Вебпрактик AI | Корпоративный ИИ

От выбора нейросети к проектированию системы: в чем реальное конкурентное преимущество ИИ В гонке за ИИ компании слишком часто обсуждают, какой «мозг» купить — GPT, Claude или Gemini. Джоэл Тетро, директор по ИИ в Dataminr, руководивший AI-разработкой в Grammarly, Yahoo и Nuance, предлагает бизнесу радикально сместить фокус. В колонке для Fast Company он формулирует главный архитектурный тезис: Если ваша ИИ-стратегия строится исключительно на базе стороннего API, вы не создали конкурентного преимущества — вы просто взяли инфраструктуру в аренду. Настоящая гонка идет в другом месте: самые сложные внедрения ИИ сегодня — это созвездия узкоспециализированных моделей, созданных для решения конкретных бизнес-задач. Переход от одной универсальной нейросети к архитектуре из независимых узлов дает бизнесу два ключевых преимущества: 1. Масштабирование и контроль затрат. Прогонять миллионы ежедневных транзакций через флагманские LLM-модели — неоправданно дорого. По опыту Dataminr, использование цепочки собственных небольших моделей может снизить стоимость процесса более чем в 100 раз. В их пайплайне это разница между $2500 и $20 в день за обработку одного типа задач. При этом качество результата растет, так как каждый компонент настроен на узкую операцию. 2. Гибкость настройки. Декомпозированная система позволяет заменять, обновлять и переобучать отдельные узлы ( например, модуль перевода или создания кратких выжимок из документов) без перестроения всего контура. Меняется и место человека в этом процессе. Если раньше задача сводилась к проверке результатов и разметке данных на конвейере (Human-in-the-loop), то теперь фокус смещается на управление агентами и калибровку контролирующих алгоритмов (LLM-as-a-judge). Эксперты уходят от проверки ошибок к проектированию логики работы системы. Доступ к мощным универсальным моделям скоро будет у всех. То, что конкуренты не смогут скопировать — это ваша архитектура, качество внутренних данных и управленческие решения команды, вшитые в операционный процесс. Вебпрактик AI | Корпоративный ИИ

Льготы на ИИ: правительство обсуждает компенсацию расходов на нейросети «Коммерсантъ» сообщает, что правительство совместно с ИТ-отраслью обсуждает налоговые послабления для малого и среднего бизнеса за внедрение российских ИИ-решений. По данным издания, сейчас в рабочих группах рассматривают два возможных механизма поддержки: ▪️Вычет из налога на прибыль или УСН на сумму закупленного софта с ИИ-функциями (базовая ставка — до 200 тыс. рублей в год, а при доказанном росте производительности — до 500 тыс.). ▪️Прямые субсидии разработчикам, которые позволят покупателям в первый год получать ИИ-инструменты со скидкой до 100%. Инициатива нацелена на снижение стартового финансового барьера. Однако дискуссия вокруг этих мер подсвечивает проблему, общую для компаний любого масштаба. Главная сложность кроется в доказательстве эффективности. По оценкам юристов, Минфин вряд ли согласится раздавать льготы без жесткого контроля результатов. Чтобы получить максимальный вычет, бизнесу придется подтвердить государству реальный рост производительности. А это и есть главная боль корпоративного ИИ: покупка подписки на нейросеть сама по себе не дает экономического скачка. Пока алгоритм не встроен в ядро операционного процесса, показать финансовую отдачу от внедрения в цифрах практически невозможно. А в вашей компании ИИ уже экономит реальные деньги или пока остается на уровне экспериментов? Вебпрактик AI | Корпоративный ИИ

