Компьютерное зрение для бизнеса и производства

Сегодня AI чаще всего ассоциируется с LLM-моделями, чат-ботами и генерацией контента. Это действительно один из самых заметных трендов последних лет.
Но AI — это не только работа с текстом.

Большой пласт прикладных задач в бизнесе решается через компьютерное зрение: анализ видео, изображений, перемещений объектов, соблюдения регламентов и событий в реальном времени.

Такие решения особенно полезны там, где уже есть:
• камеры
• видеопотоки
• контрольные зоны
• повторяющиеся процессы
• требования к безопасности и дисциплине

Мы работаем с такими задачами и внедряем системы компьютерного зрения под конкретные процессы компаний.
Ниже несколько кейсов.

1. Контроль промышленной безопасности: каски и опасные зоны

Задача
На производственной площадке нужно было в реальном времени контролировать:
• наличие касок у сотрудников
• присутствие персонала в запрещённых зонах
• быстрое оповещение о нарушениях

Цель — снизить риски травматизма и сократить время реакции на опасные действия.

Решение
Мы разработали систему компьютерного зрения, которая:
• детектирует людей в кадре
• определяет наличие или отсутствие каски
• отслеживает перемещение по размеченным полигонам зон
• формирует событие нарушения с кадром
• отправляет уведомление диспетчеру

Система работала с видеопотоком до 6 IP-камер одновременно.

Результат
• нарушение фиксировалось в течение 0.2–0.3 секунды после появления в кадре
• уведомления приходили в пределах 1 секунды
• у службы безопасности и руководства сократилось время реакции
• систему можно использовать не только для контроля, но и для последующей аналитики нарушений

#компьютерноезрение
#производство
#промбезопасность


2. Контроль работы спецтехники на производственной площадке

Задача

На площадке нужно было контролировать работу АБС и движение техники:
• прохождение контрольных точек
• соблюдение маршрутов
• отклонения по времени
• прогнозирование сбоев и задержек
Ручной контроль был медленным и непрозрачным.

Решение

Мы внедрили систему компьютерного зрения для мониторинга техники.
Что использовалось:
• уникальные ARUCO-маркеры на транспорте
• bounding box + нейросеть для определения позиции техники
• интеграция с TRASSIR
• работа через локальные серверы
• обработка потока с до 30 камер

Система фиксировала пространственные и временные метки, отслеживала прохождение точек и выдавала тревожные уведомления при превышении допустимого времени.

Результат
• полный контроль до 200 единиц техники в реальном времени
• автоматические тревоги при отклонениях
• фиксация ошибок и задержек с точной временной и пространственной привязкой
• прогнозирование отклонений от маршрута и пересчёт таймингов
• подробная аналитика с интеграцией в TRASSIR

#производство
#компьютерноезрение
#операционныйконтроль

3. Контроль движения транспорта через КПП

Задача
Заказчику нужно было автоматизировать контроль движения автотранспортных средств через КПП на нескольких объектах.

Цели:
• убрать ручной учёт
• повысить точность контроля
• интегрировать данные с ERP и видеонаблюдением
• получать машиночитаемую отчётность в реальном времени

Решение
Мы разработали систему на базе компьютерного зрения для распознавания и трекинга транспорта.

Архитектура решения:
• видеопоток с промышленных камер
• YOLOv5 для детекции
• ResNet для классификации типов транспорта
• Deep SORT для трекинга
• REST API для передачи JSON-событий в ERP
• веб-дашборд со статусами камер и историей проездов

Система фиксировала:
• время проезда
• номер КПП
• ID транспорта
• класс транспортного средства


Результат
• система стабильно работает на нескольких объектах с десятками КПП
• точность детекции: Precision > 0.92, Recall > 0.9
• данные автоматически передаются в ERP
• сокращается время на контроль и отчётность
• повышается прозрачность и безопасность на объектах

#безопасность
#контрольдоступа
#компьютерноезрение

4. Трекинг футболистов и 3D-позы в реальном времени

Задача
Создать систему, которая по видеопотоку с обзорной камеры отслеживает:
• перемещения игроков
• координаты на поле
• 3D-позы
• игровые действия

Цель — дать тренерам и аналитикам инструмент для тактического анализа и оценки нагрузок.

