Аналитический материал по итогам ЦИПР-2025:
отрасли, архитектуры решений,
готовность и вызовы
LLM в России:
от экспериментов
к внедрению
Еще год назад компании обсуждали искусственный интеллект с интересом и осторожностью. Сегодня — думают не о том, нужен ли ИИ, а о том, где он уже приносит пользу, как его внедрять безопасно и с какой архитектурой. Языковые модели перестали быть экспериментом — и стали частью ИТ-стратегий.
Что такое языковая модель?
Языковая модель (Language Model, LM) — это тип искусственного интеллекта, обученного понимать и генерировать текст на естественном языке. Модель «читает» большие объемы текстов, находит закономерности и учится предсказывать, что будет дальше в предложении. Это позволяет ей вести диалоги, писать тексты, отвечать на вопросы, переводить, программировать и выполнять другие когнитивные задачи.
Языковые модели классифицируются по размеру, вычислительным требованиям и области применения.
Принято выделять:
1. Большие языковые модели Large Language Models (LLMs)
Языковые модели классифицируются по размеру, вычислительным требованиям и области применения.
Принято выделять:
1. Большие языковые модели Large Language Models (LLMs)
- Размер: от миллиардов до сотен миллиардов параметров.
- Размещаются в облаке или на дата-центрах.
- Универсальны: умеют рассуждать, писать код, работать с контекстом.
- Примеры: GPT-4, Claude, Gemini, GigaChat, YaLM 2.
- Размер: от 2 до 15 миллиардов параметров.
- Можно развернуть на сервере в периметре компании.
- Оптимальны для RAG-систем, внутреннего поиска, автоматизации документооборота.
- Примеры: LLaMA 2–13B, Mistral 7B, OpenChat, Baichuan 13B.
- Размер: от 50 миллионов до 2 миллиардов параметров.
- Легко запускаются на ноутбуках, edge-устройствах, встраиваемых системах.
- Используются в чат-ботах, справочных системах, голосовых помощниках.
- Примеры: Phi-2, TinyLLaMA, DistilBERT, Gemma 2B.
Создаём комплексные ИИ-решения под задачи вашего бизнеса — с развёртыванием внутри контура компании
Раздел 1. Сначала — себе: практики внедрения LLM в ИТ-компаниях
Прежде чем предлагать клиентам решения, ИТ-компании тестируют технологии на себе. Участники интервью рассказали, как LLM стали частью их процессов — от генерации кода до маркетинга и поддержки.
LLM внедряются не как эксперимент, а как рабочий инструмент. Чаще всего LLM применяют для разработки (44%), документооборота (35%), генерации контента (29%) и аналитики (22%). Почти все отмечают: ИИ помогает экономить ресурсы, заменяя рутину и ускоряя работу команд.
LLM внедряются не как эксперимент, а как рабочий инструмент. Чаще всего LLM применяют для разработки (44%), документооборота (35%), генерации контента (29%) и аналитики (22%). Почти все отмечают: ИИ помогает экономить ресурсы, заменяя рутину и ускоряя работу команд.
LLM в разработке
Почти каждая вторая компания отметила, что применяет LLM на этапе кодирования, написания тестов, архитектурного проектирования или подготовки технической документации. Часто ИИ помогает ускорить генерацию прототипов, сократить ручной труд в тестировании и даже адаптировать код под разные технологии. Большинство решений работают в локальных средах или через корпоративные платформы.
Почти каждая вторая компания отметила, что применяет LLM на этапе кодирования, написания тестов, архитектурного проектирования или подготовки технической документации. Часто ИИ помогает ускорить генерацию прототипов, сократить ручной труд в тестировании и даже адаптировать код под разные технологии. Большинство решений работают в локальных средах или через корпоративные платформы.
