Итоги 2025: как российский бизнес внедрял AI и на что команды ставят в 2026

Бизнес стал подходить к внедрению генеративного AI более осознанно. За год появилось много информации о технологиях и их возможностях — компании приходят с понятными задачами и видением применения. Технология перестала быть угрозой и для сотрудников, ее воспринимают как базовый инструмент.

Главный тренд года — агенты. Компании-лидеры уже активно инвестируют в разработку агентных экосистем.

Разрыв между компаниями углубляется. Те, кто начал в 2023 году, собирают первые результаты. Остальные в состоянии легкой паники: нет команд, бюджетов, экспертизы. Они срочно наверстывают упущенное перед сложным 2026 годом.

Самые активные отрасли в AI-внедрениях в 2025 году:

Финтех — банки, платежные сервисы, страхование. Причины активности: высокая плотность данных, понятная экономика эффекта и большой объем повторяющихся решений в контакт-центрах, скоринге, комплаенсе.

Маркетплейсы и e-commerce — рекомендации, генерация контента, модерация, аналитика спроса. Важная особенность: именно платформы чаще доходят до продакшена и масштабирования, а не застревают на уровне PoC.

2025 год стал годом масштабирования портфельного подхода. Мы сосредоточились на множестве точечных решений с измеримым эффектом.

AI-аналитика звонков автодилеров увеличила повторные контакты с готовыми к покупке клиентами на 16% и на 6% увеличила количество сделок. Улучшение отчетов Автотеки принесло несколько сотен миллионов рублей дополнительной выручки. В совокупности портфель AI-решений Авито генерирует более 1 млрд рублей в год.

Стратегически важный проект, который мы сейчас активно тестируем — AI-ассистент Ави. Это переход от классического поиска к диалоговому взаимодействию. Технологически — система специализированных агентов. Следующий этап — запуск на собственных моделях Авито. Диалоговый интерфейс станет новым стандартом взаимодействия с классифайдом.

Главным AI-внедрением стала система автоматического определения спама с качеством классификации выше 99%. Это принципиально закрыло возможность отправки спама через Unisender. AI стал встроенным регулятором качества и доверия к каналу email-рассылок.

Самая интересная задача года — создание фидбек-лупа на базе генеративного AI. Система в реальном времени анализирует сотни тысяч комментариев, выявляет проблемные точки, автоматически регистрирует задачи для подразделений и отслеживает внедрение изменений.

Результат — замкнутый цикл качества. Это привело к росту среднего дохода с пользователя (ARPU) и кратному росту транзакций на клиента. Когда клиент видит, что его проблемы решаются, это влияет на лояльность. Система стала основным двигателем клиентоцентричности.

С 2025 года в 2ГИС 70% запросов в саппорт обрабатываются автоматически, точечные процессы внутри саппорта автоматизированы до 95%. А также наша команда сгенерировала описания для более 20 тысяч достопримечательностей на карте.

В 2025 году мы научили AI-ассистента работать с данными аналитики. Теперь он отвечает на любые вопросы клиентов про финансы и проактивно предупреждает о рисках или достижениях. Результат: больше 10% пользователей интернет-банка стали активными пользователями AI-ассистента.

Главным внедрением стали AI-ассистенты, встроенные прямо в процессы, а не в красивые интерфейсы. Компании перестали «показывать AI» и начали делегировать ему реальные действия — от подготовки ответов клиентам до закупок. В цифрах это дало минус 20–30% операционных затрат и заметное ускорение бизнес-циклов. Самая недооцененная метрика — время, которое AI возвращает людям.

Нужно постоянно помнить про систематическое обучение сотрудников и руководителей. Просто внедрить технологию или решение недостаточно. Сотрудникам необходимо понимать, как технологии могут им помочь в их работе и как получить максимальный эффект. Это касается и руководителей — только при поддержке со стороны топ-менеджмента компания может ожидать какой-то результат.

Также не нужно внедрять AI-решения, просто потому что вы можете их реализовать или вам сказали, что это можно сделать. Стоит более вдумчиво подходить к выбору проектов и оценке эффектов, иначе большое количество нерелевантных инициатив могут загубить все желание внедрять GenAI.

Начинать с технологии, а не с бизнес-боли. «Давайте внедрим LLM, а потом посмотрим, куда применить» — это путь в никуда.

Внедрять AI поверх старых процессов. Технология не исправит сломанные процессы, она их только ускорит и сделает проблемы еще заметнее.

Долгосрочные внедрения без понятного эффекта. Полгода и больше на проект, где непонятно, лучше стало или хуже — типичная ловушка.

Технология сама по себе не гарантирует хороший продукт. Важно фокусироваться на ценности для пользователя. Далеко не везде нужны LLM — иногда задача решается регулярными выражениями или классическим ML. Все проекты проходят валидацию: работоспособность технологии, ценность продукта, тестирование на пользователях.

Другой урок — отказ от модели «заказчик-исполнитель». Мы собираем кросс-функциональные команды, где продакт и Data Science работают вместе. Это ускорило решения и позволило делать более сложные продукты.

Главный урок — необходимость вовремя останавливаться в оптимизации. Мы потратили полгода на попытку переписать решение на новый стек. Новые модели не смогли преодолеть 80% качества, тогда как базовое решение дало 99% в первой итерации.

