← Медиа

Кейсы внедрения LLM в российских компаниях с цифрами. 23 публичных примера 2024-2026 годов и четыре вопроса к цифре из любого кейса

Какие задачи российские компании уже отдали большим языковым моделям (LLM) и что из этого получили, проще всего узнать по публичным кейсам. Мы собрали 23 таких кейса 2024-2026 годов, в которых опубликован результат в числах, и в ноябре 2026 года сверили каждое число со страницей, где оно опубликовано.

Обычно подрядчик или коллега приносит кейс с цифрой на совещание как довод, что у другой компании LLM сэкономила часы или деньги и, значит, сэкономит их и у компании, которая этот кейс читает. По кейсам хорошо видно, в каких задачах LLM уже работает. А вот перенести цифру из кейса на свою компанию по ним нельзя, и сводка ниже показывает почему.

Сводка по 23 кейсам из таблиц ниже. Контрольной группы и затрат на внедрение нет ни в одном, число случаев названо только в одном.
Сводка по 23 кейсам из таблиц ниже. Контрольной группы и затрат на внедрение нет ни в одном, число случаев названо только в одном.

Поэтому, на наш взгляд, публичный кейс стоит читать как карту задач, о которых компании охотно рассказывают, а эффект для своей компании считать на своём пилоте. Ниже по порядку цифры исследования СберПро и TAdviser, с которого мы начали, кейсы по отраслям, четыре признака, по которым цифре можно доверять, наши собственные кейсы и вопросы к подрядчику.

С чего мы начали подборку кейсов LLM и какие цифры исследования СберПро и TAdviser нашлись в первоисточниках

Подборку мы начали с исследования СберПро (медиа Сбера) и аналитического центра TAdviser «Генеративный ИИ в России: особенности, проблемы, тренды», вышедшего в конце октября 2026 года. Мы взяли из него восемь кейсов семи компаний с цифрами эффекта языковых моделей. У каждой цифры в исследовании в скобках назван источник, и мы поискали эти цифры в первоисточниках.

Кейс из исследованияЦифраГде мы её нашли
Альфа-Банк, валютный контрольс двух часов до минуты на договор, точность около 80%сообщение банка в ComNews
Совкомбанк, чат-бот для сотрудников310 тыс. часов рабочего времени сотрудников в годтолько на сайте медиа Just AI, поставщика платформы; в пресс-релизе банка этих часов нет
КНАУФ, ассистент для клиентовточность 89% и экономия «до 50% рабочего времени»89% в анонсе вебинара Just AI на Хабре, 50% не нашли
Сбер, весь банкне менее 50 млрд руб. эффекта за 2025 годтолько в пересказе инвестиционного издания Investfuture
ВТБоколо 80% обращений в чате решаются автоматическине нашли
Ростелеком50% обращений в чате обрабатывается автоматическине нашли
СберМобайл6 из 10 обращений без операторане нашли
Альфа-Банк, платформа AlfaGenавтотесты создаются на 70% быстреене нашли, в публикации об автотестах банка на Хабре этого числа нет

Цифры Р-Фарм (генеративная молекулярная модель для поиска лекарств) и цифры Ростелеком Контакт-центра о распознавании и синтезе речи мы не брали, потому что к языковым моделям они не относятся.

Ненайденные цифры при этом могут быть верны. Мы говорим только о том, что в открытых источниках их не нашли. Само исследование о публично заявленном эффекте проектов генеративного ИИ пишет, что он «систематически не подтверждается» и что «при полной оценке стоимости владения эффект оказывается существенно меньше обещанного».

Публичные кейсы LLM по отраслям

В каждой таблице столбец «Сравнение» показывает, что опубликовано (оба значения «было и стало», только изменение или без сравнения), а столбец «Кто опубликовал» показывает, чья это цифра. Оговорки к цифрам стоят под таблицей.