Внутренние процессы: поддержка, документооборот и организация команд
LLM активно применяются в задачах поддержки и внутренних процессов. Компании-участники отметили, что внедрили ИИ в документооборот, поддержку, организацию взаимодействий внутри команд или обработку типовых запросов. Чаще всего это:
LLM активно применяются в задачах поддержки и внутренних процессов. Компании-участники отметили, что внедрили ИИ в документооборот, поддержку, организацию взаимодействий внутри команд или обработку типовых запросов. Чаще всего это:
- автоматизация документооборота и составление КП;
- генерация черновиков, саммаризация и транскрибация встреч;
- помощь в навигации по внутренней базе знаний и формирование внутренних ассистентов;
- создание цифровых помощников и даже «ИИ-сотрудников» для участия в командной работе.
Тренд очевиден: компании все чаще используют ИИ не только в ИТ-процессах, но и в рутинных операционных задачах.
LLM в контенте и маркетинге
Направление входит в топ-3 сценариев применения:
Направление входит в топ-3 сценариев применения:
- создание маркетинговых текстов, концепций, презентаций
- генерация визуального контента
- анализ рисков и подготовка исследований
ИИ помогает быстрее разрабатывать концепции, проводить анализ, тестировать гипотезы — и это направление демонстрирует быстрый рост.
LLM в знаниях, поиске и инфраструктуре
Четверть компаний отметили использование LLM для обработки внутренних данных, поиска, интеллектуального доступа к знаниям. Это новое, но быстро развивающееся направление. Наиболее типичные применения:
Четверть компаний отметили использование LLM для обработки внутренних данных, поиска, интеллектуального доступа к знаниям. Это новое, но быстро развивающееся направление. Наиболее типичные применения:
- интеллектуальный поиск по базам знаний;
- генерация технической документации;
- семантический анализ.
Пока такие решения запускаются точечно, но именно здесь компании видят потенциал для стратегических ИИ-инициатив. Это один из самых перспективных сценариев — и в то же время один из самых сложных. Он требует точной настройки и защищенной инфраструктуры. Однако компании уже формируют свои подходы и инфраструктуру.
ИТ-компании оказались в авангарде внедрения LLM. Большинство компаний-участников применяют ИИ в нескольких сценариях сразу, превращая его из вспомогательного инструмента в рабочую среду.
Разработка и тестирование стали теми направлениями, где LLM принесли ощутимый эффект. Все больше компаний внедряют LLM-платформы, создают ИИ-ассистентов и запускают сквозные сценарии, встроенные в ежедневную работу.
Подходы разные — от on-premise до облака, от опенсорсных моделей до собственных решений. Но вектор один: ИИ становится нормой. «Сапожники с сапогами» — и именно от ИТ-компаний теперь ждут ответов и ориентиров те, кто только начинает путь.
А теперь — к тем, кто еще недавно обращался к ним за советом и решениями.
ИТ-компании оказались в авангарде внедрения LLM. Большинство компаний-участников применяют ИИ в нескольких сценариях сразу, превращая его из вспомогательного инструмента в рабочую среду.
Разработка и тестирование стали теми направлениями, где LLM принесли ощутимый эффект. Все больше компаний внедряют LLM-платформы, создают ИИ-ассистентов и запускают сквозные сценарии, встроенные в ежедневную работу.
Подходы разные — от on-premise до облака, от опенсорсных моделей до собственных решений. Но вектор один: ИИ становится нормой. «Сапожники с сапогами» — и именно от ИТ-компаний теперь ждут ответов и ориентиров те, кто только начинает путь.
А теперь — к тем, кто еще недавно обращался к ним за советом и решениями.
Раздел 2. От пилотов к практике: как LLM проникают в отрасли
Если в ИТ-секторе языковые модели стали частью ежедневной рутины, то в других отраслях этот путь только начинается. Бизнес стремится внедрять ИИ — но зачастую не понимает, как это сделать правильно и в каких задачах он действительно даст ценность. У компаний нет дефицита интереса — есть дефицит понимания.
Тем не менее, запрос растет стремительно. Компании из финтеха, промышленности, медицины, образования, госсектора и ритейла готовы к внедрению LLM не просто ради экспериментов, а ради решения конкретных задач.
