# Совершенство против зрелости: как в 2026 году внедряют корпоративный ИИ — версия 2 (после фактчека)

Константин Кокуш из Ainergy

Лид. Регулярно применяют ИИ хотя бы в одной бизнес-функции уже 88% компаний, а у 43% организаций, переживших утечку, в инциденте участвовал ИИ, о котором в компании официально не знали. В статье эксперт платформы Ainergy Константин Кокуш разбирает, почему пилоты не доходят до отчёта о прибылях и убытках, во что обходится теневой ИИ по свежим данным IBM, что на самом деле требует от компаний закон об ИИ, принятый в июле 2026 года, и в каком порядке стоит строить корпоративный контур, чтобы не заплатить дважды.

> От автора. Я работаю с внедрениями корпоративного ИИ и имею отношение к платформе Ainergy, о которой пойдёт речь в последней трети текста. Пишу об этом сразу, чтобы дальше можно было читать спокойно и делить на нужный коэффициент. Цифры в статье — из внешних источников, список со ссылками в конце.

---

Один и тот же разговор за последние полтора года случался почти в каждой компании крупнее тысячи человек.

Директор по ИТ приходит на правление с планом внедрения искусственного интеллекта. Слайды хорошие: дорожная карта, пилот в трёх подразделениях, бюджет на следующий год. На четвёртой минуте кто-то из коммерческого блока поднимает руку и говорит, что у них уже всё внедрено. Полгода как. Коммерческие предложения пишет нейросеть, договоры она же вычитывает, а на прошлой неделе с её помощью подготовили аналитику по конкурентам — очень, кстати, толковую.

Дальше идёт пауза: директор по ИТ проделывает в уме нехитрую арифметику. Через какой именно интерфейс, спрашивает он. Через обычный, отвечают ему. Через сайт.

Вот этот момент — когда выясняется, что ИИ в компании давно работает, просто никто не знает где, — и есть настоящая точка отсчёта корпоративного ИИ в 2026 году. Всё остальное происходит после него.

## Статистика, с которой приходится начинать

Начнём с цифры, испортившей летом 2025-го настроение примерно всем. Исследовательская группа NANDA при MIT разобрала более трёхсот публичных внедрений генеративного ИИ, провела 52 структурированных интервью и собрала 153 анкеты у руководителей (широко разошедшийся пересказ в Fortune приводит другие числа — 150 интервью и 350 сотрудников; я опираюсь на методологию из самого отчёта). Вывод: 95% организаций не увидели возврата инвестиций за шестимесячное окно наблюдения.

Сразу оговорюсь, потому что иначе это сделают в комментариях. Отчёт помечен самими авторами как предварительный, оригинальная ссылка на домене MIT сейчас не открывается, а выпустившая его команда параллельно развивает собственный проект и рекомендует его архитектуру в качестве решения. Интерес у авторов есть, и его стоит учитывать. Направление работа показывает верно, и дальше я опираюсь не только на неё.

Здесь важна деталь, теряющаяся в пересказах. Причина провалов, по формулировке авторов, лежит не в качестве моделей. Модели отличные. Причина — разрыв в обучении: инструменты не умеют накапливать контекст конкретной компании, а организации не умеют перестраивать процессы под инструменты. Ещё одна деталь оттуда же: внедрения, купленные у поставщика, доходили до продуктива вдвое чаще собственных разработок, 67% против 33%. К этому соотношению я вернусь, потому что оно выглядит как аргумент против всего, что я напишу дальше.

Второй заход с другой стороны. IBM в отчёте о стоимости утечек данных за 2026 год приводит набор чисел, которые лучше читать сидя:

- теневой ИИ участвовал в инцидентах у 43% пострадавших организаций против 20% годом ранее, и такие утечки обходились в 5,39 миллиона долларов против 4,63 миллиона;
- 92% организаций, столкнувшихся с ИИ-инцидентом, на момент инцидента не имели нормального контроля доступа к ИИ; ограничивают доступ к ИИ-системам только 40%;
- политика управления ИИ есть у 32% пострадавших организаций, годом раньше было 37% — доля не выросла, а снизилась;
- средняя стоимость утечки поднялась до 4,99 миллиона долларов, плюс 12% год к году; инверсия модели обходится в 6,07 миллиона, инъекция промпта — в 5,89.
Разрыв в 760 тысяч долларов между утечкой с теневым ИИ и утечкой без него — это и есть цена того, что компания не знает, где у неё работает ИИ. Надбавка привязана к уровню теневого использования, а не к отсутствию журналов самому по себе.