Банки (6 кейсов)

КомпанияЧто делает LLMРезультатСравнениеКто опубликовалИсточник
Альфа-БанкИИ-агент разбирает внешнеторговые договоры для валютного контроля1 минута на договор вместо «до 2 часов», точность 80% при плановых 60%было и сталобанкComNews, 20.02.2026
Альфа-БанкИИ-агенты пишут и проверяют автотесты для ПОна 30% больше найденных ошибоктолько изменениебанкХабр, 03.03.2025
Азиатско-Тихоокеанский банкпять ИИ-агентов на GigaChat Enterprise (база знаний, справки о доходах, кадровые вопросы и другие)эффект более 75 млн руб. за год, время на повторяющиеся задачи меньше в среднем на 70-80%только изменениепоставщик (реклама Сбербанка)«Амурская правда», 20.05.2026
Совкомбанкчат-бот отвечает сотрудникам по базе знанийточность ответов с 72% до 89% за 5 месяцев, экономия 310 тыс. часов рабочего времени в годбыло и сталопоставщик (медиа Just AI)Generation AI, 03.11.2025
ОТП Банкречевая аналитика во взысканииразбор диалога экспертом 20 секунд вместо 7 минут, корректность оценки более 99%, обещаний оплаты больше на 5,5%было и сталопоставщик (Naumen)Naumen, 25.03.2026
СберGigaChat в процессах банкаэффект почти 30 млрд руб. за первое полугодие 2025 годабез сравненияразработчик LLM о себеComNews, 30.07.2025
  • Альфа-Банк, валютный контроль. Агент работает на платформе банка AlfaGen, и что это LLM-платформа, сказано в исследовании СберПро и TAdviser. «До 2 часов» - это верхняя граница, на скольких договорах мерили, не сказано.
  • Альфа-Банк, автотесты. В публикации сказано, что «нейросети создают автотесты», цифру назвал директор банка по генеративному ИИ в ИТ. Это пилот в нескольких продуктовых командах.
  • Азиатско-Тихоокеанский банк. Ещё один агент проверяет документы корпоративных клиентов, другой расшифровывает аудио и видео. Материал с пометкой «Реклама» Сбербанка, разработчик платформы входит в группу Сбер. Исходное время не названо.
  • Совкомбанк. Материал подписан командой банка и вышел на сайте медиа Just AI. Как получены часы, не раскрыто, в пресс-релизе банка их нет. Более 90 тыс. запросов к чат-боту показывают, сколько им пользовались, а на каком наборе считали точность, не сказано.
  • ОТП Банк. Это пересказ выступления сотрудников банка у поставщика. Классическое машинное обучение оценивает все звонки, LLM подключается там, где нужно понимание контекста. Время разбора сократилось «благодаря саммаризации диалога», кто её делает, не сказано, остальные цифры относятся к системе в целом. Корректность оценки посчитана по 7 критериям из 8, с чем её сверяли и за какой срок, не сказано.
  • Сбер. Это итог по всему банку, как считали, не раскрыто. Цифру из исследования, не менее 50 млрд руб. за 2025 год, мы нашли только в пересказе, а почти 30 млрд руб. за полугодие банк называл сам.

Ритейл и электронная торговля (5 кейсов)

