Внедрение ИИ в бизнес в 2026 году: что стоит за ГигаЧатом, нейросетями и разговорами о «дешёвом апокалипсисе»
Сергей Марков, директор по развитию технологий искусственного интеллекта Сбера, в свежем интервью на Хабре спокойно разложил то, что обычно тонет в маркетинговом шуме: чем современные нейросети отличаются от «магии», как меняется профессия ИИ-разработчика и почему за громкими словами вроде «сильный ИИ» и «агент» часто теряется суть. Для бизнеса это важный сигнал: внедрение ИИ в 2026 году перестаёт быть экспериментом и становится управленческой задачей — с бюджетом, метриками и зоной ответственности. Ниже — наш разбор того, что из сказанного действительно стоит учесть, если вы планируете запускать ИИ-функции в продукте или внутри компании.
О чём вообще говорил Марков
Интервью построено не вокруг хайпа, а вокруг истории профессии. Марков начинает с шахматных программ и игр вроде Реверси, над которыми работал ещё в школе, и тянет линию к современным генеративным нейросетям. Он напоминает, что сам термин «искусственный интеллект» впервые встречается в печатных документах ещё в 1955 году, а Алан Тьюринг ещё в 1940-е использовал близкое по смыслу понятие «машинный интеллект». То есть тема не новая — новая только волна инструментов, которые наконец стали массово применимыми.
Ключевая мысль, которую стоит вытащить из разговора: генеративные нейросети — это не отдельная программа, а новый слой интерфейса между человеком и цифровым миром. Между сотрудником и CRM. Между клиентом и каталогом из десятков тысяч SKU. И именно поэтому вопрос «надо ли нам внедрять ИИ» постепенно превращается в вопрос «где именно у нас этот слой будет, и кто его проектирует».
Второй важный сюжет — про риски. Марков говорит не о сверхразуме, который захватит мир, а о куда более приземлённой штуке: о том, что искусственный интеллект может оказаться не угрозой, а способом не погибнуть от собственных технологий — если внедрять его осознанно. Метафора «дешёвого апокалипсиса» в интервью указывает именно на сценарий, когда инструменты массово оказываются в руках тех, кто не разобрался, как они устроены.
Почему генеративные модели — не маркетинговое слово
Раньше отдельная программа писала текст, отдельная рисовала картинку, ещё одна расшифровывала аудио. Сегодня одна модель всё чаще берёт на себя сразу несколько таких задач в рамках одного диалога. С точки зрения пользователя это просто «удобный ассистент». С точки зрения бизнеса — другая архитектура продукта.
Пример. Раньше, чтобы клиент в интернет-магазине загрузил фото дивана и получил подборку похожих, нужны были отдельный модуль компьютерного зрения, отдельный рекомендательный движок, отдельный поиск по каталогу и слой логики, который всё это склеивает. Сейчас значительную часть этой цепочки берёт на себя одна большая модель плюс RAG-обвязка над вашим каталогом. Время разработки сокращается, но требования к данным растут — каталог должен быть чистым, размеченным, с актуальными остатками.
Та же история во внутренних системах. Сотрудник присылает в чат фото накладной — ассистент извлекает позиции, сверяет с заказом, подсвечивает расхождения. Это уже не «ИИ ради ИИ», а конкретная операционная экономия. Но и здесь работает правило: модель хороша ровно настолько, насколько хороши ваши данные и регламенты.
Что меняется в профессиях — и почему это важно для найма
Марков аккуратно обходит модную тему «ИИ заменит всех». Его позиция спокойнее: меняется не наличие профессий, а их состав задач. Разработчик меньше пишет шаблонный код и больше проектирует. Аналитик меньше копается в SQL руками и больше формулирует гипотезы. Копирайтер меньше пишет с нуля и больше редактирует и сверяет факты.
Для бизнеса это значит две вещи. Первая — производительность сильных специалистов растёт заметно, и разрыв между «середняком» и «сильным» увеличивается. Один опытный разработчик с грамотно настроенным ИИ-стеком закрывает объём, на который раньше уходила пара человек. Вторая — появляется новый слой работы, который раньше не существовал: проектирование промптов, выстраивание RAG-пайплайнов, контроль качества генерации, аудит галлюцинаций. Эти роли пока не оформились в стандартные вакансии, но задачи есть уже сейчас.
Мы у себя видим это на простом срезе: запросы вида «сделайте нам чат-бота» постепенно сменяются запросами «нам нужен ассистент, который понимает нашу базу знаний, не выдумывает ответы и умеет передавать сложные случаи оператору». Разница — в зрелости заказчика. И эта зрелость растёт быстро.
«Дешёвый апокалипсис»: что это значит на практике бизнеса
Формулировка звучит броско, но за ней — конкретные грабли, на которые наступают компании при внедрении ИИ. Перечислим то, что встречается чаще всего.
