Тайны ослика ИИ. Как искусственный интеллект влияет на развитие мультимедиа и ИТ-решений для корпоративных заказчиков

Оглавление:

• Истоки
• Тренды
• Бренды
• Статистика
• Экономика
• Best Practice
• Перспективы

Рынок профессиональной АВ-интеграции в 2026 году переживает «тектонический сдвиг». Генеративный искусственный интеллект (Generative Artificial Intelligence, GenAI) — больше не эксперимент и не маркетинговая надстройка, а новая операционная реальность, которая изменила ожидания заказчиков, модели ведения бизнеса, архитектуру АВ/ИТ-систем, а также роль системных интеграторов. Предлагаем вашему вниманию детальный разбор этой трансформации с описанием основных трендов и информацией о ключевых фигурах российского рынка.

Как обычно, всё началось с идей: рассуждая об устройстве Вселенной, античные философы заложили основы формальной логики, позже ставшей фундаментом для машинных алгоритмов.

Двоичную арифметическую систему — в 1703 году подробно описал знаменитый немецкий философ, математик, логик, физик, изобретатель и дипломат Готфрид Лейбниц, с юности мечтавший об «универсальной машине рассуждений». С развитием средств производства в XIX веке были сделаны еще некоторые важные шаги «в сторону ИИ»: математик, изобретатель и инженер‑механик Чарльз Бэббидж в середине 1830-х годов четко сформулировал идею и создал «аналитическую машину» (прообраз компьютера), первый алгоритм для которой написала Ада Лавлейс, дочь знаменитого поэта лорда Байрона и «по совместительству» математик. Затем в 50-е годы ХIХ века Джордж Буль, профессор математики и логики в Королевском колледже г. Корк (Великобритания), разработал «булеву алгебру» — язык логических символов, который идеально ложится на схемы, где есть два состояния: «включено/выключено», «есть ток/нет тока». Сегодня наследие Буля — повсюду: на булевой логике основана цифровая схемотехника от простых логических вентилей до процессоров), классическое программирование — прямое продолжение идей Буля, на булевых операциях работает поиск в интернете, фильтрация данных, условия в алгоритмах.

Итак: Лейбниц дал числовую модель, Бэббидж добавил практики, а Буль — логики; на этой базе построены современные вычислительные машины и алгоритмы обработки.

А дальше в дело вступило электричество. В 1938 году американский математик, инженер и криптограф Клод Шеннон буквально «оживил» абстрактную логику Буля, показав, как её использовать в реальных электрических схемах. В 1943 году Уоррен Мак-Каллок (нейрофизиолог и психиатр) и Уолтер Питтс (математик и логик) описали нейроны как устройства, работающие с двоичными числами, что положило начало исследованиям искусственных нейронных сетей. В 1950-м британский математик, логик и криптограф (пионер информатики!) Алан Тьюринг предложил «тест Тьюринга» — критерий для определения способности машин демонстрировать интеллектуальное поведение, неотличимое от человеческого. Наконец, в 1956 году Джон Маккарти (создатель языка программирования Lisp и автор термина «искусственный интеллект», Artificial Intelligence, AI) с коллегами Натаниэлем Рочестером (разработчик одной из первых серийных научных ЭВМ в компании IBM) и вышеупомянутым Шенноном организовали специальную научную конференцию, где официально ввели в обиход упомянутый термин; с тех пор ИИ стал самостоятельной научной дисциплиной.

В 1960-е годы на Западе появились первые практические разработки с применением ИИ, например, программа ELIZA Джозефа Вейценбаума, имитирующая диалог с человеком по скриптам.

ELIZA работала по простым правилам: искала ключевые слова и подставляла шаблоны (никакого реального понимания смысла)., но эффект оказался поразительным: люди стали относиться к программе как к собеседнику, который их «слушает». Секретарша Вейценбаума, например, просила его выйти из комнаты, чтобы «поговорить с ELIZA наедине»…

А в 1970–1980 наступила первая «ИИ-зима»: инвесторы обнаружили, что ожидания публики завышены, ажиотаж поутих, в работе «нейронок» есть явные «косяки», а вычислительных мощностей не хватает — и свернули финансирование, сохранив интерес лишь к развитию экспертных систем (медицина, инженерия и т.д.). Однако с приближением Миллениума интерес к ИИ воспрял. Стали появляться автономные системы: беспилотные автомобили, потом игровые «движки» (например, AlphaGo для игры в «го», в 2016 году победившая чемпиона мира), чуть позже — системы распознавания речи, текстов и изображений. Искусственный интеллект «оседлали».