Решение
Мы собрали систему на стыке трекинга, pose estimation и спортивной аналитики.

Использовались:
• YOLOv8 + ByteTrack для устойчивого сопровождения игроков
• OpenPifPaf для восстановления 3D-поз
• гомография и OpenCV для привязки к координатной сетке поля
• Flask + WebSockets для визуализации
• GPU RTX 4070
• latency около 200–300 мс

Система отображала игроков на тактической карте и сохраняла данные для дальнейшей аналитики.

Результат
• стабильный трекинг до 22 игроков в реальном времени
• ошибка позиционирования на плоскости поля — до 0.5–0.7 м
• появилась возможность строить тепловые карты, зоны активности и анализировать игровые эпизоды
• тренерский штаб получил новый слой аналитики по матчу

#Sportstech
#компьютерноезрение
#AIаналитика

5. Трекинг картингов и AR-объектов в трансляции

Задача
Длятрансляции с трассы требовалось:
• встраивать AR-объекты в видеопоток
• сохранять стабильную привязку к трассе при смене углов камеры
• отображать объект на 2D-карте в реальном времени

Решение
Мы реализовали систему позиционирования камеры и AR-интеграции.

Что использовалось:
• solvePnP (OpenCV)
• фильтрация RANSAC
• ORB / AKAZE для предобработки
• интеграция с Unreal Engine
• GPS-данные с обработкой через Kalman filter
• Windows Server + RTX 3090

Результат
• определение позиции камеры с точностью 0.3–0.5 м
• AR-объекты стабильно удерживались в кадре
• реализовано отображение объекта на карте в реальном времени
• трансляция стала технологически сложнее и зрелищнее

#AR
#Sportstech
#компьютерноезрение

Как Practico.ai внедряет computer vision
Работаем в двух форматах.

1. Кастомная разработка
Разрабатываем системы под конкретный процесс компании:
• безопасность
• контроль производства
• контроль транспорта и техники
• трекинг объектов
• видеоаналитика

2. Пилот / PoC
Если задачу нужно быстро проверить, запускаем пилот на ограниченном контуре:
• на части камер
• на одном объекте
• на одном процессе

Это позволяет быстро понять, есть ли практический эффект, и только потом масштабировать решение.

Если вы хотите понять, можно ли использовать компьютерное зрение в вашем бизнесе или на производстве — напишите нам в ТГ, назначим бесплатную консультацию, по итогам получите список инструментов для внедрения, сроки реализации и плановую окупаемость.

#AIкейсы
#компьютерноезрение

Интересный пост:
👉Как внедрить AI в компанию: 4 шага

Всем привет и хороших выходных. Хотим поделиться очень интересным материалам. За последний месяц мы собрали больше 50 агентских систем — начиная от простых систем на ноу коде в n8n.io, Langflow и заканчивая многослойными пайплайнами на LangChain и LangGraph — с оркестрацией через FastAPI и asyncio, RAG, строгой валидацией через pydantic и кастомными инструментами и тд.

Недавно нашли классный репозиторий с системными промптами от Lovable, Perplexity, Replit и других. Очень показательно, как крупные компании формулируют промпты для своих задач.

Вы можете почитать их по ссылке

Рекомендуем — must-see для референсов системных промптов.

На этой неделе Google выкатил Gemini Flash 2.5 Image по кодовым названием nano-banana — новую AI-модель для многошагового редактирования изображений. Небольшой обзор на нее:

- Поддерживает многоходовое редактирование: можно вносить изменения пошагово, сохраняя консистентность образа.
- Делает смешивание изображений и стилей — перенос сцен, объектов, художественных приёмов в одном пайплайне.
- Работает на естественных языковых промптах (никаких сложных масок руками).

Подключает мультимодальное рассуждение и знания о мире: модель стратегически «додумывает» детали (например, подбирает правильные растения для конкретного сеттинга).

Модель стала виральной в тестах и взлетела на 1-е место в рейтинге LM Arena Image Edit, оставив позади даже Flux-Kontext. По стоимости — $0.039 за изображение через API и Google AI Studio. Это чуть дешевле, чем у OpenAI gpt-image и Flux-Kontext от BFL.