Иллюзия «самоуправляемой компании»: почему ИИ не должен забирать руль Идея «самоуправляемой компании» все чаще появляется в инвестиционных презентациях. Суть таких экспериментов проста: ИИ-агенты полностью забирают операционку, а штат сокращается до минимума. В колонке для Fast Company разработчик беспилотных грузовиков Сяоди Хоу объясняет, почему этот концепт не работает для реального бизнеса. Он приводит понятную аналогию. У автомобиля есть заранее известный маршрут из точки А в точку Б. У компании такого маршрута нет. Бизнес постоянно принимает решения в условиях неопределенности: тестирует новые рынки, меняет стратегию и перераспределяет ресурсы. Это требует управленческого суждения, а не алгоритмического исполнения. Автор приводит пример из собственной практики. В 2025 году команда запустила ИИ-агента, который отвечал на вопросы по HR-справочнику. Через несколько недель инструментом почти перестали пользоваться. Почему: - агент находил правило, но не понимал рабочий контекст конкретной ситуации; - сотрудникам часто требовался не ответ из регламента, а разговор с менеджером или коллегой; - система автоматизировала поиск информации, но не помогала принять решение и продвинуть задачу. Это не аргумент против HR-агентов. Скорее, напоминание о том, что агента нельзя проектировать как замену коммуникации. Его задача — собрать фактуру, найти нужные документы, подготовить варианты и снять рутину вокруг решения. Само решение, выбор приоритета и ответственность остаются за командой. Реальный экономический эффект возникает там, где алгоритмы ускоряют операции, а команда сохраняет за собой выбор приоритетов и ответственность за результат. Вебпрактик AI | Корпоративный ИИ

Что снижает тревожность сотрудников при внедрении ИИ Кажется, чем чаще сотрудник работает с ИИ, тем спокойнее он должен относиться к автоматизации. Однако исследование на данных Gallup фиксирует обратную зависимость. Активные пользователи ИИ чаще опасаются сокращений, чем те, кто почти не использует такие инструменты. Работая с ИИ, сотрудник видит, какие части его работы технология уже способна выполнять сама. Если компания не объясняет, как трансформируется роли сотрудников, чему им придется обучится, технология начинает восприниматься как угроза, а не как инструмент. Но исследование также констатирует: страх увольнения существенно снижается в условиях благоприятной рабочей среды — разница достигает 9 процентных пунктов. В целом, при каждом изменении в показателях качества рабочей среды вероятность возникновения страха перед автоматизацией снижается на 13–24%. Автор выделяет несколько факторов, которые помогают сотрудникам воспринимать ИИ как инструмент пересборки процессов, а не как угрозу: 1. Поддержка благополучия. Сотрудникам важно понимать, что компания учитывает нагрузку и неопределенность переходного периода. Практически это означает доступ к поддержке, понятные условия переобучения и ясность в вопросах карьерных перспектив. 2. Уважительное отношение. Сотрудники чувствуют, что их опыт остается востребованным, а изменения происходят не без их участия. 3. Связь с культурой компании. Автоматизация легче принимается, когда понятна ее бизнес-цель и связь с общей задачей компании. Тогда ИИ воспринимается как часть развития организации, а не как внешнее решение, спущенное сверху. 4. Качественная обратная связь. Сотрудники знают, какие навыки будут востребованы, как изменятся их роли и где получить необходимые компетенции. 5. Доверие к руководству. Оно формируется, когда менеджмент заранее объясняет логику изменений, поддерживает переобучение и последовательно выполняет взятые обязательства. Важный нюанс: это не HR-сопровождение «после запуска». Для корпоративного ИИ эти практики, в идеале, должны быть частью архитектуры внедрения. Именно они определяют, будут ли сотрудники сообщать об ошибках, предлагать улучшения и участвовать в пересборке процессов. Вебпрактик AI | Корпоративный ИИ