Да, порой брыкается.

Но ведь пашет!

Вот так, шажок за шажком, за два тысячелетия человечество пришло к воплощению своей мечты — созданию безотказного, смышленого и дружелюбного помощника.

Между тем, наши соотечественники внесли в развитие ИИ весьма серьёзный, даже фундаментальный вклад.

Основоположником отечественной школы ИИ называют академика, специалиста в области автоматического управления и системного анализа Гермогена Поспелова. Он инициировал создание в Академии наук СССР секции «Искусственный интеллект» (1980), что позволило вывести соответствующие исследования на системный уровень. Кроме того, Поспелов ставил актуальную и по сей день задачу создания технологий, которые позволили бы пользователям-профессионалам решать задачи в своей предметной области без глубокой подготовки в программировании.

В основе многих сегодняшних технологий — от машинного перевода и распознавания речи до финансового моделирования — лежат столетней давности «марковские цепи» (1906) выдающегося математика Андрея Маркова-старшего. На его методике (предварительная обработка данных, в т.ч. удаление знаков препинания, лишних символов) основана подготовка тренировочных датасетов для больших и малых языковых моделей.

Академик Сергей Соболев (автор знаменитых «соболевских пространств», 1930) по сути дал человечеству язык для работы с «неидеальными» данными и неустойчивыми задачами: в ИИ эти темы постоянно всплывают под названиями «стабильность модели», «устойчивость к шуму», «способность к обобщению».

Наконец, в 2024 году зарубежные коллеги адаптировали, казалось бы, не применимую в отношении ИИ теорему Колмогорова — Арнольда и создали на ее основе новую архитектуру нейросетей (т.н. сети Колмогорова — Арнольда, KAN).

Есть и другие примеры российских/советских исследований, которые сегодня широко применяются в мировой ИИ-практике.

Почему же этот вклад остаётся в тени?

Во-первых, из-за «железного занавеса» и различий в научной культуре, многие работы публиковались только на русском языке и были недоступны международной аудитории.

Во-вторых, хоть и фундаментальные, но скрытые в недрах советских НИИ теоретические «прорывы» не всегда сопровождались масштабными прикладными проектами, что снижало их заметность в глобальном поле.

Но для чего же понадобилось столь подробное погружение в предысторию? Чтобы акцентировать внимание читателей на удивительном феномене: при всей сложности программно-аппаратной части современный интерфейс общения с искусственным интеллектов предельно прост! Вводишь текст, а то и просто задаешь вопрос голосом — и получаешь в ответ текст, код, документ, картинку, схему, видео, аудио… не охваченными остались разве что тактильные ощущения и запахи.

Комфорт для пользователей в совокупности с другими важнейшими факторами — доступностью мощных вычислительных ресурсов, алгоритмов глубокого обучения и огромного массива накопленных данных — исчерпывающе объясняет наблюдаемое сегодня «ИИ-наступление».

В сфере мультимедийных и ИТ-систем для корпоративного сектора современные ИИ-платформы способствуют мощной трансформации. Соответственно, меняются ожидания конечного пользователя, а также роль системного интегратора: теперь это «системный архитектор», владеющий компетенциями одновременно в трех областях: АВ, ИТ и ИИ.

Ключевое отличие 2026 года от предыдущих лет — переход от использования отдельных ИИ-функций к внедрению агентных ИИ-систем, что дает целый ряд ощутимых преимуществ. Они способны не просто реагировать на команды, но самостоятельно решать сложные, многошаговые задачи, адаптироваться к изменениям и работать в связке с другими системами.

Ниже приведены сгруппированные по направлениям инструменты:

Агентные системы берут на себя монотонные операции.

