От генерации ответов к выполнению задач
В октябре 2026 года аналитическая компания IoT Analytics представила обзор десяти наиболее распространённых сценариев применения генеративного и агентного искусственного интеллекта в корпоративной среде. Исследование основано на базе из 1533 проектов, объявленных в период с четвёртого квартала 2022 года по первый квартал 2026 года. В предыдущем выпуске анализа было 530 проектов. Сведения собирались из открытых публикаций компаний — разработчиков ИИ, поставщиков облачных платформ и программного обеспечения, а также организаций, внедривших эти решения.
В выборке за 2025 год и первый квартал 2026 года лидирует оптимизация операционных процессов: на неё приходится 52,2% проектов против 30% в 2022–2024 годах. На втором месте создание маркетингового контента с долей 30,1%, на третьем — обработка обращений клиентов (22,2%). Далее следуют разработка программного обеспечения (16,5%), подготовка операционной отчётности (13,2%) и инструменты совместной работы сотрудников (11,6%).
В первую десятку также вошли решение проблем клиентов (10,8%), аналитика продуктов и исследований (10,4%), соблюдение нормативных требований (8,4%) и контроль качества (7,6%).
Эти показатели отражают частоту упоминания соответствующих направлений в исследуемых проектах, а не долю компаний, внедривших ИИ, и не распределение расходов на такие технологии. Поскольку один проект может относиться к нескольким видам деятельности, проценты нельзя складывать как взаимоисключающие доли рынка.
Исследование показывает и изменение характера внедрений. В 2022–2024 годах 66,8% проектов ограничивались генерацией отдельного результата — например, ответа или черновика документа. В 2025 году и первом квартале 2026 года таких проектов осталось 53%. Доля решений, поддерживающих рабочие процессы, выросла с 33,2 до 42%, а 5% проектов в новой выборке уже выполняли многоступенчатые задачи автономно в заданных пределах.
При этом полноценные агентные системы пока не стали стандартом. В 2025 году и первом квартале 2026 года на одноагентные решения приходилось 11,3% проектов, на многоагентные — 2%. Совокупная доля составила 13,4% с учётом округления, тогда как неагентные чат-боты и ассистенты по-прежнему занимали 60,1%.
Отдельно аналитики отмечают рост автономности: если в 2025 году многоступенчатые задачи в заданных пределах самостоятельно выполняли 1,1% проектов, то в первом квартале 2026 года — уже 17,8%. Однако последняя оценка основана всего на 174 проектах. Поэтому её следует рассматривать как признак изменения направления развития технологии, а не как окончательную оценку распространённости автономного ИИ в корпоративном секторе.
Десять главных сценариев применения корпоративного ИИ
1. Оптимизация операционных процессов — 52,2%
Первое место занимают решения, которые помогают предприятиям повышать производительность, сокращать затраты и уменьшать количество ошибок в основных рабочих процессах. ИИ анализирует данные, выявляет узкие места, предлагает изменения и, если система обладает соответствующими полномочиями, выполняет отдельные операции самостоятельно.
Показательный пример — американская компания NielsenIQ (NIQ), специализирующаяся на анализе потребительского рынка. Она автоматизировала обработку изображений товарной упаковки и извлечение структурированных сведений о продукции с помощью Microsoft Foundry и инструментов Azure AI.
Ранее кодирование одного товара занимало около четырёх минут. Теперь система Capture as a Service использует несколько ИИ-компонентов для извлечения, интерпретации, проверки и структурирования данных, а специалисты контролируют качество результата.
По данным NIQ, в одном из проектов компания обработала 32 тыс. товаров за 10 часов вместо прежних 300 часов. Время кодирования сократилось более чем на 90%. Решение также позволило расширить географию предоставления услуги: в течение двух месяцев после запуска оно появилось в Германии, Франции, Ирландии и Канаде.
Этот пример показывает, что практическая ценность ИИ заключается не только в генерации информации, но и в перестройке трудоёмких процессов обработки данных. При этом участие специалистов в проверке результатов остаётся важным условием качества.
