Банк встроил в чат-бот собственные языковые модели семейства Gen-T: около 45% обращений клиентов решаются без оператора. В октябре 2025 года запущены ИИ-копайлоты для операторов первой линии, ими ежедневно пользуются более 90% сотрудников поддержки. Модели развернуты в периметре банка, данные вовне не передаются.
Копайлот анализирует сообщения и звонки в реальном времени, подсказывает ответ и следующий шаг, мгновенно подбирает причину, сумму и дату транзакции для оспаривания. Скорость решения вопросов клиентов выросла на 10%. Эффект от собственных моделей оценивается как снижение затрат на поддержку минимум на 25% в год; прямая экономия за полгода тестирования зафиксирована, суммы не раскрыты.
Своя модель окупается там, где поток обращений исчисляется тысячами в день: банк держит и модель, и данные внутри и получает эффект на каждом обращении.
Юридический департамент холдинга, более 70 юристов, больше года обучал собственную языковую модель на юридических данных компании. Согласование договоров сократилось с двух недель до трех дней, сравнение двух версий документа выполняется в пять раз быстрее, чем вручную.
Система сверяет ИНН контрагентов с государственным реестром, граф знаний показывает связи между поставщиками, договорами и судебными решениями. Затраты на сравнение документов снизились на 40% по данным внутренних исследований холдинга. Численность юристов сохранена при росте объема документов; модель работает в защищенном корпоративном контуре. Параллельно холдинг создал коммерческий продукт для анализа документов: извлечение данных, валидация, классификация и граф знаний по договорам.
Собственная модель на своих договорах это способ не отдавать юридические документы наружу и при этом получить измеримую скорость.
В феврале 2026 года оператор разместил тендер на автономного ИИ-ассистента для разработчиков, который разворачивается в закрытом дата-центре компании в Ростове-на-Дону, чтобы исходный код не покидал инфраструктуру. Требования: 15 пользователей, автодополнение с откликом не более 400 мс, шесть языков программирования.
В техзадании: мультифайловый рефакторинг с точностью не ниже 85% за один проход, интеграция по протоколу MCP с базами, API и документацией, полная совместимость с VS Code, возможность выбора модели. Бюджет закупки не раскрыт; по оценке отраслевых экспертов, которую приводит каталог, GPU-инфраструктура для локального развертывания остается существенной статьей затрат.
Крупный оператор формулирует локальный ИИ через измеримые требования: задержка, точность, число пользователей. Так же стоит писать техзадание на любой закрытый контур.
Оператор национальной страховой информационной системы развернул большую языковую модель локально и построил на ней три контура: автоматическую обработку обращений с множественными полями, RAG-сервис технической поддержки на документах компании и ИИ-агентов в процессе разработки, включая автоматический код-ревью.
Модель извлекает и структурирует данные обращений вместо ручного разбора, ответы поддержки формируются по базе знаний, для тестирования агентных сценариев поднят MCP-сервер. Скорость обработки обращений выросла в 20 раз; среднемесячный рост обращений на 11% выдерживается без снижения качества, рост в 1,5 раза год к году обработан без найма; компания избежала необходимости расширить штат в 7 раз.
Одна локальная модель закрыла три контура сразу: обращения, поддержку и разработку. Железо окупается, когда его нагружают несколькими задачами.
Служба информационной безопасности аэропорта встроила анализ кода в среду разработки, а разбор уязвимостей и исправление кода передала обученному ИИ-плагину, который работает в закрытом контуре без выхода данных наружу. Точность модели более 90% на верификации находок и до 85% на исправлении уязвимостей.
Модули статического и динамического анализа дают обратную связь прямо при написании кода, модуль состава ПО проверяет зависимости по базам уязвимостей и лицензионную чистоту. Код, написанный с помощью ИИ, проверяется отдельно, последнее слово за человеком. Автоматизировано выполнение требований ГОСТ Р 56939-2024 к экспертизе исходного кода.
Объект критической инфраструктуры показывает правило: чем чувствительнее данные, тем ближе модель к коду. Исходный код не покидает периметр.
