Меня зовут Иван Кузнецов, начинал программистом, а ИИ увлекался всю жизнь, ещё когда это было совсем не модно. Писал на Lisp и Prolog, защитил кандидатскую по интеллектуальной автоматизации аппаратно-программных комплексов, потом занимался ML. А когда появились сильные языковые модели, я, кажется, увидел будущее - уж очень быстро они умнеют и проникают во все сферы жизни.

В какой-то момент я ушёл из разработки в развитие бизнеса. Оставаться только технарём мне стало не так интересно, я почувствовал, что теряю широту взгляда. Хотелось видеть, как софт внедряется и реально работает в бизнесе.

Сейчас веду ИИ-направление в БизнесМатике. Мы внедряем языковые модели в средних и крупных компаниях. Собираем чат-ботов и голосовых помощников для контакт-центров, учим ИИ разбирать договоры и документы, строим поиск и ассистентов по внутренним базам знаний и многое другое.

Здесь, в канале, пишу про ИИ в бизнесе без хайпа. Про то, где он приносит деньги, где сжигает бюджет, что у него под капотом и почему одни проекты взлетают, а другие тихо умирают еще на стадии пилота. Иногда ухожу в сторону, в бизнес, технологии и людей вообще. Наблюдения практика, как есть.

Если вы уже внедряете ИИ или только собираетесь, подписывайтесь на канал. А обсудить или поспорить можно со мной лично. Пишите на @kuznetsov_bm

Какая модель зрелости ИИ полезнее для руководства - академическая или управленческая? Сравнил MIT CISR и простую схему со слайда Global Tech Forum. Получился вот такой разбор без заезженного “внедрить ИИ” https://vc.ru/ai/2846197-zrelost-ii-v-biznese-prostaya-model-protiv-mit

Почему 7 из 10 пилотов в ритейле не доходят до продакшена?

Я наткнулся на свежую статистику: российский бизнес свернул или заморозил 9 из 10 ИИ‑проектов. Слишком знакомые цифры, если смотреть на то, что происходит внутри ритейла

Бюджеты на ИИ есть, пилоты есть, а решения по запасам, планированию и ценам всё так же принимают по Excel и ощущениям категорийщиков. В итоге 7 из 10 пилотов даже не получают шанса стать промышленной системой и как‑то повлиять на P&L

ИИ‑пузырь в ритейле — это не «плохие модели», а отсутствие фундамента: интеграции с ERP/WMS/TMS, ИБ‑контуров и витрин данных под запасы и спрос

Полный разбор: https://bm-it.ru/media/proval-ii-proektov-v-ritele

Интересно, на каком этапе вы сейчас: пилоты или уже пром, давайте обсудим в комментариях👇

Я снова поймал себя на мысли: ассистенты, которые живут только на векторном поиске, очень быстро упираются в потолок…
Они идеально пересказывают документы, но в реальных связях между поставщиками, SKU, акциями, инцидентами и ответственными просто не ориентируются

В живом бизнесе вопрос звучит не «GraphRAG или RAG?», а «когда векторного поиска уже недостаточно и сколько будет стоить ошибка в этих связях». Я на это смотрю через ROI и зрелость данных: граф знаний нужен там, где цена промаха выше, чем стоимость всей этой истории.

👉🏻 GraphRAG уместен, когда вопросы про цепочки влияния: supply chain, риск, customer 360, комплаенс
👉🏻 Во многих сценариях (FAQ, регламенты, helpdesk) честно хватает нормально сделанного RAG или гибридного RAG
👉🏻 Без MDM, онтологии и владельцев данных граф просто аккуратно консервирует ваш хаос, а LLM начинает додумывать связи там, где на кону выручка и штрафы

Полный разбор сделал тут: https://bm-it.ru/media/rag-korporativnyh-dannyh

Интересно, где у вас ассистенты уже упёрлись в потолок RAG - можно обсудить в комментариях 👇

