Что на самом деле продают
Четыре продукта с лучшими баллами — платформы для сборки агентов. Yandex AI Studio набрал 5,5 из 6, GigaChat Enterprise от «Сбера» и Agent Platform от Just AI по 5, MWS AI Agents Platform от МТС — 4,5. С точки зрения архитектуры они закрывают почти все критерии. Но решение под свои процессы клиент собирает сам.
Остальные восемь делятся на две группы. Отраслевые ассистенты вроде «Нейроюриста» от «Яндекса» (2 балла) и GigaLegal от «Сбера» (1,5): работают в пределах одной задачи, петли обратной связи нет. И чат-боты с узкой специализацией: Naumen, TWIN, SaluteBot, SL Soft FabricaONE.AI, AutoFAQ, CraftTalk — от 0,5 до 1 балла.
В мире две категории примерно равны. Есть готовые агенты, которые покупаются как самостоятельный продукт: Claude Code, Devin, Harvey. И есть платформы для сборки: Copilot Studio, LangChain, CrewAI. В России вторая группа заметно перевешивает, а первая отсутствует как класс.
Формулировка авторов исследования «Яков и Партнёры» звучит так: на Западе ИИ-агента можно купить, в России его придётся строить.
Почему так вышло
Причины прозаические, и ни одна из них не про технологическое отставание.
Крупный российский заказчик работает с закрытыми данными и требует развёртывания в своём контуре. Универсальный SaaS-агент такому клиенту не подходит по определению.
Регулирование и импортозамещение заставляют строить контролируемую архитектуру. Заказчик хочет понимать, где находится модель, где лежат его данные, кто отвечает за дообучение и поддержку. Коробка на эти вопросы не отвечает.
Спрос формируют в основном корпорации, а им нужно встроить агента в уже работающие процессы: 1С, ERP, CRM, внутренние контуры согласования. В такой среде интеграционный проект обгоняет коробочный продукт по скорости получения результата, как бы парадоксально это ни звучало.
Часть готовых решений у поставщиков есть, но внедряется точечно и в закрытом режиме, поэтому в публичную выборку такие кейсы не попадают. Так что реальная картина чуть богаче публичной, но структурный перекос в сторону платформ от этого не исчезает.
Четыре зрелых кейса, и все внутренние
Двадцать два публичных российских внедрения оценили по шкале зрелости. Уровня L4 достигают четыре, и ни одно из них нельзя купить.
«Афанасий Иванов» в Т-Банке. Агент на базе собственной модели T-Pro учится, анализируя действия операторов. В пилотном домене — реструктуризация долгов — самостоятельно обрабатывает до 60% трафика. Качество 98 из 100 против 94 у людей, база знаний пополняется на 500 тысяч строк в сутки.
«Маркус» в «Сбере». Мультиагентная система для службы маркетинга, запущена в мае 2026 года. Мониторит СМИ и соцсети, ловит репутационные риски, готовит черновики пресс-релизов и презентаций, рассылает утренние сводки более чем в 30 групп.
Виртуальные разработчики Альфа-Банка. Больше десяти групп на внутренних моделях, основной сценарий — автотестирование: генерация и проверка тестов для 60 команд мобильного банка. Обнаруживают на 30% больше ошибок.
«Рубан» в «Северстали». Агент на обучении с подкреплением управляет непрерывным травильным агрегатом НТА-3 на Череповецком комбинате. Производительность выросла на 1,5%, а совокупный потенциал вместе с цифровой моделью «Аделина» превышает 80 тысяч тонн металла в год.
Ещё один показательный пример из того же банковского контура — валютный контроль в Альфа-Банке на платформах AlfaGen и AIDA. Время обработки операции сократилось с двух часов до минуты, система проходит 2700 контрактов в сутки с точностью 80%. До конца 2026 года банк планирует запустить полноценную мультиагентную систему.
Общее у всех пяти: финтех, тяжёлая промышленность и узкие ниши в ИТ. За их пределами публичные российские внедрения не поднимаются выше L3. Это «Авито» в электронной торговле, «Домклик» в недвижимости, Webiomed от «К-Скай» в медицине.