Подробнее можно почитать на сайте гугл

Как внедрить AI в компанию: 4 шага

Многие компании понимают, что искусственный интеллект может дать реальный эффект.
Но почти всегда возникают одни и те же вопросы:
• с чего начать работу с AI
• какие процессы стоит автоматизировать
• какие технологии выбрать
• как оценить экономический эффект
• как внедрить AI без сопротивления команды

Поэтому в Practico.ai используется системный подход к внедрению AI.
В основе работы — собственная методология SKAI Framework, которая помогает пройти путь от идеи до работающего AI-решения в бизнесе.


SKAI Framework состоит из четырёх этапов.

1. Strategy
На первом этапе проводится разбор бизнеса и процессов компании.

Анализируются:
• ключевые процессы
• текущие ограничения
• потенциальные зоны применения AI
• ожидаемый экономический эффект

Результат этапа — карта возможностей AI и roadmap внедрения.

2. Knowledge & Infrastructure
AI-системы работают только тогда, когда подготовлены данные и инфраструктура.
На этом этапе:
• анализируются источники данных
• формируются базы знаний
• проектируются интеграции с существующими системами
• создаётся архитектура будущего решения

Этап создаёт основу для дальнейшего внедрения.

3. Application
Далее запускаются первые прикладные решения.
На этом этапе:
• создаются прототипы
• запускаются пилотные проекты
• тестируются гипотезы
• AI интегрируется в реальные процессы

В большинстве проектов первые рабочие пилоты можно запустить в течение нескольких недель.


4. Institutionalization
После успешных пилотов решения масштабируются внутри компании.
На этом этапе:
• AI внедряется в рабочие процессы
• обучаются команды
• настраиваются метрики эффективности
• масштабируются успешные сценарии

AI становится частью операционной системы компании.

Как обычно начинается работа
На практике внедрение чаще всего начинается с одного из форматов.

#AIразборбизнеса
Разбор вашего кейса и подбор AI-инструментов

#AIстратегия
Разбор бизнеса и формирование roadmap внедрения AI.

#AIконсультация
Разбор конкретной задачи и рекомендации по применению AI.

AI-воркшоп
Практическая сессия с командой компании, на которой:
• анализируются процессы
• определяются точки применения AI
• формируются гипотезы внедрения

#AIразработка
Разработка решений под конкретные задачи бизнеса.
Например:
• AI-агенты
• RAG-системы
• аналитика данных
• компьютерное зрение
• автоматизация процессов

Подход Practico.ai
AI рассматривается не как технология сама по себе, а как инструмент решения конкретных бизнес-задач.
Поэтому большинство проектов начинается не с разработки, а с разбора процессов и оценки эффекта внедрения.

Если хотите понять, где AI может дать эффект в вашей компании —
напишите нам в ТГ, назначим бесплатную консультацию, по итогам получите список инструментов для внедрения, сроки реализации и плановую окупаемость..

#AIстратегия

Очень большой, но полезный пост ❤️

Мы неделю плотно сидим в Perplexity Comet и на фоне релиза Gemini в Chrome (18 сентября) собрали тезисы про «ИИ-браузеры».

В целом паттерн поиска в интернете уже давно начал меняться: от простого «гугления» к запросам в LLM (у B2B-сайтов доля такого трафика уже достигает 5–6 % органики).

Сейчас же AI фактически встраивается в сам браузер и начинает не только выполнять функцию поиска, но и совершать действия — аналогично режиму «агента» в GPT. В перспективе это приведёт к формированию нового UX-паттерна и, по сути, нового типа трафика, когда лид-формы, покупки и бронирования будут заполнять уже не люди, а агенты.

