Как найти баланс между возможностями генеративных моделей и точностью классических алгоритмов? Участники секции «Компьютерное зрение и генеративный AI: грани ИИ», которая состоялась в рамках организованного CNews Conferences форума «Технологии искусственного интеллекта», разобрали практические кейсы, где ИИ перестал быть просто текстовым чат-ботом и превратился в полноценный измерительный, навигационный и инженерный слой. Главный вывод — бизнес массово отказывается от избыточного глянцевого контента и галлюцинирующих систем в пользу локальных конвейеров данных, мультимодального анализа, а также генеративного проектирования сверхузких ниш, где технологии позволяют автоматизировать сложные физические и визуальные процессы, кратно ускоряя работу человека.
Как сделать ИИ-проект эффективным
До 95% ИИ-пилотов до сих пор не приносят компаниям измеримого финансового эффекта. Более того, по прогнозам аналитиков, до 40% текущих проектов ИИ-агентов будут полностью закрыты к концу следующего года. Роман Мезенцев, директор по внедрению искусственного интеллекта ФГ БКС и модератор конференции, объяснил эту тенденцию тем, что бизнес видит лишь вершину айсберга в виде затрат на сами модели, токены и лицензии, полностью игнорируя скрытую стоимость наведения порядка в данных, оцифровки процессов, интеграции с контуром безопасности и постоянного мониторинга качества.
Чтобы не превратить ИИ в дорогую корпоративную игрушку, Роман Мезенцев рекомендовал внедрить сквозную воронку отбора и строгий аудит инициатив. Этот процесс должен включать пошаговую фиксацию текущих действий сотрудников, расчет базовых экономических метрик, запуск пилота с жесткими критериями успеха, а также обязательный этап «двойного процесса», когда задача выполняется с ИИ и без него одновременно для точного сравнения затрат. Важнейшей организационной мерой спикер назвал выделение роли внутреннего ИИ-партнера с правом «вето», который раз в квартал проводит ревизию портфеля и выносит заключение о применимости и финансовой состоятельности каждого решения. Успешное внедрение требует от акционеров и топ-менеджмента не просто бюджетов, а воли, запаса прочности и инвестирования времени ключевых сотрудников в обучение.
Давид Каграманян, начальник группы инновационных разработок «МосТрансПроект»: Автоматизация высокочастотных рутинных операций окупается значительно быстрее крупных флагманских систем, принося измеримый эффект в часах уже через 4 недели после запуска
Алексей Одедесион, CEO «Платежный сервис А3»: Автоматизация компании начинается не с бюджетов, а с личного календаря руководителя, инициативы снизу и готовности сотрудников самостоятельно вычищать рутину в своей ежедневной работе
Роман Мезенцев, директор по внедрению искусственного интеллекта ФГ БКС: Чтобы не превратить ИИ в дорогую корпоративную игрушку, надо внедрить сквозную воронку отбора и строгий аудит инициатив
Алексей Авдей, заместитель исполнительного директора по ИИ-трансформации портала «Рамблер»: ИИ-агенты эволюционировали из простых диалоговых окон в инструмент, совершающий многошаговые действия на компьютерах и смартфонах пользователей
Ольга Канакова, руководитель направления по методологии управления инновациями и экспертной поддержке Департамента по цифровой трансформации «Газпромнефть»: «Газпромнефть» активно развивает научно-исследовательские проекты и создает первые ИИ-прототипы с подтвержденными технологическими гипотезами
Для компаний, которые только начинают этот путь или обладают ограниченными ИТ-ресурсами, эксперт сформулировал правила «дешевого входа». Вместо разработки сложных индивидуальных систем целесообразно сфокусироваться на личной продуктивности менеджеров, автоматизации строго одного, но полностью оцифрованного процесса и использовании проверенных ИИ-решений. Преимуществом небольших организаций в данном случае становится минимум унаследованной ИТ-архитектуры (legacy), что позволяет им гибко и быстро перестраивать работу. Роман Мезенцев подчеркнул, что ИИ является доступной технологией только для зрелых компаний, а непомерно дорогой ее делает исключительно попытка перепрыгнуть через базовые ступени организационной готовности.