В приложении к системной интеграции это:
● анализ параметров помещений (акустика, освещение, геометрия) и автоподбор оптимальных настроек оборудования: баланса аудио, коррекции цветопередачи дисплеев, настройки экспозиции камер;
● отслеживание состояния компонентов системы (уровень громкости, температура процессоров, износ ламп проекторов) в реальном времени с прогнозированием возможных сбоев и их устранением еще до поломки (проактивное управление);
● автоматическое переключение режимов отображения, сценариев освещения и озвучки в зависимости от типа встречи и состава участников, адаптация контента под время суток или погоду (контекстное управление);
● глубокая интеграция АВ-инфраструктуры с другими системами — CRM, календарями, таск-трекерами или системами ВКС.

Агентные системы позволяют параллельно обрабатывать разные этапы создания контента. Например, один агент может генерировать сценарий, другие — подбирать визуальные эффекты, адаптировать контент под разные устройства и регионы, транскрибировать видео, размечать контент, управлять метаданными, генерировать субтитры. Видеоролики, интерактивные презентации, музыкальные треки и звуковые эффекты генерируются по техническому заданию или текстовому описанию в течение нескольких минут.

Благодаря способности анализировать большие массивы данных в реальном времени, агентные системы помогают оптимизировать параметры стрима, улучшать качество видео (например, с помощью шумоподавления), персонализировать рекомендации,

Агентные системы обеспечивают персонализацию: они могут адаптировать интерфейс приложений под предпочтения пользователя, предлагать релевантный контент, выполнять автоматический дубляж звуковых дорожек в реальном времени. Это повышает вовлеченность аудитории и удовлетворенность сервисом.

Мультиагентные системы позволяют решать комплексные задачи, которые трудно реализовать с помощью одиночных агентов, интегрируют работу с текстом, аудио и видео в едином контуре, до 40% сокращая затраты и ускоряя вывод готового продукта на 30-50%.

ИИ-агенты могут анализировать контекст, учитывать изменения в трендах, предлагать актуальные рекомендации или оптимальные решения. Например, в приложении к системам Digital Signage, в реальном времени анализировать поведение аудитории (распознавать жесты, эмоции), выявлять скрытые закономерности с последующей адаптацией контента в зависимости от реакции конкретного зрителя.

Что в итоге? Благодаря ИИ и облачным технологиям интеграторы могут выгодно изменить баланс между CAPEX (капитальные затраты и долгосрочные инвестиции) и OPEX (операционные расходы и краткосрочные инвестиции), предлагая удалённый мониторинг, предиктивное обслуживание и управление контентом как услуги. При этом сложные АВ-комплексы для офисов, переговорных, СОУЭ и информационно-рекламных систем («цифровой наружки») становятся более «умными», гибкими и менее зависимыми от ручного управления.

Важный нюанс: при всех остальных плюсах главная ценность агентных систем состоит в синергии с человеком. ИИ берёт на себя рутину, но стратегические решения, творческая составляющая и финальная проверка всё равно остаются за людьми. Кроме того, внедрение таких систем требует тщательной проработки вопросов безопасности и контроля.

В России ИИ “завоевывает” рынок про-АВ с акцентом на импортозамещение и технологический суверенитет, что особенно важно для соответствия требованиям регуляторов. Вот далеко не полный список отечественных разработчиков решений ИИ для АВ:

MTS AI и «ВижнСервис» — создатели платформы MAX для корпоративных коммуникаций. Система записывает, транскрибирует и анализирует совещания, формирует отчёты и фиксирует ключевые договоренности. В основе — большая языковая модель (LLM) Cotype и платформа распознавания речи Audiogram. MAX совместима с большинством систем ВКС, включая российские on-premise решения, и может разворачиваться в защищенном контуре заказчика.

IVA Technologies — разработчик сервиса IVA Terra 2.0, обеспечивающего распознавание речи с точностью более 96%. Система создаёт текстовые расшифровки, протоколы, саммари и субтитры в реальном времени. Критически важно: решение устанавливается on-premise, данные остаются в контуре компании, продукт включен в Реестр отечественного ПО (№26281).