Но давайте по порядку. Начнем с небольшого обзора по текущей функциональности Comet и Chrome:

Comet (Perplexity)
- Что это по ощущениям: «оператор» в браузере, который сам щёлкает по интерфейсу, заполняет формы и доводит задачу до результата. Демо можно посмотреть тут

Как ведёт себя в реальности
- Делает шаги на странице. Открываешь 3–4 сайта отелей → пишешь: «сравни по цене/отмене, забронируй на 12–14 октября» → Comet проходит страницы, кликает фильтры, заполняет форму, предлагает черновик брони.
- Тянет контекст из рабочего окружения. Может учитывать открытые вкладки, недавние поиски и (если дал доступ) почту/календарь.
- Собирает конспект, но с конкретным next steps. Резюме страницы + кнопка «что дальше»: запросить счёт, написать письмо, заполнить форму заявки и тд.
По сути как "агент" в GPT, только лучше (по нашему мнению)

Chrome с Gemini
Пока в хроме режим "агента", который выполняют действия очень слабый, но 100% они докрутят его в ближайшее время. Демо можно посмотреть тут

Что есть на текущий момент:
- Gemini в Omnibox. Пишешь вопрос прямо в адресной строке и получаешь ответ с учётом текущих вкладок и связанной темы.
- Сводки по вкладкам. Делает краткие обзоры сразу по нескольким страницам — идеально для ресёрча, путешествий, сравнений.
- Помогает на странице. Быстрый TL;DR, уточнения и тд.

Понятное дело, что никто не говорит о том, что SEO «умер», но активное включение «агентов» в работу браузеров добавляет новые правила.

По сути, фокус смещается со «списка ссылок» на синтез и действие. Логика меняется: выигрывает тот, у кого данные хорошо структурированы и интерфейс дружелюбен к агентам.

Прежде чем перейти к конкретным рекомендациям, давайте определимся с терминологией. Существует множество разных определений - сведём их к минимуму:

- AIO (AI Optimization) - стратегия оптимизации, включающая в себя не только “быть источником” для ИИ, но и улучшение механизмов восприятия контента: формат, структура, релевантность, бренд, автоматизация, работа с AI-инструментами.
- GEO (Generative Engine Optimization) - оптимизация конкретно под генеративные движки / AI-ответчики так, чтобы ваш контент цитировался или использовался как источник при формировании ответов ИИ-систем.
- AEO (Answer Engine Optimization) - Оптимизация под движки-ответчики: найти фрагменты контента, которые напрямую отвечают на вопросы пользователей через ассистентов, голосовой поиск, сниппеты, “пользователи также спрашивают” и т.д.
- AAIO (Agentic AI Optimisation) - Подход по подготовке сайта / контента / архитектуры так, чтобы автономные агенты могли самостоятельно взаимодействовать с ресурсом и выполнять задачи от имени пользователей. То есть они не просто отвечают на запросы или предоставляют информацию, а ориентированы на задачу: выполнять бронирование, проверку, сравнение, заполнять формы, собирать данные.

Мы, как обычно, запарились и собрали гайд о том, что нужно знать про AAIO и не только - также написали про AIO, GEO и AEO. Получился действительно большой документ, который можно сразу брать в работу.

📕📕📕 Почитать гайд можно по ссылке (там реально много - и полезно) 📕📕📕

Мы сейчас как раз переделываем наши сайти (уже прокляли эту затею 🙈), но активно применяем эти рекомендации и вам советуем.

OpenAI провели презентацию новых фичей.

Что появилось:
- Apps SDK - для встраивания ChatGPT и агентов в приложения
- Agent Builder для создания AI агентов без кода (по сути аналог n8n только не опен-сорс)
- Обновили Codex
- Добавили ChatGPT 5Pro теперь доступен в API
- Сделали Sora 2 в API

Посмотреть презентацию можно по ссылке

В целом, тренд на no-code агентные системы - все увеличивается.

Мы нашли классную подборку материалов из книги “Agentic Design Patterns: A Hands-On Guide to Building Intelligent Systems”, где разбираются ключевые паттерны проектирования агентных систем — с практическими примерами.

Все они доступны по ссылке на гугл диске 🔥🔥

Пару мыслей насчет презентации Open AI и реакции на нее.

Вчера OpenAI представили Agent Builder — инструмент для создания AI-агентов без кода. Все сразу взорвались заявлениями, что это якобы кучу стартапов в сфере no-code платформы для агентов.

Но вы вообще видели саму презентацию?
По факту - всё довольно грустно. То, что показали, даже на 10% не закрывает реальные бизнес-задачи, которые можно решать через тот же n8n.