Алексей Авдей, заместитель исполнительного директора по ИИ-трансформации портала «Рамблер», представил доклад о грядущей агентной экономике и выживании традиционного бизнеса в эпоху, когда транзакции полностью уходят от человека к машине. Спикер отметил стремительное падение классического поискового трафика — появление умных ИИ-сводок в поисковой выдаче привело к тому, что 26% пользователей завершают сессию, вообще не переходя по ссылкам, а общий трафик издателей упал на треть. Агенты эволюционировали из простых диалоговых окон в инструмент, совершающий многошаговые действия на компьютерах и смартфонах пользователей: от Алисы с коммерческим протоколом YCP, где 30% начавших поиск оформляют заказ прямо в чате, до маркетплейсов корпоративных агентов на базе GigaChat Enterprise. В этих условиях ценность стремительно вымывается из платформ, чья работа описывается как пошаговое выполнение инструкций в интерфейсе, что доказывает крах крупнейших образовательных и ИТ-сервисов, потерявших до 97–99% своей пиковой капитализации.
Используя древнекитайскую притчу, эксперт призвал компании не возводить бесполезные «дамбы» против автоматизации, а прорывать новые «русла» и искать точки, в которых умные алгоритмы пока бессильны. Спикер выделил пять критических зон, где спотыкается любой поток: человеческие чувства, потребность в физическом офлайне, прямая юридическая ответственность, оцифровка скрытого уникального контента и понимание жизненного контекста. Именно в этих зазорах рождаются новые бизнес-модели, на которых уже зарабатывают передовые игроки: от кулинарных студий, продающих крупным ИИ-моделям верифицированные данные о вкусах реальных людей, до внедрения протоколов агентской коммерции, определяющих жесткие правила безопасных платежей со стороны нейросетей. В качестве примера он привел масштабную перестройку портала «Рамблер» в диалоговую мультиагентную систему, где умный оркестратор мгновенно подключает тематических агентов (новостного, эксперта по спорту или еде) под конкретную жизненную ситуацию человека.
Для адаптации бизнеса к эпохе поисковой ИИ-оптимизации (GEO) Алексей Авдей сформулировал четыре главных правила. Во-первых, компаниям необходимо провести аудит того, что о них прямо сейчас отвечают популярные модели, и стать для машин первичным источником верифицированных знаний в форме готовых бытовых сценариев. Во-вторых, критически важно оцифровать и превратить в закрытое сырье все то, чего физически нет в интернете: от собственных уникальных экспертов до складских остатков. Наконец, бизнес обязан сохранять человека и эмпатию во всех процессах, где клиенты принципиально хотят взаимодействовать с людьми. Спикер резюмировал доклад утверждением, что агент без проблем оформит транзакцию, но кому доверить понимание своей жизни, человек всегда будет решать сам.
ИИ против рутины
Давид Каграманян, начальник группы инновационных разработок «МосТрансПроект», представил доклад о практических методах борьбы с повседневной рутиной — подготовкой протоколов совещаний, поиском ссылок на информацию в нормативной документации, подготовкой презентаций, переносом данных их сканов в таблицы и пр. На это уходит от 25% до 50% времени сотрудников проектного института. В качестве эффективного решения команда института выбрала создание конвейеров обработки данных под конкретные, осязаемые задачи на базе локальных агентных систем. Вся инфраструктура развернута во внутреннем контуре на базе операционной системы Rocky Linux, а для оркестрации вычислений, векторного поиска и построения пайплайнов переиспользуются открытые платформенные инструменты.
Разработанная экосистема включает три прикладных ИИ-продукта. Первым решением стал «Саммаризатор ВКС» на базе моделей распознавания речи и диаризации, который полностью автоматизировал подготовку протоколов встреч: система за несколько минут анализирует часовую запись, сопоставляет говорящих, корректирует отраслевые термины и выгружает готовую повестку с поручениями, сроками и ответственными в согласованный шаблон. Второй продукт — парсер смет и коммерческих предложений — с помощью мультимодальных нейросетей распознает сканы и PDF-файлы, нормализует единицы измерения, шифры расценок и автоматически сводит данные от разных поставщиков в единую сравнительную таблицу. Третий инструмент под названием «Корректум» осуществляет автоматическую проверку презентационных материалов заказчика на соответствие брендбуку, выявляет битые ссылки, канцелярские конструкции и контролирует сходимость числовых данных в тексте и на диаграммах.
