Пока компании тестируют пилоты с генеративными нейросетями, «традиционный» ИИ продолжает эффективно работать и приносить бизнесу ощутимую экономическую отдачу уже много лет. Расскажем в материале, какие зрелые нейросетевые возможности давно доступны бизнесу и кому стоит обратить на них внимание.Бренд-директор Яндекса по машинному обучениюОб эксперте: Петр Ермаков — бренд-директор Яндекса по машинному обучению. Помогает делать конференции, например, HighLoad++, PyCon, DUMP и Data Fest.
От экспериментов — к реальной интеграции
Генеративный ИИ проходит закономерный этап взросления: компании вложили миллиарды в пилоты с языковыми моделями, и сейчас идет кропотливая работа по превращению экспериментов в реальные бизнес-решения. По данным российских исследований, сейчас 7−10% пилотных проектов крупных технологических компаний, запущенных в 2025 году и связанных с использованием больших языковых моделей и чат-ботов, дошли до стадии полноценного промышленного внедрения. На фоне активного применения ИИ в сфере маркетинга и HR легко упустить из виду, что во многих других областях искусственный интеллект перестал быть новинкой и уже много лет надежно выполняет свои задачи.
Невидимый ИИ
В сегодняшних разговорах об ИИ чаще всего имеют в виду генеративный — тот, что создает что-то новое: тексты, изображения, музыку. Но это сравнительно молодые технологии. Гораздо дольше существует другой ИИ — дискриминативный, или классический: он не порождает новые объекты, а интерпретирует и классифицирует уже существующую информацию, ищет закономерности в данных и делает выводы на основе накопленной истории.
Генеративный ИИ прогремел по простой причине — благодаря удобному, универсальному интерфейсу. Задаешь вопрос — получаешь ответ. Раньше нейросети улучшали жизнь незаметно — в стелс-режиме: компании улучшали встроенные в свои системы модели, а пользователь видел только сам результат — более точный прогноз, удобную ленту или релевантную рекламу, — не догадываясь, что за этим тоже стоит ИИ.
Именно поэтому у многих сложилось ощущение, что ИИ — это что-то принципиально новое, появившееся три года назад, хотя технологии машинного обучения применяются в бизнесе уже полтора-два десятилетия. В их развитие более 15 лет вкладывается Яндекс. Разработки компании обычно рождаются из реальных задач, стоящих перед командами, а затем становятся прикладными инструментами, которые можно использовать в различных индустриях.
Дискриминативные модели — это и есть те самые «рабочие лошадки». Они «принимают решения»: мошенническая транзакция или нет, выдать кредит или отказать, показать этот товар первым или опустить в выдаче, отправить деталь в утиль или пустить дальше по конвейеру. Логику таких решений можно проследить и объяснить — что критически важно в финансах, медицине и страховании, где ошибка имеет реальную цену.
Где деньги
Возьмем скоринг. Когда банк решает, выдавать кредит или нет, классическая ML-модель анализирует не просто сумму транзакций за последние годы, а паттерны поведения: куда человек тратит, как часто пополняет баланс, насколько регулярны его расходы. Человек-аналитик в ручном режиме способен просмотреть разве что три-пять лет истории в одном месте, но машина смотрит гораздо глубже и основательнее. Она проанализирует не просто сколько человек тратит в месяц, а на что — это поможет понять логику трат, которая не менее важна при принятии решения. Именно это делает модель точнее — не умнее, а точнее.
Прогнозирование — одна из старейших и самых массовых задач классического ИИ, с результатами которой каждый сталкивается ежедневно. Яндекс Погода вычисляет не только «будет дождь или нет», но и температуру, влажность и концентрацию пыльцы через час в конкретной точке. Яндекс Карты прогнозируют время в пути с учетом пробок, Яндекс Такси рассчитывает удобные точки посадки, определяет уровень спроса и не только.