Холдинг строит ИИ-экосистему на локальных нейросетях, агентах и чат-ботах, чтобы конфиденциальные данные не уходили в публичные сервисы. Реализована синхронизация данных управления стадом с государственной системой, развернут мониторинг правовой информации для бэк-офиса, запущено несколько аналитических проектов.
Компания проводит регулярные вебинары для сотрудников разных отделов и до конца 2026 года утверждает внутреннюю политику по ИИ; следующий этап расширение на растениеводческий дивизион. Числовых результатов не раскрыто.
Первый шаг суверенного ИИ в компании это политика: что можно отправлять наружу, что нет. Холдинг пишет ее раньше, чем масштабирует модели.
Первый отечественный аватар-юрист распознает разговорную речь и консультирует по правовым вопросам; в базе знаний федеральные законы, нормативные акты и информация с сайта министерства. По состоянию на июль 2026 года специалисты обучают локальную языковую модель, чтобы ускорить работу и улучшить ответы.
Аватар размещен на стенде в полный рост с сенсорным экраном, выпущена версия для VR. Задача: предварительные правовые консультации и ответы на частые вопросы. Проект 2024–2025 годов, представлен на Петербургском юридическом форуме. Числовых результатов не раскрыто.
Госорган держит модель у себя и обучает ее на открытых нормативных данных: типовой путь для ведомств, где внешние API недопустимы.
Интегратор реализовал ИИ-агента для первичного анализа договоров в закрытом контуре заказчика, который проектирует и поставляет ИТ-инфраструктуру: агент извлекает и сопоставляет данные, выявляет расхождения и готовит результат для специалиста. Агентов интегратор внедрил и в собственные процессы тестирования: высвобождено 20% рабочего времени команды за спринт.
До внедрения юристы вручную сверяли реквизиты и условия договоров на поставку оборудования и работы, искали противоречия. Агент выполняет последовательность операций, а не один ответ на запрос. Публикация 31 августа 2026 года.
Закрытый контур не мешает агентности: агент выполняет цепочку шагов внутри периметра заказчика. Именно так мы собираем агентов на локальной модели.
Группа разработала ИИ-ассистента для задач, связанных с деньгами и покупками, на собственных больших языковых моделях семейства Gen-T. Чтобы избежать выдумок, система опирается на верифицированные источники данных, а не только на знания модели. Бета представлена 20 июля 2026 года, полноценный запуск запланирован на осень.
В планах голос, работа с изображениями и документами, анализ ссылок и учет дохода, накоплений и кредитной нагрузки пользователя при рекомендациях. В сентябре 2025 года компания уже запустила агентный режим для своей экосистемы ассистентов. Числовых результатов не раскрыто.
Своя модель плюс проверенные источники: так финансовая группа снижает риск выдумок, который в облачном сервисе она не контролирует.
Производитель косметики заменил классический поиск по каталогу нейросетевым: локальная языковая модель Qwen и векторный семантический поиск развернуты на GPU-инфраструктуре российского облака. Модель работает внутри контролируемой инфраструктуры, данные не передаются во внешние сервисы, затраты на обработку запросов под контролем.
Устранены пустые выдачи по нестандартным запросам. Решение часть стратегии применения ИИ, которая охватывает маркетинг и документооборот. Числовых результатов не раскрыто.
Локальная открытая модель на арендованных GPU в российском облаке: средний путь между покупкой сервера и зарубежным API.
Автономный рабочий агент работает на локально развернутой модели с 35 млрд параметров и примерно 3 млрд активных на токен через LM Studio, скорость около 70 токенов в секунду на Mac. Сначала агент запускался в Docker на Mac, затем переехал на виртуальную машину, что стало переломным моментом по удобству.
Детерминированная обработка данных вынесена в отдельные приложения на Go с интеграцией к базе и векторному поиску, агенту оставлены задачи потребления. Источники: почта, транскрипты встреч, мессенджеры. Это персональный агент руководителя, не корпоративное развертывание; числовых результатов не раскрыто. Публикация 21 августа 2026 года.
