритмы плохие, а потому, что их пытаются натянуть на кривые процессы.
Что реально работает:
- сначала чинят процессы, потом внедряют ИИ (а не наоборот);
- обучают сотрудников не просто нажимать кнопки, а понимать логику моделей;
- привязывают бонусы менеджеров к реальному эффекту от ИИ (например, к снижению издержек);
- создают смешанные команды: дата‑сайентисты объясняют, как работает модель, а операционщики говорят, что реально нужно бизнесу.
Выводы
- Успех ИИ в крупном бизнесе зависит от трех вещей: есть ли нужное оборудование, не противоречит ли проект законам и готовы ли люди его использовать. Например, в РФ компании активно переходят на локальные решения (GigaChat, YandexGPT) - это помогает обойти санкции и снизить риски. Государство тоже помогает: на нацпроект «ИИ» выделили 7,7 млрд руб., часть денег идет на гранты для пилотных проектов.
- В мире тренд такой: компании перестают играть с ИИ в «пилоты» и начинают встраивать его в повседневную работу. Но это не волшебная таблетка - без четкой стратегии и подготовки персонала даже самая продвинутая модель станет дорогой игрушкой.
- Лучший результат дает подход «ИИ + человек»: когда алгоритмы берут на себя рутину, а люди - сложные решения. Например, в банках ИИ проверяет заявки на кредиты за секунды, но финальное решение все равно принимает специалист - так снижается число ошибок и растет доверие клиентов.