КомпанияЧто делает LLMРезультатСравнениеКто опубликовалИсточник
Яндекс МаркетYandexGPT пишет описания товаров для продавцовпродавцы используют 52% описаний, продаж больше на 1,1%, без ошибок 88 текстов из 100 (до дообучения нейросети ошибались в 33-35 из 100)было и сталоразработчик LLM о себеYandex Cloud, 29.08.2024
Лемана ПРО (рассказывает ИТ-компания «Лемана Тех»)LLM пишет описания товаров, финальный текст проверяет сотрудникописание за секунды вместо «до двух недель», бюджет на контент ниже на 95%только изменениекомпания (выступление в пересказе)Retail.ru, 30.04.2025
Лемана ПРОречевая аналитика проверяет этапы продаж в звонках контакт-центраточность оценки выше 90%, соблюдение скриптов с 41 до 94%, заказы по телефону с 12 до 15%было и сталопоставщик (3iTech, реклама)Retail.ru, 03.06.2026
Магнит Omniгенеративный ИИ готовит карточки товаров в приложениивремя сотрудников на подготовку материалов меньше на 10-15%только изменениекомпания (выступление в пересказе)Retail.ru, 30.04.2025
Авитопродукты на генеративном ИИ, запущенные в 2024 году670 млн руб. выручки в годбез сравнениякомпанияSostav, 31.03.2025
  • Яндекс Маркет. За полгода продавцы сгенерировали с помощью YandexGPT более двух миллионов описаний. Как измерен рост продаж, не описано.
  • Лемана ПРО, описания товаров. Время проверки сотрудником в «секунды» не входит, объём и срок не названы.
  • Лемана ПРО, звонки. «Было» мерили вручную на 1,5% звонков, «стало» автоматически на всех. В описании нынешней системы LLM упомянута только во вступлении к интервью. Другие причины роста продаж не отделены.
  • Авито. Какие продукты дали выручку и как её отнесли к ИИ, не сказано.

Телеком (3 кейса)

КомпанияЧто делает LLMРезультатСравнениеКто опубликовалИсточник
МегаФонИИ-ассистент продавцов салонов связипродавцы выходят на план на 15% быстрее, текучесть ниже на 8,5%только изменениекомпанияпресс-релиз на площадке Spark, 22.09.2026
Ростелеком Контакт-центрLLM помогают операторам и проверяют их работуклиенты получают ответ в 7 раз быстрее, производительность операторов выше на 21%только изменениекомпания и поставщик (3iTech)ComNews, 25.03.2025
Билайн«ИИ-инженер» разбирает инциденты на сети связиоколо 15 тыс. запросов за два с небольшим месяца пилота, решение по инциденту в среднем за 3 минутыбез сравнениякомпанияComNews, 20.03.2026
  • МегаФон. Что ассистент работает на LLM, писал ComNews 15.07.2025. С чем сравнивали и за какой срок, не сказано. Результаты оценивало жюри отраслевой премии по заявке компании.
  • Ростелеком Контакт-центр. Это дочерняя компания Ростелекома, цифры относятся к 2024 году и к речевой аналитике вместе с LLM.
  • Билайн. Ускорение взятия инцидента в работу в 2 раза названо прогнозом.

Девелопмент (2 кейса)

КомпанияЧто делает LLMРезультатСравнениеКто опубликовалИсточник
ГК ФСКдва ассистента, один отвечает подрядчикам на сайте, другой помогает сотрудникам отвечать покупателямнагрузка на поддержку и коммерческий департамент ниже на 30-40%, точность «до 90-98%»только изменениепоставщик (red_mad_robot)Workspace, кейс red_mad_robot
ГК «А101»ассистент ищет ответы для сотрудников по Confluence, 1С и рабочим папкамответ в среднем за 20 секунд против более минуты у сотрудников, «достоверность» ответов 92%было и сталопоставщик (red_mad_robot)RUWARD AWARD 2026
  • ГК ФСК. На той же странице точность названа ещё дважды и по-другому (96% и «до 95-100%»). Дата публикации не указана, на скольких ответах проверяли точность, не сказано.
  • ГК «А101». Скорость сравнивали с сотрудниками на внутреннем конкурсе. Метрика «достоверность» показывает, насколько ответ опирается на найденные документы, оценку ставила другая LLM, сколько было эталонных ответов, не сказано.

Промышленность (2 кейса)

КомпанияЧто делает LLMРезультатСравнениеКто опубликовалИсточник
Норникельнесколько ИИ-агентов проектируют промышленные зданиязадания на проектирование готовят на 83% быстрее, проектная команда 5-7 человек вместо 15-25было и сталокомпанияComNews, 15.05.2026
КНАУФ (производство стройматериалов)ассистент отвечает клиентам по продуктам компанииточность ответов до 89%без сравненияпоставщик (Just AI)Хабр, 17.02.2025
  • Норникель. Это пилот, число объектов не названо.
  • КНАУФ. Число взято из анонса вебинара поставщика, как мерили точность, не сказано.