2. Создание маркетингового контента — 30,1%
Генеративный ИИ помогает создавать рекламные тексты, изображения, видеоматериалы и другие элементы маркетинговых кампаний. Автоматизация сокращает время подготовки материалов и позволяет быстрее адаптировать их для разных аудиторий, каналов распространения и рынков.
В мае 2025 года американская компания Kraft Heinz представила платформу TasteMaker, разработанную совместно с Google Cloud и партнёром Apply Digital. Решение объединяет корпоративные данные с генеративными моделями Gemini, Imagen и Veo, предоставляя сотрудникам инструменты для разработки продуктовых концепций и подготовки маркетинговых материалов.
По данным компании, ранее создание нового контента могло занимать около восьми недель. С использованием TasteMaker этот срок в отдельных сценариях сократился до восьми часов. Таким образом, ИИ позволяет ускорить не только производство рекламных материалов, но и весь цикл от идеи до готового контента.
3. Обработка обращений клиентов — 22,2%
Корпоративные ИИ-ассистенты отвечают на типовые вопросы в чатах, по электронной почте и телефону, помогают клиентам ориентироваться в услугах и передают нестандартные обращения сотрудникам.
Американский онлайн-продавец подержанных автомобилей Carvana внедрил два решения на базе технологий Microsoft. ИИ-агент Sebastian сопровождает клиентов на разных этапах покупки и продажи автомобиля, обрабатывая стандартные запросы. Инструмент CARE (Conversation Analysis Review Engine) анализирует клиентские разговоры и помогает выявлять проблемы в обслуживании.
По данным Carvana, за два года количество входящих звонков, связанных с продажами, сократилось более чем на 45%. Компания использует анализ взаимодействий для улучшения работы как ИИ-агента, так и службы поддержки. Однако без дополнительных данных нельзя однозначно связать всё сокращение звонков исключительно с внедрением ИИ.
4. Разработка программного обеспечения — 16,5%
ИИ-инструменты для программирования переходят от подсказок при написании кода к выполнению целых инженерных задач: анализу заданий, созданию изменений, запуску тестов и подготовке кода к проверке человеком.
В апреле 2026 года немецкая компания Delivery Hero представила Herogen — разработанного внутри компании автономного агента для работы с программным кодом. Инженеры формулируют задачи на естественном языке, после чего система пишет код, тестирует его, вносит исправления и передаёт результат на проверку. Дополнительно несколько ИИ-агентов анализируют изменения с разных точек зрения, прежде чем к работе приступает человек.
По данным Delivery Hero, Herogen обрабатывал более 100 запросов на изменение кода в день и обеспечивал около 9% общего объёма таких запросов компании. Заявленная доля успешных результатов составляла 85%; компания определяет этот показатель через соотношение принятых и отклонённых запросов на слияние кода. На момент публикации решения его внедрение охватывало 18% технических команд.
Этот случай демонстрирует переход от ИИ-помощника к агентной системе, способной самостоятельно выполнять последовательность инженерных операций. Но даже здесь сохраняется финальная проверка человеком: автономное создание кода не означает автоматического принятия всех изменений в производственную среду.
5. Подготовка операционной отчётности — 13,2%
ИИ упрощает сбор сведений из корпоративных систем, подготовку регулярных отчётов, выявление отклонений и ответы на вопросы руководителей. Вместо ожидания выгрузки данных сотрудники могут обращаться к информационным системам на естественном языке.
Бразильская энергетическая компания Copel внедрила ИИ-агента, предоставляющего сотрудникам доступ к данным SAP. Решение использует модели Gemini и инструменты Google Cloud для работы с корпоративными данными.
Ранее для получения нужных сведений сотрудникам приходилось обращаться за отчётами, использовать средства автоматизации и экспортировать информацию в Excel. Теперь они могут задавать вопросы о платежах и поставщиках обычным языком и получать ответы за считаные секунды. По данным Copel, время ожидания сократилось примерно с суток до практически реального времени.
Важное условие такого подхода — достоверность исходных данных и возможность проверить, на основании каких записей сформирован ответ. Скорость получения отчёта сама по себе не гарантирует правильности финансового решения.