В долгосрочную жизнеспособность ИИ-стратегии компании верят 78% руководителей. Это данные исследования KPMG Global AI Pulse Q2 2026. В онлайн-опросе, проведенном с 28 апреля по 25 мая 2026 года, участвовали 2 145 руководителей из 20 стран: CEO, представители C-level, управляющие директора и директора юнитов. За квартал доля тех, кто уверен в устойчивости ИИ-стратегии своей компании, выросла с 70% до 78%. Исследование также отмечает любопытную закономерность: уверенность в стратегии тесно связана с тем, как в компании устроена ответственность за ИИ. В организациях, где конечную ответственность за решения с участием ИИ несёт CEO, 60% респондентов твердо уверены в устойчивости стратегии. Там, где эта ответственность не закреплена за CEO, — 22%. Это не вопрос личного контроля со стороны первого лица над каждым ИИ-проектом. Речь о том, что на верхнем уровне компании определено, кто принимает решения, отвечает за риски и результат, а также имеет право вмешаться в работу системы. И еще важная взаимосвязь. Если CEO несет конечную ответственность за решения с участием ИИ, компания более чем в три раза чаще достигает стадии подтвержденного ROI: 14% против 4% там, где такой ответственности у CEO нет. Вебпрактик AI | Корпоративный ИИ

💬 #БизнесСреда с Александром Букуровым, основателем и директором Вебпрактик Агентный ИИ идет в корпорации, но бизнес к нему не готов Рынок корпоративного ИИ переживает тектонический сдвиг. Мы переходим от эпохи «умных чат-ботов» к эпохе автономных агентов. По данным масштабного отчета Deloitte (State of AI in the Enterprise 2026), в ближайшие два года доля компаний, использующих агентный ИИ, взлетит с 23% до 74%. Разница фундаментальна. Чат-бот ждет вашего промпта и генерирует текст. Агентный ИИ действует сам: он анализирует триггер, вызывает API, принимает решения и меняет данные в производственных системах. И здесь кроется главная угроза 2026 года. Только 21% компаний обладают зрелыми фреймворками управления (AI Governance) для таких систем. Что это значит на практике? Неконтролируемый чат-бот может выдать некорректный ответ клиенту. Неконтролируемый ИИ-агент способен за секунды провести тысячи ошибочных транзакций возврата средств или сжечь годовой бюджет на вызовы API, пока это никто не заметит. Исследование Deloitte показывает жесткую корреляцию: 80% компаний до сих пор не видят финансовой отдачи от ИИ именно из-за фрагментированного подхода. Они запускают десятки изолированных пилотов без единого контура управления и метрик окупаемости (ROI). В итоге 75% инициатив так и остаются в «пилотном чистилище». Те 20% лидеров, которые реально зарабатывают на нейросетях, делают ставку на архитектуру: 1. Пропорциональное управление: легкий контроль для низкорисковых ИИ-инструментов и жесткие рамки для автономных агентов. 2. Единый центр видимости: понимание того, какие агенты работают, сколько они стоят и какой конкретный бизнес-процесс ускоряют. 3. Измерение с первого дня: метрики успеха определяются до написания первой строчки кода. Внедрять ИИ без архитектуры управления сегодня — все равно что строить скоростную магистраль без тормозов и светофоров. Готова ли ИТ-инфраструктура вашей компании к автономным ИИ-агентам? Вебпрактик AI | Корпоративный ИИ

Математика ИИ-проектов: на 1$ внедрения нужно до 3$ на пересборку процессов В свежем исследовании McKinsey «Будущее B2B-продаж: как лидеры роста перестраивают свои подходы с помощью ИИ» есть полезная для планирования бюджета оценка: на каждый 1 $, потраченный на развертывание ИИ, компании может потребоваться до 3 $ на управление изменениями. Авторы отмечают, что на практике бюджеты часто распределяют наоборот — больше средств уходит на саму технологию, чем на ее освоение командой. Эти расходы — не только про обучение работе с новым интерфейсом. Чтобы искусственный интеллект действительно начал приносить пользу коммерческому блоку (исследование посвящено именно ему), требуются обновление системы мотивации, поддержка через внутренних экспертов и пересмотр ролей. В отчете рекомендуется связывать использование алгоритмов и принятие их подсказок с понятными метриками процесса: скоростью движения сделок по воронке и конверсией, которые затем отражаются на итоговой выручке и марже. Работа с сопротивлением здесь — не отдельная коммуникационная кампания, а часть проектной экономики. Когда меняется привычный порядок работы, сотруднику должны быть понятны новая роль, ожидаемое поведение и личная выгода от перехода. Иначе даже хорошо настроенная система останется инструментом, которым пользуются от случая к случаю. Вебпрактик AI | Корпоративный ИИ