Госсектор (2 кейса)

Компания или ведомствоЧто делает LLMРезультатСравнениеКто опубликовалИсточник
Минфин РоссииИИ-агент на GigaChat помогает оценивать заявки ведомств, решение остаётся за экспертами министерстванагрузка на сотрудников в пиковые периоды ниже «в ряде случаев до 70%»только изменениеведомство (слова министра в пересказе)Хабр, 29.06.2025
РосагролизингLLM-сервис помогает работать с договорами лизинга, номенклатурой техники и субсидиямивремя на работу с документами меньше «до 50%», это прогнозтолько изменениекомпания и разработчикComNews, 24.06.2026
  • Минфин России. «В ряде случаев до 70%» - это верхняя граница отдельных случаев, среднее не названо.
  • Росагролизинг. Других чисел нет, фактический эффект, по словам разработчика, будет уточняться.

Страхование, ремонт техники и автодилер (3 кейса)

КомпанияЧто делает LLMРезультатСравнениеКто опубликовалИсточник
Росгосстрахгенеративный ИИ разбирает все входящие звонкисредняя длительность разговора ниже примерно на 7%только изменениекомпанияCNews, 22.06.2026
Ленремонт (ремонт бытовой техники)LLM разбирает диалоги с клиентами и отмечает отклонения для контроля качества500 найденных проблемных звонков в день вместо 90, нагрузка на отдел ниже в 10 разбыло и сталопоставщик (интегратор Aiston)CNews, 18.12.2025
Frank Auto (автодилер)речевая аналитика на GigaChat оценивает звонки менеджеровэкономия 200 часов в месяц, качество общения с клиентами выше на 20%было и сталопоставщик (СберПро, медиа Сбера)СберПро, июль 2026
  • Росгосстрах. С чем сравнивали и за какой срок, не сказано.
  • Ленремонт. Раньше слушали не больше 5-10% звонков, теперь 99%, поэтому и проблемных звонков находят больше.
  • Frank Auto. Раньше на прослушивание уходило «более 200 часов в месяц», а сэкономленные 200 часов источник называет «около 30% рабочего времени специалистов». Кейс известен только в пересказе.

Проверяемого кейса LLM с числом у логистических компаний мы не нашли, хотя LLM там вполне могут применять. Ещё два кейса, которые часто приводят в обзорах, X5 (оценка компетенций продакт-менеджеров) и Т-Банк (ИИ-сотрудник в клиентском обслуживании), в таблицы не вошли, потому что в их публикациях не сказано ни о языковой модели, ни о генеративном ИИ.

Какие результаты LLM называют в публичных кейсах

Время, часы сотрудников или нагрузку называют 17 кейсов из 23, точность и качество работы 10, деньги 4, продажи и выполненные обещания оплаты 3, численность или текучесть персонала 2.
Время, часы сотрудников или нагрузку называют 17 кейсов из 23, точность и качество работы 10, деньги 4, продажи и выполненные обещания оплаты 3, численность или текучесть персонала 2.

Время и точность проще всего посчитать, но окупаемость внедрения LLM из них сама не следует, и вот почему:

  • Сэкономленные часы превращаются в деньги, только если сотрудника перевели на другую работу или не наняли нового.
  • Точность 90% ещё не говорит, во что обходятся оставшиеся 10% ошибок.

Как считать окупаемость с учётом того, во что превращаются сэкономленные часы и сколько стоят ошибки, мы писали в статье о расчёте окупаемости внедрения ИИ.

Почему в публичных кейсах LLM о разборе звонков пишут чаще, чем об аналитике и отчётности

Ответам клиентам и разбору звонков посвящены 8 кейсов из 23 (35%), хотя в опросе клиентский сервис назвали 22% компаний. Разработку ПО и аналитику назвали по 47% компаний, а кейсов о них 1 и 0.
Ответам клиентам и разбору звонков посвящены 8 кейсов из 23 (35%), хотя в опросе клиентский сервис назвали 22% компаний. Разработку ПО и аналитику назвали по 47% компаний, а кейсов о них 1 и 0.

