Примеры внедрения ИИ в российских компаниях

Примеры внедрения ИИ в российских компаниях уже есть с цифрами: Сбер считает эффект в сотнях миллиардов рублей, Т-Банк отдал ИИ-агентам часть обращений в поддержку, «Северсталь» подняла производительность линии на 4%. Ниже восемь задокументированных кейсов, наши кейсы в среднем бизнесе и типовые сценарии для среднего бизнеса. Цифры взяты из публикаций компаний и СМИ, ссылки — в конце статьи.

Примеры внедрения ИИ в крупных российских компаниях

ИИ в крупных компаниях работает уже не в пилотах, и многие из них публикуют результаты. Мы отобрали кейсы, где компания назвала задачу, решение и результат. Сначала сводная таблица, потом подробности по каждому.

Компания	Задача	Опубликованный результат
Сбер	ИИ во всех процессах банка	Финансовый эффект за 2025 год — более 475 млрд ₽, около 900 автономных агентов
Т-Банк	Клиентская поддержка	ИИ-агенты сами решают 40% обращений (июль 2025)
X5	Прогноз спроса, цены, ассортимент, агенты для сотрудников	Около 5 млрд ₽ дополнительной операционной прибыли за 2025 год
Ozon	Поддержка покупателей	Среднее время обработки обращения сократилось на 20%
Лемана Тех	Описания карточек товаров	Срок подготовки описаний — с двух недель до секунд, бюджет на контент −95%
Магнит OMNI	Отзывы и контент	До 4 млн отзывов в месяц обрабатывает ИИ
«Северсталь»	Управление скоростью травильной линии	+4% производительности и 273,5 млн ₽ эффекта за три месяца
РЖД	Осмотр вагонов, голосовые помощники	Голосовые помощники обрабатывают 56% запросов клиентов

Сбер: сотни агентов и эффект в сотнях миллиардов

Сбер регулярно публикует оценку эффекта от ИИ. По данным аналитического отчёта Школы финансов СберУниверситета, в 2025 году банк реализовал больше 700 ИИ-инициатив и внедрил около 900 автономных агентов. Финансовый эффект превысил 475 млрд рублей, из них больше 50 млрд дал генеративный ИИ. За 2024 год Сбер называл эффект больше 450 млрд рублей.

Конкретный пример — решения по клиентам. По словам Германа Грефа, по физлицам ИИ принимает 99,9% решений, по компаниям в среднем 75%, кроме двух продуктов. Стоимость риска при этом на 60% ниже, чем при ручных процессах, а решение по юрлицу занимает в среднем 5–7 минут.

Т-Банк: ИИ-агенты в клиентской поддержке

В июле 2025 года Т-Банк сообщил, что ИИ-агенты в поддержке самостоятельно решают 40% обращений. После перехода на собственную модель T-Pro 2.0, обученную на данных банка, агенты стали на 10% чаще закрывать вопрос без оператора.

В августе 2026 года банк рассказал про следующий шаг — ИИ-сотрудника, который ведёт сложные сценарии. Вместо готового скрипта он смотрит данные конкретного клиента и сам выполняет действия в системах банка. Например, отвечает на вопрос «Куда ушли деньги с карты?». В банк приходит около 19 млн обращений в месяц, и этот агент охватывает около 30% всего клиентского обслуживания. Новый сценарий запускают не дольше чем за три недели.

X5: прогноз спроса и агенты, которые собирают сами сотрудники

X5 оценила эффект от ИИ-решений за 2025 год примерно в 5 млрд рублей дополнительной операционной прибыли. Основной вклад дали прогноз спроса и пополнение запасов. Работают также модели ценообразования и управления ассортиментом, компьютерное зрение следит за наличием товара на полках.

Внутри компании есть сервис CoPilot X5 с доступом к разным моделям. Им воспользовались больше 32 тыс. сотрудников, регулярно — 21 тыс. На платформе ACE X5 сотрудники сами создали больше 2,3 тыс. ИИ-агентов, и те обработали больше 150 тыс. запросов. Эффект X5 подтверждает A/B-тестами и финансовыми моделями.

