Генеративный ИИ в бизнесе

Константин Степанов

CEO & Founder BPA Develop · в IT с 2007 года · внедрение ИИ-решений в корпоративные процессы

Обновлено 2 июня 2026

16 мин. чтения

Рынок генеративного ИИ в корпоративном сегменте меняется быстрее, чем кто-либо прогнозировал. По данным крупных исследований enterprise-рынка genAI (интервью с десятками корпоративных заказчиков и опросы CIO из разных отраслей), за последний год структура рынка изменилась сильнее, чем ожидалось: технологии вышли за рамки пилотов и стали постоянной статьёй расходов.

В этом обзоре собраны 16 трендов корпоративного genAI по четырём направлениям: бюджеты, модели, закупки и прикладное использование. Материал поможет понять, как компании сегодня используют, приобретают и закладывают бюджеты под генеративный ИИ, и что это значит для тех, кто только планирует внедрение.

Бюджеты: расходы на ИИ превзошли ожидания

1. Бюджеты оказались больше прогнозов и продолжают расти

Расходы на большие языковые модели (LLM) выросли заметно быстрее, чем компании сами закладывали, и замедления не видно. По ожиданиям руководителей, в ближайший год траты вырастут в среднем на 75%. Один из CIO описал это так: то, что уходило за весь 2023 год, теперь тратится за неделю. Драйверы роста: всё больше релевантных внутренних сценариев, рост вовлечённости сотрудников и постепенный выход в клиентские сценарии, где бюджеты кратно выше.

2. Расходы на genAI переходят в постоянные статьи бюджета

Годом ранее около четверти затрат на LLM покрывалось из бюджетов на инновации, теперь эта доля упала примерно до 7%. Всё чаще модели и ИИ-приложения финансируются напрямую из централизованных ИТ-бюджетов и бюджетов бизнес-юнитов. Это отражает смену восприятия: генеративный ИИ перестал быть экспериментом и стал стратегически важной частью операционной деятельности, которая закрепляется в core-бюджетах компаний.

Модели: три лидера и мультимодельная стратегия

3. Мультимодельный подход закрепляется

С появлением нескольких качественных LLM нормой стало держать в продакшене сразу несколько моделей. Желание избежать привязки к одному вендору остаётся, но главным мотивом выбора моделей от разных поставщиков стала функциональная дифференциация под конкретные задачи. В этом году 37% респондентов используют 5 и более моделей против 29% годом ранее.

По общим бенчмаркам модели могут выглядеть похоже, но на уровне корпоративного использования о коммодитизации речи пока нет: разные модели по-разному сильны в кодинге, генерации текста, ответах на сложные вопросы и проектировании архитектур. Это закрепило практику параллельного использования нескольких моделей под нужную производительность при сохранении независимости от поставщиков.

4. Ландшафт перенасыщен, но лидеры уже видны

Несмотря на множество моделей, в общем объёме использования доминируют несколько игроков. По данным исследований, в тройку лидеров входят OpenAI, Google и Anthropic, при этом среди open source преобладают решения Meta и Mistral. Распределение зависит от размера компании: крупный бизнес чаще берёт open source, особенно когда важно on-prem развёртывание. Кратко по практике использования лидеров рынка:

Поставщик	Где сильнее в enterprise	Кто чаще использует
OpenAI	Широкая линейка и глубокая интеграция в стек, лидер по non-frontier моделям в продакшене	Компании всех размеров
Google (Gemini)	Большие контекстные окна, сильное соотношение цена/качество, доверие к бренду	Крупный бизнес с контрактами на облако
Anthropic (Claude)	Задачи программирования, основа для AI-продуктов в кодинге	Технологичные компании и стартапы
Open source (Llama, Mistral)	On-prem, безопасность, глубокая кастомизация через fine-tuning	Крупный enterprise
Новые игроки (xAI и др.)	Ранние этапы тестирования, высокий интерес	Экспериментаторы

Распределение долей в сегменте новых игроков остаётся динамичным и далёким от стабильности.