Yahoo Tech опубликовал материал Fortune о том, как ИИ меняет структуру интеллектуальной работы. В основе — метафора профессора Принстона Арвинда Нараянана о «тощем бургере»: раньше работа напоминала бутерброд с толстой «котлетой» исполнения, теперь ИИ сжимает эту середину до тонкого слоя. У любой задачи остается три части: 1. Решить, что и зачем делать; 2. Выполнить работу; 3. Встроить результат в продукт или процесс, проверить его и отвечать за последствия. ИИ заметно ускоряет именно второй этап. Но первый и третий становятся сложнее: когда новую функцию, отчет или прототип можно сделать за часы, а не недели, компания получает не только скорость, но и поток новых решений, которые нужно отбирать, проверять и доводить до использования. Yahoo Finance показывает, как это выглядит на практике. Команда развивает AlphaSpace — настраиваемую платформу для инвесторов, которая объединяет в одном интерфейсе биржевые данные, графики, новости, аналитику и ИИ‑помощника для исследования рынков. За первые два месяца после запуска команда выпустила более 100 обновлений продукта, а двухнедельные спринты сократились до 24 часов: планирование утром, выпуск к концу дня, разбор результатов вечером. Но скорость выпуска обновлений не отменяет главного вопроса: какие из них действительно нужны пользователю и бизнесу, а какие лишь создают видимость активности. У этого ускорения есть и обратная сторона. В отрасли уже используют термин workslop — результат, созданный ИИ и переданный коллегам без достаточной проверки. Вместо экономии времени он переносит работу на следующего сотрудника: нужно проверить факты, исправить ошибки, восстановить контекст, оценить риски. Stanford Social Media Lab оценила потери от такого явления в 9 млн долларов в год для компании со штатом 10 тыс. человек. ____________________________________ ИИ резко удешевляет и ускоряет исполнение, но не отменяет ключевую человеческую работу — выбрать действительно нужную задачу, проверить результат и встроить его в реальный процесс без потери качества и контроля. Поэтому главным ограничением становится не способность команды «сделать», а ее способность принимать обоснованные решения, отсеивать лишние инициативы и не превращать поток быстро сгенерированных результатов в новую операционную нагрузку. Вебпрактик AI | Корпоративный ИИ

🗯️ #ПятничныйКейс с Сергеем Калюжным Synthesia сменила фокус: теперь она про тренировки, а не про видео Британский стартап Synthesia, известный AI-аватарами для видео, запустил Roleplay Sessions. Сотрудники репетируют сложные диалоги с аватаром: питчи, переговоры, разговоры с клиентами. Аватар отвечает, спорит, провоцирует. Раньше Synthesia продавала скорость. Вместо съемок с актерами — загрузил текст, и аватар будет его читать с экрана. Но в компании пришли к выводу: видео информирует, но не меняет поведение. Продажник, посмотревший ролики, не становится лучше. Навык появляется только когда делаешь, ошибаешься и получаешь обратную связь. Поэтому Roleplay Sessions устроен иначе. Сотрудник запускает сессию, и аватар играет роль трудного клиента или недовольного подчинённого. Но самое важное здесь — дашборд для руководителя. На нём видно, кто «плывёт» при обсуждении цены, а кто не может дожать сделку. Техническая архитектура гибридная: собственные технологии синтеза голоса и аватаров, логика диалога — на OpenAI, поверх — собственный слой аналитики, превращающий разговоры в данные. Первые клиенты — топ-3 