По факту бизнес не перейдёт туда по ряду причин:
- Это не open-source. В отличие от n8n, вы не можете захостить систему где угодно и соблюсти местные требования по защите персональных данных.
- Жёсткая привязка к моделям OpenAI. Это ограничивает гибкость и не покрывает многие кейсы.
- Инструмент пока сырой. Да, они сделали лучше, чем Яндекс со своей no-code платформуй (которую вообще сложно назвать low-code — очень хороший пример как делать не надо), но всё равно далеко до рабочего решения.

И, если смотреть стратегически, то будущее - за open-source и это более глобальный тренд.
Регуляции в сфере AI будут только ужесточаться, а открытые решения позволяют оставаться полностью комплаентными и гибкими.

Последние месяцы мы много пишем про платформы для создания систем с агентским AI. И вот - 4 дня назад Google представил новую платформу для разработки AI-агентов для Enterprise

👉 Тренд очевиден: создание новых моделей продолжается, но внимание всё больше смещается к инфраструктуре — инструментам, которые позволяют на базе моделей собирать реальные решения доступным и масштабируемым способом. OpenAI на DevDay выкатил собственную платформу агентов, n8n недавно поднял C раунд, и появляются десятки новых игроков, развивающих стек вокруг MCP и Tools.

Так как в Practico.ai мы занимаемся обучением применению AI для бизнеса, хотим сказать пару слов в контексте этого тренда.

Если раньше «научить сотрудников пользоваться ChatGPT» казалось прогрессивной идеей - то сегодня это уже полностью аутдейт.

Компаниям стоит менять фокус обучения сотрудников: - не просто “как писать промпты”, а как конструировать AI-системы, интегрировать их в процессы и понимать архитектуру агентских решений.

Потому что именно AI агенты — это реальный путь к росту продуктивности и автоматизации в рутинных задачах, а не просто «умные ответы» из чата. И этому нужно учить всех — даже тех, у кого нет технического бэкграунда (и это реально и возможно благодаря ноу-код подходу). Иначе они рискуют оказаться в положении тех, кто когда-то не смог освоить компьютер в 80-х.

Если вы хотите разобраться, как создавать агентов и AI-решения без кода, залетайте к нам на курс в Practico.ai

#кейсы_внедрения_ai
Вcем привет! Решили начать делиться кейсами и проектами, которые выполняем. Совсем недавно реализовали интересный проект для ресторанов на рынке Европы.

В ресторанном бизнесе есть постоянные проблемы с определением того: почему упала посещаемость, откуда идут гости, какие каналы бронирований работают. Данные есть в CRM-системах — бронирования, источники трафика, отмены, размеры групп, временные слоты. Но стандартные дашборды показывают только общие цифры, а для глубокого анализа нужен аналитик, который будет 2-3 часа разбирать: по каким сегментам просело, какой вклад каждого сегмента в падение, где именно проблема.

Что сделали: Агентную систему, которая автоматизирует аналитическую работу. Менеджер задаёт вопрос на естественном языке типа "почему в прошлую пятницу было мало гостей", система:
• Уточняет параметры если нужно (какую метрику анализируем, за какой период)
• Запускает пошаговый анализ по методологии
• На каждом шаге делает SQL-запросы к базе данных, отсекает незначимые сегменты
• Находит нужные результаты и сразу строит визуализацию с объяснением результатов и гипотезами

Из интересного с точки зрения архитектуры:
У нас получилась двухагентная архитектура + LangGraph. Мы разделили ответственность на 2 основных агента:
• Analyst Agent - понимает бизнес-контекст, задаёт уточняющие вопросы, следует методологии анализа, интерпретирует результаты
• SQL Executor - генерирует и выполняет SQL, валидирует безопасность, возвращает сырые данные без интерпретации

Плюс третий режим с явным графом состояний для жёсткого enforcement методологии. На каждом узле графа — конкретный этап диагностики. Агент не может пропустить шаг или нарушить порядок (то есть мы формализовали сам процесс аналитики как последовательность обязательных этапов — например: выбор метрики → сегментация → поиск отклонений → оценка вклада сегментов → формирование гипотез. Это позволяет системе строго следовать аналитической логике и не перескакивать через шаги или менять порядок анализа, как это часто делают LLM в свободном режиме).