Отрасли и задачи: где LLM уже работают
По итогам интервью с экспертами можно выделить несколько отраслей, где внедрение LLM-технологий идет наиболее активно. Лидируют финансовый сектор и ритейл — их упоминали почти все участники интервью. Больше всего внедрений LLM происходит в финансовом секторе (33,3%) и ритейле/e-commerce (25,0%). Также упоминались следующие отрасли: промышленность, медицина, образование, телеком, логистика, госсектор, маркетплейсы, ИТ/инфраструктура. Однако их упоминания встречались реже и в совокупности эти отрасли составляют 41,7%.
По итогам интервью с экспертами можно выделить несколько отраслей, где внедрение LLM-технологий идет наиболее активно. Лидируют финансовый сектор и ритейл — их упоминали почти все участники интервью. Больше всего внедрений LLM происходит в финансовом секторе (33,3%) и ритейле/e-commerce (25,0%). Также упоминались следующие отрасли: промышленность, медицина, образование, телеком, логистика, госсектор, маркетплейсы, ИТ/инфраструктура. Однако их упоминания встречались реже и в совокупности эти отрасли составляют 41,7%.
Это объясняется зрелостью процессов, масштабом данных и типовыми задачами, где LLM-решения могут быстро показать ценность.
Финансовый сектор
По результатам опроса, участники выделяли финансовый сектор как наиболее активный в ИИ-инициативах. Здесь LLM используют для:
По результатам опроса, участники выделяли финансовый сектор как наиболее активный в ИИ-инициативах. Здесь LLM используют для:
- ускорения разработки и адаптации ПО под импортозамещение
- проверки KYC-документов, автоматизации документооборота
- автоматизации обработки обращений и клиентской поддержки
- интеллектуального поиска по внутренним данным
- внедрения AI-ассистентов рутинных операций в маркетинге, HR и др.
Ритейл и e-commerce
Ритейл и e-commerce активно исследуют возможности LLM для персонализации, автоматизации поддержки и повышения эффективности внутренних процессов. Среди ключевых сценариев:
Ритейл и e-commerce активно исследуют возможности LLM для персонализации, автоматизации поддержки и повышения эффективности внутренних процессов. Среди ключевых сценариев:
- генерация описаний товаров
- интеллектуальные витрины
- чат-боты для поддержки клиентов
- автоматизация заказов и документооборота
- парсинг входящих обращений
- рекомендации и персонализированные предложения
Ритейл оказался одной из тех отраслей, где LLM быстро нашли практическое применение. Компании стремятся использовать ИИ для быстрой автоматизации без кардинальной перестройки процессов, экономя ресурсы и ускоряя обслуживание клиентов. Массовый характер задач в торговле делает отрасль особенно восприимчивой к масштабируемым LLM-решениям.
Если рассматривать популярные кейсы по отраслям, картина получается следующая.
Практически каждая компания работает сразу с несколькими отраслями, а кейсы во многом типовые: цифровые ассистенты, генерация документов, интеллектуальный поиск, автоматизация поддержки. Это говорит о том, что технологии LLM уже начали масштабироваться за пределы пилотов — и проникать в рутину крупнейших отраслей.
Если рассматривать популярные кейсы по отраслям, картина получается следующая.
- Финансовый сектор: интеллектуальный поиск по базе знаний, генерация документов, чат-боты, автоматизация технической поддержки, проверка документов, ИИ-ассистенты в HR и маркетинге.
- Ритейл и e-commerce: парсинг обращений, генерация товарных описаний, персонализированные витрины, автоматизация документооборота и обработки заказов с помощью ИИ-ассистентов.
- Промышленность: генерация техдокументации и автоматизация внутренних процессов с помощью ИИ-ассистентов.
- Медицина и образование: поиск по нормативной документации, автоматизация рутинной документации с помощью ИИ-ассистентов.
- ИТ и инфраструктура: ИИ-ассистенты для системного анализа, анализа логов, генерации рекомендаций.
Практически каждая компания работает сразу с несколькими отраслями, а кейсы во многом типовые: цифровые ассистенты, генерация документов, интеллектуальный поиск, автоматизация поддержки. Это говорит о том, что технологии LLM уже начали масштабироваться за пределы пилотов — и проникать в рутину крупнейших отраслей.
