Кратко: о чем говорили на втором дне TechEx North America
Второй день TechEx North America был посвящен более глубокому и практическому обсуждению искусственного интеллекта в бизнесе. Главная тема — не просто интерес к AI, а реальные барьеры, с которыми компании сталкиваются при переходе от пилотных проектов к масштабному внедрению.
Организаторы и спикеры обсуждали так называемое «кладбище AI-проектов» — ситуацию, когда эксперимент с искусственным интеллектом успешно работает в пилоте, но не приносит устойчивого результата в реальной корпоративной среде. При этом общий тон конференции оставался скорее оптимистичным: участники говорили не о провале AI, а о том, как компаниям избежать типичных ошибок внедрения.
Почему корпоративные AI-пилоты не масштабируются
Одна из центральных проблем — разрыв между индивидуальной продуктивностью и системным изменением бизнеса. Многие компании начинают с персональных AI-инструментов: например, с copilot-решений для отдельных сотрудников, руководителей или команд.
На уровне одного пользователя результат может быть впечатляющим: быстрее пишутся тексты, анализируются данные, готовятся презентации, автоматизируются рутинные задачи. Но когда бизнес пытается распространить этот опыт на отдел, департамент или всю организацию, появляются сложности: данные не готовы, процессы не описаны, инфраструктура не выдерживает нагрузку, а безопасность и управление не поспевают за скоростью внедрения.
Именно поэтому на TechEx отдельно обсуждали, как строить agent-ready data foundations — то есть основу данных, с которой могут безопасно и эффективно работать AI-агенты, корпоративные LLM-системы и автоматизированные workflow.
Главные барьеры внедрения ИИ в бизнесе
Для корпоративного сектора искусственный интеллект уже не выглядит экспериментальной игрушкой. Но успешное внедрение требует не только модели или интерфейса, а полноценной стратегии.
Ключевые проблемы, которые обсуждались на конференции:
- Слишком узкие пилоты. AI хорошо работает в рамках личного сценария, но не всегда переносится на масштаб компании.
- Недостаточная готовность данных. Без качественной архитектуры данных AI-агенты быстро упираются в ограничения.
- Неясный ROI. Бизнесу нужно понимать, как считать окупаемость AI-проектов, особенно с учетом token-based pricing и расходов на инфраструктуру.
- Выбор между build и buy. Компаниям приходится решать, строить собственную AI-инфраструктуру или покупать готовые решения.
- Разрыв между бизнесом и безопасностью. Подразделения часто внедряют AI быстрее, чем службы безопасности успевают выстроить контроль.
Агентный ИИ: больше возможностей, но больше рисков
Отдельное внимание было уделено agentic AI — системам, которые не просто отвечают на запросы, а могут выполнять действия, запускать процессы, работать с сервисами и принимать промежуточные решения.
Для бизнеса это открывает путь к глубокой автоматизации: AI-агенты могут помогать в клиентском сервисе, аналитике, разработке ПО, финансовых операциях, управлении документами и внутренних процессах. Но чем больше автономности получает AI-система, тем выше требования к контролю.
Если агент имеет доступ к корпоративным данным, API, CRM, облачным сервисам или внутренним инструментам, он должен подчиняться тем же правилам безопасности, что и человек или сервисный аккаунт. Иначе автоматизация может превратиться в новый источник уязвимостей.
Shadow AI: новая версия старой проблемы shadow IT
На конференции много говорили о shadow AI — несанкционированном использовании AI-инструментов внутри компании. Это новая форма shadow IT: сотрудники используют внешние нейросетевые сервисы без согласования с IT- и security-командами.
Проблема не только в самом факте использования ChatGPT-подобных инструментов или сторонних AI-платформ. Главный риск — передача чувствительных данных в неподконтрольные системы. Это могут быть клиентские данные, коммерческая информация, исходный код, юридические документы, финансовые отчеты или внутренние стратегии.
Если компания не видит, какие AI-инструменты применяются сотрудниками, она не может полноценно управлять рисками. Поэтому data governance, контроль доступа и мониторинг AI-сценариев становятся обязательной частью корпоративной AI-стратегии.
Кибербезопасность и ИИ: скорость внедрения создает velocity gap
Один из важных терминов второго дня — velocity gap. Он описывает ситуацию, когда бизнес-подразделения быстро внедряют генеративный и агентный ИИ, а security-команды не успевают проверять, ограничивать и защищать эти решения.