5. Соотношение цена/качество стало особенно привлекательным

Стоимость моделей снижается примерно на порядок раз в год, поэтому цена/производительность у закрытых моделей малой и средней категории стала убедительнее. На момент исследования заметно выгодными выглядели лёгкие модели вроде Gemini Flash и Grok Mini. Всё чаще компании выбирают закрытые модели именно из-за экономики и удобства экосистемы: если вся инфраструктура уже у одного облачного провайдера, дешёвая и быстрая модель в той же экосистеме перевешивает.

6. Fine-tuning нужен реже по мере роста моделей

Рост общего интеллекта моделей и длины контекстного окна сделал дообучение (fine-tuning) менее критичным. Чаще оказывается, что грамотный prompt engineering даёт сопоставимый или лучший результат при меньших затратах: вместо параметрического дообучения проще положить нужные данные в длинный контекст. Отказ от fine-tuning также снижает привязку к вендору, поскольку промпты переносятся между моделями гораздо легче, чем дообученные веса.

При этом компании с узкоспециализированными задачами продолжают применять fine-tuning, например для адаптации open source-моделей под предметную область. Возможен и новый виток интереса, если методы вроде reinforcement fine-tuning выйдут за пределы лабораторий. Но в целом большинство уже не видит прежнего ROI от дообучения и берёт open source в основном при жёстких бюджетных ограничениях.

7. Reasoning-модели вызывают оптимизм

Reasoning-модели расширили круг задач, которые LLM решают с высокой точностью. Компании пока на ранней стадии тестирования, но настрой позитивный и ожидается резкий рост использования. Среди ранних пользователей в корпоративном сегменте лидируют reasoning-модели OpenAI: по данным опросов, модель o3 уже в продакшене у заметной доли компаний, тогда как DeepSeek при большом интересе индустрии чаще встречается в стартапах, а не в корпорациях.

Хотите выстроить мультимодельный ИИ-стек под задачи? BPA Develop проектирует и внедряет ИИ-решения: подбор моделей под use case, интеграции, guardrails и оценка эффекта. Помогаем перейти от пилота к продакшену

Обсудить задачу →

Закупки: покупка ИИ похожа на закупку ПО

8. Выбор моделей идёт по фреймворкам с чек-листами

Компании выбирают модели через чёткие критерии оценки. Безопасность и стоимость стали не менее значимы, чем точность и надёжность. Для задач с высокой видимостью и критичной производительностью берут модели с сильным брендом и передовыми характеристиками, для простых и внутренних сценариев решение часто сводится к цене. Как отметил один руководитель, для большинства задач модели уже работают достаточно хорошо, поэтому цена стала куда более весомым фактором.

9. Доверие к прямому размещению у вендоров выросло

Многие по-прежнему используют существующие облачные контракты, но всё больше организаций размещают модели напрямую у вендоров или через специализированные платформы, особенно когда нужная модель недоступна у основного облачного провайдера. Мотив простой: получить прямой доступ к самой свежей и производительной модели сразу после релиза, включая ранние превью. Это заметный сдвиг по сравнению с прошлым годом, когда компании предпочитали обращаться к моделям только через облако, лишь бы избежать прямой интеграции с поставщиком.

10. Стоимость переключения растёт с усложнением задач

Год назад приложения проектировали с прицелом на минимальную стоимость смены модели и взаимозаменяемость. Это работало для простых одношаговых сценариев, но с ростом агентных воркфлоу переключаться стало сложнее. Компании вкладываются в guardrails и кастомные промпты под агентов, а агентные процессы многоэтапны: даже небольшое изменение в логике одной модели влияет на всю цепочку. В итоге смена модели превращается в инженерную задачу на недели, и бизнес становится осторожнее.