Архитектуры решений: облако, on-prem, гибрид
По результатам интервью, распределение архитектурных предпочтений выглядит так:
По результатам интервью, распределение архитектурных предпочтений выглядит так:
- 58% участников называют облачные решения основным или предпочтительным выбором заказчика;
- 92% участников внедряют on-premises-развертывания, особенно для проектов с конфиденциальными или критически важными данными;
- 50% участников используют гибридные сценарии, совмещая локальную защиту с мощностями облачных моделей.
Эти цифры подтверждают тренд на дифференцированный подход. Большинство участников интервью признают: универсального ответа нет. Архитектура подбирается исходя из условий — где-то уместно облачное API, где-то жизненно важно локальное развертывание. В результате все больше проектов переходят на гибридные схемы, где облачные модели используются для менее чувствительных задач, а on-premise — для критичных компонентов.
Баланс между безопасностью, экономикой и зрелостью
Выбор архитектуры — не только про технологии. Это еще и про зрелость бизнеса, экономические возможности и готовность управлять рисками. Компании с высоким уровнем зрелости все чаще применяют нейрошлюзы, маскирование и собственные security-фильтры, чтобы использовать преимущества облачных LLM без компромиссов по безопасности. С другой стороны, для крупных игроков и госкомпаний on-prem по-прежнему остается единственно возможным вариантом.
Выбор архитектуры — не только про технологии. Это еще и про зрелость бизнеса, экономические возможности и готовность управлять рисками. Компании с высоким уровнем зрелости все чаще применяют нейрошлюзы, маскирование и собственные security-фильтры, чтобы использовать преимущества облачных LLM без компромиссов по безопасности. С другой стороны, для крупных игроков и госкомпаний on-prem по-прежнему остается единственно возможным вариантом.
Отрасль также диктует архитектуру: если проект связан с финансами, медициной, госсектором — решение почти всегда разворачивается в закрытом контуре. Для ритейла, образования, стартапов или задач с открытыми данными — чаще применяются облачные или гибридные архитектуры.
Регуляторика становится отдельным фактором влияния. Практически все участники подчеркивают важность соблюдения 152-ФЗ, особенно при работе с персональными данными. Это предопределяет выбор архитектуры вне зависимости от бюджета или зрелости команды.
Архитектура LLM-решения — отражение зрелости бизнеса и его отношения к данным. Гибридные подходы становятся нормой, позволяя масштабировать ИИ без компромиссов по безопасности. Регуляторика, стоимость инфраструктуры, качество моделей — все это формирует ландшафт архитектурных решений.
Раздел 3. Барьеры и вызовы на пути внедрения
ИИ — это не просто новая технология, а вызов привычному укладу работы и мышления внутри компаний. И на этом пути бизнес сталкивается с множеством барьеров. Мы задали компаниям прямой вопрос: с какими трудностями они сталкиваются при внедрении LLM?
Ответы показали, что проблемы носят не столько технический, сколько системный и культурный характер. Они касаются недостатка зрелости, инфраструктуры, доверия, регуляторики и даже когнитивного сопротивления внутри команд.
Ответы показали, что проблемы носят не столько технический, сколько системный и культурный характер. Они касаются недостатка зрелости, инфраструктуры, доверия, регуляторики и даже когнитивного сопротивления внутри команд.
Ниже — ключевые сложности, с которыми сталкиваются компании.
Недоверие к ИИ и сопротивление внутри команд
ИИ воспринимается как угроза — и не всегда на уровне руководства. Страх перед «искусственным коллегой», отсутствие привычки работать с новыми интерфейсами, боязнь потерять значимость — все это замедляет внедрение.
ИИ воспринимается как угроза — и не всегда на уровне руководства. Страх перед «искусственным коллегой», отсутствие привычки работать с новыми интерфейсами, боязнь потерять значимость — все это замедляет внедрение.
Отсутствие зрелой экспертизы у заказчиков
Часто компании не могут сформулировать задачу или не понимают, зачем им ИИ. Отсутствуют методологии, структуры, зрелые ожидания. Задачи «на автоматизацию всего» не ведут к результату.
Часто компании не могут сформулировать задачу или не понимают, зачем им ИИ. Отсутствуют методологии, структуры, зрелые ожидания. Задачи «на автоматизацию всего» не ведут к результату.
