В 2026 году на корпоративном рынке наблюдается любопытная, но вполне предсказуемая картина. «Фаза хайпа» окончательно сменилась «фазой отрезвления», о которой еще пару лет назад предупреждали аналитики Gartner и McKinsey.
Пилоты с искусственным интеллектом прошли почти у всех: кто-то прикрутил GigaChat к Service Desk для генерации ответов, кто-то «на коленке» собрал HR-бота в Telegram, кто-то внедрил OCR-распознавалку первичной документации. Вау-эффект на демо-днях перед руководством был обеспечен. Но что мы видим в продакшене сегодня?
А в продакшене часто обнаруживаются три-четыре разрозненных решения. Ни ИТ, ни бизнес не понимают, сколько компания реально тратит на токены. Служба информационной безопасности регулярно приносит отчеты о сотрудниках, «сливающих» конфиденциальные ТЗ в публичные публичные чаты с нейросетями. А при попытке обновить версию базовой LLM-модели вся самописная архитектура рушится.
Главная проблема корпоративного ИИ сегодня — не в самих языковых моделях (они плюс-минус выровнялись по качеству), а в том, как перевести их из стадии хаотичного эксперимента в управляемую, безопасную и масштабируемую инфраструктуру. По сути, рынок сформировал жесткий запрос на отдельный класс энтерпрайз-продуктов — корпоративные GenAI-платформы.
В этом обзоре мы разберем, что именно скрывается за этим термином, как оценивать такие системы без маркетинговой шелухи и детально сравним топовые GenAI решения на российском рынке, обладающие развитой архитектурой и подтвержденными кейсами в крупном бизнесе.
Что такое GenAI-решения простыми словами?
В 2026 году словосочетание «встроенный ИИ» продает всё: от CRM-систем до умных холодильников. Поэтому давайте сразу договоримся о жестких критериях.
Для ИТ-архитектора настоящая GenAI платформа — это не просто софт с чат-ботом. Это управляемый инфраструктурный слой, который должен обладать пятью фундаментальными свойствами:
- Оркестрация LLM (Провайдеро-независимость). Платформа обязана быть единым центром управления (хабом). Бизнес должен «на лету» переключать свои процессы между YandexGPT, GigaChat, OpenAI, Claude или развернутыми в собственном контуре (on-premise) open-source моделями. И делать это без переписывания кода самого бизнес-процесса.
- RAG (Retrieval-Augmented Generation) «из коробки». LLM-модель сама по себе — это просто генератор текста, который любит фантазировать (галлюцинировать). Платформа должна уметь связывать нейросеть с внутренними базами знаний, регламентами и CMDB компании, чтобы ответы ИИ базировались на жестких корпоративных фактах.
- Управление ИИ-агентами. Агенты — это эволюция чат-ботов. Это полуавтономные (или полностью автономные) сущности. Они не ждут вашего вопроса, они получают цель (например, «собрать данные по клиенту X и составить КП»), сами выстраивают цепочку действий, обращаются в разные системы по API и возвращают результат.
- Централизованный ИБ-комплаенс и FinOps. Безопасники должны иметь возможность заблокировать отправку определенных данных в облачные модели, а финансисты — видеть детальный биллинг: сколько токенов «сожгла» бухгалтерия, а сколько — ИТ-отдел. Разумеется, обязательна возможность установки платформы в закрытом контуре (On-Premise).
- Low-code/No-code конструктор. Настройка ИИ-процессов должна быть доступна системным и бизнес-аналитикам. Встраивание ИИ-агента в воронку продаж должно происходить в визуальном редакторе (мышкой), а не требовать найма дорогостоящих ML-инженеров.
Только те решения, которые закрывают эти пять пунктов, могут претендовать на звание Enterprise GenAI-платформ.
Как мы оценивали GenAI-платформы: методология рейтинга
Для формирования списка наиболее зрелых архитектурных платформ мы проанализировали текущий рынок РФ через два жестких фильтра:
- Архитектурный класс (Платформа, а не фича). Мы искали решения, где ИИ выведен в выделенный слой или является глобальной частью ядра системы.