Та же логика работает в ретейле, где предсказание спроса помогает избежать дефицита или излишков на складе, в логистике, где алгоритмы рассчитывают время доставки и оптимизируют маршруты, и в промышленности, где предиктивная аналитика позволяет проводить техническое обслуживание оборудования до того, как оно выйдет из строя.
Результаты уже давно измеряются не в пилотах, а в рублях. Сеть «Дикси» внедрила ML-модель, формирующую индивидуальные сигналы по товарным позициям для каждого магазина, и нарастила экономический эффект на 30%. X5 Retail Group поставила в магазинах «Пятерочка» и «Перекресток» систему автоматического управления энергопотреблением и сэкономила почти 0,5 млрд рублей за год.
«ЕвроХим» использует рекомендательные системы, которые помогают нарастить выпуск высококачественных комплексных удобрений, а суммарный экономический эффект от ИИ-решений в компании к середине 2025 года достиг почти 3 млрд рублей, причем около 80% этой суммы принесли именно рекомендательные системы. Кроме того, на недавнем митапе коллеги из сети «Магнит» поделились, что начали применять нейросетевую архитектуру TabM от Yandex Research для прогнозирования продаж, управления запасами и ценовой оптимизации.
На производстве активно работает компьютерное зрение — одна из самых зрелых областей ИИ, где нейросети анализируют изображение с камеры и определяют дефект детали или уровень жидкой стали в ковше. СИБУР развернул систему интеллектуального видеонаблюдения и получил экономический эффект более 80 млн рублей еще в 2021 году. ЕВРАЗ ЗСМК внедрил видеоаналитику для мониторинга тепловизоров — ожидаемый эффект составит 28 млн рублей ежегодно за счет предотвращения переливов и простоев. Бурно развивается эта технология и в медицине. Так, в 2025 году специалисты СПбГПМУ совместно с Yandex B2B Tech и студентами Школы анализа данных представили первое в мире ИИ-решение для детей до 12 месяцев, которое анализирует МРТ-снимки. Оно позволяет с точностью выше 90% определять объемы серого и белого вещества, что важно для ранней диагностики патологий развития центральной нервной системы, в частности детского церебрального паралича (ДЦП).
Мода и ее издержки
Когда выстреливает какая-то технология, ее немедленно хочется встроить во все вокруг, и с языковыми моделями произошло именно это. Компании начали примерять LLM к своим привычным задачам — рекомендательным системам, антифроду, прогнозированию спроса. Иногда это оправданно и дает новые возможности, но часто оказывается избыточным: если есть небольшая специализированная модель, которая стабильно выявляет аномалию в транзакции или определяет дорожный знак, незачем пропускать этот запрос через многомиллиардную LLM — это дороже и медленнее.
McKinsey оценивает потенциал генеративного ИИ в $2,6−4,4 трлн дополнительной ценности. Но стоит подчеркнуть: это именно оценка потенциала, а не реализованная ценность — и она суммируется с тем эффектом, который уже дает традиционный аналитический ИИ.
Что дальше
Будущее, по всей видимости, не за победой одного класса моделей над другими, а за их разумным сочетанием. Специализированные модели никуда не денутся. Да, есть неплохие модели, которые встраиваются в телефоны, но, например, автономный робот на складе или система скоринга в банке требуют компактных, быстрых и интерпретируемых решений, в которые большая языковая модель просто не влезет ни физически, ни экономически.
Перспективнее другое направление — гибридные агентные системы, где LLM выступает оркестратором, а под капотом работают классические специализированные алгоритмы: LLM принимает запрос, распределяет задачи между узкими моделями и полирует финальный ответ, тогда как скоринговая модель, детектор аномалий и рекомендательный движок делают тяжелую работу так, как умеют лучше всего. Именно эта архитектура, а не очередная универсальная модель станет каркасом бизнес-ИИ следующего поколения — не швейцарским ножом, а оркестром, где у каждого инструмента своя партия.