Рынок генеративного ИИ в России в 2025 году достиг 58 млрд рублей
На корпоративный сегмент пришлось 44 млрд рублей, но 55% проектов остаются пилотами
Объём российского рынка генеративного ИИ в 2025 году составил 58 млрд рублей — примерно в 4,5 раза больше, чем годом ранее. На корпоративный сегмент из этой суммы пришлось 44 млрд рублей.

Рост расходов пока не означает такого же роста эффективности. Значительная часть проектов остаётся на стадии пилотов, а для перехода к промышленной эксплуатации нужно решить вопросы интеграции, качества данных, безопасности и стоимости обработки задач.
В изученной выборке российских проектов с генеративным ИИ пилоты составляют 55%, масштабирование — 30%, промышленная эксплуатация — 15%. Это показывает, что практический опыт у рынка уже накоплен, но массовый переход к устойчивой работе ещё не завершён.
На этом фоне бизнес обращает внимание на агентные платформы — решения, которые связывают ИИ с корпоративными системами и процедурами управления. К их числу относится Digital Q.Agents, продукт компании «Диасофт». Главным критерием для корпоративного ИИ становится способность выполнять работу с измеримым результатом, пишет руководитель продуктового направления платформы Илья Петров.
Что должен делать ИИ-агент
Так, в клиентском сервисе агент обрабатывает обращение, учитывая историю общения и статус заявки; в юридической службе проверяет договор на соответствие внутренним требованиям; в ИТ готовит тесты, документацию и материалы для разработчиков. Везде значительная часть времени уходит на сбор, сопоставление и перенос информации, и лишь потом специалист переходит к содержательной работе.
ИИ-агенты способны автоматизировать часть этой цепочки: получить задачу, обратиться к источникам и инструментам, подготовить результат и передать его дальше. Поэтому на первый план выходят доступ к корпоративным данным, интеграции и контроль действий системы.
Почему пилоты не доходят до эксплуатации
Причины задержек часто лежат за пределами самой модели. Корпоративные знания разбросаны по базам, документам и переписке, инструкции в подразделениях могут расходиться, а доступ зависит от роли сотрудника. На тестовой выборке это почти незаметно, но при подключении реальных источников влияет на качество работы агента.
Крупным организациям важно и то, где размещены данные: публичный сервис не всегда подходит для внутренних документов, клиентской информации или записей переговоров, поэтому нужны собственная инфраструктура и выбор моделей под требования безопасности.
Как устроена платформа Digital Q.Agents
Платформа позволяет создавать агентов и мультиагентные процессы, подключать внутренние знания и управлять обращениями к языковым моделям. Платформа включает управление агентными процессами, интеллектуальный поиск по корпоративным знаниям и AI Gateway — шлюз для обращений к моделям.
Корпоративные источники платформа подключает с помощью RAG — механизма, который подбирает материалы для подготовки ответа. Интеграции с корпоративными системами работают через REST, Kafka, MCP и другие средства.
Расходы и безопасность
Стоимость агентной автоматизации определяется всей цепочкой выполнения задачи: несколькими обращениями к моделям, поиском, повторной обработкой и проверкой. Даже если один запрос стоит недорого, это не значит, что дёшево обойдётся вся операция целиком.
AI Gateway поддерживает локальные и облачные языковые модели, лимиты токенов и резервный переход, если модель недоступна. Аналитика фиксирует, сколько ресурсов тратят пользователи и задачи, как быстро приходит ответ и в каком контексте шли обращения.
Digital Q.Agents интегрируется с корпоративной аутентификацией, включая SSO, Keycloak и Active Directory, и поддерживает ролевое и атрибутное управление доступом. Если в задаче нужен сотрудник, подключается механизм Human-in-the-loop, в том числе с помощью Digital Q.BPM.
В разработке ПО «Диасофт» применяет агентный подход к генерации автотестов для сложных событийных API: специалист задаёт сценарий и проверяет результат, а выпуск продукта возможен только после успешного прохождения тестов.
Со временем заказчики будут судить об агентных решениях по срокам выполнения задач, стоимости операции, качеству и тому, сколько работы приходится дорабатывать вручную. Чтобы перейти к эксплуатации, требуются владелец процесса, подготовленные данные и исходные показатели, с которыми можно сопоставить результат.