компании Европы по капитализации, топ-5 Fortune 100, крупнейшая рекрутинговая компания. Два сценария в топе: отработка навыков продаж и сложные разговоры (увольнения, перформанс-ревью, кризисные коммуникации). CEO Synthesia Виктор Рипарбелли: «Мы даем руководителям данные о навыках, которые раньше было невозможно собрать». Фактически компания изменила свой продуктовый фокус. Если раньше основная ценность Synthesia была в создании обучающего контента, то теперь — в данных: кто как продает, где слабые места, как выглядит команда в разрезе компетенций. Synthesia реализовала современную harness-платформу, создающую ценность за счет инфраструктуры аналитики и экспертизы, а не качества AI-модели. Они увидели проблему: сложно оценить диалог менеджера в распределенных командах. И сделали инструмент, который помогает принимать кадровые решения. Для компаний с удаленными командами и высокими требованиями к переговорам — это мост между «посмотрели обучение» и «действительно умеют». Компания Synthesia — одна из первых, кто перешел от генерации контента к генерации данных о компетенциях. Это следующий этап Enterprise AI: не демо-эффект, а измеримый результат в конкретной бизнес-задаче. Вебпрактик AI | Корпоративный ИИ

AI Governance как новый критерий доверия к бренду Fast Company опубликовала колонку со-СЕО коммуникационного агентства Mission North Тайлер Перри с разбором исследования Brand Expectations Index 2026. Главный вывод: высококвалифицированные специалисты на рынке — те, кто принимает решения о B2B-закупках, формирует отраслевую повестку и составляет элитный кадровый резерв, — больше не оценивают инновационность компаний по количеству внедренных ИИ-фич. Всё большее значение приобретает AI Governance — правила, которые определяют, где и как компания использует искусственный интеллект. По данным исследования, 77% внешних экспертов абсолютно комфортно воспринимают использование компаниями нейросетей для рутинных операций, маркетинга или персонализации контента. Но уровень доверия к бренду резко падает, когда ИИ получает автономию в принятии значимых решений. - 58% выступают против использования ИИ для кадровых решений; - 55% против подготовки юридических документов; - 63% считают, что при внедрении ИИ в критически важные процессы компания должна привлекать независимых экспертов. Для бизнеса это означает серьезный сдвиг в позиционировании. Сильных кандидатов и B2B-партнеров больше не впечатлить скоростью обработки данных, использованием ИИ-агентов. Их волнуют корпоративные границы: - В каких процессах компании использование ИИ строго запрещено? - На каком этапе в цепочку обязательно включается валидация человеком? - Кто из топ-менеджеров несет личную ответственность, если модель совершит ошибку? ИИ постепенно перестает быть конкурентным преимуществом сам по себе. Конкурентным преимуществом становится способность компании доказать, что она умеет им управлять. Для крупных заказчиков, партнеров и кандидатов прозрачные правила использования ИИ становятся таким же фактором доверия, как информационная безопасность или защита данных. Вебпрактик AI | Корпоративный ИИ

💬 #БизнесСреда с Александром Букуровым, основателем и директором Вебпрактик Вирусное внедрение ИИ: как Uber ускорил бизнес-процессы за 10 дней Внедрение искусственного интеллекта часто буксует из-за разрыва между теми, кто знает технологии, и теми, кто понимает бизнес. В канале Василя Закиева появился интересный разбор кейса Uber, который показывает, как преодолеть эту пропасть с помощью «вирусного» подхода. Суть методики: Uber выделил 30 инженеров, подкованных в агентном кодинге, и приставил их к экспертам из операционного бизнеса — юристам, финансистам, маркетологам. Дальше запустился 10-дневный спринт: 🔴Дни 1–2: инженер просто копирует работу эксперта и разбирает процесс на детали. 🔴День 3: приоритизация задач для автоматизации. 