Подводя итоги внедрения, эксперт подчеркнул, что автоматизация высокочастотных рутинных операций окупается значительно быстрее крупных флагманских систем, принося измеримый эффект в часах уже через 4 недели после запуска. За счет централизованной архитектуры и переиспользования до 40% общей инфраструктуры разработка каждого последующего сервиса обходится организации дешевле. Локальные языковые модели объемом от 8 до 27 млрд параметров полностью закрывают задачи структурирования и проверки формы. Спикер особо отметил, что любые нейросети могут ошибаться, поэтому во всех созданных продуктах обязательно сохраняется полный контроль со стороны пользователя, который может легко проверить и скорректировать финальный результат работы искусственного интеллекта.
Алексей Одедесион, CEO «Платежный сервис А3», представил практический кейс тотальной автоматизации, основанный на принципах всеобщей вовлеченности персонала и личном примере высшего руководства. Спикер подчеркнул, что в организации со штатом из 160 человек технологии стали повседневным стандартом работы для каждого сотрудника, а не привилегией избранных. Рабочий день руководителя полностью перестроен под управление шестью специализированными умными агентами, выполняющими роли цифровых сотрудников с четкими задачами: от утреннего разбора почты и планирования встреч до автоматического аудита бэклога команды. Ощутимый экономический эффект приносит ассистент совещаний, который самостоятельно транскрибирует планерки, формирует дебрифинг и после подтверждения пользователем автоматически выгружает задачи на Kanban-доску, что экономит директору до трех часов времени в неделю.
Основным драйвером внутренних изменений стал конкурс проектов, в котором добровольно приняли участие 133 сотрудника, подготовившие 47 прикладных решений и высвободившие организации более 1100 часов рабочего времени. Примечательно, что победителем конкурса стала не команда разработчиков, а руководитель направления развития бизнеса с проектом единого рабочего пространства для управления партнерами взамен десятков разрозненных таблиц. Системное внедрение алгоритмов позволило компании кратно ускорить рутинные операции. Так, время формирования актов сверки в операционном департаменте сократилось с целого рабочего дня до 45 минут, а фиксация контекста звонков теперь занимает всего 15 минут, что позволяет обеспечивать трехкратный рост масштабов бизнеса без пропорционального расширения штата.
При этом докладчик признал, что из всех инициатив до стадии продуктовой эксплуатации дошли лишь 21% кейсов, тогда как около 74% проектов так и не смогли выйти из стадии прототипа. Главными барьерами на этом этапе выступают жесткие требования информационной безопасности, запрещающие передачу персональных данных во внешние модели, а также дефицит ресурсов DevOps-инженеров и скрытый саботаж со стороны классического ИТ-департамента. Для преодоления этих ограничений организация переходит к созданию выделенного защищенного облачного контура, обязательному вовлечению офицеров безопасности на старте проектирования и запуску корпоративного клуба авторов решений. Алексей Одедесион отметил, что автоматизация компании начинается не с бюджетов, а с личного календаря руководителя, инициативы снизу и готовности сотрудников самостоятельно вычищать рутину в своей ежедневной работе.
От ИИ-агентов к сложным интеллектуальным системам
Мировой рынок генеративного проектирования находится на ранней стадии формирования, но демонстрирует ежегодный темп роста на уровне 29,1%. Технология позволяет на основе текстовых целей и нормативных ограничений автоматически создавать сотни оптимальных инженерных вариантов. Опыт глобальных лидеров подтверждает ценность подхода: на этапе обустройства и бурения ИИ сокращает сроки проектирования скважин и наземных объектов на 50–80%, снижая материалоемкость на 20–40% и обеспечивая кратный рост дебита за счет раннего ввода скважин в эксплуатацию. В то время как 100% мировых разработчиков САПР уже внедрили генеративный функционал в свои коммерческие решения, отечественные разработчики инженерного софта находятся на стадии активного тестирования точечных модулей для трассировки трубопроводов и автоматической компоновки оборудования.