Ozon: подсказки операторам и модели на своих серверах

Ozon подключил языковые модели к работе контакт-центра. Модель пересказывает диалог до сути проблемы клиента и подбирает шаблон ответа. По данным компании, среднее время обработки обращения сократилось на 20%.

Ещё одна деталь: многие обращения содержат персональные данные. Поэтому Ozon использует открытые модели и разворачивает их на своём оборудовании.

Ритейл: Лемана Тех, Магнит OMNI и ВкусВилл

Три ритейлера рассказали о внедрении на одной встрече. Это хорошие примеры искусственного интеллекта в бизнесе: в них видны и результаты, и ограничения.

• Лемана Тех генерирует описания карточек товаров через API Яндекса. Подготовка описаний сократилась с двух недель до считанных секунд, бюджет на контент — на 95%. При этом команда честно рассказала об ошибках: GigaChat додумывал факты и не справился с описанием гвоздя. Весь контент проверяют вручную.
• Магнит OMNI обрабатывает с помощью ИИ до 4 млн отзывов в месяц и ищет в них точки роста. Генерация контента снижает затраты на 10–15%. Модели со временем деградируют: под новую акцию их приходится дообучать.
• ВкусВилл дообучает готовые модели вместо разработки своих. Компьютерное зрение в дарксторах оценивает качество овощей и фруктов за две секунды, система работает больше чем на 60 точках.

«Северсталь»: машинное обучение на производстве

Раньше скорость непрерывно-травильного агрегата №4 выставлял оператор по опыту. «Северсталь» внедрила модели машинного обучения: они в реальном времени смотрят параметры продукции и задают оптимальную скорость, а ещё прогнозируют паузы, чтобы сократить простои. Алгоритмы сначала проверили на цифровом двойнике агрегата. За три месяца производительность выросла на 4%, экономический эффект составил 273,5 млн рублей.

РЖД: полсотни проектов и нет методики подсчёта

Кейс РЖД полезен как раз тем, что компания открыто говорит о проблеме. В РЖД больше 50 ИИ-проектов и 38 систем с ИИ в эксплуатации. Голосовые помощники обрабатывают 56% запросов клиентов и сокращают время обработки в 3–5 раз. Эффект от пилота интеллектуального осмотра вагонов на 32 пунктах вдвое превысил инвестиции.

Но в целом посчитать эффект компания пока не может. Замгендиректора РЖД Евгений Чаркин сказал на форуме в ноябре 2025 года, что единой методики в стране нет, и отрасль разрабатывает её сама.

Наши кейсы: ИИ в работе сотрудников и в процессах

Эти примеры ближе к среднему бизнесу, чем кейсы выше. Внедрение у нас идёт в две ступени. Сначала ИИ появляется в работе сотрудников: каждому настраиваем Claude Code и подключаем его программы. Потом ИИ встраивают в процессы компании, и он работает сам по заданным правилам.

Кто	Что сделали	Результат
Финансовый директор	Подключили к банкам, Google Таблицам и сервисам финучёта	Не пришлось нанимать двух помощников: 300 000 ₽ в месяц
Руководитель отдела продаж	Саммари каждого звонка, сводка по менеджерам, распределение лидов по правилам РОПа	Конверсия в сделку выросла с 13% до 22%, не нужен отдельный контроль качества: 150 000 ₽ в месяц
Сметчики	Смету считают с Claude Code	30 минут на смету вместо 3–5 часов, из трёх сметчиков остался один: около 400 000 ₽ в месяц
Маркетплейсы	Один менеджер с Claude Code ведёт рекламу, отзывы и A/B-тесты картинок	Вместо пяти менеджеров один: 200 000 ₽ в месяц
Служба поддержки	ИИ отвечает на обращения и закрывает возражения	Из отдела в 5–7 операторов остался руководитель
Ремонтная компания	Приложение, где ИИ сверяет расходы на объектах с регламентом	Финансовый директор видит все объекты в одном месте

Четыре должности из первой ступени вместе дают больше миллиона рублей экономии в месяц. Больше примеров по отделам — в каталоге ИИ-агентов.

