Результаты исследования, проведенного авторами в 2026 году в целях изучения динамики внедрения искусственного интеллекта в приоритетные отрасли российской экономики, позволяют сделать вывод, что ИИ в России вошел в стадию проверки на отраслевую состоятельность. На этом этапе уже недостаточно демонстрировать, что модели ИИ могут классифицировать изображения, прогнозировать события или извлекать смысл из текста. Ключевой вопрос в настоящее время иной: способны ли организации российской экономики встроить ИИ-инструменты в реальные процессы так, чтобы они работали не только в презентациях и докладах, но и в повседневной операционной деятельности? Проблема в том, что публичная и нормативная зрелость темы ИИ заметно опережает зрелость данных, регламентов, ответственности, профессиональной подготовки и компетенций специалистов в области ИИ.
В приоритетных отраслях идея прикладного искусственного интеллекта проходит наиболее строгую проверку. Ошибки применения ИИ здесь имеют слишком высокую цену. Эти отрасли задают не технологическую моду, а критерии прикладной состоятельности ИИ, предполагают его промышленное или коммерческое внедрение, проверку в условиях операционной деятельности и возможность тиражирования. Предметом анализа здесь становится не цифровой продукт как таковой, а способность ИИ-инструмента выдержать столкновение с реальными производственными процессами.
Этот факт принципиален для постановки исследовательских вопросов. Пока ИИ обсуждается как совокупность технологических классов — компьютерное зрение, прогнозная аналитика, обработка текста, поддержка решений, — разговор остается на уровне инструментов. Но в отраслевой среде ИИ-инструмент сам по себе мало что объясняет. Один и тот же алгоритмический класс в разных средах означает разное. Например, компьютерное зрение в медицине — это второе мнение при диагностике; в промышленности — контроль дефекта; в транспорте — обнаружение инцидента; в строительстве — фиксация отклонения или нарушения безопасности. Поэтому вопрос о зрелости должен ставиться иначе: не какие технологии применяются, а каким образом результат модели становится частью профессионального действия и кто несет ответственность?
Данные проведенного нами исследования подтверждают, что российская экономика находится в промежуточной фазе внедрения ИИ. Интегральное значение индекса готовности приоритетных отраслей российской экономики к использованию ИИ составило 3,5 балла из 10. Это показатель следует понимать не как оценку технологической отсталости отраслей, а как индикатор незавершенности перехода от отдельных внедрений к устойчивой операционной модели использования ИИ. В рамках исследования учитывалось не только наличие ИИ-решений, пилотных проектов и регламентов применения, но и состояние данных, кадровая обеспеченность, управленческая готовность и возможность тиражирования решений. Именно поэтому сравнительно высокая активность в отдельных технологических сценариях не всегда приводит к высокой интегральной готовности отрасли. Этот означает, что пилоты, сервисы и локальные внедрения уже есть, но инфраструктура их устойчивого воспроизводства еще не сложилась. Более того, во многих секторах стратегические документы и государственная политика оцениваются выше, чем данные, кадры и фактическая способность организаций работать с ИИ в регулярном режиме. Такова структурная особенность современного этапа цифровой трансформации.
Отчетливо это видно в пяти отраслях — здравоохранении, агропромышленном комплексе, транспорте, обрабатывающей промышленности и строительстве. Их объединяет высокий ожидаемый эффект от внедрения ИИ и одновременно высокий уровень ограничений. Но сами ограничения различны. Именно поэтому ошибочно говорить о «едином рынке отраслевого ИИ» как о чем-то внутренне однородном. На практике речь идет о разных режимах внедрения, разной цене ошибки и разных требованиях к данным, доказательности и профессиональному контролю.
Здравоохранение, например, является одним из самых показательных примеров несовпадения готовности и операционной зрелости. По интегральному индексу отрасль выглядит сравнительно сильной: нормативно-правовая база развита, практики применения существуют. Но доля организаций, использующих ИИ, здесь ниже, чем в ряде других рассматриваемых отраслей, а полная обеспеченность данными остается низкой. Это различие показывает, что медицина не «отстает» в технологическом смысле; она просто не может позволить себе ту же логику внедрения, что коммерческие или менее чувствительные сферы. Здесь ошибка не является допустимой издержкой быстрого масштабирования. Поэтому наиболее зрелым направлением медицинского ИИ закономерно стал анализ изображений. Изображение стандартизируемо, результат поддается клиническому сопоставлению, а качество модели можно проверять в понятной диагностической рамке. Но уже переход к обработке электронных медицинских карт, лабораторных данных и клинической динамики существенно меняет задачу.