В рамках реализации собственного цифрового технологического видения «Газпромнефть» активно развивает научно-исследовательские проекты и создает первые ИИ-прототипы с подтвержденными технологическими гипотезами, рассказала Ольга Канакова, руководитель направления по методологии управления инновациями и экспертной поддержке Департамента по цифровой трансформации «Газпромнефть». В частности, разработан прототип системы автоматического проектирования объектов капитального строительства для снижения отклонений по бюджетам и срокам обустройства месторождений, а также обучена нейросетевая модель сегментации для проверки чертежей и BIM-моделей на соответствие государственным стандартам. Большие языковые модели успешно применяются для автоматической генерации замечаний к проектной документации. Кроме того, созданы инновационные прототипы для автоматического преобразования двухмерных чертежей в трехмерные цифровые модели и мгновенной реконструкции физических объектов в 3D на основе обычных фотографий со смартфона (с использованием алгоритмов NeRF), что существенно удешевляет создание VR-курсов и проведение план-фактного строительного контроля.
Ксения Черемисина, руководитель направления анализа инновационных технологий «Газпромнефть ИТО», обратила внимание на кардинальное различие между текстовыми ИИ-ассистентами и сложными инженерными системами. Если текстовые чат-боты используют готовую базу мирового бигтеха и требуют инвестиций уровня миллионов рублей, то создание специализированной физико-математической «инженерной модели ИИ» требует сбора закрытых промышленных датасетов, огромных вычислительных мощностей и затрат масштаба миллиардов рублей. Докладчики подчеркнули, что генеративное проектирование невозможно развивать силами одного, даже крупнейшего игрока. Для опережающего перехода на новый технологический уклад, импортозамещения критического ПО и вывода нерентабельных ранее запасов в зону эффективности необходима масштабная кооперация участников рынка, объединяющая отраслевые данные, академическую науку, полигоны и совместное финансирование.
Ольга Кокорина, руководитель проектов по компьютерному зрению ТВЭЛ, представила доклад о практическом внедрении систем технического зрения на крупных промышленных предприятиях. Она выделила пять ключевых производственных задач, которые успешно закрывает эта технология: автоматический контроль качества выпускаемой продукции, непрерывный мониторинг состояния узлов оборудования, обеспечение безопасности труда, управление логистическими процессами и автоматическая инвентаризация складов.
На базе предприятий дивизиона развернут пул ИИ-проектов, охватывающий всю технологическую цепочку от входного контроля сырья до финальной отгрузки. В частности, на заводах были успешно внедрены программно-аппаратные комплексы (ПАК) для автоматизации контроля качества концевых деталей, геометрии и дефектов подпятников, контроля пружин и цилиндрических слитков лития, а также уникальная система проверки внепроектного положения тепловыделяющих элементов (ТВЭЛ) в нижних решетках.
Ольга Кокорина подробно разобрала кейс создания АПК контроля дистанционирующих решеток, который позволил кардинально перестроить систему ОТК. В условиях традиционного производства контролеры физически успевали осуществлять проверку лишь 20–30% объема выпускаемой партии изделий. Внедрение специализированного измерительного комплекса с лазерными триангуляторами и блоком вертикальных видеокамер позволило перейти на 100% объем автоматического контроля геометрии, соосности и качества сварных точек без увеличения численности персонала. Опытно-промышленная эксплуатация комплекса продемонстрировала сокращение времени проведения контрольных операций на производстве ровно в 4 раза, полностью исключив риски пропуска брака потребителю и обеспечив сбор данных для создания сквозных цифровых двойников.
Опираясь на накопленный опыт, эксперт разделила технологии промышленного зрения на два поколения: классические алгоритмы (CV 1.0), работающие по жестким геометрическим правилам инженера на обычных CPU, и глубокие нейросети (CV 2.0), способные обучаться на датасетах для поиска неформализуемых дефектов поверхности. Наиболее эффективным подходом для заводов Ольга Кокорина назвала построение гибридных систем, где классическая логика отвечает за точные измерения, а нейросети — за распознавание сложных образов. Она сформулировала два главных правила для индустрии, отметив, что большинство провалов ИИ-проектов в промышленности связано не с алгоритмами, а с качеством датасетов, оптикой съемок и освещением на местах. Для успешной ИИ-трансформации бизнесу необходимо двигаться последовательно: брать один конкретный участок с измеримым KPI, проводить пилот за 1,5–3 месяца и лишь затем масштабировать решение на общей платформе качества.