Контур.Толк — российский сервис коммуникаций с функцией автоматического резюме видеовстреч. ИИ анализирует запись разговора и формирует структурированный конспект, сокращая время на обработку результатов конференций до 65%.

RVI — компания, развивающая встроенную видеоаналитику с использованием нейросетей и LLM на уровне камер и регистраторов. Компания создаёт экосистемы безопасности, интегрирующие видео + СКУД + оповещение в единой платформе.

«ОКАС» — разработчик ИИ-аватаров с когнитивными способностями, применяемых в музейной и корпоративной АВ-среде.

«Цифровые лица» (ИИ-аватары) способны кардинально изменить способ взаимодействие с клиентами и партнерами

Selectel и Рег.ру — поставщики облачной инфраструктуры с GPU, включая видеокарты NVidia A100, критически важной для обучения и работы ИИ-моделей в AV-среде.

«НаВстрече» и «Иневилс» — совместный облачный сервис для транскрибации встреч, суммаризации и распознавания спикеров.

Говоря о влиянии ИИ на про-АВ, нельзя не упомянуть тех, кто формирует дискурс и задаёт тон на российском рынке:

Илья Тамбовцев (председатель Совета по цифровому развитию музеев при ИКОМ России, куратор ИТ-проектов Государственного Эрмитажа) — главный идеолог внедрения ИИ в музейную AV-инфраструктуру. Его тезис: «нейросети не способны заменить экспертизу кураторов», но могут радикально усилить их возможности.

Вадим Филиппов («ОКАС») — разработчик ИИ-аватаров с когнитивными способностями для музейной и корпоративной АВ-среды.

Антон Фролов (руководитель отдела развития продукта RVI) — эксперт по встроенной видеоаналитике с использованием нейросетей и LLM на уровне камер и регистраторов. Активно продвигает концепцию экосистем: видео + СКУД + оповещение в единой платформе.

Павел Андрианов (руководитель практики операционной эффективности, партнёр 5D Consulting) — консультант по цифровой трансформации, отмечающий, что уже более 70% российских организаций используют генеративный ИИ как минимум в одном бизнес-процессе. Его позиция: «ИИ в российских ИТ — это про то, чтобы сделать людей более способными, а не заменить их».

Вера Краевская (генеральный директор «ВижнСервис») — разработчик платформы MAX для корпоративных коммуникаций на базе GenAI. Ключевой спикер по темам автоматизации обработки совещаний и интеграции ИИ в системы ВКС.

Андрей Калинин (генеральный директор MTS AI) — разработчик языковых моделей и платформы Audiogram, которые легли в основу российской системы MAX.

Татьяна Кривая (руководитель отдела видеосистем, Hi-Tech Media) — ведущий специалист по внедрению ИИ в ProAV-решения на российском рынке, спикер Конференции ХХХ.

Иван Ромашко (руководитель направления Polywall, Polymedia) — представляет российскую инновацию в ProAV: платформу для создания интеллектуальных залов управления.

Павел Куделин — руководитель проектов «АВ-Академия» и «ПульсМедиа», эксперт по мультимедийным технологиям, апологет внедрения ИИ в АВ, модератор конференции «Корпоративные мультимедиа и ит решения» в рамках выставки LAT.

В личном рейтинге автора этой статьи три верхние позиции занимают следующие проекты:

1. Мариинский театр, где в марте 2026 года прошла премьера оперы «Мандрагора», первого в истории спектакля, созданного с применением ИИ. Свое сочинение с фантазийным, мистическим сюжетом великий русский композитор П.И.Чайковский при жизни завершить не успел, однако спустя полтора века, благодаря таланту композитора Петра Дранги и современным технологиям, у публики появилась возможность увидеть, какой бы «Мандрагора» могла быть. В пресс-службе театра уточнили, что нейросеть использовалась для восстановления либретто, разработки сценографии и создания костюмов.

2. «ПульсМедиа» (PulseWorks) — инструмент для комплексного отслеживания рыночной среды, семиуровневая ИИ-модель мониторинга рынка, позволяющая собирать и анализировать данные по разным слоям: от макроэкономических трендов до поведения отдельных сегментов аудитории и конкурентов. Пользователи могут вовремя замечать критичные изменения, выявлять возможности и риски, а также принимать решения на основе актуальной картины рынка.