Это примеры ИИ-агентов в том смысле, который мы вкладываем в слово «агент»: он сам берёт данные из кабинетов, делает работу и присылает результат. Чем агент отличается от чат-бота, мы подробно разобрали в статье что такое ИИ-агент. Если хотите такого же для своего отдела, посмотрите, как мы делаем разработку ИИ-агентов.

Типовые сценарии применения ИИ в бизнесе по отделам

В таблице ниже типовые сценарии, а не кейсы: так ИИ чаще всего применяют в малом и среднем бизнесе. Цифр эффекта здесь нет специально: они зависят от объёма работы в конкретной компании.

Отдел	Типовой сценарий	Системы	Что мерить
Продажи	Расшифровка всех звонков, оценка по скрипту, карточка сделки заполняется после звонка	Битрикс24, amoCRM, Mango Office, UIS	Доля проверенных звонков, время РОПа на контроль, конверсия
Финансы	Разнесение платежей по статьям, платёжный календарь, прогноз кассовых разрывов	1С, Т-Банк Бизнес, Сбер Бизнес, ПланФакт	Часы бухгалтера, срок закрытия месяца
Маркетинг	Еженедельный отчёт по каналам со стоимостью лида, тексты и креативы	Яндекс Директ, Метрика, VK Реклама	Время на отчёты, стоимость лида
Руководитель	Утренняя сводка по продажам, деньгам и остаткам в Telegram	1С, CRM, Google Таблицы	Время на сбор цифр, скорость решений
Документы	Поиск ответов в регламентах и договорах, протоколы встреч, контроль поручений	Почта, диск, трекер задач	Время на поиск, просроченные поручения
HR	Отбор откликов по требованиям вакансии с объяснением по каждому кандидату	hh.ru, Хантфлоу	Время на первичный отбор
Сервис	Ответы на типовые обращения, сортировка заявок по ответственным	Jivo, Usedesk, Telegram	Время первого ответа, доля закрытых без оператора

Использование ИИ в бизнесе почти всегда начинается с одного из этих сценариев. Они понятны, данные для них уже есть, а результат виден в первый месяц. Если вам нужен пример ИИ для бизнеса без больших бюджетов и своей команды разработки, ищите его в этой таблице, а не в кейсах Сбера.

Что сработало в кейсах внедрения ИИ и почему

Если сложить эти примеры внедрения ИИ вместе, у удачных проектов видны общие черты.

Узкая задача с понятной метрикой. «Северсталь» меряет производительность одной линии, Ozon — время обработки обращения, Т-Банк — долю обращений без оператора. Метрика была до ИИ, поэтому эффект можно сравнить с исходным уровнем.

Эффект подтверждают экспериментом. X5 проверяет решения A/B-тестами и финансовой моделью. Поэтому цифра в 5 млрд рублей выглядит убедительно: за ней стоит расчёт.

ИИ встроен в системы компании. Агент Т-Банка сам выполняет действия в банковских системах. Наши агенты для селлеров работают прямо в кабинетах маркетплейсов. Пока модель не видит данных компании, она отвечает общими словами.

Сотрудники делают агентов сами. 2,3 тыс. агентов в X5 сотрудники собрали сами на внутренней платформе, без программистов. Когда у людей есть простой инструмент и доступ к данным, они находят задачи, о которых руководство не знало.

Данные под контролем. Ozon держит модели для обращений с персональными данными на своих серверах. Место обработки выбирают по требованиям к данным. GigaChat и YandexGPT в облаке остаются внешними сервисами. Если данные должны оставаться внутри компании, модель размещают в её контуре; для других задач могут подойти Claude, GPT или Gemini после проверки условий обработки.

Что не сработало

В публичных кейсах про неудачи пишут реже, но и они есть.