И третий заход, уже с управленческой стороны. McKinsey в марте 2026 года опубликовал замер зрелости примерно по пятистам организациям: уровня 3 и выше по управлению агентными системами достигли около 30%, а почти две трети назвали безопасность и риски главным барьером для масштабирования агентов — не регулирование и не технические ограничения. Августовский глобальный опрос того же года (1 719 респондентов, 97 стран) показывает, что регулярно применяют ИИ хотя бы в одной бизнес-функции уже 88% организаций против 78% годом ранее, а вот влияние на EBIT видят по-прежнему 37%.

Сложите три сюжета. Инструменты работают, сотрудники ими пользуются, эффекта в отчётности нет, зато есть утечки.

Российская картина подтверждает ту же логику с другого конца, хотя и с оговоркой про годы. По данным обследования, которое Росстат провёл в 2025 году по методологии ИСИЭЗ НИУ ВШЭ (экспресс-информация от 18.03.2026), ИИ применяют 4,8% организаций, а среди организаций численностью свыше 500 человек — 14,9%. Из тех, кто уже применяет, больше половины задействуют ИИ в маркетинге и продажах, в производстве продукции и оказании услуг, в управлении персоналом. Рыночная оценка агентства AIANA, вышедшая в августе 2026-го, даёт российскому рынку ИИ 316,1 миллиарда рублей по итогам 2025 года и рост на 29,7%. Это разные исследования и разные годы, но вместе они складываются в понятную картину: деньги в рынок приходят быстрее, чем технология доходит до массового применения.

## Почему совет «просто возьмите модель получше» не работает

Соблазн понятен. Лучшие модели мира доступны по подписке за сумму, неотличимую в бюджете крупной компании от нуля. Интерфейс осваивается за минуту. Качество — на уровне тех самых заголовков в новостях.

Проблема в том, что при таком способе потребления компания получает результат и не получает ничего из того, ради чего вообще затевается автоматизация.

Знания текут наружу и не остаются внутри. Сотрудник за полгода выработал десяток отличных промптов, разобрался, как заставить модель писать нормальные технические задания, приноровился к её манере. Всё это живёт в его личном аккаунте и в его голове. Он уходит — уходит и это. Компания на протяжении полугода оплачивала обучение, результаты которого ей не принадлежат. В прошлом веке такое называлось «унёс наработки с собой», и с этим хотя бы боролись.

Юридический контур в лучшем случае мутный. Персональные данные клиентов в промпте — это обработка персональных данных, причём с трансграничной передачей, если сервис зарубежный, а такая передача требует отдельного уведомления Роскомнадзора. Коммерческая тайна в промпте — это раскрытие сведений третьему лицу, и здесь есть нюанс, который обычно упускают: вместе с раскрытием компания рискует самим режимом коммерческой тайны, то есть правовой защитой как таковой. Вопрос не в том, случится ли когда-нибудь проверка. Вопрос в том, сможете ли вы предъявить хотя бы список того, что и куда уходило. У 92% компаний, столкнувшихся с ИИ-инцидентом, нормального контроля доступа к ИИ не было, а вместе с ним не было и такого списка.

Управлять этим невозможно, потому что этого не видно. Нет журналов — нет расследования инцидента. Нет квот — нет предсказуемого счёта. Нет ролевой модели — значит, стажёр и финансовый директор имеют одинаковый доступ к одному инструменту, только один из них загружает туда учебные материалы, а второй управленческую отчётность.

