GPT — тенденция 2026 года

Первое использование ИИ всегда более или менее одинаково — это взять и написать свой первый промпт. На корпоративном уровне все в целом происходит так же. Сотрудники, движимые желанием быстро выполнить трудоемкую задачу, составить резюме длинной видеоконференции или просто поэкспериментировать, загружают корпоративные данные в ChatGPT, DeepSeek или YandexGPT или другую нейросеть.

Наличие регламентов, не позволяющих использовать корпоративные данные в общественных сетях, не гарантирует на 100%, что никто из сотрудников такого делать не будет. Закрытие возможности переходить на популярные ИИ-ресурсы тоже не является адекватной мерой. Следуя известному выражению: «Если безобразие нельзя предотвратить, то его нужно возглавить», компании идут по пути развертывания корпоративных GPT-сервисов в формате интранет-порталов, где есть набор агентов или ботов для генерации текста и изображений, расшифровки аудио, сравнения версий договорных документов и т.п. Развернуть их можно и на проприетарных решениях (Just AI, Corp GPT), и на open source-продуктах (Open Web UI, например). 

Еще недавно корпоративный разговор про ИИ сводился к тому, кто что пробовал «в браузере». Публичные сервисы позволяли быстро почувствовать эффект: модель пишет тексты, резюмирует длинные документы, подсказывает идеи. На этом этапе бизнес получал идеи, но редко менял процессы: ИИ был личным помощником сотрудника, а не частью архитектуры компании.

Сейчас многие вендоры встраивают большие языковые модели «под капот» конкретных бизнес-решений — CRM-, ITSM-, BPM-платформ, систем для управления корпоративным документооборотом, электронными архивами. Ядром продолжает оставаться функционал данных решений, но при этом добавляется ИИ-функционал, который умеет классифицировать обращения и документы, переводить короткие формулировки в развернутые письма, переупорядочивать и классифицировать сделки в CRM, находить нужное в массиве почти одинаковых формулировок, выполнять нечеткий поиск по внутренним архивам.

Резюмирование длинных отчетов, переписок и карточек проектов становится стандартной функцией, а не отдельно стоящей нейросетью. Пользователь видит только новую кнопку «Сжать», «Объяснить проще» или «Сформировать ответ», но за этой кнопкой работает ИИ-модель, которой нужны доступ к данным, вычислительные ресурсы и поддержка.

В вендорских продуктах расширяется не только список функций в меню. Под ними появляется связка: бизнес-логика, классический движок процессов и большая языковая модель. Чтобы эта связка работала в промышленном режиме, ей нужны локальная нейросеть, развернутая на серверах с GPU, продуманный сайзинг и регулярное обслуживание. ИИ перестает быть внешним сервисом «где-то в облаке», он становится таким же компонентом инфраструктуры, как СУБД или шина данных.

Внутренний GPT: собственные порталы и копилот-сервисы

Особый интерес к ИИ сегодня проявляют крупные и средние компании, для которых вопросы информационной безопасности не абстракция, а единственно правильная возможность использования ИИ. Они разворачивают большие языковые модели и порталы с копилотами и другими ИИ-агентами внутри периметра. На рынке уже появилось заметное количество таких решений.

По сути это компактные микроплатформы, созданные и крупными вендорами, и нишевыми командами, и стартапами. В основе — несколько языковых моделей, развернутых на собственном оборудовании. Модели могут быть полноразмерными или квотированными. К ним можно обращаться по API из внутренних систем: для бизнеса это означает, что CRM, портал самообслуживания или система документооборота работают с ИИ, не выводя данные за периметр.

Дальше поверх базовой модели добавляются прикладные сервисы. Для юристов это копилот, который сравнивает версии договоров, подсвечивает отличия и формулирует резюме рисков. Для отдела продаж — бот, анализирующий аудиозаписи звонков: насколько понятно менеджер объясняет продукт, не переходит ли разговор в конфликт, как эмоционально реагирует клиент. Для маркетинга и внутренних коммуникаций — генерация изображений: пусть эти картинки уступают продуктам лучших публичных сервисов по художественности, но для корпоративных презентаций, инструкций и новостных заметок их качества достаточно, а данные при этом не покидают контур.

Этот тренд уже сформировал устойчивый поток пилотных проектов. Заказчики используют ИИ-сервисы в рабочих задачах, смотрят, как ведет себя модель на их данных и при их нагрузках, измеряют эффект. И очень быстро разговор переходит в плоскость необходимой инфраструктуры, программно-аппаратных комплексов, сбалансированных для необходимой и достаточной производительности с учетом последующего масштабирования.