AI может приносить миллиарды долларов в год?
Да, только в российских компаниях эти деньги почти не видны😐
Пилоты, чат-боты, демо есть у многих, а вот карточки товаров, отчёты, договоры, ответы клиентам всё равно делают руками. Для меня LLM – это не игрушка, а слой операционной эффективности: пока он не пришит к данным, процессам и метрикам, всё останется на уровне презентаций

Деньги лежат в десятках скучных операций, от ответа клиенту до маршрута согласования, а не в самой цифре. Ритейл и FMCG уже умеют зарабатывать на ML, и задача LLM – нормально усиливать эти контуры, а не жить отдельным чат-ботом без доступа к данным. Пока в компании десять разрозненных пилотов без общего LLM-слоя и фабрики решений, вы платите за хобби, а не за трансформацию

Здравый вход в тему - начать с ИИ-аудита: честно померить зрелость, выбрать 3–5 сценариев с понятным эффектом и только потом спорить про RAG и импортозамещение

Полный разбор смотрите тут: https://bm-it.ru/media/generativnyi-ii-v-korporatsiyah

Интересно, где у вас сейчас больше всего тонут решения, давайте разберём это в комментариях 👇🏻

5 причин, почему Industrial AI с западных презентаций не запускается у вас

Смотрю на западные кейсы по предиктивному обслуживанию с их «минус 20–30% простоев» и ростом и хорошо понимаю, насколько это не похоже на будни российских заводов

К тому же из-за санкций привычное западное оборудование и программы теперь - это риск в деньгах. А в цеху вместо красивой картинки набор реальности: разные SCADA, местами полумёртвый MES, лоскутные АСУТП и Excel‑отчёты по простоям, где каждая смена пишет свою правду

В такой ситуации проект по Industrial AI на инвесткомитете очень быстро проигрывает. Я отношусь к таким историям как к инвестициям, а не к «демонстрации цифровой зрелости»: если не сходится P&L, данные и стек, честнее стопнуть идею, чем запускать ещё один пилот ради красивого отчёта.

Главный барьер не в «плохом ИИ в России», а в том, что западные кейсы опираются на данные и процессы, которых у нас часто просто нет. Копировать целиком чужой кейс бессмысленно, надо понимать логику: ИИ‑слой поверх ваших MES/SCADA/ERP, который переживёт и смену вендоров, и новые ограничения

Полный разбор читайте тут: https://bm-it.ru/media/IndustrialAIprojects

Интересно, где ваши Industrial AI‑проекты ломаются чаще всего: в санкционном стеке, данных или экономике, можно обсудить в комментариях👇

«Мы запретили сотрудникам ChatGPT, а они всё равно используют его для работы, но с личного телефона, где уже никакого контроля нет»

Это мне на прошлой неделе рассказал закупщик одного крупного промышленного холдинга, и я по-настоящему удивился. В общем, у них выдали доступ к ChatGPT только узкому кругу лиц, а остальным - не выдали, «не доверяют». Звучит как здравое решение с точки зрения информационной безопасности. Но проблема в том, что те, кому доступ НЕ дали, работать удобнее НЕ перестали. Они пользуются ИИ на личных телефонах мимо всякого контроля, мимо любой корпоративной политики 🙂

Сотрудники всегда найдут обходной путь, это предсказуемо, ну и бог с ним)) Поразило меня другое - крупная, зрелая компания с огромной выручкой живёт с такой дырой в безопасности и до сих пор её не закрыла.

Причем их безопасник уже ищет решение полгода с маскированием данных, чтобы перед отправкой в модель из текста автоматически вырезались имена, реквизиты, номера договоров и прочая чувствительные данные. То есть решение, при которой ИИ-модель видит обезличенный запрос, пользу приносит ту же, но на внешние сервера не уходит ничего, что запрещает ИБ. Непонятно, почему до сих пор не нашел такое решение, но отличная новость (и для клиента, и для нас) в том, что у нас такое решение есть. Значит дыру скоро закроем 😎

Корпоративные ассистенты красиво пересказывают PDF, но виснут на вопросе:

«Кто отвечает за риск и как он связан с поставщиками?»