Для хорошего понимания бизнес-логики реализовали контекстуальный словарь из +100 терминов из ресторанного бизнеса, чтобы система понимала специфические слова, констекст и могла с ними оперировать.

По результатам: Время проведения анализа сократилось с нескольких часов ручной работы до 15–20 секунд. Система показывает не просто факт снижения метрик (например, «–20% гостей»), а автоматически определяет ключевые сегменты, внесшие наибольший вклад в отклонение - с разбивкой по сменам, каналам бронирования, типам гостей и другим параметрам. Это позволяет сразу понять, в каком именно сегменте произошла просадка и за счёт каких факторов, и оперативно принять управленческое решение

Всем привет! Хотим поделиться интересным подходом к архитектуре памяти в AI-системах, который недавно применили в одном из наших проектов.

LLM работают с контекстным окном как с оперативной памятью: ограниченный объём, быстрый доступ. Когда информации становится больше - модель теряет связность.

Классический подход RAG: сохраняем данные в векторное хранилище и ищем через похожесть эмбеддингов. Но векторный поиск семантически поверхностен - он находит похожие слова, но не логику рассуждений.

Когда AI-агенту нужно вспомнить, почему три итерации назад он выбрал подход X вместо Y - векторный поиск выдаёт похожие фрагменты, но без фактического обоснования.

Когда эта проблема реально чувствуется
Особенно в системах с долгосрочным диалогом: AI-ассистент общается с пользователем несколько месяцев. Предпочтения меняются, появляются противоречия. Нужно не просто помнить факты, а понимать эволюцию: ""Раньше пользователь не ел морепродукты из-за аллергии, но недавно аллергия прошла - теперь можно рекомендовать креветки"".

Решение: Вместо векторного поиска - дать LLM возможность задавать вопросы о собственной прошлой работе.

По мере заполнения контекстного окна LLM сохраняет своё содержимое в документное хранилище. Потом обращается к нему через запросы на естественном языке.
LLM спрашивает у прошлых версий себя: ""Почему я тогда выбрал подход X?"" - и получает не похожие куски текста, а фактическое обоснование с полным контекстом.

Как это работает
Шаг 1: Извлечение эпизодической памяти
Система классифицирует информацию из диалогов на три категории (основано на когнитивной науке):
• Factual - объективные факты (""живу в Москве"", ""работаю в сфере AI"")
• Experiential - события и действия (""купил новый ноутбук"", ""посетил конференцию"")
• Subjective - предпочтения и мнения (""люблю острую еду"", ""планирую изучить испанский"")

Шаг 2: Pre-Storage Reasoning
Вместо того чтобы нагружать модель рассуждениями во время ответа, система заранее анализирует связи между информацией из разных сессий через 5 паттернов:
• Extension - обобщение (любит итальянскую кухню - вероятно оценит средиземноморскую)
• Accumulation - усиление через повторение (3 раза упомянул бег - это привычка)
• Specification - уточнение (любит музыку- конкретно джаз 60-х)
• Transformation - изменения (раньше не любил кофе - теперь пьёт каждый день)
• Connection - связи между фактами (учит французский + планирует в Париж = готовится к поездке)
Это задействует полноценные способности модели к рассуждению, а не только близость эмбеддингов.


Недавно вышло исследование PREMem от Seoul National University, которое формализовало этот подход и протестировало на бенчмарках LongMemEval и LoCoMo:

Ключевые эффекты этого подхода:
• Можно использовать меньшие модели без потери качества - экономия на инференсе (в классической RAG-архитектуре значительная часть вычислительной нагрузки возникает во время ответа: модель получает длинный retrieved-контекст (часто 5–20+ кусков текста), выполняет reasoning, пытается восстановить причинно-следственные связи из семантически похожих фрагментов. Это увеличивает: количество входных токенов, latency каждого запроса, потребность в более мощных моделях)
• Прозрачность решений: система объясняет ""почему"", а не только ""что""
• Сохранение экспертизы между сессиями
• Понимание эволюции предпочтений пользователя"

🆕🆕🆕 Мы решили попробовать новый формат в канале - разбор ваших кейсов 🆕🆕🆕

Работает просто: вы присылаете свою задачу или гипотезу по автоматизации бизнес-процесса, мы разбираем и пишем пост с конкретным AI решением и покажем, как это реализовать через no-code инструменты и/или с точки зрения разработки.