- Самостоятельность бизнеса (Low-code). Второе обязательное условие — наличие визуальных конструкторов, позволяющих клиенту самостоятельно собирать сложных агентов и генеративные сценарии, не ожидая релизов от разработчиков вендора.
Топ GenAI-решений России
GenAI-платформа SimpleOne
SimpleOne пошли по пути классической, «академичной» ИТ-архитектуры. Они не стали просто добавлять умные кнопки в свои существующие решения (ITSM или B2B CRM). Вместо этого был спроектирован независимый архитектурный слой, который ложится поверх базовой Low-code платформы.
Для Enterprise-архитектора это самый понятный и чистый путь. Все продукты (HRMS, ITAM, CRM) и любые ваши самописные приложения «общаются» с нейросетями не напрямую, а через этот единый шлюз.
Технологические особенности: сердце платформы SimpleOne — концепция «нексуса». Это блестящая абстракция над языковой моделью. Создавая нексус, вы не просто вбиваете API-ключ от GigaChat или OpenAI. Вы настраиваете полноценный профиль:
- привязываете конкретную LLM (или локальную модель);
- задаете эндпоинты и ключи шифрования;
- устанавливаете жесткие лимиты токенов;
- определяете модальность (умеет ли он работать с картинками или только с текстом);
- и главное: привязываете биллинг.
В реальной жизни это выглядит так: ИТ-отдел получает «Нексус А» с дорогой моделью и безлимитными токенами для глубокого анализа логов. А отдел кадров получает «Нексус Б» с дешевой локальной моделью и лимитом в 1000 запросов в день для написания текстов вакансий. И всё это управляется централизованно.
Автоматизация здесь концептуально разделена:
- Workflow с AI-блоками (Generate Content, Smart Filling, OCR). Это для жестких, предсказуемых процессов. Шаг за шагом, без самодеятельности ИИ.
- Автономные ИИ-агенты. Это для задач с высокой неопределенностью. Агенту дают цель, доступ к API внутренних систем, и он сам выстраивает цепочку размышлений и действий. И эта автономия уже работает в продакшене.
Еще одна сильная сторона — FinOps и безопасность. Логирование происходит на уровне AI Task Step. Фиксируется каждый чих: какой промпт ушел, что ответила сеть, сколько токенов сгорело и на какой кост-центр это записать. Оркестрация LLM встроена в ядро (не нужны внешние балансировщики). Развертывание доступно везде: от SaaS до On-premise.
Техническая ремарка: стандарт MCP, который сейчас набирает популярность для интеграции контекста, в SimpleOne пока реализуется через интеграционные механизмы, а не нативно «в ядре». За актуальным статусом стоит следить в релизнотах вендора.
Robin AI (SL Soft)
Robin AI представляет собой иную парадигму — «ИИ для гиперавтоматизации». Это решение идеально подходит компаниям, где нужно подружить современный GenAI с огромным количеством старого (legacy) софта, у которого нет API.
Технологические особенности: платформа Robin объединяет возможности генеративного ИИ и классической роботизации процессов (RPA). ИИ здесь выступает в роли диспетчера и аналитика, который «читает» документы, понимает намерения пользователя и отдает команды программным роботам. Роботы, в свою очередь, вносят данные в старые системы, имитируя действия человека.
Сильная сторона Robin AI — работа в условиях «лоскутной» автоматизации. Если вам нужно, чтобы ИИ прочитал письмо от клиента, нашел информацию в трех разных базах данных без API и сам заполнил заявку в учетной системе — Robin справится с этим лучше чисто облачных платформ. Система ориентирована на создание сложных сценариев, где ИИ-агенты управляют действиями программных роботов.
Sherpa AI
Sherpa AI делает ставку на концепцию «Цифровых сотрудников». Это платформа для создания и управления парком специализированных ИИ-ассистентов, каждый из которых натренирован на свою роль: юрист, рекрутер, специалист поддержки.
Технологические особенности: в основе Sherpa лежит удобный визуальный конструктор для обучения агентов на корпоративных знаниях. Система отлично работает с RAG-технологией, позволяя быстро «скармливать» агенту внутренние регламенты, базы знаний и техническую документацию. Агенты Sherpa могут быть встроены в корпоративные мессенджеры, почту или веб-интерфейсы.