Отдельно стоит сказать про версионность, потому что этот пункт всплывает позже всех и больнее всех. Модель за облачным API обновляется тогда, когда решит поставщик. В понедельник ваш процесс классификации обращений работал с точностью 92%, во вторник поставщик выкатил новую версию, и стало 87%. Или 95%. Вы этого не узнаете, пока кто-нибудь не пожалуется, и воспроизвести прошлый результат тоже не сможете. Для маркетингового текста это неважно. Для процесса, где решение влияет на деньги или на человека, это дисквалифицирующее свойство.

## Ловушка совершенства

Здесь мы подходим к теме, вынесенной в заголовок.

Ловушка устроена так. Организация начинает выбирать модель: сравнивает бенчмарки, читает лидерборды, спорит про контекстное окно, ждёт следующего релиза, потому что до него всего два месяца, а он обещает быть заметно лучше. Проходит квартал. Модели действительно стали лучше, список кандидатов обновился полностью, выбор начинается заново.

Тем временем бизнес-процесс, ради которого всё затевалось, живёт своей жизнью и меняться не собирается. Согласование договора будет выглядеть примерно так же и через пять лет, обработка входящего обращения тоже. Горизонт жизни процесса измеряется годами, горизонт жизни конкретной модели — кварталами, поколение живёт около года.

Отсюда следует довольно простой архитектурный принцип, почему-то требующий проговаривания вслух. Модель — расходный материал: она встраивается в процесс, отрабатывает свой цикл и заменяется на следующую. Всё, что вокруг неё — база знаний, регламент, права доступа, интеграции, метрики качества, — живёт дольше и стоит дороже. Проектировать систему разумно вокруг долгоживущего, а привязываться к короткоживущему довольно опрометчиво.

Зрелость в этом сюжете означает способность поменять модель под капотом за неделю и не заметить этого на уровне процесса. Отказ от лучших моделей тут ни при чём.

## Признаки зрелого внедрения

Их четыре, и они проверяются вопросами, на которые можно ответить да или нет.

Экономика применения известна до начала стройки. Формулировка «внедрим ИИ и повысим эффективность» не годится. Годится другая: «на этом участке мы обрабатываем 14 тысяч документов в месяц, тратим на это столько-то человеко-часов, автоматизация закроет такую-то долю, стоимость владения будет такой». Если этих чисел нет, обсуждать архитектуру рано.

Знания накапливаются внутри и становятся активом. Промпты, регламенты, размеченные примеры, база знаний, история удачных и неудачных решений лежат в контуре компании, версионируются и переживают увольнения.

Контур управляем и аудируем. На любой запрос можно ответить, кто, когда, какую модель вызвал, что отправил и что получил. Без этого невозможны ни расследование инцидента, ни оптимизация затрат, ни спокойный разговор с регулятором.

Модель заменяема. Смена базовой модели проходит как конфигурационная операция и не превращается в проект на квартал.

## Начинать надо не с платформы

Вот здесь я, как человек с очевидным коммерческим интересом, должен был бы написать «и поэтому вам нужна платформа». Рано.

Самая дорогая ошибка в корпоративном ИИ — построить хорошую, безопасную, аудируемую систему для процесса, автоматизация которого экономически бессмысленна. Случается регулярно и выглядит особенно обидно, потому что технически всё сделано прекрасно.

Поэтому последовательность работ должна быть примерно обратной привычной.

Сначала разведка. У нас эту стадию называют стратегированием, и задача её не в том, чтобы составить реестр, а в том, чтобы найти точки, где когнитивная работа превращается в деньги, и расставить их по приоритету. Перебираете процессы, где такой работы много: разбор документов, классификация обращений, подготовка типовых текстов, поиск по внутренним знаниям, контроль качества, первичный анализ данных. По каждому фиксируете объём в единицах и в часах, стоимость ошибки, требования к конфиденциальности, а дальше считаете верхнюю границу выигрыша. Получается длинный список, из которого две трети отпадёт на первом же разборе, и короткий, из которого растёт всё остальное.