Где в России пусто и что это значит
В пяти отраслях публичных кейсов нет вообще: сельское хозяйство, транспорт, автопром, химическая промышленность, машиностроение. Барьеры у каждой свои.
В агро не хватает оцифрованных данных, потому что информация с полей, со спутников и из агролабораторий не сведена вместе. В транспорте упирается в регулирование беспилотного движения. В автопроме нет экосистемы компьютерного зрения. В химии закрыты процессы R&D и нет публичных массивов данных. В машиностроении длинные циклы внедрения и много устаревших ERP и PLM.
Пустая ячейка на карте зрелости читается двояко, и это важный момент. С одной стороны, если поставщик обещает вам готового агента для отрасли, где публичных кейсов нет, скорее всего это ассистент на RAG в маркетинговой обёртке. С другой — у вас есть два-три года, чтобы стать первым, пока рынок не сформировался.
Если же ваша отрасль на карте закрашена, конкуренты уже идут в ту же сторону, и времени на раскачку мало.
Сколько это стоит и что выбрать
Исследование даёт довольно жёсткую сегментацию, и она полезна тем, что называет сроки честно.
Крупная корпорация с оборотом от 50 млрд рублей и командой из 7–10 разработчиков ИИ-решений строит на платформе. До первого пилота уровня L4 проходит 12–18 месяцев, влияние на финансовый результат начинает ощущаться через три-пять лет.
Средний бизнес с оборотом 5–50 млрд и командой из 3–5 человек покупает у поставщика и настраивает под себя. Для типовых сценариев уровня L3, вроде обслуживания клиентов или документооборота, бюджет составит 5–15 млн рублей на два-четыре месяца, измеримый результат в рамках одного сценария появится через четыре-шесть месяцев.
Компания без собственной команды по ИИ ждёт и смотрит. Использует готовые SaaS-инструменты уровня L2–L3, полгода-год отслеживает рынок, за 18–24 месяца формирует внятный запрос.
Критическая инфраструктура — банки, страховщики, операторы связи, энергетика, медицина — строит на суверенной платформе с развёртыванием в локальной инфраструктуре и без привязки к одной LLM. Решение об архитектуре нужно принимать сейчас, потому что закон об ИИ вступает в силу поэтапно с 1 сентября 2026 года.
Что мы видим на своих проектах
Сегментация выше описывает крупный и средний бизнес по меркам федеральных рейтингов. На практике под «строим сами» подпадает гораздо больше компаний, чем кажется, и не из-за амбиций, а из-за специфики данных.
Когда у дистрибьютора каталог на 380 тысяч позиций с историческими названиями, дублями и артикулами в четырёх форматах, ни одна коробка не сопоставит входящий заказ с номенклатурой. Здесь нужна гибридная схема: структурированный каталог, SQL-агент по остаткам и векторный поиск для нечётких формулировок. Собирается это на платформе или на открытых компонентах, но собирается под конкретную номенклатуру.
То же самое на производстве. Заказ на противопожарные двери приходит письмом со сканом спецификации, и превратить его в производственное задание может только система, которая знает конструктив, допуски и правила замены. Универсального решения тут нет и в ближайшие годы не появится.
Отсюда практический вывод, который не совпадает с ожиданиями большинства заказчиков. Вопрос «купить или построить» в России чаще всего решён за вас. Настоящий выбор в другом: собирать на платформе крупного вендора с понятной поддержкой и привязкой к его экосистеме или строить модульную архитектуру, где модель заменяема. Второй вариант дороже на старте и гораздо дешевле через год, когда выйдут подзаконные акты к закону об ИИ.
Мы в dzeta.ai как раз собираем такие системы под конкретные процессы производств и дистрибуции, с развёртыванием в контуре заказчика и без привязки к одной модели. Если хотите прикинуть, что реально автоматизируется у вас, а что пока нет, напишите: dzeta.ai
Источники: «Яков и Партнёры», «ИИ-агенты: где хайп, а где реальность» (2026); публичные материалы Т-Банка, «Сбера», Альфа-Банка, «Северстали».