Особое внимание в Sherpa уделено «навыкам» агентов. Платформа позволяет создавать цепочки навыков, когда один агент может делегировать подзадачу другому. Это хороший выбор для компаний, которые хотят внедрить ИИ в виде понятных «виртуальных помощников» для конкретных департаментов, обеспечивая при этом безопасность данных внутри периметра.
Directum (GenAI-контур)
Один из старейших и наиболее авторитетных игроков рынка управления корпоративным контентом (ECM) и бизнес-процессами. Directum не просто «прикрутил» чат-бота, а интегрировал GenAI-инструменты непосредственно в логику работы с документами и проектами, превращая систему из хранилища файлов в интеллектуального ассистента.
Технологические особенности: основной акцент сделан на семантическом анализе документов и глубокой суммаризации. Система способна мгновенно анализировать многостраничные договоры, автоматически готовить аннотации (саммари) для руководителей и подсвечивать финансовые или юридические риски (например, невыгодные условия неустойки или противоречия с прошлыми соглашениями).
В основе решения лежит мощный инструмент семантического поиска, который позволяет пользователям получать ответы на вопросы по всему архиву компании, учитывая контекст связей между документами, а не просто наличие ключевых слов. Это критично для крупных организаций, где «топливом» для бизнеса является огромный объем сложной документации.
Pyrus (ИИ-ассистент)
Pyrus делает ставку на простоту, вовлеченность и бесшовность. Их ИИ глубоко интегрирован в систему управления задачами и коммуникациями, работая в формате «невидимого помощника», который обучается на реальном опыте взаимодействия команды.
Технологические особенности: ИИ в Pyrus функционирует непосредственно внутри чатов и форм задач. Он умеет на лету формулировать черновики ответов клиентам, анализировать тональность переписки и извлекать структурированные данные из неформального обсуждения для автоматического заполнения полей заявок.
Одной из сильных сторон является предиктивная аналитика сроков: система анализирует историческую производительность команды и прогнозирует реальную дату завершения задачи, сигнализируя о рисках просрочки. Это идеальное решение для автоматизации фронт-офиса и клиентских служб, где критически важна скорость реакции и интуитивность интерфейса.
ITFB Group (Agentum)
Платформа Agentum от ITFB Group представляет собой среду для проектирования и эксплуатации автономных ИИ-агентов. В отличие от простых чат-ботов, решение нацелено на создание полноценных «цифровых сотрудников», способных закрывать целые участки бизнес-процессов.
Технологические особенности: архитектура Agentum построена на четырех столпах: гибкость размещения (On-prem/Cloud), мощная интеграционная шина (RPA, OCR, API), собственный Workflow-движок и библиотека готовых агентов. Платформа позволяет не просто генерировать текст, а оркестрировать взаимодействие нескольких агентов между собой. Например, в процессе закупки один агент может анализировать рынок, второй — проверять контрагентов, а третий — готовить проект договора.
Система включает предустановленные модели для HR, продаж, финансов и ИТ, которые уже знают логику работы своих департаментов. Это позволяет компаниям быстро переходить от «умного поиска» к реальному исполнению задач нейросетями в корпоративных системах.
T1 ИИ (TI)
Решение от холдинга Т1 ориентировано на создание комплексной ИИ-инфраструктуры для крупнейших корпораций и государственных структур, которым требуется полный контроль над стеком технологий и масштабируемость.
Технологические особенности: платформа TI предоставляет инструменты «Фабрики ИИ» для полного цикла MLOps. Она позволяет централизованно управлять жизненным циклом моделей: от деплоя и обучения собственных нейросетей в закрытом контуре до гибкой оркестрации внешних LLM.
Платформа обеспечивает единый мониторинг производительности и точности ответов, а также автоматизирует биллинг ресурсов между разными подразделениями холдинга. Это решение выступает как надежный бэкенд, позволяя ИТ-департаментам крупных компаний стандартизировать ИИ-сервисы и избегать фрагментации технологий в разных филиалах.
Docsvision (ИИ-модули)
Платформа Docsvision использует ИИ для трансформации классического документооборота в интеллектуальную среду управления контентом, ориентированную на процессную эффективность и снижение нагрузки на персонал.