Потом серия открытых экспериментов. Открытых в двух смыслах: с открытым результатом и на открытых моделях, чтобы не платить за право проверить гипотезу. Рабочий формат: шесть-восемь недель, десять-пятнадцать гипотез, по каждой быстрый прототип и честная метрика. Критерий продолжения один и жёсткий — снижение стоимости единицы результата при сопоставимом качестве. Формулировки «сотрудникам понравилось» и «выглядит перспективно» на этом этапе не считаются. Стоимость обработки одного документа была столько-то, стала столько-то, качество проверено на отложенной выборке.

Из десяти-пятнадцати гипотез выживают две-три. Это нормальный выход, и именно эти две-три оправдывают всё остальное.

И только потом архитектура. Причём сразу в трёх слоях, потому что технический без остальных двух не взлетает:

- техническая — где живут модели, как они вызываются, где хранятся знания, как это интегрировано с ERP, CRM и ITSM;
- организационная — кто владелец процесса, кто отвечает за качество ответов, как устроен цикл улучшения, где живут промпты и регламенты;
- юридическая — что можно отправлять в модель, что нельзя, как это технически ограничено, что попадает в журналы, как выполняются требования 152-ФЗ и внутренних режимов.
### Что на самом деле говорит регулятор

Про закон стоит сказать точно, потому что вокруг него ходит много пересказов. Федеральный закон от 26.07.2026 № 243-ФЗ «О поддержке развития технологий искусственного интеллекта в Российской Федерации» вступает в силу поэтапно: основные положения с 1 сентября 2026 года, часть статей — с 1 марта 2027-го. Адресован он прежде всего разработчикам больших фундаментальных моделей: вводит категории суверенных и национальных моделей с требованием обрабатывать данные в России силами российских юрлиц, определяет меры поддержки и даёт пользователям возможность маркировать материалы, созданные с применением таких моделей. Риск-ориентированный подход и обязанности операторов ИИ-сервисов из финальной версии убрали, так что рядового корпоративного пользователя закон задевает по касательной. Если вы читали, что он ввёл требования к высокорисковым системам, — это описание промежуточной редакции законопроекта, а не принятого текста.

Настоящие аргументы в пользу собственного контура лежат в других местах, и они прочнее:

- Локализация. Требование обрабатывать данные в России распространяется на модели, претендующие на статус суверенных и национальных, и задаёт общее направление: инфраструктура едет внутрь страны. Для владельцев объектов КИИ у этого направления свой, более жёсткий график — его стоит смотреть по своему объекту и своей отраслевой методике.
- Маркировка ИИ-контента. Пока это возможность, а не обязанность, но подготовиться дешевле заранее, и делается это там, где видны все вызовы модели, а не там, где сотрудник копирует текст из чужого чата.
- 152-ФЗ, а к нему уведомление Роскомнадзора о трансграничной передаче (ч. 3 ст. 12), оборотные штрафы по ст. 13.11 КоАП и статья 272.1 УК РФ, действующая с 11 декабря 2024 года, — незаконные использование, передача и хранение персональных данных. В разговоре с правлением этот набор работает сильно лучше ссылок на закон о поддержке.
- 98-ФЗ и упомянутый выше риск утраты самого режима коммерческой тайны.
Логика простая: отвечать за ИИ придётся в любом случае, и отвечать удобнее за то, что стоит у вас.

## Из чего собирается технический слой

Теперь про платформы — и да, дальше идёт та часть, ради которой я эту статью и пишу.

Когда точки ценности найдены и экономика посчитана, техническая архитектура собирается из понятного набора компонентов. Их удобно представлять тремя уровнями.

![](https://notes.vtorum.net/api/public/web/%D1%81%D0%BE%D0%B2%D0%B5%D1%80%D1%88%D0%B5%D0%BD%D1%81%D1%82%D0%B2%D0%BE-%D0%BF%D1%80%D0%BE%D1%82%D0%B8%D0%B2-%D0%B7%D1%80%D0%B5%D0%BB%D0%BE%D1%81%D1%82%D0%B8-%D0%BA%D0%B0%D0%BA-%D0%B2-2026-%D0%B3%D0%BE%D0%B4%D1%83-%D0%B2%D0%BD%D0%B5%D0%B4%D1%80%D1%8F%D1%8E%D1%82-%D0%BA%D0%BE%D1%80%D0%BF%D0%BE%D1%80%D0%B0%D1%82%D0%B8%D0%B2%D0%BD%D1%8B%D0%B8-%D0%B8%D0%B8-%D0%B2%D0%B5%D1%80%D1%81%D0%B8%D1%8F-2-%D0%BF%D0%BE/assets/784ef80a-4432-42d8-86a4-1ed6da956705/raw)