3. Golova.io — облачная платформа для автоматизации работы в прокате, ивент‑агентствах, кинопроизводстве и других сегментах,где требуется управление большими объемами ресурсов и сроками.

Пользователям предлагается ИИ-помощь в распознавании райдеров артистов, подборе доступного оборудования, планировании проектов, распределении ресурсов, ведении учета, сбора аналитики и интеграции с соцсетями.

По старой доброй традиции в России на всё нужна отмашка… и здесь в области ИИ у нас полный порядок: активно действуют Национальный штаб по ИИ (в формате межведомственной комиссии при Президенте РФ), Национальный центр развития искусственного интеллекта при Правительстве РФ и Минцифры. Министерство координирует (регулирует, развивает, внедряет), а Штаб и Центр помогают синхронизировать работу всех участников рынка и задавать стратегические направления.

По данным аналитического агентства AIANA, объем российского ИИ-рынка за два последних года удвоился. Авторы исследования утверждают, что в РФ действуют 883 компании, из которых 386 поставляют готовые ИИ-продукты под конечные задачи: их «основным клиентом» является B2B-сектор — на него приходится 71,9% выручки; оставшееся делят частные клиенты (15,6%) и госсектор (12,5%).

Чтобы изучить (и показать) «масштаб бедствия», компания "Технократия" создала и поддерживает «Карту российского GenAI», включающую в себя десятки компаний, развивающих LLM (Яндекс, Сбер), ИИ-агентов (JustAI, Naumen), голосовых помощников (ЦРТ, Наносемантика) и другие сопутствующие технологии.

Учитывая связанный с генеративным ИИ ажиотаж, трудно сомневаться, что на рынке ИИ для АВ будут появляться все новые стартапы, а возможно, и крупные игроки. Однако и АВ-интеграторам, и конечным пользователям важно знать: кто из них останется на рынке через год-другой? Вопрос открыт…

Хотя значительная часть массовых пользователей не готова платить за ИИ-сервисы, серьезные пользователи хотят знать «сколько это стоит».Сразу оговоримся: единой цены на внедрение ИИ для АВ нет, разброс велик, и итоговая сумма зависит от того, какие задачи поставлены и как их требуется решить.

Базовых сценариев три:

1. Готовое решение (no-code платформа). Вы подключаете сервис (например, NextBot, BotHelp, InnovaAI), настраиваете бота через интерфейс: загружаете базу знаний, прописываете сценарии. Здесь основная статья расходов — ежемесячная подписка. В 2026 году встречаются тарифы от 2900 до 4000 рублей в месяц и выше (в зависимости от функционала), иногда в эту сумму уже заложено какое-то количество «токенов» (ресурсов на обработку диалогов с ИИ), а за превышение берется доплата. Это самый бюджетный и быстрый путь «заполучить» ИИ-ассистента, решающего типовые задачи: ответить на частые вопросы, собрать контакты, передать диалог «живому» специалисту.

2. Разработка решения под ключ. Вы обращаетесь к фрилансеру, в профильную компанию или к своему системному интегратору, если он предлагает соответствующие услуги. Цена складывается из многих этапов: анализ задачи, проектирование архитектуры, написание кода, интеграция с вашими системами (CRM, 1С, сайтом, телефонией), обучение модели на ваших данных, тестирование. Для простого ИИ-консультанта с одной задачей и небольшой базой знаний цена стартует от 150 000 рублей. А если нужны сложные сценарии (квалификация лидов, персонализированные ответы, глубокая аналитика, несколько интеграций), сумма легко доходит до 500 000 – 1 200 000 рублей и выше.

3. Корпоративное или комплексное заказное решение. Если необходимо использовать закрытые, чувствительные данные, исключить их передачу внешним API и изолировать все ИИ-транзакции (запросы к устройствам, удалённая диагностика, аналитика), развернуть систему на собственных серверах (для соблюдения 152-ФЗ), взаимодействовать с несколькими бизнес-модулями или строить цепочки задач (мультиагентные системы) — бюджет стартует от нескольких миллионов рублей.