Недостаток инфраструктуры и высокая стоимость
Локальные решения требуют серверов с GPU, компетенций и времени. Многие компании не готовы к таким вложениям. Облачные решения — дешевле, но вызывают опасения.
Локальные решения требуют серверов с GPU, компетенций и времени. Многие компании не готовы к таким вложениям. Облачные решения — дешевле, но вызывают опасения.
Проблемы с данными и интеграцией
Многие компании не готовы предоставить качественные датасеты, не умеют формулировать запросы или боятся утечек. Это снижает точность и пользу ИИ.
Многие компании не готовы предоставить качественные датасеты, не умеют формулировать запросы или боятся утечек. Это снижает точность и пользу ИИ.
Галлюцинации и нестабильность технологий
LLM продолжают «фантазировать» и давать ошибки, особенно в сложных и критичных задачах. Постоянная гонка новых моделей делает рынок нестабильным.
LLM продолжают «фантазировать» и давать ошибки, особенно в сложных и критичных задачах. Постоянная гонка новых моделей делает рынок нестабильным.
Барьеры регуляторики и неясные риски
Многие компании опасаются штрафов и рисков из-за отсутствия понятных правил. Особенно это касается иностранных моделей и облаков.
Многие компании опасаются штрафов и рисков из-за отсутствия понятных правил. Особенно это касается иностранных моделей и облаков.
Важно отметить: большая часть этих проблем не связана напрямую с качеством самих моделей. Они возникают из-за того, что ИИ по-прежнему воспринимается как нечто магическое, а не инструмент. На практике же внедрение требует четкой цели, подходящей архитектуры, зрелой команды и пошагового взаимодействия с пользователями.
Именно это непонимание и отсутствие целеполагания становятся основой нового явления, о котором говорят многие участники рынка: вайб-кодинг (от англ. vibe coding) — имитации цифровой трансформации без реального эффекта. Почему компании идут этим путем, в чем кроется риск и как отличить шоу от системной автоматизации — разберем в следующем разделе.
Именно это непонимание и отсутствие целеполагания становятся основой нового явления, о котором говорят многие участники рынка: вайб-кодинг (от англ. vibe coding) — имитации цифровой трансформации без реального эффекта. Почему компании идут этим путем, в чем кроется риск и как отличить шоу от системной автоматизации — разберем в следующем разделе.
Раздел 4. Где заканчивается автоматизация и начинается имитация: феномен вайб-кодинга
По мере распространения LLM и других ИИ-инструментов в разработке, появляется новый вызов — не только технологический, но и этический. На первый взгляд, генерация кода и автоматизация задач ускоряют процессы. Но все чаще эксперты фиксируют иную сторону этого тренда: когда реальные компетенции подменяются заготовками нейросети.
В этом разделе мы исследуем границы между осознанным применением ИИ и имитацией квалификации, которую такие инструменты могут маскировать. Где проходит эта граница? Кто и зачем ей следует — или ее пересекает?
В этом разделе мы исследуем границы между осознанным применением ИИ и имитацией квалификации, которую такие инструменты могут маскировать. Где проходит эта граница? Кто и зачем ей следует — или ее пересекает?
Что такое вайб-кодинг — и почему об этом говорят
Термин вайб-кодинг появился как ироничное обозначение практики, при которой разработчик «создает» код, не понимая сути задачи. Часто — с помощью LLM, без проверки, без логики, без архитектуры. Это стало особенно заметно на фоне стремительного внедрения генеративного ИИ.
Термин вайб-кодинг появился как ироничное обозначение практики, при которой разработчик «создает» код, не понимая сути задачи. Часто — с помощью LLM, без проверки, без логики, без архитектуры. Это стало особенно заметно на фоне стремительного внедрения генеративного ИИ.
ИИ как инструмент или как подмена?
Многие эксперты подчеркивают: дело не в технологии, а в умении ей пользоваться. Вайб-кодинг — не следствие появления LLM, а результат незрелого подхода к ее применению. Там, где ИИ должен быть усилителем компетенций, он превращается в их имитацию.