*Три слоя управления ИИ в корпоративном контуре. Схема собрана по описанию архитектуры платформы Ainergy.*

Уровень инфраструктуры. Здесь модели хранятся, разворачиваются и обновляются, здесь же делится железо между задачами. Здесь живут открытые модели, поставленные вами в свой контур, и здесь же решается вопрос, что делать, когда через полгода выйдет модель поинтереснее.

Уровень управления потреблением. Самый недооценённый и самый полезный слой. Он маршрутизирует запросы между моделями (тяжёлую задачу отправляет большой модели, простую классификацию — маленькой, которая по публичным прайсам обходится на порядок дешевле), проверяет права, считает квоты по подразделениям, пишет журналы обращений и фильтрует то, что уходит наружу. Отдельно стоит фильтр персональных данных: он перехватывает ПДн до вызова модели. Именно этого слоя не было у тех 92% организаций из отчёта IBM.

Уровень потребления. То, с чем работает бизнес: векторные базы знаний с поиском по внутренним документам, ассистенты, специализированные агенты под конкретный процесс, интеллектуальные формы для разбора документов.

Платформа Ainergy устроена по этой трёхслойной схеме. Разворачивается в изолированном контуре на собственной инфраструктуре без выхода в интернет, в российском облаке для быстрого старта или в гибридном варианте. Есть готовый программно-аппаратный комплекс с серверами и ускорителями — вариант для тех, кому нужно закрыть вопрос целиком, включая железо.

Что она делает содержательно:

- Оркестрирует модели. Открытые модели разворачиваются в вашем контуре под управлением стандартных рантаймов инференса, между ними настраивается маршрутизация, замена проходит без переписывания процессов. Реальные ограничения здесь задаёт не платформа, а объём видеопамяти и формат весов: под конкретный размер модели и квантизацию считается конфигурация ускорителей. Привязки к одному вендору модели нет — это принципиальный пункт.
- Управляет потреблением. Доступы, квоты, логирование, фильтры соответствия, отдельный фильтр PII, интеграция с системами сбора журналов. Даёт ровно те артефакты, за которыми придут и служба безопасности, и внутренний аудит.
- Хранит и векторизует корпоративные знания. RAG поверх внутренних документов с разграничением доступа: сотрудник получает ответ по тем документам, которые ему и так положено видеть.
- Собирает агентов и ассистентов под процессы в логике low-code и no-code, с возможностью спуститься в pro-code там, где нужно. Цикл «гипотеза — прототип — метрика» должен занимать дни, иначе описанная выше серия экспериментов растянется на год.
- Интегрируется с тем, что уже стоит — ERP, CRM, ITSM, телефония — через открытый API.
Быстрее всего на этом собираются извлечение данных из документов произвольной сложности, разбор и классификация обращений в поддержку с автопополнением базы знаний, анализ разговоров с заполнением полей CRM, поиск проверенных ответов по внутренним знаниям, обработка встреч с постановкой задач и помощь разработчикам.

### Где своя платформа не нужна

Раздел, обычно отсутствующий в вендорских статьях, а зря: он дешевле всего экономит время обеим сторонам.

Собственный контур не окупится, если команда меньше сотни человек и нагрузка нерегулярная — железо будет простаивать, а инженер стоит дороже подписки. Он избыточен там, где нет требований к изоляции: маркетинговые тексты, черновики презентаций, перевод публичных материалов прекрасно живут в облачном сервисе. И он не поможет, если вам принципиально нужна конкретная закрытая модель топового уровня — её в свой контур не поставить ни за какие деньги.