Важно отметить, что дело не только в объеме информации, но и в ее неоднородности, контекстной зависимости, неполноте и сложности переноса модели между организациями и регионами. Следовательно, главный предел медицинского ИИ сегодня лежит не в вычислительной мощности и не в дефиците стартапов, а в качестве клинических данных и в том, насколько медицинская организация умеет превращать цифровую рекомендацию в юридически и профессионально корректное действие.
АПК дает почти противоположную картину. Здесь эффект внедрения ИИ проще увидеть. Урожайность, расход удобрений, потери, качество продукции, логистика — все это позволяет быстрее связать технологию с экономическим результатом. Поэтому аграрный сектор нередко выглядит более «благодарной» средой для внедрения. Практическая измеримость эффекта не отменяет того факта, что аграрные модели «живут» в среде сезонности, погоды, биологической изменчивости и неоднородной цифровой инфраструктуры хозяйств. Результат одного сезона не гарантирует воспроизводимости в следующем. Решение, работающее в крупном агрохолдинге, не обязательно переносимо в среднее хозяйство с иной техникой и иной дисциплиной учета. В этом смысле АПК показывает не легкость внедрения ИИ, а зависимость его эффективности от уже пройденной базовой цифровизации.
Транспортная отрасль демонстрирует другой тип ограничения. Здесь ИИ органично востребован: видеоаналитика, прогнозирование задержек, управление потоками, предиктивное обслуживание инфраструктуры, анализ телеметрии, мониторинг операторов. Но именно здесь особенно опасна иллюзия, что наличие больших данных автоматически означает готовность к интеллектуализации. Транспорт действительно генерирует массивы информации, но эти данные распределены между разными системами и владельцами, имеют разный режим доступа и разную пригодность для непрерывного машинного анализа. Более того, в транспортной среде рекомендация системы почти всегда связана с риском ложного сигнала или пропуска критического события. Это меняет требования к специалисту: ему недостаточно «получить прогноз», он должен понимать вероятностную природу прогноза, цену ошибки и логику действия в ситуации расхождения между алгоритмом и операционной картиной. Поэтому транспорт — это не просто отрасль с высоким потенциалом ИИ, а отрасль, где особенно быстро обнаруживается дефицит кадров, способных безопасно сопровождать технологию.
Обрабатывающая промышленность представляет собой одну из наиболее перспективных, но вместе с тем наиболее чувствительных к управленческим просчетам областей применения ИИ. На уровне презентаций здесь все выглядит убедительно: дефектоскопия, предиктивное обслуживание, оптимизация режимов, цифровые двойники, аналитика качества. На уровне реального предприятия картина сложнее. Разнородный парк оборудования, фрагментарные датчики, коммерчески чувствительные производственные данные — все это превращает внедрение ИИ в задачу не выбора модели, а перестройки производственного контура данных. Отсюда следует вывод: на ряде предприятий ИИ внедрять рано не потому, что «отрасль консервативна», а потому, что сам объект внедрения еще не приведен в состояние цифровой наблюдаемости. В такой ситуации ИИ превращается в дорогую надстройку над недостаточно описанным процессом.
Строительная отрасль позволяет увидеть еще один важный аспект внедрения искусственного интеллекта. Она насыщена документами, сметной информацией, цифровыми моделями, материалами фотофиксации и процедурами контроля, поэтому потенциал применения алгоритмических решений здесь действительно значителен. Вместе с тем специфика строительства связана с проектным характером деятельности и участием большого числа субъектов, из-за чего данные нередко оказываются распределенными между разными стадиями жизненного цикла объекта и различными участниками проекта. В таких условиях устойчивое применение ИИ в наибольшей степени зависит от того, насколько удается выстроить связный контур данных — от этапа проектирования до эксплуатации. По этой причине наиболее существенный эффект ИИ в строительстве связан не столько с автоматизацией отдельных проверок, сколько с более ранним выявлением расхождений и снижением вероятности несогласованностей, а также отклонений по срокам и стоимости.
В этой связи важно различать факт внедрения ИИ-решения и его устойчивое использование. Наличие закупленного или разработанного инструмента еще не означает, что ИИ стал частью профессионального процесса. Внедрение начинается только тогда, когда результат работы модели влияет на действие специалиста, включен в регламент, имеет понятные критерии доверия и сопровождается процедурой ответственности.
Без этого ИИ остается внешним цифровым сервисом, а не элементом отраслевой деятельности.
