Кейсы ИИ в российском бизнесе: 5 реальных внедрений с результатами

У старой версии этой статьи была типичная проблема LOW_QUALITY: «крупная розничная сеть», «банк из топ-20», «логистическая компания» и красивые проценты без источников. Для кейсов ИИ так нельзя. Если компания не названа, метрика не подтверждена, а источник не открыт, это не кейс, а рекламный пересказ.

Ниже — пять российских внедрений, которые удалось проверить по открытым источникам. Данные актуализированы 17 апреля 2026 года. Для общего плана внедрения смотрите наш гайд ИИ для бизнеса, а для расчёта эффекта — материал про автоматизацию бизнеса с помощью ИИ.

Т-Банк: ИИ в поддержке, разработке и антифроде

Т-Банк — хороший пример компании, где ИИ не ограничивается одним чат-ботом на сайте. В июне 2025 года Finfax со ссылкой на заместителя председателя правления Вячеслава Цыганова писал, что 40% клиентских обращений банк обрабатывает с помощью ИИ. В сентябре ComNews привёл более свежую оценку от директора разработки базовых технологий и инженерных практик Игоря Маслова: до 45% вопросов в поддержку уже решаются без участия человека благодаря T-Pro 2.0, дообученной на внутренних данных.

У банка есть и внутренняя часть кейса. По словам Маслова, 70-80% ИТ-специалистов Т-Банка используют копайлоты, а языковые модели семейства Gen-T применяются в офисных и операционных процессах: суммаризация, распознавание речи, внутренние чат-боты, инструменты для дизайнеров, поддержка бухгалтерии и клиентского сервиса.

Отдельно Т-Банк говорил о прямом экономическом эффекте в обслуживании, кредитовании и антифроде: РИА Новости в ноябре 2025 года передавало оценку Виктора Тарнавского о «десятках миллиардов рублей» ежегодно. Для редакционной аккуратности эту цифру лучше читать как публичную оценку самой компании, а не как независимый аудит.

Что можно повторить: начинать не с «большой модели для всего», а с узкой линии задач, где есть база знаний, повторяемые запросы и понятная метрика качества. Поддержка, антифрод и внутренний поиск часто дают эффект быстрее, чем абстрактный корпоративный чат.

МТС Линк: бот закрыл простые обращения первой линии

У МТС Линк кейс проще и поэтому полезнее для большинства компаний. Платформа интегрировала ИИ-бота Carrot quest в техподдержку. По данным CNews от 17 июня 2025 года, бот взял на себя работу двух операторов первой линии, самостоятельно решает около 1000 обращений в месяц и закрывает 30% вопросов пользователей без оператора. Очередь диалогов с техподдержкой сократилась вдвое.

Важная деталь: бот не пытается заменить всю поддержку. Он отвечает на простые вопросы из базы знаний, работает круглосуточно, отвечает примерно за минуту и передаёт диалог человеку, если задача сложнее. Это правильная граница автоматизации: ИИ снимает поток типовых запросов, а не имитирует эксперта там, где нужна ответственность.

Что можно повторить: сначала разметить обращения и выделить 20-30 самых частых тем. Если ответы уже есть в базе знаний, ИИ-бот можно проверять по понятным метрикам: доля закрытых диалогов, время первого ответа, доля эскалаций, жалобы после автоматического ответа.

Авито: генеративный ИИ с привязкой к выручке

Авито в 2025 году заявило стратегию по генеративному ИИ с редкой для рынка конкретикой. Ведомости писали, что компания собирается вложить в генеративный ИИ 12 млрд рублей до 2028 года и рассчитывает заработать более 21 млрд рублей. Первые запуски продуктов с генеративным ИИ в 2024 году, по данным компании, уже принесли 670 млн рублей.

Речь не только о внутреннем помощнике для сотрудников. В стратегии названы A-Vibe и A-Vision — семейство моделей на базе Qwen2.5 7B, специализированных под задачи покупки и продажи. В 2025 году компания планировала внедрить ещё 20 сценариев с потенциалом более 1 млрд рублей.