🔴Дни 4–5: сборка ИИ-решения. 🔴Дни 6–9: валидация и тестирование вместе с экспертом. 🔴День 10: полноценный запуск. По данным самой компании, за два месяца они реализовали 16 таких кейсов. И заявленные результаты впечатляют: — Время принятия решения по распределению бюджета сократилось с 15 часов до 30 минут. — Подготовка финансовых отчетов ускорилась с двух дней до 10 минут. — QA маркетинговых страниц теперь занимает 50 минут вместо двух недель. Что это значит для рынка? Этот кейс отлично иллюстрирует наш тезис: проблема не в самих инструментах, а в том, как их встраивают в реальные процессы. Покупать подписки на нейросети и просто раздавать их сотрудникам — путь в никуда. Через три месяца все вернутся к старым привычкам. Uber показал модель «внедрения через энтузиастов». Берешь специалиста, который уже умеет работать с ИИ, сажаешь его рядом с носителем доменной экспертизы и ставишь жесткий дедлайн на результат. Такой подход работает, потому что он фокусируется не на абстрактном «внедрении инноваций», а на расшивке конкретных узких мест в операционной деятельности. Это уже не просто тесты, а системная агентная трансформация бизнеса. А как вы подходите к внедрению ИИ: тестируете централизованно или отдаете на откуп энтузиастам в отделах? Делитесь опытом в комментариях! 👇 Вебпрактик AI | Корпоративный ИИ

Toyota внедряет ИИ для унификации производственной терминологии, это должно ускорить производство автомобилей Когда речь заходит об ИИ на производстве, обычно вспоминают про роботов, контроль качества на конвейере или предсказание поломок. Toyota с помощью нейросетей решает куда более фундаментальную задачу: учит свои подразделения говорить на одном языке. В середине прошлого века корпорация разделила производство и продажи на независимые компании. В 1982 году они снова объединились, но их информационные системы и корпоративная культура так и остались жить в параллельных реальностях. В результате одна и та же деталь или процесс получили разные названия: там, где отдел продаж видит длинное описание комплектации, производственный блок использует короткий внутренний код. За десятилетия этот исторический багаж превратился в огромный налог на неэффективность. Масштаб проблемы: ▪️ 560 шагов проходит автомобиль от планирования до поставки. ▪️ 195 из них (около 30%) существуют только для того, чтобы перевести термины между подразделениями. ▪️ 800 информационных систем. ▪️ 310 тысяч человеко-часов в год уходят исключительно на согласование терминов. Разработчики ИТ-систем даже не хотели прикасаться к этому хаосу, считая унаследованную архитектуру слишком сложной. Ситуацию изменило решение создать платформу OMUSVI (Organized Master Unified System for Vehicle Information) — единый слой данных для всего жизненного цикла машины. Именно здесь вступает в игру искусственный интеллект. Ни одна команда аналитиков не смогла бы вручную перебрать и связать между собой миллионы строк документации за 40 лет работы корпорации. Нейросети поручено проанализировать контекст, выявить синонимы и автоматически свести 45 тысяч запутанных внутренних терминов к 5 тысячам стандартизированных понятий. ИИ выступает как интеллектуальный переводчик, который понимает, что длинное описание у маркетологов и короткий буквенно-цифровой шифр на заводе — это одна и та же деталь. К 2028 году эта работа должна дать единую картину: отдел продаж будет видеть актуальное состояние производства без дополнительных запросов, а ИИ-система сможет автоматически рассчитывать количество компонентов и отправлять точные заявки поставщикам, избавляя их от сотен часов ручных расчетов по сложным спецификациям. Вебпрактик AI | Корпоративный ИИ