Как только ИИ перестает быть внешним веб-сервисом, возникает прозаический вопрос: на чем он будет работать?

Ключевая задача — это оценка оборудования для инференса, когда ИИ-модель отвечает на запросы пользователей и сервисов. Самая распространенная нагрузка — чат-боты, ассистенты, классификаторы, резюмирование. Но у некоторых компаний появляются и более «тяжелые» задачи: дообучение модели под отраслевую терминологию, специфические данные, собственный стиль документов. Кто-то идет по пути тонкой настройки (fine tuning), кто-то по пути генерации с дополненной выборкой (RAG). 

Отдельный фактор — цикличность нагрузки. Банки, ритейл, e-commerce живут в логике пиков. Новый год и крупные маркетинговые кампании в несколько раз увеличивают поток запросов к чат-ботам, рекомендательным системам, «умным» рассылкам, сервисам персональных предложений. В такие периоды требования к производительности, отказоустойчивости и масштабируемости резко возрастают: число одновременных обращений увеличивается, запросы становятся сложнее, время ожидания ответа критичнее.

Отсюда появляются вопросы: какое оборудование закупать под текущую нагрузку и какой запас закладывать на вырост, как его масштабировать для коротких пиков, кто и на каких условиях предоставит дополнительные ресурсы, как потом «откатиться» к базовой конфигурации, чтобы сбалансировать общую стоимость владения ИИ-решения. Такого рода моделирование нагрузки заставляет компании учиться управлять GPU-инфраструктурой так же системно, как когда-то пришлось научиться управлять серверными мощностями и хранилищами.

Параллельно с ростом числа ИИ-сервисов внутри периметра растут количество и сложность вопросов к информационной безопасности. Чем лучше бизнес узнаёт большие языковые модели и чем активнее разворачивает среду для работы с ними, тем более предметно обсуждает сценарии утечек.

Опасения связаны не только с внешними угрозами. Все чаще разговор заходит о внутренних рисках: инсайдерах с неблаговидными мотивами, которые, получив доступ к ИИ-сервису, могут использовать его как удобный инструмент сбора и «упаковки» чувствительной информации. Если ассистент видит сразу несколько систем и умеет агрегировать данные, он становится точкой концентрации рисков.

По мере накопления опыта компании приходят к необходимости переосмыслить архитектуру доступа. Для разных ролей нужны разные уровни видимости данных, часть информации должна поступать в модель только в обезличенном виде, критичные действия — проходить через понятный и аудируемый цикл подтверждений. ИБ-составляющая внедрения ИИ перестает быть «довеском» к пилотному проекту и превращается в один из ключевых треков плана развития.

Запрос на использование искусственного интеллекта звучит сегодня от компаний практически всех масштабов, но содержательно эти запросы заметно различаются.

Крупные предприятия делают ставку на максимальный контроль. Они разворачивают ИИ-модели, копилоты и ИИ-агенты внутри периметра, выстраивают собственные микроплатформы, тщательно прорабатывают вопросы сайзинга и регламенты безопасности. Для них ИИ-конвейер становится частью сложной внутренней ИТ-архитектуры, а не внешней услугой.

Средний бизнес может действовать более гибко. Он может сочетать внутренние решения с внешними сервисами, использовать облачные API для части сценариев, требовательнее относиться к стоимости владения. Главное для него не построить «идеальную» платформу, а получить работающие сценарии для бизнеса: умный поиск по базе документов, автоматическую обработку заявок, первичную квалификацию лидов.

Особая история — малый бизнес и предпринимательская среда. На региональных мероприятиях, посвященных поддержке предпринимательства и популяризации ИИ, хорошо видно: интерес к технологиям высок, но доступ к качественной информации и «насмотренность» куда ниже, чем у корпораций. У таких компаний нет ресурсов, чтобы годами строить платформу. Они хотят сервис, который работает «из коробки»: зашел — подключил — начал использовать.

Отсюда логика «магазина агентов». Предпринимателю не нужна большая модель как таковая, ему нужен понятный результат: агент, который резюмирует переписки и отчеты; агент, помогающий оценивать и корректировать работу продавцов; агент, запускающий контент-фабрику для социальных сетей, предлагающий тексты и изображения для конкретной аудитории. Максимум автоматизации и минимум собственного времени — вот ключевой запрос малого бизнеса.

