Статья по итогам вебинара Директор по ИИ-технологиям: как меняется роль. Спикер — Николай Тржаскал, директор по развитию технологий ИИ FabricaONE.AI.

23 июня 2026 г. состоялся вебинар, который собрал руководителей из самых разных отраслей — промышленности, финтеха, медицины, строительства, электрооборудования и госсектора. Несмотря на разнородность аудитории, всех объединял один вопрос: как превратить искусственный интеллект из набора экспериментов в реальный экономический результат. Ведущим выступил Николай Тржаскал, директор по развитию технологий ИИ FabricaONE.AI, за плечами которого более 25 лет в ИТ, руководство Центром ИИ МТС и работа над продуктами корпоративного и государственного масштаба.

Полтора часа разговора получились подчёркнуто прагматичными и антихайповыми. Главный тезис, вокруг которого выстроилось всё выступление, звучит так: искусственный интеллект окончательно вышел из стадии хайпа и стал самостоятельным операционным слоем бизнеса — со своей экономикой, метриками, рисками и методами управления. А значит, управлять им прежними ролями и прежними подходами больше нельзя. Ниже — содержательная выжимка ключевых идей семинара.

ИИ — это уже не инструмент, а операционный слой

Ещё недавно ИИ воспринимали как «песочницу»: отдельные эксперименты, пилоты, красивые демонстрации. В 2026 году ситуация изменилась принципиально. От ИИ-проектов теперь ждут возврата инвестиций — снижения затрат или роста выручки. Как сформулировал спикер, «ИИ окончательно вышел из стадии хайпа. Теперь мы считаем деньги».

Это означает, что ИИ перестал быть «ещё одной технологией» и превратился в инфраструктурный слой со своими характеристиками: качеством моделей, задержками, стоимостью инференса — и своими специфическими рисками: дрейфом модели, утечками данных, вопросами комплаенса. Экономика результата при этом предельно проста: «или тратим меньше, или зарабатываем больше — всё остальное красивая картинка».

Ещё одна важная метафора семинара — ИИ как универсальный ускоритель и умножитель. Он усиливает то, что уже работает хорошо, и многократно умножает то, что работает плохо. Направить ИИ на хаотичный, непрозрачный процесс — значит получить «бардак в квадрате». Поэтому управлять операционным слоем точечными пилотами невозможно: нужна системная роль и системный подход.

Почему проваливается большинство ИИ-проектов

Самая отрезвляющая часть семинара — статистика. По данным, которые привёл спикер:

•     около 95% пилотов генеративного ИИ не доходят до промышленной эксплуатации;

•     лишь порядка 20% инициатив масштабируются — остальные 80% остаются точечными «заплатками»;

•     42% компаний сворачивают ИИ-инициативы после стадии proof-of-concept.

Вывод, который из этого следует, контринтуитивен для многих: технологии работают. Провалы происходят не потому, что «ИИ не работает», а из-за управления, культуры и процессов. Это диагноз менеджменту, а не алгоритмам.

Подтверждение тому — обратная сторона статистики: у компаний, которые всё-таки довели внедрение до масштаба, документированный ROI составляет от 171% (медиана) до 540% на трёхлетнем горизонте. То есть ценность реальна и измерима — её просто нужно уметь извлекать.

Культура и процессы — главный барьер

Технологии внедряются быстро. Культура и процессы — медленно, за два-три года. Именно этот разрыв и убивает большинство инициатив. Спикер описал типичную ошибку метафорой «натягивания ужа на ежа»: компания пытается автоматизировать процесс, который сам по себе не выстроен.

Практический совет прозвучал однозначно: выпрямляйте процессы до автоматизации. Прежде чем подключать ИИ, процесс нужно стандартизировать, упростить и сделать наблюдаемым. Роль центра управляемости здесь играет BPMS (система управления бизнес-процессами). Тезис спикера: «Сделать автоматизацию процесса без BPMS — задача, обречённая на провал».

Стек ИИ: слои зрелости и инфраструктура

Один из центральных тезисов семинара — «история про одну модель — это фикция». ИИ неоднороден, и его удобно представлять как набор слоёв зрелости, каждый из которых решает свои задачи, открывает разные бизнес-кейсы и требует собственной инфраструктуры, навыков и политик управления:

•     Классический Machine Learning — превращает данные в решения: прогноз спроса, антифрод, отток клиентов, ценообразование. Работает на стандартных серверах, ближе к привычной ИТ-логике.

•     Генеративный ИИ — создаёт контент и код в масштабе. Здесь возникает ключевая развилка: собственные GPU (on-prem) или облако. С облаком, как отметил спикер, «приходит ещё один слой информационной безопасности».

•     ИИ-агенты и ассистенты — выполняют многошаговые задачи, используют инструменты, удерживают контекст.