• Модель додумывает. Лемана Тех прямо говорит, что генерация описаний ошибалась, и весь контент проверяют люди. Если убрать проверку, ошибки уйдут на витрину.
• Качество падает со временем. Магнит OMNI дообучает модели под новые акции. Когда меняются данные и задачи, качество модели нужно проверять заново.
• Эффект нечем подтвердить. У РЖД десятки проектов, но общей методики подсчёта нет. Для крупной компании это вопрос отчётности. Для средней — риск, что пилот закончится словами «вроде стало удобнее», и бюджет на следующий шаг никто не даст.
• Свои модели — дорого. ВкусВилл отказался от разработки собственных моделей и дообучает готовые. Для среднего бизнеса это тем более верно: обучать свою модель почти никогда не нужно.

Подробнее о том, как считать эффект и не попасть в ловушку «вроде стало удобнее», — в статье про эффективность ИИ.

Как повторить успешное внедрение ИИ у себя

Кейсы Сбера и X5 нельзя скопировать целиком, но логику можно. Вот порядок, по которому мы ведём внедрение ИИ в бизнес.

1. Найдите процессы, где теряются часы. Отчёты, звонки, заявки, документы, перенос данных между системами. Это видно из интервью с руководителями отделов.
2. Замерьте, как сейчас. Сколько часов в неделю, сколько ошибок, сколько времени ждёт клиент. Без этой цифры эффект потом не доказать.
3. Выберите один-два процесса для пилота. Те, где эффект большой, а внедрение простое. Остальное — в дорожную карту.
4. Подключите ИИ к данным. 1С, CRM, таблицы, кабинеты маркетплейсов. По умолчанию доступ только на чтение, запись включайте там, где она действительно нужна.
5. Оставьте человека на проверке. Сначала агент готовит черновик, человек утверждает. Когда качество подтвердилось, проверку можно сделать выборочной.
6. Сравните с исходными цифрами и решите, что дальше. Масштабируйте то, что окупилось, и дообучайте агентов, когда меняются данные.

Пошаговый план с бюджетом и метриками мы разобрали в статье как внедрить ИИ в компанию.

Итог

Кейсы внедрения ИИ у крупных российских компаний показывают одно и то же: эффект появляется там, где задача узкая, ИИ подключён к данным, человек проверяет результат, а исходная метрика известна заранее. Среднему бизнесу повторить это проще: свои модели и дата-центры не нужны, достаточно одного-двух правильно выбранных процессов.

Если не знаете, с какого процесса начать, начните с аудита бизнес-процессов. Мы разберём отделы, посчитаем эффект в часах и рублях и соберём план внедрения. Или напишите нам, и мы обсудим вашу задачу на вводном созвоне.

Источники

1. Минтранс России: Сбер в 2025 году реализовал более 700 ИИ-инициатив (со ссылкой на отчёт Школы финансов СберУниверситета «ИИ-финансист»), 30.07.2026.
2. Лента.ру: Сбер опубликовал годовой отчёт за 2025 год, 29.05.2026.
3. Коммерсантъ: финансовый эффект от ИИ в Сбере за 2024 год, 26.08.2025.
4. Interfax: All banking processes could be transferred to AI going forward — Sberbank CEO, 11.02.2026.
5. 3DNews: Т-Банк представил ИИ-модель T-Pro 2.0, 18.07.2025.
6. ComNews: Т-Банк масштабировал ИИ-агента на сложные сценарии клиентского обслуживания, 07.08.2026.
7. ComNews: ИИ-решения принесли X5 5 млрд рублей дополнительной операционной прибыли, 01.06.2026.
8. Хабр, блог Just AI: кейс Ozon в проекте Generation AI, 31.07.2024.
9. Retail.ru: Как ритейлеры применяют ИИ в e-commerce: кейсы ВкусВилл, Лемана Тех и Магнит OMNI, 30.04.2025.
10. ComNews: «Северсталь» увеличила объём производства травленого проката с помощью машинного обучения, 29.09.2025.
11. ComNews: РЖД не знает, как посчитать экономический эффект внедрения искусственного интеллекта, 14.11.2025.