6. Совместная работа сотрудников — 11,6%
Корпоративные ИИ-ассистенты помогают искать информацию во внутренних документах, обобщать переписку и совещания, готовить резюме и связывать данные из разных рабочих инструментов.
PepsiCo стандартизировала работу сотрудников на платформе Microsoft Teams и внедрила Microsoft 365 Copilot в приложения, которыми персонал пользуется ежедневно. По данным Microsoft, компания объединила более 250 тыс. сотрудников на одной платформе и перенесла 3300 помещений для видеоконференций на инфраструктуру Teams Rooms.
Copilot использует рабочий контекст — документы, электронную почту, чаты и встречи — с учётом существующих прав доступа. PepsiCo также организовала обучение и поэтапное внедрение. Компания сообщает, что доля ежедневного активного использования Copilot достигла 90–95% в соответствующем контуре внедрения.
Этот пример показывает, что востребованность корпоративного ИИ зависит не только от возможностей модели, но и от интеграции с привычными рабочими инструментами, а также от качества организационного внедрения.
7. Решение проблем клиентов — 10,8%
В отличие от обработки типовых обращений, этот сценарий предполагает диагностику неисправностей, поиск причин проблемы и подбор способов её устранения. ИИ может находить сведения в документации и истории обращений, предлагать решение специалисту или выполнять разрешённые действия самостоятельно.
Американская компания Hertz, специализирующаяся на прокате автомобилей, испытывала ИИ-агента на базе Microsoft Copilot Studio для помощи сотрудникам службы поддержки при обработке запросов о технической помощи на дороге.
Сотрудник может задать вопрос обычным языком и получить инструкции, относящиеся к конкретному автомобилю, вместо ручного поиска по руководствам и документации. По данным Hertz, на раннем этапе пилотного проекта время решения проблем сократилось более чем на 15%.
Результат пока относится к отдельному пилотному сценарию. Для оценки эффективности в масштабе всей компании потребуются данные о стабильности результатов, доле успешно решённых обращений и количестве случаев, в которых рекомендации ИИ потребовали исправления.
8. Аналитика продуктов и исследований — 10,4%
В исследованиях и разработке ИИ используют для анализа данных, поиска закономерностей, обобщения научных материалов и подготовки рекомендаций для инженеров и исследовательских команд. Это позволяет быстрее оценивать гипотезы и выбирать направления дальнейшей работы.
В апреле 2025 года Estée Lauder Companies представила внутреннего ИИ-агента ConsumerIQ на базе Microsoft Copilot Studio и Azure OpenAI Service. Система анализирует потребительские, продуктовые и маркетинговые данные и помогает специалистам получать ответы на вопросы, связанные с разработкой продуктов.
По данным компании, время сбора необходимых сведений сократилось с недель до минут. Однако ускорение поиска и обобщения информации не следует путать с автоматизацией полноценного научного исследования: интерпретация результатов и проверка выводов по-прежнему требуют профильной экспертизы.
9. Соблюдение нормативных требований — 8,4%
ИИ помогает проверять документы на соответствие требованиям, готовить материалы для аудита, находить нужные положения в нормативных актах и формировать ответы со ссылками на первоисточники.
Американская инженерная компания Dunaway внедрила агента на базе Microsoft Copilot Studio, который помогает специалистам работать с местными строительными нормами. Ранее инженеры тратили более 10 тыс. часов в год на поиск требований в документах муниципального, окружного и государственного уровней более чем для 50 городов Техаса.
Теперь автоматизированный процесс собирает актуальные документы, размещает их в SharePoint и предоставляет агенту для поиска. Инженеры задают вопросы на естественном языке и получают ответы со ссылками на исходные страницы. Неоднозначные случаи передаются специалистам.
Dunaway сообщает о сокращении времени ручного исследования на 90%. При этом такой инструмент следует рассматривать как средство поиска и предварительной проверки, а не как замену юридической или инженерной ответственности за соблюдение норм.
