Законопроект об ИИ переписали: поддержка вместо запретов и свобода для Open Source

В правительстве представили кардинально обновленную версию законопроекта об искусственном интеллекте. Документ, который дорабатывали несколько месяцев, переписали практически полностью. И главное изменение кроется уже в названии: теперь это не закон о «регулировании», а закон о «поддержке развития» технологий ИИ в России.

💬 #БизнесСреда с Александром Букуровым, основателем и директором Вебпрактик
Обычно эта рубрика выходит по средам, но сегодня делаем исключение: слишком важная новость для рынка, чтобы откладывать обсуждение.

Что важно знать бизнесу:

🔴 Дерегуляция малых проектов. Фокус смещен с тотального контроля всего ИИ на регулирование исключительно «больших фундаментальных моделей» (БФМ) — тех, что содержат более 1 млрд параметров. Малые опенсорсные решения (например, системы компьютерного зрения для регионального бизнеса) под действие закона больше не попадают. Бизнес может выдохнуть.
🔴 Отмена жестких запретов. Из документа убрали скандальный пункт об обучении моделей только на российских данных. Также исчез запрет на трансграничную передачу данных, а значит, доступ к зарубежным сервисам (включая ChatGPT) перекрывать не планируют.
🔴 Авторское право. Закон встал на сторону разработчиков ИИ. Обучать модели на открытых данных можно. Исключение — если владелец сайта прямо прописал запрет в мета-тегах, тогда у него появляется право на претензию.
🔴 Маркировка контента. Требования существенно смягчили. Теперь закон говорит лишь о том, что разработчик должен «обеспечить возможность» пользователю разместить предупреждение о том, что контент сгенерирован ИИ.

Перед законодателями стояла непростая задача: государству необходимо стимулировать национальный рынок фундаментальных моделей, но при этом нельзя монополизировать отрасль и «складывать все яйца в одну корзину».

Получилась на удивление рабочая и сбалансированная конструкция. С одной стороны, закон не перекрывает кислород и позволяет бизнесу свободно использовать лучшие мировые Open Source решения, которые закрывают многие прикладные коммерческие задачи. С другой — создает правовую рамку и дает господдержку для развития «суверенных» (полностью воспроизводимых в РФ) и «национальных» фундаментальных моделей.

В кои-то веки регулирование выглядит как стимул к развитию, а не как бутылочное горлышко.

Как вы оцениваете новые правила игры? Будете внедрять Open Source или ждете мощных отечественных моделей? Делитесь мнением в комментариях! 👇

Вебпрактик AI | Корпоративный ИИ

3️⃣7️⃣% — столько работающих россиян уже владеют навыками взаимодействия с искусственным интеллектом. Такую статистику приводит ИСИЭЗ НИУ ВШЭ в свежем исследовании.

Чтобы понять глубину проникновения технологий на рынке труда, авторы отчета разбили эту аудиторию по уровню решаемых задач.

Цифры распределились следующим образом:
22,7% применяют алгоритмы для базовых рутинных функций (генерация текстов или изображений).
11,7% интегрируют ИИ непосредственно в свои профильные рабочие процессы.
4,9% отмечают, что владение нейросетями официально требуется им по должностной инструкции.

Статистика наглядно фиксирует текущую ситуацию. Технологии уже активно используются внутри команд по личной инициативе сотрудников, но пока редко становятся частью официальных требований и корпоративных регламентов работодателя.

Вебпрактик AI | Корпоративный ИИ

🗯️ #ПятничныйКейс с Сергеем Калюжным

Shell передала ИИ-агентам управление техобслуживанием на 30 000 единицах оборудования

Компания Shell годами использовала платформу C3 AI для мониторинга оборудования: система отслеживала аномалии и передавала уведомления инженерам. Дальше только ручная работа. От сигнала до ремонта проходили часы и дни.

Но так долго не могло продолжаться и следующим шагом стал агентный ИИ. Теперь система проходит полный цикл без человека:
- устанавливает первопричину,
- формирует рабочее задание,
- проверяет склад и создаёт заявку в SAP.

Незапланированные простои сократились на 45%, затраты на обслуживание на 20–25%, годовая экономия порядка 400 млн $. Еженедельно обрабатывается 20 млрд строк данных, 3 млн датчиков, создается 15 млн прогнозов и действий в день.

