В России закрылись 9 из 10 AI-бизнесов — только 7-10% проектов с LLM доходят до промышленного внедрения
Исследование ЦНИС, опубликованное на Хабре, фиксирует жёсткую реальность российского AI-рынка: 9 из 10 бизнесов в сфере ИИ закрылись, а из оставшихся только 7-10% проектов с LLM достигли полноценного промышленного внедрения. Остальные 90% застряли в пилотировании или закрыты. Параллельно правительство разрабатывает госплан по нейросетям.
Аналитический центр ЦНИС опубликовал на Хабре один из наиболее откровенных разборов состояния российского AI-рынка в 2026 году. Реальность оказалась жёстче маркетинговых презентаций.
Выживаемость AI-бизнесов:
| Показатель | Значение |
|---|---|
| AI-бизнесов, закрывшихся за 2 года | 9 из 10 |
| LLM-проектов, достигших production | 7-10% |
| Проектов в вечном «пилоте» | ~50% |
| Проектов, закрытых без результата | ~40% |
Почему 90% AI-проектов не доходят до production:
- 1.Разрыв ожиданий и реальности: демо на 100 запросах работает, на 100 000/день — нет
- 2.Отсутствие MLOps-культуры: нет процессов мониторинга, retraining, A/B-тестирования
- 3.Кадровый голод: AI-инженер с опытом production-внедрений — 3-5 млн руб/год, редкость
- 4.Интеграционная сложность: legacy ERP/CRM несовместимы с AI-API без дорогостоящей адаптации
- 5.Отсутствие бизнес-спонсора: пилот запустил CTO, а P&L-owner не верит в ROI
Госплан по нейросетям:
Правительство РФ поручило профильным ведомствам до 1 июня 2026 подготовить национальный план внедрения ИИ в экономику, госуправление и социальную сферу. По данным Минцифры, фокус:
- Автоматизация рутинных задач в МФЦ и госуслугах
- AI-медицина: расширение московского опыта на регионы
- AI в образовании: персонализация учебных планов
- Промышленный AI: предиктивное обслуживание на заводах
Что отличает выживших (10%):
- Чёткий ROI-кейс с измеримыми KPI на входе
- Выделенная AI-команда (не аутсорс) с правом менять бизнес-процессы
- Итеративный подход: MVP за 6 недель, а не «большой проект на год»
- Интеграция в core-систему, а не отдельный чат-бот-«потёмкинская деревня»
Практические выводы для собственников:
- 1.AI-проект ≠ IT-проект: нужен AI-champion на уровне C-suite, не только IT
- 2.Данные первичны: 80% усилий — подготовка данных, 20% — модель
- 3.Пилот ≠ «посмотрим»: пилот должен иметь exit criteria и решение «расширяем или закрываем»
- 4.Compliance с начала: 152-ФЗ и ФСТЭК-требования дешевле встроить в архитектуру, чем переделывать потом
Это краткое изложение. Полный текст — на сайте источника:
Читать оригинал: ХабрЕщё по теме: бизнес и стартапы
MWS AI (экс-МТС AI) запускает направление AI-трансформации крупного бизнеса: вертикальные решения и ROI-гарантии
AI в российском финтехе 2026: кредитный скоринг и антифрод — наиболее зрелые применения
Сбер продвигает GigaChat в страны Глобального Юга: БРИКС как альтернатива западному AI-суверенитету
Как это касается вашего бизнеса
Изменения на рынке важны, когда руководитель видит их в показателях своей компании. Радар управления каждый день собирает брифинг: 10 приоритизированных сигналов о главном за 24 часа.