Бот, который придумывает. Языковая модель без подключения к вашим данным охотно сочинит цену, срок доставки или условия гарантии. Клиент получит ответ — уверенный и неправильный. Через неделю это всплывёт в претензиях. Лечится связкой модели с реальной базой через RAG и жёсткой настройкой того, на какие вопросы бот не отвечает вообще, а передаёт человеку.
Автоматизация хаоса. Если процесс не описан, ИИ его не починит — он просто ускорит беспорядок. До внедрения нужно понять, какие данные у вас есть, где они лежат, кто за них отвечает и какие шаги в процессе реально повторяются.
Метрики «на глаз». «Вроде стало быстрее» — не метрика. До запуска фиксируем: время обработки обращения, доля автоматических ответов, конверсия из диалога в заявку, стоимость одного решённого тикета. Через 30–60 дней сравниваем. Без этого любое внедрение превращается в красивую презентацию без бизнес-смысла.
Зависимость от одного провайдера. Архитектура, намертво прибитая к одной конкретной модели, — риск. Завтра меняется тарификация, политика доступа или качество ответов, и продукт встаёт. Разумнее проектировать прослойку, через которую можно менять модель без переписывания половины кода.
ГигаЧат, открытые модели и вопрос «на чём собирать»
Марков, понятно, говорит про ГигаЧат — это продукт его команды. Но если смотреть шире, для российского бизнеса в 2026 году выбор обычно идёт между тремя дорожками: облачные российские модели, доступ к зарубежным моделям через прокси-сервисы, локальное разворачивание открытых моделей на собственных серверах.
У каждой дорожки своя экономика. Облачные российские решения — самый быстрый старт, понятный договор, оплата по токенам. Зарубежные через прокси — часто сильнее по качеству на сложных задачах, но юридически и операционно мутнее. Локальные открытые модели — дороже на старте (нужны GPU, инженеры), но дешевле в эксплуатации при больших объёмах и закрывают вопросы с персональными данными.
Универсального ответа нет. Для ассистента в мобильном приложении B2C-сервиса разумно начать с облачной модели и RAG-обвязки — это быстро и проверяемо. Подробнее про такую сборку мы разбирали в материале «RAG-чат-бот в мобильном приложении: 7 этапов интеграции ИИ». Для внутренних задач с чувствительными данными — банковских, медицинских, юридических — стоит сразу считать стоимость локального развёртывания.
Что бизнесу делать в ближайшие 6–12 месяцев
Если убрать пафос и оставить практику, рабочий план выглядит примерно так.
Сначала — инвентаризация. Где у вас уже сейчас сотрудники тратят часы на однотипные операции с текстом, документами, обращениями, картинками? Это и есть кандидаты на ИИ-слой. Не «давайте сделаем ИИ-стратегию», а «вот три процесса, в которых мы упираемся».
Дальше — пилот на одном из них. Маленький, с понятной метрикой, на 4–8 недель. Без попыток сразу переделать всю компанию. Цель пилота — не «внедрить», а понять, сходится ли экономика. Иногда выясняется, что да, сходится, и за квартал окупается. Иногда — что задача решается обычным скриптом без всякой нейросети, и это тоже хороший результат.
Параллельно — наведение порядка в данных. База знаний, регламенты, описания продуктов, история обращений. Любая серьёзная ИИ-функция упирается в это. Можно купить самую дорогую модель, но если её нечем кормить, она будет вежливо галлюцинировать.
И последнее — не выкидывать людей из контура. Самые устойчивые внедрения, которые мы видели, устроены как «ИИ предлагает — человек подтверждает». В службе поддержки, в продажах, в подготовке документов. Это медленнее, чем полная автоматизация, но это то, что не разваливается на втором месяце и не приводит к тем самым историям, которых боится Марков.
Чего ждать дальше
Если коротко: ИИ-функции станут такой же обязательной частью цифрового продукта, какой десять лет назад стала мобильная версия сайта. Не как отдельная фича «у нас есть чат-бот», а как фоновый слой, который незаметно делает поиск умнее, форму заявки короче, поддержку быстрее, а контент — релевантнее конкретному пользователю.
Выиграют те, кто научится не покупать «ИИ вообще», а собирать конкретные решения под конкретные процессы. С пониманием, где модель помогает, где мешает и где её вообще не надо. Интервью с Марковым ценно именно этим спокойным взглядом: технология взрослая, инструменты доступны, а дальше — обычная инженерная и управленческая работа.
Если у вас есть процесс, который выглядит кандидатом на ИИ-слой, — ассистент в приложении, умный поиск по каталогу, автоматизация обработки обращений или документов, — мы готовы посмотреть на него с практической стороны: что реально автоматизируется, какая модель подойдёт, как будет считаться экономика и какие сроки нужны под пилот. Напишите нам через страницу «Веб-разработка» — разберём вашу задачу и предложим конкретный сценарий внедрения, без обещаний магии.