10. Контроль качества — 7,6%
Контроль качества стал одним из наиболее быстро растущих направлений в первой десятке: его доля увеличилась с 3,5% в 2022–2024 годах до 7,6% в 2025 году и первом квартале 2026 года. По классификации IoT Analytics, это также направление с наиболее высокой долей одно- и многоагентных систем среди десяти ведущих сценариев.
ИИ способен проверять соответствие продукции спецификациям, выявлять отклонения в данных, сопоставлять результаты испытаний с требованиями и помогать специалистам искать причины дефектов. В медицине аналогичные подходы применяются для проверки решений и действий персонала по клиническим рекомендациям.
Пример такого внедрения — AI Consult, инструмент, используемый кенийской сетью первичной медицинской помощи Penda Health. Он интегрирован в электронную медицинскую карту и анализирует данные приёма, сопоставляя диагнозы и планы лечения с информацией о пациенте и клиническими рекомендациями. Система отмечает потенциальные проблемы, но окончательное решение остаётся за медицинским работником.
Penda Health и OpenAI изучили 39 849 посещений пациентов в 15 клиниках, сравнив результаты работы медицинских специалистов с доступом к AI Consult и без него. Согласно опубликованным результатам, при использовании инструмента количество диагностических ошибок было на 16% ниже, а ошибок в лечении — на 13% ниже.
Этот пример показывает потенциальную пользу ИИ для контроля качества в чувствительных областях. Вместе с тем результаты конкретного исследования нельзя автоматически переносить на другие медицинские учреждения, клинические задачи и системы здравоохранения.
Что изменится в корпоративном ИИ
Аналитики IoT Analytics выделяют пять основных тенденций.
Во-первых, компании переходят от генерации отдельных результатов к поддержке рабочих процессов. Доля проектов, ограниченных выдачей ответа или черновика, снизилась с 66,8% в 2022–2024 годах до 53% в 2025 году и первом квартале 2026 года. Поддержка рабочих процессов, напротив, выросла с 33,2 до 42%. Ещё 5% проектов в новой выборке выполняли многоступенчатые задачи автономно в заданных пределах.
Во-вторых, внедрение распространяется за пределы технологического и финансового секторов. Доля розничной торговли в выборке выросла с 3,6 до 6,5%, а профессиональных услуг — с 7,9 до 9,3%. Компании всё чаще применяют ИИ не только для внутренних экспериментов, но и для конкретных коммерческих и операционных задач.
В-третьих, технологические компании сохраняют лидерство. На них приходится 49,7% проектов за 2025 год и первый квартал 2026 года против 54,5% в 2022–2024 годах. Снижение доли не обязательно означает уменьшение числа внедрений: оно может отражать расширение общей выборки и рост активности в других отраслях.
В-четвёртых, агентный ИИ быстро развивается, но пока не доминирует. Одноагентные и многоагентные системы составили 13,4% проектов в 2025 году и первом квартале 2026 года против 0,5% в 2022–2024 годах. Наиболее высокая доля таких решений отмечена в технологическом секторе (16,8%), профессиональных услугах (16,2%) и финансах (13,7%). В производстве показатель составил 4,3%; в образовании исследование не выявило агентных проектов.
В-пятых, ИИ становится инструментом основных операций, а не только вспомогательных офисных функций. Оптимизация процессов занимает первое место среди видов деятельности с долей 52,2%. По распределению проектов между подразделениями операционная деятельность вышла на первое место с показателем 22,8%, опередив ИТ и технологические подразделения с долей 20,2%.
В совокупности эти результаты указывают на изменение приоритетов корпоративного внедрения: компании стремятся не просто ускорить подготовку документов и поиск информации, а встроить ИИ в процессы, непосредственно влияющие на производительность, качество продукции, обслуживание клиентов и финансовые результаты.
Источник: https://iot-analytics.com/top-enterprise-ai-applications/
Если вам понравился материал, кликните значок — вы поможете нам узнать, каким статьям и новостям следует отдавать предпочтение. Если вы хотите обсудить материал —не стесняйтесь оставлять свои комментарии : возможно, они будут полезны другим нашим читателям!
