GenAI пишет тексты, создает ролики и ведет переговоры с клиентами. Почему 95% компаний все равно не видят отдачи
Google встроила в Google Earth функцию генерации спутниковых снимков — и по сети быстро разлетелись правдоподобные фейки: пожар в Иране, наводнение у Капитолия в Вашингтоне. Компанию заставили откатить функцию. Это хорошая иллюстрация того, что такое современный генеративный ИИ (GenAI, generative AI): технология настолько мощная, что способна создавать убедительную реальность из ничего — и настолько же непредсказуемая, если ее никак не контролировать. Так что вопрос сегодня уже не в том, работает ли генеративный ИИ, а в том, кто и как именно его использует. Разбираемся, как приручить генеративный ИИ, получить доступ к иностранным LLM и заставить ИИ приносить бизнесу измеримую пользу.
и чем он отличается от «обычного»
Деньги в генеративные технологии текут рекой: по данным аналитиков, корпоративные расходы на генеративные технологии достигли в 2025 году 37 млрд долларов, втрое больше, чем годом ранее. А исследование MIT одновременно показывает: 95% организаций, вложившихся в GenAI, пока не получили от этого ни финансовой экономии, ни роста выручки — реальный эффект зафиксировали лишь 5% внедрений. Эксперты уверены, что причина неуспеха в том, что компании внедряют ИИ-инструменты бездумно, хотя технология становится все более зрелой.
Для начала разберемся, чем все-таки генеративный искусственный интеллект отличается от «обычного». Классический, аналитический ИИ распознает лица на фотографии, предсказывает отток клиентов или сортирует письма по папкам — он анализирует существующие данные и выдает вывод на их основе. GenAI устроен иначе: он не только анализирует, но и создает — новый текст, изображение, видео, звук или программный код, которого до этого момента не существовало. Разница практическая: аналитический ИИ отвечает на вопрос «что это?», генеративный — на «как это должно выглядеть?».
В основе большинства современных GenAI-решений лежит архитектура трансформер (transformer) с механизмом внимания (attention): при обработке каждого слова или фрагмента изображения модель учитывает контекст всей последовательности целиком, а не только соседние элементы, как более ранние нейросети.
Обучаясь на миллиардах текстов, изображений и строк кода, технология не запоминает конкретные примеры, а выстраивает статистические закономерности языка, стиля и логики, предсказывая наиболее вероятный следующий элемент — слово, пиксель, ноту. Именно поэтому генеративный ИИ способен не просто пересказывать заученное, а сочинять, спорить и писать код под нестандартную задачу — то, на что аналитический ИИ в принципе не способен.
Генеративные модели: ключевые игроки и конкуренция
Единого лидера на рынке GenAI-моделей давно нет — компании специализируются по-разному. Из западной тройки GPT (OpenAI) сильнее в веб-исследованиях, математике и генерации визуального контента, Claude (Anthropic) уверенно лидирует в написании и отладке кода, а Gemini (Google) выигрывает в научных задачах. Рядом усиливается китайский DeepSeek: модель четвертого поколения предлагает сопоставимое качество в несколько раз дешевле — например, российских аналогов по цене входных токенов — и уже давит на цены всего рынка.
В России ставку на генеративные технологии делают “Сбер” и “Яндекс”. YandexGPT обрабатывает 2,9 млрд запросов в год, в одной из последних версий компания снизила долю галлюцинаций — уверенно сформулированных, но неверных ответов — до 16%. GigaChat от “Сбера» обслуживает более 15 тыс. бизнес-клиентов, а сам банк направит на развитие искусственного интеллекта около 600 млрд рублей за три года, с ростом вложений со 150 млрд в прошлом году до 350 млрд в следующем.
Есть у этих моделей и еще одна линия водораздела — не мощность, а открытость. ChatGPT, Gemini и Claude — проприетарные, закрытые, модели: их веса и исходный код недоступны, пользоваться ими можно только через API или подписку на условиях владельца.