11. Внешние бенчмарки работают как фильтр предотбора

Чем больше моделей на рынке, тем чаще внешние оценки и публичные рейтинги используют как привычный по закупкам ПО фильтр на раннем этапе. При этом внутренние бенчмарки, эталонные наборы данных и обратная связь от разработчиков остаются ключевыми в глубокой оценке. Лидеры подчёркивают: внешние метрики, это лишь часть процедуры, и модель всё равно нужно прогнать через свои кейсы и собрать фидбек сотрудников.

Приложения: бизнес всё чаще покупает, а не строит

12. Переход от стратегии build к buy

На раннем этапе компании работали напрямую с моделями и строили собственные приложения. За последний год произошёл резкий сдвиг в сторону покупки сторонних решений: экосистема ИИ-приложений повзрослела. Различия моделей по производительности и цене требуют постоянной оптимизации под каждый сценарий, а с этим лучше справляются специализированные продуктовые команды, чем внутренние инженеры. Плюс внутренние инструменты сложно поддерживать, и они редко дают устойчивое преимущество.

Ведущий индикатор тренда, это рост интереса к сторонним продуктам при тестировании новых кейсов. Например, в поддержке клиентов более 90% опрошенных компаний тестируют внешние решения. Исключение, это зарегулированные и высокорисковые отрасли вроде здравоохранения, где конфиденциальность данных и соответствие требованиям остаются в приоритете, и собственная разработка по-прежнему оправдана.

13. Ценообразование по результату пока буксует

Вокруг outcome-based pricing много шума, но большинство CIO не уверены, как именно измерять и тарифицировать результат. Главные опасения: нет чёткой связи результата с бизнес-целями, непредсказуемость затрат и сложность атрибуции ценности. Стандартов, которые однозначно увязывают модель с реальной бизнес-ценностью, пока нет, поэтому большинство CIO предпочитают оплату по использованию (usage-based pricing).

14. Разработка ПО стала killer use case

Внедрение ИИ растёт по всем направлениям (корпоративный поиск, анализ данных, поддержка клиентов), но именно разработка ПО показала качественный скачок. Сошлись несколько факторов: появление сильных готовых решений, резкий рост возможностей моделей, широкая применимость и очевидный ROI. Часть быстрорастущих компаний сообщает, что доля кода, сгенерированного ИИ, выросла за год с 10–15% до 80–90%. Пока это авангард рынка, но он служит сильным опережающим индикатором для всего корпоративного сегмента.

15. Prosumer-рынок разгоняет корпоративный спрос

Как и при появлении интернета, заметная часть раннего роста ведущих ИИ-приложений в корпорациях идёт от рынка продвинутых частных пользователей (prosumer). Сильные потребительские бренды превращаются в высокий спрос со стороны компаний: многие CIO покупают корпоративную версию популярного ИИ-ассистента просто потому, что сотрудники его уже любят и узнают бренд. Этот двойной импульс ускорил рост нового поколения ИИ-компаний сильнее, чем в прошлые технологические циклы.

16. AI-native компании опережают устоявшихся игроков

Традиционные вендоры выигрывали за счёт доверия и дистрибуции, но с приходом ИИ всё чаще уступают AI-native конкурентам по качеству продукта и скорости развития. Главная причина выбора AI-native поставщиков, это более высокая скорость инноваций, на втором месте, более качественный результат у продуктов, изначально построенных вокруг ИИ, а не дополненных им постфактум. Особенно заметен разрыв в разработке ПО, где инструменты нового поколения дают ощутимо более высокую удовлетворённость пользователей.

Что это значит для бизнеса

Корпоративный ИИ больше не про эксперименты: его формируют стратегическое внедрение, конкретные бюджетные обязательства и зрелые экосистемы вендоров. Несколько практических выводов для тех, кто планирует внедрение.