Классический RAG видит только куски текста, он не знает, что «этот контрагент» в договоре и «этот поставщик» в WMS - одна и та же сущность, связи между данными теряются. Вы получаете красивый пересказ вместо управленческого инсайта, а цена ошибки - затоваренные склады, штрафы и потерянная выручка

Что делать? Нужен не просто поиск по документам, а знания, где сущности и связи живут в единой модели

Полный разбор читайте тут:
https://bm-it.ru/media/vector-search-technology

А у вас ассистент уже приносит пользу или пока только создает видимость умной работы, поделитесь в комментариях 👇🏻

«Дефицит кадров в России сокращается» - с таких заголовков начался год (РБК, РИА, январь 2026), а по свежему мониторингу предприятий ЦБ индекс обеспеченности кадрами подрос с минус 23,2 пункта в конце 2025-го до минус 21,6 пункта во втором квартале 2026-го.

Однако когда я открыл комментарии ЦБ к этому мониторингу, стало понятно, что радоваться росту этого индекса рано. Минус 21,6 пункта этого индекса - это баланс ответов в опросе предприятий, то есть доля компаний, где работников больше, чем нужно, минус доля тех, где работников не хватает. Пока этот баланс в минусе, компаний с нехваткой работников среди опрошенных больше, чем компаний с запасом работников. Примерно такой же перевес был в среднем в 2023 году - тогда это был рекорд за всю недолгую историю замеров этого индекса (ЦБ ведёт их с 2020 года), а к концу 2025-го нехватка работников стала ещё острее. В комментарии по итогам первого квартала 2026-го ЦБ прямо писал, что обеспеченность предприятий работниками остаётся крайне низкой по сравнению с временами до 2022 года. И главное - откуда взялся этот рост индекса? Планы компаний по набору персонала, по тому же мониторингу, упали на минимум с ковидного 2020-го. Кадровый голод отступил на 1,6 пункта этого индекса, потому что наниматели затянули пояса.

А структурная часть дефицита кадров (та, что создана демографией) никуда не делась. Минтруд ещё в начале 2025-го посчитал, что к 2030 году экономике не хватит 3,1 миллиона человек. И отдельно - что до того же 2030-го работодателям придётся найти замену 11 миллионам работников, уходящих на пенсию. Демографию индексом обеспеченности кадрами не переспоришь.

Поэтому я считаю, что двигатель у внедрения ИИ в российском бизнесе ровно один - это нехватка рабочих рук. Рядом с этой нехваткой мода, хайп и страх отстать от конкурентов вторичны. Типовую работу (ввод документов, ответы на однотипные письма, разбор резюме) компании отдают машинам, чтобы не тратить на неё людей, которых и так не хватает. Показательно, что бизнес уже автоматизирует работу самих кадровиков. По опросу hh.ru осени 2025 года 57% опрошенных компаний используют ИИ в работе с персоналом, а почти треть - прямо в подборе. Найм при кадровом голоде - это самое узкое место в работе с персоналом, вот его компании и отдают машине 🙂

Практический вопрос из всего этого один. Откройте свой список вакансий и честно ответьте, какие из них существуют только потому, что типовую работу в компании до сих пор делают руками. Кто отдаст эту работу машинам сейчас, тому в 2030-м не придётся искать на рынке труда людей, которых там просто нет.

В СберСтраховании жизни, как утверждает компания, каждую четвёртую выплату теперь одобряет ИИ. Сам, без сотрудника. Медианное время такой ИИ-выплаты - это три с половиной минуты.

Об этом в июне 2026-го написал ПРАЙМ, а пресс-релиз компании разошёлся по страховой прессе. ИИ-агент без выходных и перерывов на обед читает документы по кредитному страхованию жизни и выносит решение о выплате. Таким способом, по данным страховщика, выплачено уже больше 300 миллионов рублей, а к концу года компания планирует довести долю ИИ-выплат с четверти до половины.