Неважно, есть ли у вас готовая гипотеза или просто ощущение «вот здесь точно можно внедрить AI» - подавайте, разберемся вместе.

👉 Подать кейс можно через форму: https://airtable.com/appnEXlUoL4hgQ9Du/shrXYlKRlqtdSaJMU

В последнее время постоянно слышим о том, что зима AI не за горами — вот-вот наступит в 26/27/28 году. Прогнозы дело неблагодарное, но всё же решили поделиться нашим взглядом на индустрию, в которой сами работаем.

Большинство сравнивает AI зиму с пузырём доткомов. И это сравнение хорошее, но его обычно понимают неправильно. В конце 90-х сотни компаний с миллиардными оценками сгорели за два года — не потому что интернет оказался плохой идеей, а потому что бизнес-модели не выдержали столкновения с реальностью. Когда в 2000–2001 всё рухнуло, многие сделали вывод: пузырь лопнул, идея не работает. Но пока рынок хоронил доткомы — тихо строились Google, Amazon и PayPal. Они не делали ничего принципиально нового — просто строили на том же протоколе, но серьёзнее и с реальной бизнес-моделью. Протокол выжил. Слабые игроки ушли. Сильные забрали рынок целиком.

С AI происходит ровно то же самое. На наш взгляд, проблема не в том, что AI перестал работать. Проблема в том, что сотни компаний продают одно и то же — узкие решения, которые закрывают только кусочек задачи и называют это продуктом.

Возьмём простой пример: куча сервисов анализирует звонки отдела продаж, транскрибирует их, выдаёт скоры по качеству. Звучит полезно. Но звонки — это от силы 30% коммуникации с клиентом. Остальное: переписка, встречи, CRM-заметки, почта — всё это остаётся за бортом. В итоге бизнес получает красивый дашборд по звонкам, но реальная задача контроля качества продаж не решена. Менеджер по-прежнему сливает сделки — просто теперь у вас есть транскрипция этого момента.

И таких решений тысячи. Узких, изолированных, которые не меняют процесс, а просто вешаются рядом с ним. Инвесторы это уже видят, поэтому и мультипликаторы оценок в AI за 2025 год упали на 18%, а компании, которые поднимали раунды на мультипликаторах 50x, сейчас с трудом привлекают следующие раунды. Вопрос один: где деньги? Ответа нет.

При этом корпорации не режут бюджеты на AI — наоборот, планируют их увеличить. Но разговор изменился. Раньше деньги шли на эксперименты ради экспериментов — попробуем, посмотрим, это же будущее. Сейчас вопрос один: покажите где конкретно сэкономили или заработали, тогда продолжим. MIT проанализировал 300 корпоративных AI-проектов и выяснил, что только 5% пилотов дают измеримый результат. Остальные 95% застревают на стадии эксперимента навсегда — не потому что AI не работает, а потому что между «запустили пилот» и «AI реально встроен в процесс и экономит деньги» огромная пропасть. Первое умеют делать многие. Второе — единицы.

Будущее за другим подходом. Вспомните как SAP завоевал корпоративный рынок — не потому что был самым удобным или дешёвым, а потому что глубоко встраивался в процессы компании. Финансы, логистика, производство, HR — всё в одной системе, всё на единых данных. Уйти от SAP было дороже, чем остаться. Именно глубина интеграции создавала ценность, а не функциональность сама по себе.

С AI будет так же. Выживут не те, кто делает точечные фичи, а те, кто строит решения интегрированные в операционную модель бизнеса — где AI знает контекст, работает с реальными данными и встроен в процессы, которые напрямую влияют на деньги. Не дашборд рядом с процессом, а часть самого процесса.

AI зима — это не конец AI. Это весна для тех, кто умеет его встраиваться в реальные процессы и показывать результат в конкретных цифрах. Мы этого честно ждем. Когда рынок начинает считать деньги, выигрывает не тот кто красивее рассказывает об AI, а тот кто его реально внедряет.