● Объем базы знаний (чем больше документов, статей, ценников, регламентов вы загрузите в ИИ-ассистента, тем сложнее и дороже будет его обучение и поддержка).

● Сложность интеграции (каждая связка с другой системой (CRM, платежный шлюз, календарь) — это дополнительная работа, которая увеличивает смету).

● Тип ИИ-модели: использование зарубежных API (OpenAI, Claude) часто обходится дороже в пересчете на токен, чем работа с российскими моделями (GigaChat, YandexGPT).

● Сопровождение. Часто в смету закладывают отдельную строку на поддержку: регулярную доработку промптов, обновление базы знаний, исправление ошибок на основе реальных диалогов пользователей.

● Четко сформулируйте задачу: что именно должен делать ИИ-ассистент или ИИ-движок?

● Проведите небольшой аудит: какие данные у вас есть для обучения, с какими системами нужно связать бота.

● Запросите у 2–3 подрядчиков или платформ детальную смету. В ней должны быть отдельно прописаны разовые работы (анализ, разработка, интеграции), ежемесячная подписка, расходы на токены/диалоги, поддержка.

● Подумайте про пилот. Многие платформы предлагают бесплатный пробный период — запустите ассистента на ограниченном сценарии, оцените пользу, и только потом масштабируйте.

● Посчитайте, сколько диалогов в месяц вы ожидаете, и прикиньте, сколько будет стоить обработка одного обращения через ИИ-ассистента в сравнении с живым менеджером. Часто именно окупаемость становится решающим аргументом.

Переход от использования готовых массовых ИИ-сервисов к глубокой, профессиональной интеграции этих технологий в сложные бизнес-процессы проходит не просто. По мере того как ИИ все глубже проникает в сигнальные цепочки АВ-систем, на первый план выходят вопросы безопасности.

Нельзя игнорировать проблему «предвзятости» ответов; например, на вопрос «какие громкоговорители лучше всего подходят для такой-то учебной аудиторий?» ИИ-ассистент даст ценные советы, но может «впихнуть» рекомендации по покупке определенной продукции. И, конечно же, самой болезненной особенностью генеративного ИИ остаются галлюцинации и неточности в выдаче результатов. Как говорится, доверяй, да проверяй.

«Главный сдерживающий фактор внедрения ИИ в имеющуюся инфраструктуру — дефицит компетенций. Дополнительные ограничения связаны с доступом к вычислительным мощностям и капиталу. Санкции усложняют доступ к технологиям, а небольшой по сравнению с Западом венчурный рынок ограничивает возможности новых команд привлекать инвестиции и быстро масштабироваться»,— считает директор по продуктам MWS AI (входит в МТС Web Services) Максим Волошин (цитата по «Коммерсантъ»).

В целом выгоды от интеграции ИИ в мультимедийную инфраструктуру очевидны: вместо «коробок и кабелей» — интеллектуальные сервисы, самообучающиеся экосистемы, которые делают взаимодействие с аудиовизуальным контентом и оборудованием более комфортным, персонализированным и эффективным.

Российские компании и эксперты в этом процессе играют особую роль: курс на импортозамещение и «суверенизацию» технологий создал благодатную почву для приобретения уникальных компетенций. При этом платформы вроде MAX, IVA Terra, экосистемы от RVI показывают, что отечественный рынок не просто догоняет глобальные тренды, но и формирует собственные стандарты.

Вопрос «нужен ли российскому бизнесу искусственный интеллект» снят с повестки; сегодня наиболее актуальна другая задача: как наиболее эффективно распределить зоны ответственности между людьми и «нейронками».

Между тем, на горизонте уже вырисовываются контуры HELIA Edge AI (ИИ для обработки данных прямо на периферийных устройствах без отправки в облако, офлайн и при плохой связи) и Holo Engine («страж безопасности» для систем, где решения принимают ИИ-агенты).

Интригует? Будет где развернуться и производителям, и дистрибьюторам, и интеграторам, и их заказчикам!