В Shell не просто внедрили агентный ИИ, а доказали, что эта модель работает в реальных промышленных условиях. Логика, когда агенты выполняют автоматическое действие на основе собранных данных прошла проверку в одной из самых сложных операционных сред в мире: тысячи объектов, критическое оборудование, там где цена ошибки — это миллионы в час.

Та же логика уже сегодня не требует колоссальных бюджетов с многолетним опытом и воспроизводится через n8n, Dify, Langflow, Make: в заявках, закупках, поддержке и документообороте. В любом процессе, где есть повторяющийся сценарий и четкий триггер.

Теперь остается один вопрос: какой процесс вы автоматизируете первым?

Вебпрактик AI | Корпоративный ИИ

💬 #БизнесСреда с Александром Букуровым, основателем и директором Вебпрактик

Почему только 6% компаний получают реальный эффект от внедрения ИИ?

В 2026 году корпоративный мир столкнулся с реальностью: искусственный интеллект внедряют почти все, но окупают эти вложения единицы. По данным Gartner, в этом году мировые расходы на ИИ достигнут рекордных 2,59 трлн $, однако свежие исследования показывают парадоксальную картину окупаемости этих инвестиций.

Сразу несколько крупных аналитических центров (Scale AI, MIT, BCG) пришли к одному неутешительному выводу: от 60% до 95% корпоративных ИИ-проектов не приносят измеримого финансового результата.

В недавнем отчете The Six Percent Report от Scale AI отмечается, что лишь 6% организаций смогли масштабировать ИИ на уровне всего бизнеса и получить реальную отдачу. Исследование MIT (Project NANDA) приводит еще более жесткие цифры: 95% пилотных проектов с генеративным ИИ дают нулевой эффект на P&L (прибыли и убытки) компании.

Почему так происходит? Аналитики выделяют три главные причины провалов:

1. Проблема качества данных. Модели работают ровно так, как позволяют данные. По статистике, 58% компаний сталкиваются с тем, что их расходы на ИИ превышают смету на 40% и более именно из-за недооценки стоимости подготовки данных. Компании пытаются натянуть передовые нейросети на устаревшую, разрозненную и «грязную» инфраструктуру баз данных.

2. Синдром «Пилотного чистилища». Бизнес запускает ИИ-инициативы из-за страха отстать от конкурентов (FOMO), а не для решения конкретных проблем. В итоге создаются десятки локальных пилотов, которые показывают красивые демо, но никак не влияют на общую выручку или сокращение издержек.

3. Отсутствие редизайна процессов. Обычные компании пытаются встроить ИИ в уже существующие бизнес-процессы. Успешные (те самые 6%) — полностью перестраивают процессы вокруг возможностей ИИ.

Что делают лидеры (те самые 6%) иначе? Отчет BCG называет их «future-built» компаниями. Их главные отличия:

🔴Фокус на одной проблеме: вместо десятка разрозненных пилотов они выбирают одну болевую точку с четким владельцем бюджета.

🔴Измерение результата: успех измеряется не фактом внедрения нейросети, а изменением конкретной бизнес-метрики в течение 90 дней.

🔴Подготовка фундамента: они инвестируют в качество и архитектуру данных до того, как начинают внедрять модели.

Вебпрактик AI | Корпоративный ИИ

📊 Июнь в цифрах и кейсах: запуск Вебпрактик AI и главные материалы месяца

Главная новость месяца для нас — мы запустили Вебпрактик AI, специализированный ИИ-интегратор для крупного бизнеса. Помогаем корпорациям выстраивать собственную ИИ-платформу и адаптировать под нее архитектуру и процессы.

А вот что еще интересного мы разбирали в канале в июне:

Исследования и статьи
— Почему ИИ играет за суперзвезд. Разбор материала «Эконс»: генеративные модели не уравнивают шансы, а дают аномальную доходность текущим лидерам рынка.
— 5 ключевых идей книги Hyperadaptive. Выжимка книги Мелиссы Рив о том, почему старый управленческий контур сводит на нет пользу от ИИ.
— Прогнозы не сбылись. Опрос ИТ-директоров от RBC: ИИ стал регулярной статьей OPEX, а кризиса классического SaaS так и не случилось.
— 5 млрд рублей от ИИ. Опыт X5 Group по масштабированию агентов в бизнес-процессах с едиными стандартами качества.

