Искусственный интеллект в России 2025

Исследование (2025) построено на трех опросах и серии глубинных интервью:

• Опрос CTO: 150 технических директоров крупнейших компаний РФ из 16 отраслей (в т.ч. нефть и газ, FMCG, ритейл и e-commerce, банкинг и страхование, промышленность, транспорт/логистика, телеком/медиа, ИТ, строительство, медицина). Цели: уровень внедрения ИИ по функциям, источники эффекта, барьеры, готовность инвестировать.
• Опрос вендоров: топ‑150 российских поставщиков ИИ‑решений в сегментах генеративного ИИ, CV, RecSys, NLP и речевых технологий (специализация, модели внедрения, экономика и профиль компаний, отрасли клиентов, перспективы).
• Пользовательский опрос: >3,5 тыс. жителей РФ (12+): осведомленность, доверие, готовность использовать, восприятие рисков/пользы.
• Оценка эффекта до 2030: модель влияния ИИ на операционную прибыль 16 ключевых секторов на базе прогнозной выручки/рентабельности и оценок влияния технологий (в т.ч. опрос >150 компаний).

Ключевые результаты

Общая динамика внедрения

• У крупных компаний пилоты по ключевым ИИ‑технологиям запущены у порядка 80–88% (в зависимости от технологии/среза).
• Сохраняется разрыв между инженерной готовностью и глубиной интеграции в процессы.
• В пользовательском восприятии баланс неоднозначен: 50% считают, что пользы от ИИ больше; 42% — что польза и риски сопоставимы; 8% — что рисков больше.

Генеративный ИИ (главный фокус)

• Массовое внедрение: доля компаний, применяющих GenAI хотя бы в одной функции, — 71% в 2025 (+17 п.п. год к году). В 2023 полноценного внедрения не фиксировалось, в 2024 — уже «более половины».
• Потребители: с концепцией GenAI знакома почти половина аудитории, но регулярно (≥1 раз/мес) используют сервисы 26% россиян 12+. Топ‑5 по проникновению: Алиса AI — 14%, DeepSeek — 9%, GigaChat — 4%, ChatGPT — 4%, Perplexity — 1%.
• Инвестиции: компании планируют в среднем на 25% увеличить долю инвестиций в GenAI в следующем году; максимальная доля в ИТ‑бюджете — банковский сектор и ИТ (до 7%), телеком и e‑commerce (6%). В ритейле/ИТ/телеком‑медиа заметно перераспределение бюджетов в пользу GenAI (+1–2 п.п.) за счет CV и RecSys (–1 п.п.).
• Технологические тренды 2025: мультимодальные модели; «рассуждающие» LLM (reasoning, chain‑of‑thought); рост роли open‑source и прикладных решений; развитие ИИ‑агентов; оптимизация/квантование для снижения вычислительных затрат и повышения эффективности.

NLP и речевые технологии

• Высокая зрелость и широкое внедрение: 68% компаний используют NLP/речь в клиентском сервисе; узнаваемость среди пользователей — 53%.
• Тренд: часть классических NLP‑задач замещается LLM; растет мультимодальность; развивается эмоционально‑вариативный синтез речи.

Компьютерное зрение (CV)

• Один из лидеров будущего эффекта: экономическая роль связана с автоматизацией контроля/анализа визуальной информации и масштабированием в производственных процессах (качество, безопасность, операции).
• Прогноз эффекта к 2030: 1,2–2,3 трлн ₽/год.

Рекомендательные системы (RecSys)

• Зрелая технология: 62% компаний и 80% вендоров считают, что основная часть потенциала RecSys уже реализована (еще 24% и 20% — полностью).
• Прогноз эффекта к 2030: 0,8–1,4 трлн ₽/год; фокус смещается на качество, прозрачность и связку с LLM (объяснимые рекомендации).

Экономический эффект и перспективы

• Прогноз суммарного годового эффекта ИИ для экономики РФ к 2030: 7,9–12,8 трлн ₽/год (до 5,5% прогнозного ВВП). Подчеркивается создание новой стоимости (не только экономия затрат): новые продукты, рост выручки, трансформация бизнес‑моделей.
• Распределение эффекта по технологиям (2030, трлн ₽/год): GenAI 1,6–2,7; CV 1,2–2,3; NLP/речь 0,9–1,6; RecSys 0,8–1,4.
• В продвинутых digital‑отраслях (e‑commerce, ИТ, телеком/медиа) вклад ИИ достигает 8% EBITDA; на горизонте 12 месяцев ожидается 13–21% эффекта на EBITDA при среднем по рынку уровне 11%.

Выводы и рекомендации

Для бизнеса

1. Переходить от разрозненных пилотов к платформенному подходу: корпоративная GenAI/LLM‑платформа + данные + MLOps/LLMOps.
2. Выбирать 2–5 приоритетных кейсов с измеримым эффектом (выручка, маржинальность, скорость вывода продукта), закреплять метрики и владельцев.
3. Комбинировать проприетарные и open‑source модели; инвестировать в качество/безопасность (конфиденциальность, контроль галлюцинаций, аудит).
4. Готовить организацию: обучение, изменение процессов, управление рисками и ответственное использование.

Для государства и экосистемы

• Поддерживать доступ к вычислениям и данным, развивать стандарты качества и безопасности ИИ‑сервисов.
• Ускорять принятие через массовые «понятные» сервисы и демонстрационные кейсы, повышающие доверие пользователей.