Модель с малым числом активных параметров дает около 70 токенов в секунду на Mac. Для агента этого достаточно, если тяжелая обработка вынесена в код.
Команда собрала локального ИИ-агента в закрытом контуре на связке Ollama и агентной обвязки на арендованном GPU-сервере с картой NVIDIA A30 на 24 ГБ. Модели: gpt-oss 20b (13 ГБ) для текста и инструментов и qwen3-vl 8b (6,1 ГБ) для изображений; вместе с KV-кэшем на контекст 65 536 токенов занято 22,4 ГБ.
Агент правит тексты в заданных персонах, гоняет ночную очередь исследований по cron каждые 10 минут, ищет в вебе и работает с файлами в границах рабочей директории. Надежная цепочка до примерно 6 последовательных вызовов инструментов; таймаут холодной загрузки поднят выше 300 секунд; на отладку двенадцати ошибок ушел один вечер. Режим однопользовательский. Публикация 21 августа 2026 года.
Точная арифметика памяти из кейса: веса плюс KV-кэш должны уместиться в видеопамять с запасом. Наш калькулятор памяти считает по той же формуле.
ИТ-подразделение сети строительных магазинов сравнило три модели в единой агентной обвязке с 13 виджетами аналитической панели и около 30 инструментами: облачную западную модель, облачную открытую модель на 235 млрд параметров и локальную модель на 9 млрд параметров в 4-битной квантизации на одной видеокарте. Схема: 3 сценария, 3 модели, 3 прогона, 27 запусков.
Двухшаговая задача: успех во всех 9 прогонах, 32–36 секунд у всех трех. Трехшаговая задача с созданием файлов: локальная модель дала 100% точности переноса данных, западная облачная отклонилась от инструкции, открытая облачная провалила один прогон. Пятнадцатишаговая задача по 7 проектам: полностью проверяемого результата не дала ни одна модель; западная облачная создала 7 из 7 файлов с непроверяемыми данными, открытая облачная дала частичный успех в 2 из 3 прогонов, локальная 1 успех из 3 и 2 ложных рапорта о завершении. Публикация 31 августа 2026 года.
Группа разработала платформу для локального развертывания больших языковых моделей на инфраструктуре заказчика: чат и сложные конвейеры обработки документов, аудио и изображений. Дочерняя компания создала собственную модель, дообученную на русскоязычных данных, и пилотирует ее в CRM-, SRM- и HRM-проектах и корпоративных чат-ботах.
Задача, которую решает платформа: при работе с облачными моделями, в том числе зарубежными, кодовая база и документы уходят за периметр. По данным группы, с LLM сбор и анализ требований ускоряется в 4 раза, разработчики выполняют вдвое больше задач, поиск нужного документа через внутренний чат-бот сократился на 66%, чат-бот в промышленной эксплуатации с лета 2025 года. Платформа держит модели на 8–14 млрд параметров на стандартном сервере, более крупные на выделенном железе, и включена в реестр российского ПО в апреле 2025 года. Денежный эффект не раскрыт.
Интеграторы продают локальный ИИ как платформу: интерфейс, конвейеры, доступы, обновления. Модель в такой поставке лишь одна из частей.
Девелопер вместе с банком внедрил ИИ-контролера на российской языковой модели для автоматической проверки условий проектного финансирования и мониторинга кредитных обязательств. По данным компании, время на анализ кредитной документации сократилось на 80%. Каждый крупный проект сопровождают сотни страниц кредитной документации и десятки дополнительных соглашений; система собирает мастер-версию каждого договора и ведет единый календарь обязательств.
Решение работает в изолированном контуре и, по заявлению компании, соответствует 152-ФЗ: данные хранятся на серверах в России и защищены шифрованием. Разработчик решения входит в экосистему банка. Публикация 15 сентября 2026 года.
Российская модель в изолированном контуре закрывает и задачу, и требование к данным. Банк-кредитор участвовал в проекте сам: требования к отчетности заемщика заложены в систему.