Технологические особенности: решение заточено под автоматизацию сложных рутинных проверок и аудита контента. ИИ не просто распознает текст, он сверяет извлеченные данные со справочниками компании, находит логические противоречия в разных версиях файлов и автоматически формирует (или корректирует) маршруты согласования в зависимости от содержания текста и выявленных рисков. Например, если ИИ обнаруживает в договоре условие о крупной предоплате, он автоматически добавляет в цепочку согласования финансового директора. Это позволяет юридическим и финансовым службам значительно сократить время на первичный анализ документов и сфокусироваться на действительно нестандартных кейсах.
Как выбрать GenAI-решение под задачи компании
В Enterprise-сегменте не выбирают софт по количеству красивых дашбордов. Выбор GenAI платформы — это архитектурное решение на 5-10 лет. Вот алгоритм из 5 шагов, который поможет не совершить ошибку:
- Отталкивайтесь от цифрового ядра (Что у вас уже стоит?).
Если ваша компания уже плотно работает с экосистемой SL Soft (например, вы используете роботов Robin RPA) — логично расширять этот стек через Robin AI. Если вы живете в экосистеме Directum, Pyrus или Docsvision — начинайте с их нативных ИИ-модулей. Строить сложный мост к сторонней ИИ-платформе рентабельно только в том случае, если ваши текущие системы вообще не имеют ИИ-потенциала или вам нужно объединить ИИ-задачи сразу нескольких разных департаментов (здесь сильнее SimpleOne). - Оцените уровень фрагментации (Сколько у вас независимых систем?).
Если ИИ нужен не только в CRM, но и в Service Desk, HR-портале, финансовой системе и трех самописных приложениях, попытка настроить ИИ внутри каждой системы отдельно убьет ваш ИТ-бюджет. В этом сценарии SimpleOne GenAI или T1 ИИ, как выделенные инфраструктурные слои над всем зоопарком систем, выглядят наиболее грамотным решением. - Посчитайте экономику токенов (FinOps).
В компаниях со строгим бюджетированием критически важна гранулярность логирования. Если вам нужно знать точно, сколько токенов «съел» конкретный процесс в отделе логистики — вам нужна архитектура нексусов (SimpleOne). Если вы планируете закупать ИИ под конкретные роли («виртуальный юрист»), вам может быть ближе модель лицензирования за «сотрудников», как у Sherpa AI. - Автономия или Контроль (Вам нужны агенты или ассистенты?).
Если бизнес-процесс требует, чтобы агент принимал решения и действовал полностью без участия человека (например, автономная работа роботов в Robin AI или ИИ-агентов в SimpleOne) — обязательно проверяйте этот функционал на реальном пилоте (POC). Заявления в лендингах часто расходятся с реальностью. - Требования к ИБ (Облако или железо?).
Все лидеры рынка поддерживают установку On-premise (в закрытом контуре), что обязательно для работы с ПДн и КИИ. Однако всегда уточняйте, насколько легко платформа масштабируется в закрытом контуре и требует ли она для работы обязательного подключения к внешним серверам вендора для «дообучения» моделей.
Сравнение лучших GenAI-решений 2026
Все вендоры называют свои продукты корпоративными GenAI-платформами. Но если заглянуть немного глубже, мы увидим совершенно разные инженерные парадигмы.