Экспертное мнение
💬 #БизнесСреда с Александром Букуровым: почему переписанный закон об ИИ — это отличная новость для бизнеса, и где заканчивается вайбкодинг (на примере реальной истории из СИБУРа).
💭 #ПятничныйСтек с Иваном Поддубным: почему фоновую рутину в разработке дешевле уводить на DeepSeek, а внедрение ИИ поверх сломанного процесса только умножает корпоративные издержки.
🗯️ #ПятничныйКейс с Сергеем Калюжным: как ИИ-агенты в Shell забрали на себя техобслуживание оборудования и сократили простои на 45%.

Цифры месяца
— 69% IT-компаний в мире пока вообще не используют ИИ.
— 65% обращений Сбер уже закрывает роботами.
— 56% компаний ждут от ИИ-агентов автоматизации офисной рутины.
— 37% россиян уже применяют нейросети на работе.

Вебпрактик AI | Корпоративный ИИ

2️⃣2️⃣% — на столько внедрение ИИ может повысить производительность в российских компаниях уже сейчас, по оценкам Сбера.

На Финансовом конгрессе ЦБ Герман Греф привел конкретные данные: «Мы смотрели, где и в какие процессы уже существующие технологии ИИ можно использовать, и мы увидели, что это может дать повышение производительности примерно на 11–22%».

При объединении генеративных моделей с физическим ИИ (робототехникой) этот потенциал становится еще выше — рост составит в среднем 21-33%.

─────────────────
Эти цифры звучат оптимистично. Чтобы выйти на заявленные двузначные показатели, фокус корпораций сейчас закономерно смещается с использования базовых чат-ботов на глубокую пересборку ИТ-ландшафта. Именно интеграция мультиагентных систем напрямую в архитектуру процессов позволяет полностью раскрыть потенциал ИИ и качественно улучшить экономику бизнеса.

Вебпрактик AI | Корпоративный ИИ

💬 #БизнесСреда с Александром Букуровым, основателем и директором Вебпрактик
 
ИИ получил прописку в Белом доме: Правительство меняет структуру под внедрение нейросетей

Развитие искусственного интеллекта окончательно перестает быть набором разовых экспериментов и переходит в регулярный контур управления. Как пишет «Коммерсантъ», в аппарате Правительства РФ официально закреплена функция по координации развития ИИ.

Теперь эти задачи распределены между двумя департаментами:
🔴Департамент проектной деятельности будет координировать внедрение ИИ в экономике страны в целом (выработка методологии для ведомств).
🔴Департамент контроля займется применением нейросетей непосредственно в работе самого аппарата.

Этому решению предшествовал успешный пилот: полгода более 130 чиновников тестировали ИИ-помощников (от «Яндекса» и «Сбера») для работы с текстами и аналитикой. Теперь нейросети планируют масштабировать на все подразделения и интегрировать с системой электронного документооборота.

Что это значит для рынка? Эта новость — отличная иллюстрация того, о чем мы постоянно говорим на встречах с корпоративными заказчиками. Внедрение ИИ работает только тогда, когда под него меняется оргструктура.

Правительство поступило абсолютно по классике грамотной ИИ-трансформации:
1. Сначала провели пилот на реальных задачах (работа с текстами и аналитикой), получили измеримую пользу.
2. Затем закрепили ответственность в структуре. Не просто «спустили сверху» инструменты, а выделили профильные отделы, которые будут отвечать за координацию.
3. Разделили внешний и внутренний контуры. Один департамент отвечает за методологию для страны, другой — за эффективность внутренних процессов самого аппарата.

Для бизнеса это важный сигнал. Государство переходит от роли регулятора к роли квалифицированного заказчика и пользователя ИИ. Когда главный аппарат страны встраивает нейросети в свой электронный документооборот и создает под это структурные подразделения — это уже не хайп, это новый стандарт операционной эффективности.