AI влияет на кибербезопасность сразу с двух сторон. С одной стороны, он помогает защищаться: анализировать события, автоматизировать реагирование, ускорять расследования и выявлять подозрительную активность. С другой — злоумышленники тоже получают новые инструменты, включая AI-сканирование уязвимостей и автоматизацию атак.
Поэтому внедрение ИИ в компании нельзя рассматривать отдельно от cybersecurity. Чем больше AI подключен к данным, сервисам и бизнес-процессам, тем важнее заранее проектировать ограничения, права доступа и аудит действий.
Zero Trust для AI-агентов: отказ по умолчанию
Один из подходов, который обсуждался на TechEx, — zero trust. В контексте корпоративного AI это означает, что ни пользователь, ни сервис, ни AI-агент не должны автоматически получать доверие.
Принцип прост: доступ предоставляется только после подтверждения личности, проверки прав и понимания контекста. Для AI-агентов это особенно важно, потому что они могут выполнять автоматические действия в нескольких системах сразу.
В практическом смысле это означает:
- AI-агенту нельзя давать больше прав, чем нужно для конкретной задачи;
- действия агента должны логироваться;
- доступ к данным должен быть ограничен ролями и политиками;
- автоматические workflow должны проходить через те же модели разрешений, что и обычные IT-процессы;
- безопасность должна быть встроена до запуска, а не добавлена после масштабирования.
Такой подход снижает риск того, что успешный AI-пилот превратится в неконтролируемую корпоративную уязвимость.
Physical AI: следующий этап после LLM в бизнесе
Еще одна заметная тема TechEx North America — Physical AI, то есть искусственный интеллект для физических систем: роботов, автономных устройств, промышленных решений, логистики, производства и систем безопасности.
На выставке большой интерес вызвали гуманоидные роботы, но обсуждение не ограничивалось демонстрационным эффектом. Участники говорили о том, что после успешного применения LLM в программировании и офисных задачах следующей крупной областью станет автоматизация физических процессов.
При этом модели для Physical AI не обязательно будут классическими LLM. Большие языковые модели могут быть полезны для взаимодействия с человеком, но управление физическим миром требует других подходов: компьютерного зрения, сенсорных данных, робототехники, reinforcement learning, специализированных моделей управления и надежной интеграции с бизнес-процессами.
Практическое обучение: от стратегии до Google Colab
TechEx North America также усилил образовательную часть программы. Участникам предлагались практические сессии по созданию AI-агентов, работе с интерактивными Google Colab-средами, а также воркшопы от Nvidia и Google Hackathon.
Это показывает важный сдвиг: рынок уже не ограничивается разговорами о потенциале искусственного интеллекта. Бизнесу нужны специалисты, которые могут не только обсуждать AI-стратегию, но и запускать рабочие прототипы, оценивать ограничения моделей, строить инфраструктуру и переводить идеи в реальные продукты.
Что это значит для бизнеса
Главный вывод второго дня TechEx North America: в 2026 году искусственный интеллект уже воспринимается как неизбежная часть корпоративной трансформации. Но успешными будут не те компании, которые просто запускают больше пилотов, а те, кто умеет масштабировать AI безопасно, управляемо и экономически оправданно.
Бизнесу нужно одновременно работать с несколькими слоями: данными, инфраструктурой, безопасностью, governance, ROI, обучением сотрудников и выбором конкретных сценариев, где AI действительно дает измеримый эффект.
FAQ: частые вопросы о корпоративном ИИ
Почему AI-пилоты часто не переходят в полноценное внедрение?
Потому что пилот может успешно работать для одного сотрудника или команды, но масштабирование требует готовых данных, процессов, инфраструктуры, правил безопасности и понятной модели ROI.
Что такое agentic AI?
Agentic AI — это AI-системы, которые могут не только отвечать на вопросы, но и выполнять действия: запускать процессы, обращаться к сервисам, работать с данными и принимать промежуточные решения.
Чем опасен shadow AI?
Shadow AI возникает, когда сотрудники используют AI-инструменты без согласования с IT и безопасностью. Это может привести к утечке данных, нарушению политик компании и расширению поверхности атаки.
Зачем нужен zero trust для AI?
Zero trust помогает ограничить доступ AI-агентов и пользователей по принципу «не доверять по умолчанию». Это особенно важно, если AI-системы подключены к корпоративным данным и внутренним сервисам.
Что такое Physical AI?
Physical AI — это искусственный интеллект для физических устройств и систем: роботов, автономных машин, промышленных решений, логистики, производства и систем безопасности.