Из 23 кейсов 8 про ответы клиентам и разбор звонков, 2 про работу с договорами, 1 про разработку ПО и ни одного про аналитику и отчётность. В опросе исследования СберПро и TAdviser на вопрос, где уже применяют генеративный ИИ, компании чаще всего называют разработку ПО (47%) и аналитику данных с подготовкой отчётности (47%), а клиентский сервис, по словам авторов, «упомянут лишь в 22% случаев».

Выходит, о клиентском сервисе и разборе звонков в публичных кейсах пишут чаще, чем его называют опрошенные компании, а об аналитике и договорах реже. Объяснение авторы дают сами. Клиентский сервис у них - это «главный витринный сценарий публичного поля», а сценарии, не создающие «поводов для пресс-релиза», вроде работы с договорами, по их словам, распространены «заметно шире, чем принято думать». Значит, если по задачам своей компании, например по отчётности или договорам, публичных кейсов мало, LLM там всё равно могут применять.

Как проверять систему разбора звонков на своих записях, мы писали в статье о пилоте речевой аналитики в контакт-центре.

Четыре признака, по которым цифре из кейса можно доверять

В 9 кейсах из 23 опубликованы оба значения, было и стало, контрольной группы и затрат нет ни в одном, число случаев названо в одном. К какой группе кейс отнесён по сравнению, видно в столбце «Сравнение» таблиц выше.
В 9 кейсах из 23 опубликованы оба значения, было и стало, контрольной группы и затрат нет ни в одном, число случаев названо в одном. К какой группе кейс отнесён по сравнению, видно в столбце «Сравнение» таблиц выше.
  1. С чем сравнивали. Оба значения, «было» и «стало», числами есть в 9 кейсах, только изменение («на 70-80%», «в 7 раз») в 10, сравнения нет в 4. Контрольной группы, то есть сотрудников или клиентов, которые в то же время работали без LLM, нет ни в одном. Ближе всего к ней внутренний конкурс А101, где сотрудники искали ответы наперегонки с ассистентом, но так сравнивали только скорость. В 2 кейсах «было» и «стало» мерили разным способом (Лемана ПРО и Ленремонт), в 2 ключевое число названо прогнозом (Билайн и Росагролизинг).
  2. На скольких случаях и за какой срок. Число случаев видно только у Билайна. Срок или общий объём работы назван ещё у Азиатско-Тихоокеанского банка, Совкомбанка, Сбера, Яндекс Маркета, Авито и Ростелеком Контакт-центра.
  3. Кто опубликовал цифру. Девять цифр о клиенте вышли в материалах поставщика технологии (в каталоге кейсов на сторонней площадке, пресс-релизе, конкурсной заявке, анонсе вебинара, на своём медиа или в рекламном материале). Как и кем цифры перепроверялись, в кейсах не описано.
Сама компания или ведомство публикует цифру в 10 кейсах, поставщик технологии о своём клиенте в 9, компания вместе с поставщиком или разработчиком в 2, разработчик LLM о собственном применении в 2.
Сама компания или ведомство публикует цифру в 10 кейсах, поставщик технологии о своём клиенте в 9, компания вместе с поставщиком или разработчиком в 2, разработчик LLM о собственном применении в 2.
  1. Сколько стоили внедрение и работа системы. Не названо ни в одном кейсе. У Авито есть только план вложений в генеративный ИИ в целом, около 12 млрд руб.

Без затрат цифра эффекта ничего не говорит о том, окупилось ли внедрение. На конференции ЦИПР-2026 («Цифровая индустрия промышленной России»), как пересказывает деловое издание Инк., директор по ИТ Альфа-Банка рассказал про ИИ-агента в ИТ-поддержке банка. Ответы стали намного быстрее, пользователи были довольны, но когда в банке посчитали стоимость работы языковой модели на реальном объёме обращений, агент оказался дороже живого специалиста (насколько, не сказано).