Главный урок — технология должна следовать за экономической целесообразностью.

Мы отказались от принципа «впихнуть AI везде». Во многих случаях простые алгоритмы или ручной труд дают лучший результат при меньших затратах. Правило: любое внедрение начинается с анализа затрат и эффектов.

Второе — проблема «человеческого фактора» в данных. Один пилот провалился из-за доверия эксперту, который без документации формировал датасет. Субъективность привела к неконсистентным данным. Теперь обучаем модели только на объективной базе знаний.

Главный урок — надо привлекать людей, которые участвуют в процессе, куда внедряется AI. Иначе есть риск, что AI-решение не будет использоваться.

Например, мы автоматизировали контроль качества звонков и не учли, как менеджеры работают сейчас. Решение не нашло отклика у команды.

Главный урок — нужно внимательно отбирать задачи, где AI принесет ценность. В прошлом году сделали упор на типовые операции через ассистента (депозиты, переводы, выписки). AI упрощает опыт, но не так значительно — флагманом не стало. В этом году упор на финансовую аналитику: ассистент выполняет задачи, которые без него в разы трудозатратнее. Это гораздо более востребованная история.

Главный урок 2025 года — AI нельзя выпускать без контекста и контроля. В финансах это проявилось особенно жестко: автоматизированные скоринговые модели ловили компании на дискриминации, потому что «учились» на старых, токсичных данных.

Второй урок — нельзя масштабировать хаос: если процесс кривой, AI делает его более кривым. Если цикл принятия решений не ясен человеку, AI сделает процесс только быстрее и дороже. Принцип GIGO (garbage in, garbage out) актуален как никогда!

Многие фейлы оказались не технологическими, а управленческими: AI внедряли быстрее, чем договаривались о правилах ответственности. В результате модель работала правильно — просто не для той цели.

Главный тренд 2026 года — усиление развития мультиагентных систем и подходов. Для полноценной автоматизации и генеративной трансформации бизнеса точечных внедрений уже недостаточно — нужны комплексные решения.

Компании, которые создали базу для AI-внедрений и подготовили инфраструктуру для масштабирования, сфокусируются на построении агентов. Мы ожидаем переход от единичных AI-решений к связанным агентным системам, где несколько специализированных агентов работают совместно для решения бизнес-задач.

AI как часть core-процессов. Раньше было множество разрозненных пилотов. Сейчас благодаря мультиагентным системам 6-7 из 10 подпроцессов будут базироваться на AI. Несколько останутся под контролем экспертов для валидации.

Усиление роли человека. AI усиливает эксперта, а не подменяет. На человека ложится дизайн системы — он видит архитектуру, блоки, сценарии. AI отвечает за наполнение и реализацию.

Главная ставка — развитие AI-ассистентов. Проанализируем тестовые запуски, доработаем на основе обратной связи. Цель — чтобы ассистенты решали задачи аудитории. Мы хотим, чтобы чтобы диалоговый интерфейс сократил действия до решения задачи и повысил конверсию в сделки.

Будущее за автономными агентными системами. Любая сложная задача решается группой людей с распределением ролей — так же будет с AI. Наши ассистенты уже работают на системе агентов.

Рынок будет двигаться от отдельных AI-фич к масштабируемым экосистемам. Для нас это развитие AI-ассистента за рамками редактора — помощь с омниканальными сценариями, аналитикой, поддержка MCP-протокола.

MCP позволит взаимодействовать с Unisender на уровне инфраструктуры — подключать внешние AI-системы и встраивать платформу в сложные AI-цепочки.

Фокус в 2026 будем держать на переход от точечных решений к целостной AI-архитектуре. Самое перспективное — агентный AI: автономные системы, выполняющие цепочки действий без человека.

Параллельно ожидаем тренд на осознанный выбор моделей. Универсальной «серебряной пули» нет. Будущее за рациональным подбором инструментов под задачу. Критерий — технологическая мощь и экономическая обоснованность.

В 2026 будем автоматизировать более сложные процессы. Технически — мультиагентные системы. Бизнесово — оптимизация не только времени, но и влияние на конверсии и качество.

Разрабатываем ассистентов для конкретных предметных областей. Запустили AI-ассистента бухгалтера — он ищет ответы на бухгалтерские и налоговые вопросы в актуальных официальных источниках. В следующем году планируется запуск еще нескольких продуктов.

Наши клиенты уже уверенно пользуются ChatGPT, DeepSeek. Нет смысла просто создавать новый интерфейс для доступа к AI. Ставка — на совмещение мощи LLM и уникальных данных.

В 2026 году ставка — на агентные системы, которые действуют и отвечают за результат. Второй фокус — отказ от «магии AI» в пользу управляемых, проверяемых решений, особенно в финансах и регулированных отраслях.

Выиграют те, кто научится сочетать автономность AI с жестким человеческим контролем — и не перепутает интеллект с иллюзией. При этом самый большой риск — перепутать автономность с ответственностью. Компании, которые отдадут AI слишком много власти без понятных ограничений, первыми столкнутся не с ростом, а с регуляторными и репутационными проблемами.