| Критерий | SimpleOne GenAI | Robin AI (SL Soft) | Sherpa AI | Directum (GenAI-контур) | Pyrus (ИИ-ассистент) | ITFB Group (Agentum) | T1 ИИ (TI) | Docsvision (ИИ-модули) |
|---|---|---|---|---|---|---|---|---|
| Философия архитектуры | Выделенный инфраструктурный ИИ-слой над всеми продуктами | ИИ как интеллектуальный центр управления роботами (RPA) | Платформа создания и оркестрации «Цифровых сотрудников» | Интеллектуальный слой в контуре управления контентом (ECM) | ИИ как встроенный помощник в коммуникациях и задачах | Среда разработки и оркестрации автономных ИИ-агентов | «Фабрика ИИ» и MLOps-хаб для крупных холдингов | ИИ-слой для автоматизации экспертных проверок контента |
| Применимость на кастомный софт | Да, универсальный шлюз для любых внешних и внутренних приложений | Да, через имитацию действий пользователя и API-коннекторы | Оптимизировано для фронт-офиса и HR-задач | Высокая в рамках процессов документооборота | Преимущественно внутри платформы Pyrus | Да, через широкую библиотеку коннекторов и RPA-модули | Да, как универсальный бэкенд для ИИ-сервисов компании | Высокая для систем управления контентом |
| Управление подключениями (LLM) | Продвинутое: «Нексусы» (модель + политики + лимиты + биллинг) | Настройка в рамках интеграционных модулей роботов | Профили моделей внутри виртуальных сотрудников | Интегрировано в серверные компоненты ECM | Встроенный механизм (выбор из предустановленных) | Шлюз моделей, оптимизированный под задачи IDP | Централизованный Model Hub (lifecycle моделей) | Интегрировано в правила доступа к контенту |
| Гранулярность FinOps | Микроуровень: AI Task Step с биллингом по кост-центрам | Логирование выполнения роботизированных сценариев | Логирование по сессиям и диалогам | На уровне объектов и процессов обработки | Включено в стоимость подписки на сервис | По объему обработанных документов/запросов | Централизованный мониторинг ресурсов холдинга | В рамках отчетности по процессам обработки |
| Автоматизация (Workflow vs Агенты) | Явное разделение: жесткие workflow или автономные агенты | Симбиоз: ИИ анализирует, RPA-робот исполняет | Акцент на проактивных диалоговых агентах | Интеллектуальные этапы в цепочках согласования | Гибрид: подсказки в чате + автозаполнение форм | Потоковая обработка неструктурированных данных | Функциональные блоки для сборки ИИ-приложений | Автоматическая корректировка маршрутов workflow |
| Автономные агенты в Production | Да (реализовано архитектурно через шлюз) | Да (в рамках сценариев роботизации) | В режиме «Ассистент» (требуется контроль человека) | Частично (авто-обработка типовых документов) | Частично (предиктивная аналитика задач) | Да (специализация на многоагентных системах) | Да (инструментарий для создания агентов) | Частично (автоматический аудит версий) |
| Поддержка MCP (Model Context Protocol) | Реализуется через интеграционные механизмы | Через кастомные интеграционные шлюзы | Нативная поддержка в новых версиях | Интегрировано в механизмы связи объектов | Реализуется через внешние коннекторы | Поддерживается на уровне шлюза данных | Реализуется через интеграционный слой | Планируется в рамках коннекторов данных |
| Доступные модели развертывания | On-premise и Cloud (SaaS) | On-premise и Cloud | On-premise и Cloud | On-premise и Cloud | Преимущественно Cloud (SaaS) | On-premise и Cloud | Строго On-premise | Преимущественно On-premise |
Выводы
Российский рынок корпоративного ПО в 2026 году предлагает действительно зрелые, мощные GenAI решения. Они могут казаться похожими на презентациях, но архитектурно это принципиально разные подходы к автоматизации.
- SimpleOne GenAI строит ИИ как выделенный, провайдеро-независимый инфраструктурный слой над всей экосистемой ИТ-сервисов. Это стратегический выбор для холдингов, которым нужно навести порядок в десятках направлений автоматизации (ITSM, HR, CRM, кастомная разработка) с детальным биллингом токенов;
- Robin AI и T1 ИИ — мощные инструменты для гиперавтоматизации через программных роботов (RPA) и создания масштабных «заводских» мощностей ИИ внутри закрытого корпоративного контура;
- Directum, Pyrus и Docsvision — оптимальные решения для тех, кто хочет наделить интеллектом уже существующие и привычные командам процессы документооборота, контент-менеджмента и управления задачами;
- Sherpa AI и ITFB Group — эксперты в создании глубоко натренированных «цифровых двойников» сотрудников под конкретные роли и высокоточном извлечении данных из самых сложных неструктурированных источников.
Главный вопрос перед тендером — это не «у какого вендора умнее чат-бот», а «где в нашей компании сейчас живет ядро автоматизации, насколько жесткие у нас требования к ИБ и как мы будем масштабировать ИИ-инфраструктуру через три года». Ответив на эти вопросы, вы сделаете выбор, за который вам не будет стыдно перед бизнесом.