Есть еще один слой, без которого разговор об ИИ легко застревает в статусе бесконечного пилота, — обучение и насмотренность.

По степени зрелости работы с ИИ корпоративных заказчиков можно условно разделить на три группы. В авангарде — банки и крупный хайтек: они давно реализуют проекты машинного обучения и технологические сценарии, связанные с искусственным интеллектом, и сегодня обсуждают уже не «нужен ли ИИ», а «как оптимизировать портфель инициатив».

Чуть позади — те, кто делают первые пилоты, выбирают продуктовые решения, тестируют разные большие языковые модели для конкретных задач. У них уже есть опыт общения с ИИ, но еще нет цельного видения, как его встроить в стратегию.

Самая многочисленная группа — предприятия, которые понимают, что ИИ «где-то рядом», но не понимают, как именно применить его к себе. Для них ключевой запрос к учебным центрам и партнерам звучит так: «Покажите, что вообще возможно, и помогите примерить это на наш контур».

Характерный пример — корпоративные программы обучения и стратегические сессии по использованию искусственного интеллекта, подстроенные под индустриальную и функциональную специфику заказчиков. На таких курсах разбираются открытые индустриальные кейсы, показывается, где уже используются модели, а затем вместе с участниками сессии ищутся сценарии, релевантные задачам конкретного предприятия. Разговор идет не про «магический ИИ», а про очень прикладные вещи: какие данные есть, каков текущий уровень ИИ-готовности, какие узкие места в процессах, где эксперты видят наибольший потенциал.

Показательно, что к обучению по ИИ приходят не только отраслевые технологические блоки, но и внутренние ИТ-подразделения. Даже у зрелых игроков, много лет работающих с машинным обучением в производстве, нередко именно корпоративный ИТ-отдел остается «сапожником без сапог»: сервис-деск, мониторинг ИТ-оборудования, информационная безопасность, подготовка технических заданий часто работают в старой парадигме. Погружение этих функций в ИИ позволяет выровнять уровень развития внутри одной компании и снять то самое «цифровое неравенство» между производственными подразделениями и офисом.

В итоге внедрение ИИ почти всегда начинается с простого шага: кто-то должен прийти, показать реальные сценарии и дать возможность попробовать. Как в программировании все начинается с Hello, world, так и здесь первое серьезное впечатление возникает, когда руководитель или специалист формулирует свой запрос модели и получает ответ, который сложно списать на случайность. С этого момента вопрос «Нужно ли нам это?» постепенно сменяется вопросом «Как ИИ способен повысить эффективность наших процессов?»

За последние два года искусственный интеллект прошел путь от игрушки в отдельной вкладке браузера до невидимого слоя в корпоративных системах. Модели встраиваются «под капот» CRM- и BPM-систем, переезжают внутрь периметра, заставляют серьезно заниматься сайзингом, безопасностью и обучением. На этом фоне становится очевидно: конкурировать в ближайшие годы будут не только модели и «железо».

Реальным отличием станет способность компании превратить ИИ в рабочую инфраструктуру управления. Целевой горизонт обозначен — компании, где каждый процесс автоматизации предполагается по максимуму реализовать с помощью ИИ. Какие задачи действительно стоит отдавать моделям, а где необходим человек — ключевой вопрос на данный момент. Недавнее исследование Стэнфорда отвечает на него через матрицу, в которой один из параметров — готовность бизнеса отдать задачу ИИ, а другой — наличие адекватной ИИ-технологии, способной решить эту задачу. Исследование вводит классификацию процессов в соответствии со шкалой человеческого участия (Human Agency Scale).

Наряду с пониманием приоритетности автоматизации процессов корпоративные заказчики должны научиться планировать ресурсы под использование ИИ-сервисов: как для стандартной нагрузки, так и для пиковой. Выстроить архитектуру доступа так, чтобы защищать данные не только от внешних угроз, но и от инсайдеров. Обеспечить «насмотренность» и обучение тех подразделений, которым ИИ пока кажется чужой темой.

В какой-то момент внедрение искусственного интеллекта перестанет быть отдельным проектом. Для зрелых компаний он войдет составной частью в проекты повышения эффективности процессов, построения оптимальной архитектуры и развития компетенций. ИИ станет новой управленческой грамотностью: чем раньше бизнес начнет относиться к нему именно так, а не как к модному эксперименту, тем больше у него шансов не застрять в бесконечной стадии пилотов.

Заметили неточность или опечатку в тексте? Выделите её мышкой и нажмите: Ctrl + Enter. Спасибо!