Многие компании эффект от ИИ не измеряют и для себя. По исследованию ИТ-компании КОРУС Консалтинг среди более чем 80 компаний, о котором писало отраслевое издание Новости ИТ-канала в сентябре 2026 года, 44% компаний вообще не измеряют эффект от внедрения ИИ. Ещё 25% отслеживают отдельные показатели и не связывают их с экономикой бизнеса.

Как наши кейсы LLM отвечают на четыре вопроса о том, можно ли доверять цифре

КейсРезультатС чем сравнивалиСколько случаев и срокКто опубликовалЗатраты
ИТ-Телеком, поиск по проектной документации на ИИ-платформе Svaya, сентябрь 2026 годавопросов к техническому руководителю 1-2 в день вместо 5-10обе величины по оценке компаниизамера не было ни до, ни послемы, поставщик платформыне названы
Тендерная система, которая с помощью LLM отбирает закупки, июль 2026 годаиз 179 закупок недели подходящими нам оказались 5, ещё 9 требовали взгляда человекасравнение с ручной работой в кейсе само названо неточнымодна неделя, 179 закупокмы о собственной системетолько подписка на агрегатор закупок, 12 900 руб. за полгода
  • ИТ-Телеком - это компания, которая строит ИТ-инфраструктуру, в ней до 30 человек. Вопросы сотрудников - о том, где найти документ или где компания уже делала похожее. Что замера не было, в кейсе сказано прямо.
  • Тендерная система. Закупки той недели разбирал прототип системы. Сколько подходящих закупок он не увидел, мы не измеряли. Цели на первый квартал (40 полных разборов закупок в месяц вместо 12 вручную, 8 поданных заявок вместо 3-4 и ни одного отклонения по формальным причинам) в кейсе названы целями, итоги квартала мы пока не публиковали.

Контрольной группы и проверки посторонним нет и у нас.

Где наша подборка из 23 кейсов LLM может ошибаться

  • Мы искали публикации с результатом в числах, поэтому удачных проектов в таблицах больше, чем среди всех внедрений. Все подсчёты относятся только к этим 23 публикациям.
  • Все 23 страницы из таблиц мы открыли, но несколько страниц, где могли быть другие кейсы, например в РБК Компании, в ноябре 2026 года не открылись.
  • Если компания раскрыла способ замера где-то ещё, например в выступлении на видео, в нашу проверку это не попало.
  • Только в пересказе мы знаем пять кейсов, это Минфин, Frank Auto, выступления Леманы ПРО и Магнит Omni, которые описало издание, и выступление сотрудников ОТП Банка, которое пересказал поставщик Naumen.
  • Самые старые цифры относятся к 2024 году.

Какие четыре вопроса задать подрядчику, который показывает кейс внедрения LLM с цифрой

  1. С чем сравнивали? Какое было значение до внедрения, мерили ли «до» и «после» одинаково и работала ли в то же время без LLM группа сотрудников или клиентов, с которой сравнивали?
  2. На скольких случаях и за какой срок получено число?
  3. Кто опубликовал цифру, сама компания или поставщик, где её первоисточник и описан ли способ замера?
  4. Сколько стоили внедрение и работа системы за тот же срок, за который получен эффект?

Если ответов нет, кейс всё равно полезен как пример задачи. Сколько LLM сэкономит компании, которая думает о внедрении, покажет её собственный пилот, устроенный так, чтобы он сам отвечал на эти четыре вопроса:

  • Исходное значение замеряют до запуска тем же способом, что и после.
  • Часть сотрудников или случаев, если получается, на тот же срок оставляют без LLM.
  • О числе случаев, сроке и о том, кто считает результат, договариваются заранее.
  • Затраты на внедрение и работу системы за срок пилота записывают вместе с эффектом.
  • Правильные ответы для случаев пилота сотрудники записывают заранее, чтобы посчитать долю ошибок.

Как выбрать для пилота первую задачу и где взять правильные ответы, мы писали в статье о том, с чего начать внедрение ИИ.