DeepSeek, китайский Qwen от Alibaba и Llama от Meta (Meta признана экстремистской организацией и запрещена на территории РФ), напротив, открытые (open-source) — их можно скачать, дообучить на собственных данных и развернуть на своих серверах, что особенно ценят компании с высокими требованиями к контролю над данными. Именно открытость вместе с низкой ценой во многом объясняет, почему DeepSeek так быстро отвоевывает долю рынка у закрытых конкурентов.
Типы и архитектуры генеративного ИИ
Где и для чего применяется генеративный ИИ
Маркетинг, реклама, медиа. Мировой рынок GenAI в маркетинге вырос с 4,3 млрд долларов в 2024 году и, по прогнозам, достигнет 26,6 млрд к 2030-му. По расчетам BCG, грамотное встраивание генеративного ИИ в маркетинговые процессы способно принести кратную, до 3-6 раз, отдачу от бюджета за счет автоматизации создания контента и его адаптации под десятки сегментов аудитории одновременно.
Показательный кейс — агентство Master of Code Global: построенный на GenAI ассистент сам направлял пользователей к нужным ответам, обработал более 1,5 млн обращений и поднял вовлеченность в веб-чатах на 25%. В России картина похожая: по данным исследования Onside и Just AI, в банках и технологических компаниях проникновение генеративных инструментов уже достигает 80-90%, а среди самых частых запросов — вместе с клиентским сервисом и техподдержкой — маркетинг и продажи.
Клиентский сервис. Поддержка клиентов — самая массовая зона применения GenAI, потому что здесь проще всего измерить экономический эффект. Сеть пиццерий из Магнитогорска с собственной доставкой не справлялась с потоком заказов: операторы не успевали отвечать, клиенты уходили к конкурентам. Голосовой помощник на основе генеративных моделей от МТС Exolve увеличил скорость обработки заказов на 50% и научился одновременно вести до ста звонков — притом что для сети это стало не экспериментом, а постоянным производственным инструментом. По оценке МТС, внедрение подобных голосовых GenAI-решений в контакт-центрах сокращает время обработки обращения на 70-80% и снижает стоимость одного контакта, высвобождая операторов для сложных, нестандартных случаев.
Разработка программного обеспечения. В разработке GenAI перешел от экспериментов к инфраструктурному стандарту быстрее, чем где-либо еще. GitHub Copilot к середине 2025 года превысил 20 млн пользователей, его используют 90% компаний из списка Fortune 100, а генерирует он уже 46% кода, который пишут разработчики в связке с ним — против 27% в 2022 году.
В контролируемых экспериментах, которые проводили GitHub и Accenture, разработчики с Copilot решали задачи на 55% быстрее, чем без него. Это не абстрактная эффективность: по данным PwC, в ИТ и финансовом секторе с высокой степенью внедрения ИИ рост выручки на сотрудника втрое опережает менее «ИИ-зированные» отрасли.
Образование и корпоративное обучение. В России ИИ в программы обучения первым внедрил “Яндекс практикум”: еще в 2023 году студенты получили доступ к генеративным подсказкам YandexGPT, который объясняет непонятные темы, пересказывает пройденный материал и находит ошибки в коде.
Результат — 93% студентов признались, что уже не представляют учебу без ИИ-помощника. Тренд подтверждает и глобальная статистика: по данным WEF Future of Jobs Report, 86% работодателей считают, что технологии на основе ИИ преобразуют их бизнес к 2030 году, а 77% компаний уже планируют программы переобучения сотрудников — на фоне прогноза, что почти 40% нынешних навыков устареют за то же время.
Примеры ИИ-решений
. Для малого и среднего бизнеса, у которого нет ресурсов на отдельного дата-сайентиста, барьер обычно не в отсутствии GenAI-моделей, а в разрозненности доступа к ним: десятки подписок, зарубежные карты, VPN. Билайн собрал больше 100 нейросетей — ChatGPT, Claude, Gemini, DeepSeek, Midjourney, Nano Banana, Veo, Sora, Suno — в
едином корпоративном сервисе «ИИ-помощники», где оплата проходит в рублях с расчетного счета и с полным пакетом закрывающих документов, без VPN и иностранных карт. Модель оплаты — не абонентская подписка «на всякий случай», а плата за фактический результат: написать продающий пост стоит от 1 рубля, сгенерировать карточку товара для маркетплейса — от 26 рублей, а разобрать двадцатистраничный договор с помощью Claude — 5 рублей.