💭 #ПятничныйСтек с Иваном Поддубным, CTO «Вебпрактик» Немного про измерение эффективности от внедрения AI в SDLC Количество часов разговоров с коллегами в отрасли на эту тему за последний год я бы мог исчислять десятками) Например, полгода назад тут с коллегами из Т-Банк, Яндекс и WB (FunSun) или пару недель назад на круглом столе про ФОТ. Или под Новый год на митапе smallTech. Также много разговоров с коллегами в кулуарах Saint Highload++, TeamLeadConf, Sber Arch.Meetup и ещё многих других. Кстати, так сложилось, что практически не обсуждали на Agentic Dev Conf, там как будто бы у людей другой вайб, сильно больше тех, кто уже обосновал для бизнеса эффективность. Я бы разделил следующие фазы этой дискуссии. # ФАЗА 1: А ТОЧНО ЛИ УСКОРЯЕТСЯ САМ ПРОЦЕСС РАЗРАБОТКИ? ## Лагерь сомневающихся в ускорении Во многом коллеги ссылаются на какие-нибудь среднерыночные исследования, но берут конечно те, которые подчеркивают их картину мира, игнорируя отчеты и кейсы других компаний. Здесь, мне кажется, стоит разбирать кейсы, практический опыт и результаты конкретных компаний и потенциал воспроизводимости их опыта. Это точно полезнее средних опросов по больнице. Второй их основной довод: у нас в компании сеньоры тратят 10% на код, а львиная часть на решение блокеров и других вопросов. И правильное следствие (которое происходит не у всех) — анализировать узкие места и решать: то, что 10% пишется код порой может быть следствием неэффективности построения команд или межкомандного взаимодействия, процессов внутри. На мой взгляд, в таких случаях правильный вопрос: а стоит ли параллелить решение вопросов. Иногда можно на AI рельсах пересобрать новомодные tiny team, это как раз способ и перезагрузить проржавевшие старые процессы. А с AI-флагом сейчас можно как раньше с agile-флагом ломать многие преграды внутри корпоративных укладов. Третий довод в том, что упираемся в когнитивные возможности человека на валидацию (многие, в т.ч. Никита в канале SE Materials, подсвечивает риск). Я бы тут прокомментировал, что большую часть когнитивных возможностей должен решать harness. Предел, конечно же, есть, однако на мой взгляд этот предел точно х2-х3 выше, чем работа в старых парадигмах. Запуская harness в 2-3 потока с высоким уровнем автономности (работа часами с самопроверкой до результата), ты можешь поочередно решить 2-3 задачи, тогда как решал за это время условно 0,5. Но тема большая, в т.ч. если раскрывать мультипоточность работы разработчика в новых реалиях. ## Лагерь адоптеров Можно поделить на тех, кто нашел способ доказать ускорение на пилотах в определенных командах. Я видел разные пилоты в корпорациях за последние полгода. 1. Внедрение в greenfield-проект. Берут greenfield-проект, оценивают конвенциональными способами разработки в год (верифицируют оценку другими старыми командами). И потом эффективно делают его за пару месяцев. Примеров видел много. Вот публичный кейс x5, доклады Александра Поломодова (Т-Банк), в т.ч. на последнем Highload++ рассказывали об успехе таких команд, много данных в кулуарах конференций. Да и в целом кажется про успехи в greenfield не рассказывал только ленивый. 2. Внедрение в brownfield-проект. Это уже интереснее, т.к. было много споров, что вот на старых-то проектах внедрить нельзя. Но пилоты у многих показали, что и тут можно добиваться значимых результатов. На Agentic Dev Conf и грядущем TeamLead Conf Siberia коллеги из Райфа показывают такие пилоты и их успех в разных несвязанных вертикалях. Есть и много других проектов. И мы в Вебпрактик видим ускорение в т.ч. в brownfield проектах, если правильно работать с контекстом и правильно затачивать под это harness. Причём как про микросервисную (могу говорить про десятки/сотни), так и про монолитную brownfield-архитектуру. Т.