Про лицензирование скажу так же прямо. Лицензия Ainergy не привязана к объёму потребления, но это не означает, что расходы перестают расти: в своём контуре они растут ступенями — сервер, ускоритель, инженер, электричество. Честная картина выглядит как вилка. До определённого порога нагрузки подписка дешевле, после него дешевле свой контур, и порог этот измеряется вполне конкретными вещами: числом запросов в день, объёмом токенов в месяц, долей задач с требованиями к изоляции и числом процессов, где нужна воспроизводимость. Считать эту вилку стоит на своих числах до покупки, а не после.

## Возвращаясь к соотношению 67 на 33

Помните вывод MIT про то, что покупные решения доходят до продуктива вдвое чаще собственных? Он не противоречит всему написанному выше, если различать две вещи, которые в русском языке легко слипаются.

Провалившиеся 33% — это самодельные обвязки вокруг чужого API: скрипты энтузиаста из соседнего отдела, живущие ровно до его отпуска. Покупка у поставщика — это готовая платформа, которую вы разворачиваете, в том числе в своём контуре. Собственный контур описывает, где физически стоит система и кому принадлежат данные. Собственная разработка описывает, кто пишет код. Это разные оси, и провал приходится на вторую.

## Что из этого получается в деньгах

Ценность собственного контура складывается из четырёх слагаемых, и ни одно из них не сводится к «нейросеть пишет тексты».

Заменяемость моделей. Стоимость перехода на следующее поколение падает с проектной до конфигурационной. При жизни поколения около года за пятилетку таких переходов набирается четыре-пять, и каждый из них в неподготовленной архитектуре стоит как отдельный проект.

Знания как накапливаемый актив. Промпты, размеченные примеры, база знаний, история решений остаются в компании и с каждым месяцем работают лучше. Это ровно тот разрыв в обучении, который MIT назвал главной причиной провала пилотов.

Аудируемость. Журналы всех обращений превращают ИИ из зоны неопределённости в обычную ИТ-систему, про которую можно ответить на вопрос проверяющего. Заодно контур переводит теневое использование в видимое, а именно с высоким уровнем теневого ИИ IBM связывает ту самую надбавку в 670 тысяч долларов к стоимости утечки.

Скорость цикла. Возможность собрать прототип агента за дни определяет, сколько гипотез вы успеете проверить за квартал. Поскольку выживает примерно каждая пятая, пропускная способность воронки экспериментов прямо конвертируется в число работающих внедрений.

## Возвращаясь к тому совещанию

Директор по ИТ из начала статьи в итоге поступил неочевидно. Вместо запрета на внешние сервисы (запрет, как известно, приводит к тому, что люди делают то же самое с личного телефона) он попросил всех, кто уже что-то освоил, за две недели описать свои сценарии.

Получилось около сорока описаний. Это ещё не гипотезы: половина оказалась разовыми задачами или личными привычками. После разбора с владельцами процессов до статуса проверяемой гипотезы дошли восемь — те, где считалась внятная экономика. Три из восьми добрались до продуктива. Одно из трёх, разбор входящих документов, окупило годовой бюджет всей затеи.

Мораль тут неожиданно оптимистичная. Теневой ИИ, справедливо считающийся у службы безопасности проблемой, одновременно работает как лучшее в мире бесплатное исследование применимости. Сотрудники за свой счёт и в своё время уже проверили десятки гипотез и точно знают, где инструмент помогает, а где мешает. Остаётся выслушать их, посчитать деньги и построить контур, в котором всё это будет работать легально и накапливаться.

Пять вопросов, на которые стоит уметь ответить прежде, чем покупать что бы то ни было:

1. Что происходит с вашими сценариями, когда через полгода вы меняете базовую модель?
1. Кто и как узнает, что качество ответов упало?
1. Где физически лежат ваши промпты, размеченные примеры и база знаний?
1. Кто гарантирует, что сотрудник не получит в ответе цитату из документа, к которому у него нет доступа?
1. Что вы покажете проверяющему, если он спросит, какие персональные данные и куда уходили за последний квартал?
Если на все пять есть ответы, платформа вам, вероятно, и правда нужна. Если ответов нет — начинайте с них, это дешевле.