Сопоставление этих отраслей в контексте внедрения ИИ позволяет сделать вывод, что основная проблема внедрения ИИ в приоритетных отраслях — не дефицит технологий, а разрыв между технологической демонстрацией и организационной эксплуатацией. Пилотный проект может быть успешным на подготовленных данных при вовлеченной и квалифицированной команде. Но промышленное применение требует иного: владельца процесса, владельца данных, регламента использования результата, критериев остановки, процедур обновления модели, оценки эффекта и подготовки пользователей. В ином случае проект не масштабируется не из-за недостаточного развития самой модели, а потому, что модель полностью не совмещается с реальной организацией.
Именно здесь вопрос компетенций становится ядром технологической повестки. Распространенное представление, согласно которому для внедрения ИИ нужны главным образом дата-сайентисты и разработчики, слишком узко и стратегически неверно для отраслей. Разработчик важен, но не он, а отраслевой специалист определяет профессиональную состоятельность результата. Врач понимает, что именно меняет клиническую тактику, агроном — какие данные противоречат состоянию поля, инженер-технолог — где статистическая корреляция физически бессмысленна, диспетчер — какое предупреждение требует немедленного вмешательства, руководитель строительного проекта — какое отклонение реально угрожает сроку ввода. Следовательно, наиболее дефицитный тип компетенций — не программирование как таковое, а способность соединять предметную задачу, данные, алгоритмические ограничения и ответственность за действие.
В приоритетных отраслях российской экономики нужен не «цифровой пользователь» в широком смысле, а профессионал, способный выступать переводчиком между процессом и моделью. Он не обязан разрабатывать алгоритм, но должен понимать, какие данные легли в основу вывода, где заканчивается область применимости системы, каков риск ложного сигнала и как документировать собственное решение. Без этого организация остается зависимой от внешнего поставщика, что делает масштабирование хрупким. Внешний разработчик может дать работающую модель, но не может за организацию выстроить медицинский, производственный, транспортный или строительный регламент. Поэтому в организациях, внедряющих ИИ, должен появиться отраслевой владелец ИИ-сценария как отдельная должность или как закрепленная функция. Такой специалист отвечает за постановку предметной задачи, интерпретацию результата модели, определение допустимых границ автоматизации, взаимодействие с разработчиками и оценку влияния решения на процесс. Без этой роли ИИ-проект остается всего лишь технологическим экспериментом и сохраняет чрезмерную зависимость от внешнего поставщика.
Необходимы программы, построенные вокруг типовых профессиональных ситуаций и реальных наборов данных: диагностический вывод в медицине, сигнал о дефекте на линии, прогноз заболеваемости, коллизия в проектной модели и др. В противном случае обучение дает знакомство с терминами, но не меняет практику. ИИ — это изменение процесса, а не покупка сервиса. Поэтому обучение необходимо не только для специалистов-исполнителей, но и для руководителей.
В качестве признаков промышленного внедрения ИИ в отраслевой организации можно выделить несколько условий:
• наличие владельца процесса и владельца данных;
• регулярное обновление и контроль качества данных;
• закрепленный порядок использования результата модели;
• понятные сценарии действий при ошибке или неопределенности;
• измеримая связь между работой ИИ и изменением производственного, клинического, транспортного, аграрного или строительного процесса.
Если эти условия не выполнены, проект следует рассматривать как пилотный или экспериментальный, даже если сама модель демонстрирует высокие технические характеристики.
Проекты ИИ слишком часто оцениваются по точности модели, а не по изменению процесса. Между тем в отраслевой среде точность — лишь промежуточная характеристика: важно не только то, насколько хорошо система распознает, прогнозирует или классифицирует, но и то, меняет ли она клиническую маршрутизацию, сокращает ли простой, снижает ли перерасход ресурсов, уменьшает ли количество ошибок, повышает ли безопасность и т. д. Отсюда следует простой, но часто игнорируемый принцип: если эффект не может быть выражен на уровне процесса, организация не внедряет ИИ, а финансирует технологическое впечатление.
ИИ в приоритетных отраслях российской экономики следует рассматривать не как самостоятельную технологическую переменную, а как проверку зрелости организации и отрасли. Там, где есть качественные данные, профессиональный контроль, регламент действия, понятная ответственность и подготовленный пользователь, ИИ становится рабочим инструментом. Там, где эти условия отсутствуют, даже сильная модель остается демонстрационным решением. Поэтому главный резерв роста связан не только с развитием алгоритмов, но прежде всего с соединением трех контуров: отраслевой задачи, качественных данных и профессиональной компетентности.