Сегодня технологический разрыв между базовыми моделями стремительно сокращается, стоимость токенов падает, а открытые решения дают сопоставимое качество практически бесплатно, из-за чего ключевая ценность окончательно смещается в сторону уникальных данных. В ритейле и бьюти-индустрии умные алгоритмы становятся главной точкой контакта с покупателем, уверена Кристина Фарберова, руководитель и сооснователь сервиса онлайн-диагностики Openface. Глобальные игроки массово переносят корзину, оплату, программы лояльности и подбор товаров внутрь диалоговых окон, фиксируя колоссальный лавинообразный рост трафика из внешних ИИ-ассистентов. Проектируя собственный продукт, команда Openface сознательно отказалась от генеративного ИИ, который склонен галлюцинировать, придумывать несуществующий контент и звучать излишне уверенно при совершении ошибок. Ставка была сделана на классическое компьютерное зрение, способное находить, точно измерять и воспроизводить реальные метрики на фотографии.
Самым дорогим и сложно повторимым компонентом системы стали накопленные во времени специализированные данные, которые невозможно купить на рынке. Модель компании обучается не на готовых бесплатных дата-сетах, а на строгой независимой разметке практикующих дерматологов. Каждый снимок размечается минимум тремя врачами, которые вручную обводят рамками отдельные элементы, а для оценки экспертной сходимости в выборку регулярно подмешиваются контрольные изображения. Вместо жесткой классификации, обязывающей алгоритм ставить один сомнительный диагноз на границе пограничных состояний, разработчики внедрили метод сглаживания распределения меток (Label Distribution Smoothing). Это позволяет модели снижать процент уверенности там, где медицинская граница условна, отображая реальное вероятностное распределение признаков. Такой подход доказал высокую бизнес-эффективность на массиве из 250 тыс. отчетов: конверсия в покупку в воронке с диагностикой выросла в три раза, а выручка с одного клиента увеличилась на 63%.
Кристина Фарберова подчеркнула, что конечной ценностью для пользователя является не констатация ИИ факта наличия эстетического дефекта, а понятный навигационный ответ на вопрос о том, когда и при каких условиях его состояние улучшится. ИИ не пытается заменить врача, а выступает точным измерительным слоем, отслеживающим серию регулярных снимков, динамику и скорость изменений для корректировки домашнего ухода. Она выделила три главных тренда: неизбежный переход от подписных моделей монетизации к оплате за конкретный агентский результат (закрытую задачу, сделку, пост), ужесточение регулирования маркировки ИИ-контента, а также дефицит вычислительных мощностей, чипов и электричества, который станет главным инфраструктурным ограничителем для индустрии в ближайшие годы.
Андрей Бурсов, советник по цифровой медицине ИСП РАН, представил доклад о практических результатах автоматической классификации состояний здоровья на основе анализа электрокардиограмм (ЭКГ) различной канальности. Ключевым вызовом для глубокого обучения в здравоохранении является не усложнение архитектуры нейросетей, а постоянный дефицит качественно аннотированных данных, верифицированных медицинскими экспертами. Чтобы снять это ограничение, на базе ИСП РАН был сформирован постоянный штат из 7 практикующих врачей функциональной диагностики, силами которых создана собственная система медицинского аннотирования. Модели сервиса были успешно обучены на масштабном верифицированном массиве из более чем 1,5 млн цифровых ЭКГ, собранных из региональных баз данных и статистики столичной скорой помощи. Итогом многолетних исследований стал запуск специализированного сервиса нейросетевой классификации ЭКГ.
На первом этапе программный комплекс обеспечивал автоматическое распознавание 11 критических кардиологических синдромов с подтвержденными показателями чувствительности и специфичности на уровне 91–98%. В течение текущего года исследовательская команда существенно расширила диагностический функционал, обучив алгоритмы распознавать еще 14 тяжелых патологий. Параллельно с классическим 12-канальным анализом ИСП РАН успешно адаптировал нейросетевые модели для обработки 6-канальных и одноканальных ЭКГ. Тестирование показало, что точность распознавания опасных аритмий по одному каналу сравнима с профессиональными кардиографами, что открывает широкие возможности для домашнего использования и интеграции алгоритмов в потребительские носимые устройства, такие как смарт-часы.