---

Материал подготовлен командой платформы Ainergy. Обсудить сценарии применения и посчитать экономику конкретного внедрения: ainergy.ru, info@ainergy.ru

## Источники

1. MIT NANDA. The GenAI Divide: State of AI in Business 2025 (preliminary findings), июль 2025 — PDF отчёта (зеркало; исходная ссылка на домене MIT недоступна). Пересказ, из которого цифра разошлась по СМИ: Fortune, 18.08.2025.
1. IBM. Cost of a Data Breach Report 2026 — пресс-релиз IBM, 29.07.2026, страница отчёта. Разбор показателей по теневому ИИ и контролю доступа: Kiteworks, Cybersecurity Dive.
1. McKinsey. State of AI trust in 2026: Shifting to the agentic era, 25.03.2026 — около 500 организаций, ~30% с уровнем зрелости 3+, безопасность как главный барьер.
1. McKinsey. The state of AI in 2026: On the road to ROI, 25.08.2026 — 1 719 респондентов из 97 стран; 88% против 78% годом ранее, 37% с влиянием на EBIT.
1. ИСИЭЗ НИУ ВШЭ. Распространение ИИ в организациях разной величины, экспресс-информация от 18.03.2026 — 4,8% и 14,9%; данные обследования Росстата 2025 года по методологии ИСИЭЗ.
1. ИСИЭЗ НИУ ВШЭ. Применение искусственного интеллекта в российских компаниях — направления применения ИИ у компаний-пользователей.
1. AIANA. Оценка объёма российского рынка ИИ, август 2026 — 316,1 млрд рублей, +29,7% за 2025 год: Коммерсантъ, Inc. Russia.
1. Федеральный закон от 26.07.2026 № 243-ФЗ «О поддержке развития технологий искусственного интеллекта в Российской Федерации»; обзор КонсультантПлюс.
1. Уголовный кодекс РФ, ст. 272.1 (введена ФЗ от 30.11.2024 № 421-ФЗ, действует с 11.12.2024); 152-ФЗ (ч. 3 ст. 12), ст. 13.11 КоАП РФ, 98-ФЗ.
## Примечания для размещения (не часть статьи)

Объём. ~23300 знаков с пробелами без списка источников, около 10 минут чтения — верхняя граница комфортного лонгрида для Хабра. Против первой версии текст вырос примерно на треть: добавились раздел про 67/33, раздел «Где своя платформа не нужна» и развёрнутый регуляторный блок — всё по замечаниям разбора. Если нужно вернуться к 18 000, сокращать стоит перечисление типовых сценариев и абзацы про уровни, а не новые разделы.

Что осталось сделать перед публикацией.

- Ссылки проставлены и проверены по первоисточникам. Отдельно посмотрите п. 1: оригинальная страница отчёта MIT NANDA не открывается, ссылка ведёт на зеркало PDF — если у вас есть доступ к исходному файлу, замените на него.
- Схема трёх слоёв отрисована и вставлена в раздел «Из чего собирается технический слой» (ainergy-3-layers.png, 2880×2012, исходник в SVG). Названия слоёв и компонентов взяты дословно с ainergy.ru, при загрузке на Хабр подпись под картинкой сохранить.
- Сверить с продуктовой командой два места: формулировку про рантаймы инференса и форматы весов (в тексте намеренно без названий конкретных семейств моделей и версий рантайма) и раздел «Где своя платформа не нужна» — границы должны совпадать с реальной продуктовой позицией. Описание платформы собрано из публичных материалов, портал базы знаний закрыт от индексации.
- Заменить обобщённую историю из начала и конца на реальный обезличенный кейс с настоящими цифрами, если такой можно раскрыть. Сейчас там намеренно типовая ситуация без выдуманной конкретики.
- Подпись и лид: указан Константин Кокуш из Ainergy. Добавьте должность — с ней лид работает сильнее.
Порядок площадок (по рекомендации рецензента).