•     Агентский слой и оркестрация — координируют сети агентов и целые процессы.

•     Управляющий слой (governance) — политики данных и моделей, правила обучения и верификации, контроль качества и рисков.

Задача лидера по ИИ — «понять, в какую точку стека попадает задача, и осознанно продвинуть её вверх по лестнице эффективности». Отдельно спикер подчеркнул природу любой вероятностной модели: она «фактически живая», постоянно меняется. Отсюда феномен дрейфа модели — когда «во вторник в обед вы включили, и бац — модель как будто подменили». Это требует постоянного мониторинга, верификации и контроля версий.

Гибридный стек и малые модели как геймченджер

Логичное продолжение тезиса о слоях — идея гибридного стека. Реальный корпоративный ИИ — это не одна мегамодель, а оркестр из множества компонентов: LLM и доменно-специфических моделей (DSLM), RPA/ROPA, BPMS, OCR/IDP, векторного поиска и RAG, систем оркестрации и MLOps.

Особую роль спикер отвёл малым и средним моделям (7–30 млрд параметров) и доменно-специфическим языковым моделям. Это «наш геймченджер»: они «бегут на MacBook Pro и на обычной RTX-карте», требуют примерно в десять раз меньше вычислений на инференс, снижают капитальные затраты и ускоряют эксперименты. Узкая специализация даёт меньше галлюцинаций и лучшую интерпретируемость.

Прозвучали и конкретные примеры, в том числе контринтуитивные:

•     Обработка накладных в ритейле: связка OCR → IDP → классификатор → LLM (только для сложных полей) позволила выполнять 90% операций на обычных CPU, автоматизировать 85% процесса и снизить стоимость обработки документа на 60%. Важный нюанс: LLM не всегда экономичны для распознавания — «классический» IDP с NLP эффективнее на больших потоках.

•     Кейс McKinsey (Lilli): ранжирование на ML плюс RAG, а большая языковая модель используется только для финального резюмирования и интерпретации.

Отсюда и роль RAG: сам по себе он не создаёт ценности. «Он ценность, когда питает ваших агентов корпоративным знанием» — теми документами и данными, которые хранятся внутри организации.

Этапы трансформации: ассистенты → агенты → AI First

Спикер выстроил понятную дорожную карту эволюции ИИ в компаниях, опираясь на оценки Microsoft и Deloitte и собственную практику:

•     До 2028 года — этап AI-ассистентов. ИИ работает как «экзоскелет», усиливающий возможности человека. Главный фокус — подготовка данных, культуры и процессов.

•     2028–2030 годы — этап агентов. Делегирование задач ИИ с частичной проверкой человеком. На первый план выходят мультиагентные системы с принципом Human-in-the-Loop.

•     После 2030 года — AI First. Автоматизируются целые функции, а люди становятся стратегами и доменными экспертами.

Что касается практической надёжности агентов сегодня, цифры реалистичны: примерно 40% задач выполняются успешно, около 30% — с ошибками, ещё 30% — провал. Решение — человек в контуре, который верифицирует промежуточные результаты. По мере накопления опыта логику проверок постепенно «оцифровывают» и переносят в оркестратор. Стоимость токенов с переходом к мультиагентности растёт, но качество и управляемость оказываются важнее.

Зачем нужна отдельная роль директора по ИИ (CAIO)

Кульминация семинара — обоснование новой управленческой роли. Во многих компаниях уже есть директор по данным (CDO) и технический директор (CTO). Зачем тогда ещё и директор по ИИ? Потому что это три разные роли с разными зонами ответственности:

•     CDO отвечает на вопрос «что» — данные: их качество, доступность, безопасность. Его ответственность заканчивается там, где данные готовы.

•     CTO отвечает на вопрос «как» — технологии, платформы, архитектура, связность, надёжность, мониторинг.

•     CAIO отвечает на вопросы «зачем» и «где риски» — где ИИ создаёт ценность и как управлять рисками сквозь всю организацию. Он формирует портфель инициатив, приоритизирует их по ROI и рискам, обеспечивает единую политику данных и моделей и интегрирует усилия CDO и CTO.

Принципиальный тезис спикера: «Нельзя сказать CTO: ну всё, ты теперь за ИИ тоже отвечаешь. Это другая роль и другой стек ответственности». ИИ — горизонтальная технология, она касается всех функций сразу, поэтому требует выделенного владельца. Без него «ИИ остаётся хаосом экспериментов».

Сама роль стремительно эволюционирует — от технолога к стратегу. Если раньше технологический лидер «держал свет включённым» и обеспечивал инфраструктуру, то теперь он владеет ИИ-портфелем, отвечает за бизнес-ценность, ROI и риски. Бизнесу это даёт три ощутимых результата: эффективность (быстрее решения, меньше ручной обработки), капитализацию (быстрый вывод ИИ-продуктов и новые источники выручки) и управляемость (единая политика данных и моделей, меньше рисков утечек и несоответствий).