е. в лагере адоптеров есть много кейсов, когда они доказали эффективность бизнесу через прирост производительности разработки в конкретных метриках. И есть, конечно, те, кто видят эффективность и не меряют, просто принимая это как новый уклад. Считая, что назад дороги уже давно нет, и можно двигаться только вперед. # ФАЗА 2: ТРАССИРОВКА ЭФФЕКТОВ ОТ УСКОРЕНИЯ НА БИЗНЕС Когда обе стороны принимают факт, что разработка ускорилась, или сторона сомневающихся условно принимает довод, что разработка ускорилась. И один из ключевых вопросов, который задают: а точно ли ускорение разработки даёт эффект в бизнесе? Измеримый сквозной throuthput. В идеале, в финансах. И тут ловушка, в которую попадает этот вопрос: что даже в мире без AI в большинстве команд не могут однозначно сказать, насколько те или иные гипотезы бэклога определенного продукта повлияли на сквозную пользу для бизнеса, который выразился в финансовом результате. Могут быть какие-нибудь промежуточные метрики, но насколько они точно влияют на конечный бизнес-результат, сказать сложно. Да, есть кейсы, когда это можно трассировать прозрачно, как ускорение переработки бэклога даёт прозрачный бизнес-результат. Но померить влияние на финансы какой-нибудь команды в микросервисной архитектуре — порой весьма непростая задача) И тогда 2 сценария: а) У вас есть возможность доказать бизнесу, что бэклог действительно конвертируется в ценность и ускорение переработки бэклога = польза. б) У вас идут сценарии доказывания через сохранение скорости бэклога, но сокращение ресурсов. === В целом, в правильном споре стоит разделять уровни, и спорить на каждом конкретно: разработчик / команда / поток доставки / бизнес Часто в спорах идет перепрыгивание с уровня на уровень, причем неосознанное. На мой взгляд, эффективность разработки доказана давно. Лето 2026 славится тем, что уже к этому моменту, за весну, многие корпорации откатали свои пилоты и пришли с публичными результатами, о которых могут заявлять. Сейчас все начинают думать, как масштабировать этот опыт и решать те боли, с которыми столкнулись в процессе. Нельзя не уважить лагерь тех, кто говорит подходить аккуратнее и утверждает, что можно получить ускорение больше классическими методами поиска узких мест без AI, особенно если у вас накопился большой ворох проблем и те самые 10% написания кода происходят в результате огромного количества блокеров. Но, имхо, эти процессы нужно параллелить. Чтобы к тому моменту, когда вы разошьете старые проблемы, не оказалось, что вы в самом начале перевода производства на новые рельсы. Вебпрактик AI | Корпоративный ИИ

Таковы данные исследования HexaData, посвященного цифровой зрелости фармацевтических компаний. В первом полугодии 2026 года агентство опросило более 30 производителей. 80%+ выборки составили крупные и средние компании с оборотом от 5 млрд рублей. Среди респондентов — C-level, руководители ИТ, аналитики и цифровой трансформации. 72% опрошенных прямо заявили: корпоративные данные не выдерживают требований AI‑систем, 67% признали, что уже сворачивали AI‑инициативы из‑за проблем с данными. Ответы показывают три повторяющиеся причины: 1. Данные разнесены между несколькими учетными системами, интеграция либо отсутствует, либо поддерживается вручную. 2. Нет единых справочников, одни и те же сущности по‑разному называются в производственных и коммерческих контурах. 3. В компании нет функции Data Governance, никто формально не отвечает за качество, полноту и единообразие данных. На этом фоне почти 100% респондентов проявляют интерес к ИИ‑сценариям — от предиктивной аналитики спроса и оптимизации логистики до планирования клинических исследований, но до промышленной эксплуатации доходит лишь около 8% проектов. Основные точки сбоя — некачественный вход, отсутствие стандартизированных процессов работы с данными и непонимание, как встроить AI‑решения в жестко регулируемые контуры фармпроизводства. HexaData оценивает окно в 3–5 лет как критическое для формирования нового конкурентного преимущества: выиграют те компании, которые сначала разберутся с архитектурой данных и Data Governance, а уже потом будут масштабировать ИИ, а не бесконечно перезапускать пилоты. Вебпрактик AI | Корпоративный ИИ