Обратите внимание, ЧТО именно Сбер отдал машине. Решение о деньгах. Это, пожалуй, самый чувствительный к ошибке процесс страховой компании - вокруг него страховщики десятилетиями выстраивали регламенты, комиссии по урегулированию и цепочки подписей. Дискуссия «можно ли доверять ИИ решения о выплатах» закончилась де-факто, буднично и без круглых столов)) Лидер рынка страхования жизни просто взял и разрешил машине решать самой.

Для остальных страховщиков эти 3,5 минуты меняют ожидания клиентов по срокам выплат. Норму здесь долго определял закон - на выплату по ОСАГО у страховщика есть 20 календарных дней (не считая нерабочих праздничных), и хотя ОСАГО и кредитное страхование жизни - это разные продукты, ожидание около трёх недель клиент годами считал делом обычным. Человек, услышавший от знакомого про такую скорость, ждать три недели уже не готов. И Сбер тут не одинок - Ингосстрах, если верить его новости 2026 года, выдаёт направление на ремонт по КАСКО онлайн за минуту. Направление на ремонт - это ещё не выплата денег, но эту минуту клиент тоже запоминает как новую норму скорости.

Деталь, которую я советую разглядеть страховщикам поменьше. Судя по релизу, самостоятельность машина получила на одном продукте с однотипными случаями - кредитном страховании жизни. Рецепт из этого кейса простой - взять один типовой сегмент и отдать машине конвейер выплат по нему. От себя мы в БизнесМатике добавляем к этому рецепту ещё один пункт - спорные случаи должен решать живой человек. И, по нашему опыту внедрений ИИ, целиком перестраивать ИТ-ландшафт для такого конвейера не нужно.

Такой конвейер урегулирования мы сейчас и проектируем - прицельно под средних страховщиков, от разбора документов до антифрода, с человеком на спорных случаях. Считать в этой истории осталось одно - сколько стоит каждый месяц, пока Сбер с Ингосстрахом мерят скорость минутами, а клиент остальных привык ждать неделями 😎

«Лемана ПРО» (бывший Леруа Мерлен) снизила стоимость написания одной карточки товара больше чем на 95%. Если верить кейсу Yandex Cloud, раньше готовое описание попадало на сайт минимум через две недели, а теперь появляется в тот же день, что и сам товар. Карточки пишет YandexGPT, и работает это буднично - сотрудник даёт нейросети название и характеристики товара, она возвращает описание, а SEO-проверка идёт автоматически.

Тут есть о чём задуматься любому среднему ритейлеру. Пока на конференциях спорят про чат-ботов на витрине, самая быстрая отдача от ИИ прячется в самом скучном углу каталога - в описаниях товаров. По нашим оценкам, генерация карточек окупается за 2-4 месяца, режет стоимость контента на 60-95% и ускоряет выпуск карточки в 10-14 раз. Скучно - и именно поэтому недооценено.

И Лемана тут не одна. Свои описания на YandexGPT пишет и Яндекс Маркет. Крупные игроки уже перевели этот кусок работы на машину, а средний ритейл к этому пока только присматривается.

Но есть нюанс, ради которого стоит дочитать. Тот же ИИ, что срезает 95% стоимости, умеет и врать. Та же Лемана поймала свою модель на том, что та придумала товару цену, которую ей никто не давал. В карточке, по которой покупатель принимает решение, выдуманная цена превращается в претензию и возврат - и никакая экономия на тексте этого не окупит. Поэтому самые чувствительные атрибуты (цену, размеры, состав) машине нельзя отдавать без присмотра, их должен проверять человек.

Мы в БизнесМатике именно такой конвейер товарного контента для среднего ритейла собираем на заказ, под конкретный каталог - с обязательной ручной проверкой чисел. Начинаем с описаний - они технологически самые обкатанные, дальше тем же конвейером подключаются подписи к картинкам и ответы на отзывы.

Напоследок практическое задание. Посчитайте, сколько дней у вас проходит от прихода товара до его карточки на сайте и во сколько обходится одна карточка. Если это недели и не три копейки, то самый скучный ИИ в ритейле окупится у вас быстрее любого модного чат-бота 🙂