1. Сначала корпоративный блог, переобход через Вебмастер и IndexNow, дождаться индексации.
1. Через несколько дней — Хабр, только в корпоративном блоге компании с действующей подпиской, со строкой «оригинал — в блоге» и ссылкой.
1. vc.ru — не в один день с Хабром, разнести минимум на неделю.
1. Для блога сделать отдельную SEO-версию: заголовки под запросы («внедрение корпоративного ИИ», «ИИ в закрытом контуре», «теневой ИИ в компании», «политика управления ИИ»), блок вопрос-ответ, больше чек-листов. Метафора «совершенство против зрелости» остаётся за Хабром.
1. Публичную ссылку на Vtorum после выхода основной версии закрыть — риск от неё минимальный, но нулевой лучше.
1. Маркировка рекламы (ФЗ «О рекламе», ЕРИР) применяется, если размещение оплачивается площадке. Согласовать с юристами один раз.
Три места, где я разошёлся с разбором (проверено по первоисточникам).

- Маркировка ИИ-контента. В разборе она названа обязанностью с 01.03.2027. По официальному обзору принятого 243-ФЗ закон предоставляет пользователям возможность размещать маркировку, а не обязывает. В тексте написано именно так.
- Переходный период до 01.09.2032 для иностранных решений в КИИ. В 243-ФЗ такой нормы нет, отдельным первоисточником дата не подтверждается. Пункт переписан на локализацию без конкретного срока, с отсылкой к отраслевой методике. Если у юристов есть точная норма и дата — вернём абзацем сильнее.
- 37% ИСИЭЗ «в производстве товаров и оказании услуг». В экспресс-информации от 18.03.2026 этой цифры нет, а в релизе ИСИЭЗ про направления применения говорится «свыше половины» — по маркетингу и продажам, производству и оказанию услуг, управлению персоналом. Взял формулировку первоисточника.
Ещё одно расхождение, уже в плюс: разбор предлагал оставить надбавку 670 тыс. долларов из отчёта IBM 2025. В отчёте 2026 года тот же разрыв составляет 760 тыс. (5,39 против 4,63 млн), и в тексте стоит свежая цифра.

Что изменено относительно первой версии.

Фактика: регуляторный абзац переписан под 243-ФЗ от 26.07.2026 (убраны «мартовский», «21→13 категорий», «требования к высокорисковым системам»); методология MIT приведена к первоисточнику (52 интервью, 153 анкеты, 300+ разборов), добавлена оговорка о предварительном статусе отчёта и о расхождении с пересказом Fortune; IBM обновлён на отчёт 2026 года (43% против 20%, 5,39 против 4,63 млн, 92% без контроля доступа, 32% с политикой против 37%, средняя утечка 4,99 млн, +12%); McKinsey разведён на мартовский замер зрелости и августовский глобальный опрос (88% против 78%, EBIT у 37%); данные ИСИЭЗ/Росстата и рыночная оценка AIANA разведены по источникам; надбавка за теневой ИИ отвязана от аудируемости. Все источники со ссылками.

Аргументация: добавлен раздел про 67/33 (покупная платформа в своём контуре ≠ самописная обвязка), добавлен раздел «Где своя платформа не нужна», лицензирование описано вилкой с названными измерителями порога, «раз шесть за пять лет» приведено к четырём-пяти при поколении около года, «в двадцать раз дешевле» заменено на «на порядок дешевле» со ссылкой на публичные прайсы, «любые открытые модели» заменено на формулировку через рантаймы, форматы весов и VRAM, воронка 40 → 8 → 3 разведена по этапам, первый из пяти финальных вопросов заменён на вопрос про разграничение доступа в RAG.

Стиль: переписан лид по формату «в статье эксперт расскажет», убран заголовок «...портит любую презентацию» и обороты «выглядит он примерно так» / «выглядит особенно» в зачинах, сняты лишние противопоставления «не X, а Y», исправлена латинская «c» в слове «несанкционированных», шаг назван «Сначала разведка», а стратегирование осталось в тексте как название стадии, «поставщик когнитивности» — на «вендор модели», абзацы про уровни переведены из существительных в глаголы, выровнены уровни заголовков.