Стратегическим вектором развития проекта стал процесс сбора и мультимодального анализа данных, реализуемый на базе единой платформы НЦМУ. Главная цель этой инициативы заключается в бесшовной интеграции разнородных сигналов, поступающих как с бытовых гаджетов, так и со стационарных медицинских приборов, для создания постоянно пополняемых аннотированных валидационных датасетов. Это позволит осуществлять сверхраннюю диагностику и прогнозирование рисков развития сердечно-сосудистых заболеваний на национальном уровне. Андрей Бурсов пригласил партнеров к кооперации, отметив, что цифровая трансформация медицины позволяет не просто снизить операционные издержки клиник, но и формирует принципиально новую культуру доверенного искусственного интеллекта и технологического суверенитета в здравоохранении.
Ксения Черемисина, руководитель направления анализа инновационных технологий «Газпромнефть ИТО»: Для опережающего перехода на новый технологический уклад, импортозамещения критического ПО и вывода нерентабельных ранее запасов в зону эффективности необходима масштабная кооперация участников рынка
Ольга Кокорина, руководитель проектов по компьютерному зрению ТВЭЛ: Большинство провалов ИИ-проектов в промышленности связано не с алгоритмами, а с качеством датасетов, оптикой съемок и освещением на местах
Андрей Бурсов, советник по цифровой медицине ИСП РАН: Тестирование показало, что точность распознавания опасных аритмий по одному каналу сравнима с профессиональными кардиографами
Олег Коновалов, креативный директор компании «Сантэнс»: Отказ от ИИ-инструментов в 2026 г. равносилен добровольному пересаживанию с авиалайнера на самокат
О том, как генеративный ИИ изменил креативную индустрию, рассказал Олег Коновалов, креативный директор компании «Сантэнс». Он напомнил, с чего начиналась генерация графики: первые версии Stable Diffusion выдавали размытые снимки размером 512 пикселей с качеством цифровой мыльницы нулевых и пугающими анатомическими ошибками. Сегодня генеративные модели совершили гигантский скачок, научившись мгновенно выдавать изображения на уровне талантливых импрессионистов, что полностью перестроило ландшафт креативной индустрии. Потребительский хайп дошел до точки «идеального результата», из-за чего в 2026 году возник обратный тренд — авторы контента намеренно добавляют в ИИ-картинки цифровой шум, грязь и царапины, чтобы сымитировать «неумелую руку» и вернуть визуалу реалистичность, поскольку идеальная глянцевая генерация начала утомлять аудиторию.
Главную бизнес-ценность технологии эксперт видит в закрытии реальных болей для сверхузких коммерческих ниш, для которых на классических фотостоках физически нет контента (например, специфические изображения вроде «оператор сканирует паллету» или «маркировка вакцин»). В таких сценариях у бизнеса раньше было три сложных, долгих и дорогих пути: организовать физическую фотосъемку на реальном объекте, рисовать графику самостоятельно или нанимать стороннего художника, который потратит недели и может не разобраться в специфике оборудования. Генеративные нейросети открыли «четвертую дверь», позволяя по набору точных референсов за 10–30 сек создавать реалистичные отраслевые иллюстрации. Аналогичный сдвиг произошел в производстве аудиоматериалов: чтобы избежать вечных блокировок в соцсетях по алгоритмам Content ID, компаниям сегодня гораздо проще сгенерировать уникальный музыкальный трек под задачу, чем покупать сомнительные лицензии.
В то же время спикер выделил вечные ограничения генеративного ИИ, назвав промпт-инжиниринг типичной «профессией-однодневкой». Хайп вокруг продажи сборников готовых текстовых команд полностью угас, так как регулярные апдейты обнуляют прошлый опыт, а современные большие языковые модели (LLM) теперь сами идеально пишут промпты для графических генераторов на основе базового контекста. Must-have связкой для рабочего процесса стала цепочка, где человек описывает идею словами, LLM формирует точный промпт, генератор создает черновик, а специалист вносит финальные правки. Нейросетям принципиально нельзя доверять задачи без жестких критериев оценки (например, «сделай клево»), поскольку у ИИ отсутствует понятийный аппарат и художественный вкус — это всегда остается зоной ответственности человека. Олег Коновалов провел аналогию между самолетом и самокатом, отметив, что отказ от ИИ-инструментов в 2026 г. равносилен добровольному пересаживанию с авиалайнера на самокат: генеративные технологии не заменяют мастера, но делают умелого специалиста в разы быстрее и эффективнее.