Многие эксперты подчеркивают: дело не в технологии, а в умении ей пользоваться. Вайб-кодинг — не следствие появления LLM, а результат незрелого подхода к ее применению. Там, где ИИ должен быть усилителем компетенций, он превращается в их имитацию.
Профессиональная автоматизация: опыт и методология
Когда ИИ встраивается в продуманный процесс, это дает качественный скачок. Осмысленная автоматизация позволяет ускорить проработку требований, создавать MVP за считанные дни, выносить гипотезы на тестирование. Это не заменяет экспертизу, а усиливает.
Когда ИИ встраивается в продуманный процесс, это дает качественный скачок. Осмысленная автоматизация позволяет ускорить проработку требований, создавать MVP за считанные дни, выносить гипотезы на тестирование. Это не заменяет экспертизу, а усиливает.
Риски вайб-кодинга: ошибки и потеря контроля
Без понимания архитектуры, контекста и тестирования — генерация кода может привести к нестабильности, утечкам и репутационным рискам. Вайб-кодинг создает ложное ощущение простоты — и занижает требования к квалификации.
Без понимания архитектуры, контекста и тестирования — генерация кода может привести к нестабильности, утечкам и репутационным рискам. Вайб-кодинг создает ложное ощущение простоты — и занижает требования к квалификации.
От экзоскелета до дирижера: новые роли разработчика
ИИ меняет парадигму: разработчик становится архитектором, оператором и проверяющим. Есть и сравнения ИИ с экзоскелетом: он ускоряет рост, но требует контроля. Поэтому профессионализм сегодня — это не только знание кода, но и умение взаимодействовать с ИИ как с ассистентом.
ИИ меняет парадигму: разработчик становится архитектором, оператором и проверяющим. Есть и сравнения ИИ с экзоскелетом: он ускоряет рост, но требует контроля. Поэтому профессионализм сегодня — это не только знание кода, но и умение взаимодействовать с ИИ как с ассистентом.
Феномен вайб-кодинга возникает там, где стремление к автоматизации подменяет собой системный подход. Это не следствие самой технологии, а отражение уровня зрелости команд и процессов. Вайб-кодинг не случайность — это симптом, который показывает, насколько компания готова внедрять ИИ не по моде, а с осознанным целеполаганием.
Профессиональная автоматизация — не генерация ради результата, а усиление компетенций через контроль, архитектуру, стандарты и верификацию. Это процесс, в котором ИИ становится частью команды, а не ее заменой.
Именно способность выстраивать такие процессы и отличает зрелые компании от тех, кто пока только экспериментирует. Это подводит нас к последнему и, пожалуй, самому важному вопросу: насколько российский рынок сегодня готов к масштабному внедрению LLM? Какие компании можно назвать зрелыми? И что мешает выйти за рамки пилотов?
Профессиональная автоматизация — не генерация ради результата, а усиление компетенций через контроль, архитектуру, стандарты и верификацию. Это процесс, в котором ИИ становится частью команды, а не ее заменой.
Именно способность выстраивать такие процессы и отличает зрелые компании от тех, кто пока только экспериментирует. Это подводит нас к последнему и, пожалуй, самому важному вопросу: насколько российский рынок сегодня готов к масштабному внедрению LLM? Какие компании можно назвать зрелыми? И что мешает выйти за рамки пилотов?
Читайте продолжение статьи на Tadviser
Нужны конкретные кейсы?
Читайте их на сайте.
У вас есть запрос на разработку?
Свяжитесь с нами по почте request@codeinside.ru и мы поможем вам реализовать проект.
Читайте их на сайте.
У вас есть запрос на разработку?
Свяжитесь с нами по почте request@codeinside.ru и мы поможем вам реализовать проект.
Штаб-квартира:
г. Пенза, Суворова 66
Обсудить разработку:
Остальные вопросы:
CodeInside
© Все права защищены
ООО «КодИнсайд», разработка компьютерного программного обеспечения, 440000, Пензенская область, г. Пенза, ул. Суворова, строение 66, ИНН 5837040135, ОГРН 1095837000929, ОКВЭД 62.01, права принадлежат компании, право пользование на основе лицензии