Что можно повторить: у Авито сильная позиция из-за данных платформы. Если бизнес строит продукт на генеративном ИИ на собственных транзакциях, объявлениях, диалогах и рекомендациях, модель становится частью продукта, а не декоративным чат-виджетом. Но такой путь требует контроля качества, юридической проверки данных и понятной связи с выручкой.

Газпром нефть: ИИ ускоряет геологоразведку

Промышленные кейсы часто выглядят менее эффектно, чем чат-боты, зато метрика у них жёстче. ТАСС в декабре 2025 года передал слова директора по геологоразведке Газпром нефти Юрия Масалкина: за счёт ИИ компания ускорила интерпретацию результатов сейсморазведки на 10-30%, что позволило приблизить старт разработки месторождений примерно на год.

Смысл не в том, что алгоритм «нашёл нефть сам». ИИ помогает быстрее разобрать большие массивы старых и новых геоданных, увидеть закономерности и заново оценить районы, где добыча идёт десятилетиями. Для нефтегаза выигрыш в месяцы на ранней стадии проекта может стоить больше, чем экономия на штате аналитиков.

Что можно повторить: искать процессы, где специалист тратит много времени на интерпретацию больших массивов данных, а ошибка стоит дорого. ИИ здесь должен быть системой поддержки решения: выдавать гипотезы, ускорять анализ, сохранять трассировку источников и оставлять финальное решение человеку.

РУСАЛ: машинное зрение в электролизных цехах

РУСАЛ применяет ИИ в производственном контуре, где «пилот ради пилота» быстро видно по результату. Независимая газета со ссылкой на технического директора РУСАЛа Виктора Манна писала, что компания реализует десятки проектов цифровизации с нейросетями, машинным зрением и анализом больших данных.

Самый конкретный кейс — мониторинг электролизных цехов с помощью машинного зрения. Система через специализированные видеокамеры круглосуточно обнаруживает нарушения герметичности электролизёров и вызывает оператора. В опытной эксплуатации в двух цехах Красноярского алюминиевого завода, по словам компании, время выявления проблемы снизилось вдвое по сравнению с обходами персонала. Тиражирование системы на пять заводов до 2027 года оценивается в 1,6 млрд рублей инвестиций.

Что можно повторить: компьютерное зрение особенно полезно там, где человек делает регулярные обходы и ищет визуальные признаки отклонений. Но внедрение требует не только модели, а камер, освещения, устойчивого канала связи, регламента реакции и проверки ложных срабатываний.

Что объединяет рабочие кейсы

Во всех пяти историях ИИ привязан к процессу, а не к презентации. У Т-Банка и МТС Линк это доля обращений, закрытых без человека. У Авито — выручка и продуктовые сценарии. У Газпром нефти — скорость интерпретации сейсмики и сдвиг сроков разработки. У РУСАЛа — время реакции на производственное отклонение.

Ещё один общий признак: компании не обещают полностью убрать людей. Оператор остаётся на сложных обращениях, геолог принимает решение по месторождению, производственный персонал реагирует на сигнал системы. Практический ИИ в бизнесе чаще работает как усилитель специалиста, а не как замена всей функции.

Для российских компаний добавляется отдельный слой: доступность инструментов, данные, контур безопасности и ограничения внешних сервисов. Об этом подробнее написано в разборе ИИ для российских компаний.

Как отличить реальный кейс от маркетинга

• Есть название компании, а не «крупный игрок рынка».
• Задача описана до внедрения: поддержка, сейсмика, мониторинг, рекомендации.
• Решение связано с процессом, а не просто называется «нейросетью».
• Есть метрика результата: процент обращений, деньги, время, очередь, скорость анализа.
• Источник можно открыть и сверить дату, автора и контекст.

Если хотя бы двух пунктов нет, кейс лучше не использовать как доказательство. Его можно оставить как гипотезу или пример сценария, но не как «историю успеха». Именно поэтому в этом рерайте исчезли анонимные банки, безымянные ритейлеры и проценты без ссылок.