Те компании, которые до сих пор воспринимают ИИ как «игрушку для маркетологов», рискуют оказаться в ситуации, когда их внутренние процессы будут медленнее и дороже, чем у госаппарата. Корпоративный ИИ начинается там, где под него выделяют ответственность и перестраивают процессы.

Вебпрактик AI | Корпоративный ИИ

🗯️ #ПятничныйКейс с Сергеем Калюжным

Анализ крови вместо УЗИ: как PinPoint Data Science изменил систему диагностики рака

В двух крупных британских больницах изменили подход к диагностике рака матки. Первым этапом, вместо инвазивных процедур, теперь делают тест PinPoint — это анализ крови с ML-оценкой 30 маркеров.

Модель, обученная на данных 16 481 пациентки, делит женщин на группы низкого, повышенного и высокого риска онкозаболеваний.

Раньше всех обратившихся сначала направляли на УЗИ, затем часть — на биопсию, но рак находили только у 11%. Остальные проходили процедуры зря. Теперь анализ крови отсеивает пациентов с низким риском, и на УЗИ идут только те, у кого есть реальные основания.

Что получилось в цифрах:
🔴 среди пациенток, отнесенных тестом в группу высокого риска, рак подтвердился в 99,1% случаев;
🔴 вероятность ошибочно определить низкий риск — всего 0,2%;
🔴 количество визитов к врачу сократилось в шесть раз.

Медики этих больниц подтверждают: сортировка пациентов теперь происходит до стационара, а вместо шести приемов врачей во многих случаях достаточно одного анализа крови.

Произошла не медицинская трансформация, а логистическая. Взяли существующую лабораторную инфраструктуру (анализы крови есть везде) и использовали ИИ-фильтр. Никакого нового оборудования.

Исследователи продолжают оценивать результаты нововведения, но сам подход уже доказал свою практическую ценность: ИИ больше не помощник, а первый фильтр диагностического конвейера.

Подобный ИИ-подход применим не только в медицине:
🔴 L'Oréal использует ИИ для отбора перспективных составов, ускоряя R&D в четыре раза;
🔴 Nestlé применяет ИИ при поиске альтернатив ингредиентам и упаковочным материалам.

Вебпрактик AI | Корпоративный ИИ

💬 #БизнесСреда с Александром Букуровым, основателем и директором Вебпрактик

Интеллект в каждом утюге: как широкое определение ИИ может затормозить рынок

В июне мы обсуждали, что базовый закон об ИИ стал более сбалансированным и сфокусировался на регулировании больших фундаментальных моделей. Однако регуляторная неопределенность на рынке сохраняется, и теперь она пришла с неожиданной стороны.

Как пишет «Коммерсантъ», ассоциация РАТЭК (объединяет Huawei, DNS, «М.Видео» и других) раскритиковала поправки ФАС к закону об иностранных инвестициях. Ведомство предлагает признать стратегической деятельность, связанную с «разработкой, созданием, внедрением, реализацией или оборотом технологий искусственного интеллекта».

Проблема в формулировке. В ассоциации справедливо отмечают, что под такое широкое определение могут формально попасть любые устройства с базовыми алгоритмами: от смартфонов с умной камерой до телевизоров и систем умного дома. Если продажу такой техники истолкуют как «оборот технологий ИИ», российские дистрибьюторы с долей иностранного капитала от 5% будут вынуждены согласовывать корпоративные сделки с правительственной комиссией.

Этот кейс отлично иллюстрирует сразу несколько важных проблем регулирования ИИ:
🔴 Размытость понятий опаснее жесткости запретов. Когда граница объекта регулирования не определена, юридическая неопределенность становится операционным налогом.
🔴 ИИ перестал быть отдельной отраслью. Алгоритмы машинного обучения уже встроены в подавляющее большинство потребительских и корпоративных продуктов. Попытка регулировать «ИИ вообще» эквивалентна попытке регулировать «программное обеспечение вообще».
🔴 Синхронизация правил. Рынку жизненно необходим единый глоссарий во всех нормативных актах. Фокус госконтроля должен оставаться на инфраструктурных фундаментальных моделях, а не на бытовых устройствах с предиктивной аналитикой.

Регулирование ИИ — это тонкая настройка. И сейчас главное для государства — не перекрутить гайки там, где технология уже стала повседневной нормой.

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