В витрины данных единой медицинской системы города встроен ИИ-помощник на локально развернутой большой языковой модели. Локальное развертывание выбрано для работы с чувствительными медицинскими данными без их передачи вовне.
Помощник генерирует и оптимизирует код запросов к витринам, подбирает методы анализа обезличенных данных и сокращает время специалистов на аналитику госпитализаций, операций и назначений. Инструмент для специалистов многопрофильных стационаров; внедрение ИИ и генеративный ИИ включены в программу московского здравоохранения на 2026 год. Подход применим любому региону с единой системой и витринами данных.
Медицинские данные это тот случай, где локальная модель не обсуждается, а выбирается по умолчанию.
В мае 2023 года компания запретила сотрудникам использовать внешние генеративные сервисы на рабочих устройствах после того, как трое сотрудников загрузили в чат-бот исходный код и записи внутренних совещаний. Внутренняя записка предупреждала о дисциплинарных мерах вплоть до увольнения.
Запрет назван временным: до подготовки мер безопасности и защищенной среды для работы с генеративным ИИ; параллельно компания, по данным издания, разрабатывает собственные инструменты для внутреннего использования. Ключевая проблема, отмеченная в публикации: провайдер сохраняет загруженные данные для обучения своих систем, а потребовать их обратно у компании, по оценке издания, возможности нет.
Утечка через чат-бот произошла не из-за взлома, а из-за удобства. Локальная модель убирает саму возможность отправить код наружу.
Две федеральные политехнические школы и национальный суперкомпьютерный центр выпустили полностью открытую языковую модель в двух размерах, 8 и 70 млрд параметров, обученную на 15 трлн токенов на более чем 1 000 языках, 40% данных не на английском. Разработку модели и связанные исследования обеспечили более 10 млн GPU-часов на суперкомпьютере Alps.
Лицензия разрешает образовательное, исследовательское и коммерческое применение; открыты веса, данные и рецепты обучения. Авторы называют проект образцом доверенной, суверенной и инклюзивной модели; при разработке учтены швейцарские законы о защите данных и авторском праве и требования прозрачности европейского закона об ИИ. Публикация 2 сентября 2025 года.
Суверенность здесь не в запрете чужого, а в открытости своего: страна опубликовала веса и данные, чтобы любой мог развернуть модель у себя.
Кейс ИИ-администратора в клинике на открытых данных. Модель: многопрофильная клиника с двумя администраторами на приеме. Звонки и сообщения идут до 21:00, пик в 10–11 утра, когда администраторы заняты пациентами у стойки.
Один процесс пилота. Запись и подтверждение визитов: агент отвечает на звонок и в мессенджере, предлагает время, подтверждает.
Метрика из договора. Доля обращений без ответа и доля записей, сделанных без администратора.
Что подключили. Телефония, мессенджеры и расписание врачей в информационной системе клиники.
Как передавали сложные случаи. Вопрос о лечении или жалоба уходит администратору вместе с историей диалога.
Что нужно от клиники. Доступ к телефонии, мессенджерам и расписанию врачей в первые три дня. Записи звонков и переписки за месяц, прайс и правила записи: что администратор говорит пациенту и чего обещать нельзя.
Кейс ИИ-поддержки интернет-магазина на открытых данных. Модель: магазин с доставкой по стране и тремя операторами поддержки. Вопросы «где заказ», «как вернуть» и «когда доставка» идут в чат, почту и соцсети, включая вечер и выходные.
Один процесс пилота. Типовые вопросы: статус заказа, доставка, возврат, оплата. Агент отвечает по данным заказа.
Метрика из договора. Доля обращений, закрытых без оператора, и время до первого ответа.
Что подключили. CRM и статусы доставки, чат на сайте, почта и соцсети как каналы.
Как передавали сложные случаи. Спор, претензия или нестандартный возврат уходят оператору вместе с историей диалога.
Что нужно от магазина. Доступ к CRM или системе заказов и к каналам, где пишут покупатели, в первые три дня. Обращения в поддержку за месяц и правила, по которым отвечают операторы: сроки доставки, условия возврата и оплаты.