Российский ландшафт ИИ

Отдельный блок был посвящён российской специфике. Объём отечественного рынка генеративного ИИ оценивается примерно в 58 млрд рублей по итогам 2025 года — это менее 1% мирового. Рынок ИИ в целом растёт примерно на 25% в год, а прогноз до 2030 года — порядка 778 млрд рублей, то есть кратный рост.

На рынке сложилась собственная экосистема игроков и платформ: Сбер (GigaChat), Яндекс (YandexGPT), Т-Банк со своим Центром ИИ, МТС, VK. Развиваются доменные модели и «фабрики» отраслевых решений. Важная мысль спикера про суверенность: сама модель — это универсальная математика, а суверенность создаётся реализацией слоёв, контурами управления и источниками данных. Перспективное направление — национальный сервис госданных, который даёт небольшим командам шанс строить собственные доменные модели.

Дефицит топовых GPU спикер назвал не столько проблемой, сколько дополнительным аргументом в пользу малых моделей и гибридных архитектур — то есть того самого подхода, который обсуждался на протяжении всего семинара.

Регуляторика: готовиться надо уже сейчас

Растущее регулирование — ещё одна зона ответственности будущего ИИ-лидера. В марте 2026 года Минцифры опубликовало проект закона об основах государственного регулирования применения ИИ-технологий. Ключевые положения, на которые обратил внимание спикер: обязательная маркировка ИИ-контента (как человекочитаемая, так и машиночитаемая), ответственность разработчиков за вред и противоправный контент, выделение категории суверенных и национальных моделей с господдержкой, требования к платформам.

Старт ключевых требований запланирован на 1 сентября 2027 года. При этом многое пока не определено — например, что именно считать ИИ-контентом; детали будут уточняться в подзаконных актах. Рекомендация для регулируемых отраслей однозначна: процессы маркировки, аудита и комплаенса нужно готовить заблаговременно. Комплаенс перестаёт быть опциональным.

Что делать прямо сейчас

Семинар завершился набором практических рекомендаций, которые можно начать внедрять сразу:

1.   Считайте экономику каждого ИИ-проекта. Формулируйте конкретный ROI: тратим меньше или зарабатываем больше. Пилот без бизнес-кейса и дорожной карты масштабирования обречён.

2.   Введите слой AI governance на уровне компании. Утвердите политики данных и моделей, правила обучения, настройки и верификации, мониторинг дрейфа, контроль версий и логирование. Без этого слоя масштабирование невозможно.

3.   Назначьте директора по ИИ как отдельную роль — не «по совместительству» с CTO или CIO.

4.   Собирайте гибридный стек, а не ставьте одну модель. Инвентаризируйте процессы и ИТ-ландшафт; добавьте RPA/ROPA, BPMS, OCR/IDP, RAG и оркестрацию; используйте DSLM и малые модели.

5.   Чистите процессы до автоматизации — стандартизируйте, упрощайте и делайте их наблюдаемыми через BPMS.

6.   Внедряйте агентов с обязательным Human-in-the-Loop и переносите проверочные правила в оркестратор по мере зрелости.

7.   Планируйте масштабирование ещё на стадии пилота — закладывайте в PoC требования продакшена: SLA, безопасность, стоимость инференса, интеграции.

Если же выделить один первый шаг, спикер сформулировал его так: назначьте лидера по ИИ и одновременно утвердите базовый пакет governance — правила данных и моделей. Без этого не масштабируется ничего.

Вебинар стал вводным разговором к более глубокой работе. Темы, которые удалось лишь обозначить за полтора часа, подробно разбираются на программе Директор по ИИ: от стратегии к практике — это Executive Mini-MBA продолжительностью шесть недель.

Программа охватывает полный цикл роли CAIO и состоит из шести модулей: контекст ИИ в бизнесе; архитектура корпоративных ИИ-платформ; управление данными, инфраструктурой и эксплуатацией; ответственный ИИ (нормативка, этика, надёжность); управление развитием и внедрением ИИ-проектов; управление командой и ИИ-культурой. Среди экспертов — Николай Тржаскал, Дмитрий Дмитриев, Павел Саловский и Анна Абрамова (МГИМО, Комиссия ООН по этике ИИ).

Как отмечают выпускники, главная ценность программы — не только в материале, но и в участниках: это нетворкинг руководителей, практическая работа над собственным проектом и инструменты для диалога с топ-менеджментом и командой.

Если вы хотите превратить ИИ из «хаоса экспериментов» в воспроизводимую фабрику ценности и возглавить ИИ-трансформацию своей компании — успейте подать заявку на новый поток!