По данным сервиса, такой формат экономит бизнесу до 80% времени на типовых задачах. Помимо доступа к самим моделям, в сервисе есть 15 готовых ИИ-помощников под конкретные роли — «ИИ-маркетолог» пишет контент-планы и тексты для прогрева аудитории, «ИИ-юрист» проверяет договоры аренды и поставки и подсвечивает скрытые риски, а «ИИ-копирайтер», «ИИ-smm», «ИИ-селлер» и «ИИ-дизайнер» закрывают остальную рутину вокруг контента и продаж. Отдельный сценарий — умные чат-боты для мессенджеров, которые бизнес обучает на собственных прайс-листах и регламентах: такой бот отвечает клиентам строго по загруженным документам и работает круглосуточно, закрывая типовые вопросы поддержки без участия человека.
Риски и сложности использования генеративного ИИ
Главный технический риск — это по-прежнему «галлюцинации»: технология выдает ложную информацию тем же уверенным тоном, что и корректную, а отличить одно от другого без проверки часто невозможно. История с фейковыми спутниковыми снимками Google Earth показала, как быстро генеративная мощность оборачивается репутационным и даже общественно опасным инцидентом.
У генерации кода своя оборотная сторона: по независимым замерам, около 29% Python-кода, написанного с помощью GitHub Copilot, содержит потенциальные уязвимости — то есть скорость разработки растет быстрее, чем культура проверки результата.
Отдельная группа рисков — организационная. Разрыв, о котором говорит MIT, — когда 95% компаний не получают отдачи, — почти всегда объясняется не слабостью технологии, а внедрением ради внедрения: без метрики, без интеграции в реальный процесс, без переобучения сотрудников.
Добавляются вопросы авторских прав на сгенерированный контент, утечки конфиденциальных данных через облачные генеративные сервисы и правовая неопределенность: если сгенерированный текст или изображение нарушает чьи-то права, ответственность несет, разумеется, компания, а не нейросеть.
Наконец, звучит и голос самой индустрии: в сентябре 2026 года глава Anthropic Дарио Амодеи публично призвал притормозить темпы наращивания возможностей моделей, и это поддержали руководители OpenAI и Microsoft — редкий случай, когда создатели технологии сами просят внимательнее отнестись к скорости ее развития.
«Если ИИ не помогает человечеству и не находится под контролем человека — не стоит его создавать», — написал глава Microsoft Сатья Наделла, поддержав идею независимых проверок генеративных систем и сохранения контроля человека над ними. Гендиректор OpenAI Сэм Альтман смотрит на ближайшие годы оптимистичнее: по его словам, в обозримом будущем «30-40% задач в экономике будет делать ИИ». Так или иначе, оба сходятся на одном: внедрять GenAI стоит осознанно, а не потому что это модно.
Часто задаваемые вопросы
-
**Чем GenAI принципиально отличается от других технологий ИИ? **
Аналитический ИИ распознает и классифицирует уже существующие данные, а генеративный ИИ создаёт новый контент — текст, изображение, видео, код, — которого не было до запроса.
-
Может ли генеративный ИИ полностью заменить дизайнера, копирайтера или разработчика?
Пока нет: технология отлично справляется с рутинной, повторяющейся частью работы, но финальную оценку качества, вкус и ответственность за результат оставляют за собой люди.
-
Безопасно ли передавать в генеративный ИИ конфиденциальные данные компании?
Для чувствительных данных стоит использовать корпоративные или локально развернутые версии моделей с контролем доступа, а не бесплатные публичные сервисы.
-
Нужно ли специально обучать сотрудников работе с генеративным ИИ?
Да — исследования показывают, что компании без стратегии внедрения и обучения персонала чаще попадают в те самые 95% пилотов без измеримого результата. А еще есть риски “теневого ИИ”, когда сотрудники используют ИИ-инструменты, не оповещая об этом работодателя, и могут отправить в публичную модель чувствительные данные компании.