Закладывайте ИИ в постоянный бюджет, а не в фонд инноваций, и планируйте рост расходов по мере появления новых сценариев

Стройте мультимодельный стек: подбирайте модель под конкретный use case, а не ищите одну универсальную

Начинайте с prompt engineering, fine-tuning подключайте только под узкоспециализированные задачи

Оценивайте модели как закупку ПО: безопасность, цена, бенчмарки плюс прогон на своих кейсах

Для типовых сценариев берите готовые решения, для зарегулированных отраслей и уникальных процессов оправдана собственная разработка

Подробнее о том, как встроить ИИ в процессы компании по шагам, мы разбирали в материале про AI-трансформацию бизнеса, а о сборе данных в управленческие дашборды, в обзоре BI-систем.

Часто задаваемые вопросы

Какие модели генеративного ИИ лидируют в корпоративном сегменте?

По данным исследований рынка, в общем объёме использования лидируют OpenAI, Google и Anthropic, а среди open source-решений преобладают Meta и Mistral. Выбор зависит от задачи: разные модели сильнее в кодинге, генерации текста или работе с большим контекстом, поэтому компании держат в продакшене сразу несколько моделей.

Что такое мультимодельная стратегия?

Это подход, при котором компания использует несколько LLM от разных поставщиков, подбирая каждую под конкретный сценарий по соотношению производительности и стоимости. Главный мотив, это функциональная дифференциация под задачи, а не только желание избежать привязки к одному вендору. В этом году 5 и более моделей используют около 37% опрошенных компаний.

Нужен ли fine-tuning или достаточно prompt engineering?

По мере роста возможностей моделей и длины контекста для большинства задач достаточно prompt engineering, который проще и дешевле, а промпты легко переносятся между моделями. Fine-tuning остаётся оправданным для узкоспециализированных задач с глубокой адаптацией под предметную область.

Что выгоднее: купить готовое ИИ-решение или разрабатывать своё?

Для типовых сценариев бизнес всё чаще покупает готовые решения: экосистема повзрослела, а поддерживать внутренние инструменты сложно. Собственная разработка оправдана в зарегулированных и высокорисковых отраслях (например, здравоохранение), где критичны конфиденциальность и соответствие требованиям, а также под уникальные процессы.

Почему растёт стоимость смены модели?

С развитием агентных воркфлоу под конкретную модель пишут страницы инструкций, настраивают guardrails и QA. Агентные процессы многоэтапны, и изменение логики одной модели влияет на всю цепочку, поэтому переключение превращается в инженерную задачу на недели. Это повышает требования к первоначальному выбору модели.

Какой сценарий внедрения ИИ даёт самый быстрый эффект?

Сейчас самый показательный сценарий, это разработка ПО: появились сильные готовые инструменты, резко выросли возможности моделей и виден очевидный ROI. Также быстро растёт применение в корпоративном поиске, анализе данных и поддержке клиентов.

Константин Степанов

CEO & Founder BPA Develop · Генеральный директор · в IT с 2007 года

Основатель и руководитель BPA Develop. С 2016 года компания реализовала более 170 проектов разработки корпоративного ПО, включая внедрение ИИ-решений, ERP, BPM и BI-систем для среднего и крупного бизнеса. Аккредитованная ИТ-компания, лидер Рейтинга Рунета. Автор Telegram-канала «Практические знания в IT» (t.me/Stepanov_Konstantin), где разбирает реальные кейсы автоматизации и внедрения ИИ.

Профиль эксперта → Кейсы → Услуги →

Внедрение генеративного ИИ в процессы бизнеса

Команда BPA Develop поможет выбрать модели под задачи, выстроить мультимодельный стек, интеграции и guardrails, перейти от пилота к продакшену и оценить эффект. Оставьте заявку, свяжемся в течение рабочего дня.

Имя *

Телефон *

Выпадающий списокBPM / BPMSWMSTMSMESCRMERP

Эл. почта

Что хотите автоматизировать? Какие есть боли?

 *

• Я согласен с Политикой конфиденциальности и обработки персональных данных

Получить концепцию бесплатно