Сегодня большинство компаний активно внедряют ИИ в работу и рассчитывают вернуть эти инвестиции. Но для успешной интеграции технологий в бизнес-процессы нужно понимать, как это правильно делать. Об этом и многом другом в своем выступлении на технологическом форуме GITEX AI Kazakhstan говорил директор по продажам корпоративных решений Lenovo в регионе EMEA Марко Поццони.
Почему 84% компаний уводят рабочие нагрузки из публичных облаков обратно на локальные серверы, как подготовиться к эре автономных ИИ-агентов и реально ли окупить вложения в инновации — в материале Digital Business.
Конец эпохи пилотов и проблема окупаемости
Согласно исследованию Lenovo & IDC CIO Playbook 2026, в котором приняли участие 3200 ИТ-директоров со всего мира, включая 800 руководителей из региона EMEA, сегодня в приоритете — повышение продуктивности бизнеса. В 2024 году большинство компаний находились на этапе обучения и тестирования сценариев использования ИИ. Два года спустя от разрозненных пилотов перешли к полномасштабным стратегиям.
Выступление Марко Поццони на технологическом форуме GITEX AI Kazakhstan
Сегодня ИИ рассматривается не как дополнительная опция, а как часть инфраструктуры, от которой бизнес ожидает финансовой отдачи. В среднем ИТ-директора рассчитывают на возврат инвестиций (ROI) почти в трехкратном размере: $2,7 на каждый вложенный доллар. Однако на практике далеко не все компании видят даже стопроцентную окупаемость.
Тема выступления Марко Поццони на форуме GITEX AI Kazakhstan звучала так: «От внедрения ИИ к трансформации бизнеса с помощью гибридного ИИ». По словам эксперта, одна из главных ошибок компаний — ожидание готовых решений, работающих «из коробки».
«Отправной точкой при внедрении ИИ должны быть бизнес-задачи компании, поскольку только руководители бизнеса понимают внутренние процессы и цели, которых хотят достичь. Исходя из этого, нужно определить, в каких процессах применение искусственного интеллекта даст наибольший эффект.
Трехкратный ожидаемый возврат инвестиций — хороший показатель, однако не во всех проектах окупаемость будет одинаково быстрой или измеряться одними и теми же метриками. Проще всего оценить эффект в сферах с повторяющимися и масштабируемыми процессами — например, во взаимодействии с клиентами (customer engagement), где чат-боты помогают улучшить качество и уменьшить время ответов, или в управлении цепочками поставок (supply chain), где ИИ может помочь сократить потери и ошибки прогнозирования. Сложнее измерить эффект по более масштабным проектам, которые затрагивают процессы всей компании и влияют на рост выручки. Для начала нужно четко определить цели, которых компания хочет достичь. У Lenovo есть, например, AI Library — библиотека готовых и кастомизируемых сценариев для разных индустрий. Но выбор и настройка цели всегда остаются за бизнесом», — отмечает эксперт.
Эра агентного ИИ и строительство «фабрик ИИ»
В 2025 году рынок перешел от генеративного ИИ к агентному (Agentic AI). По данным IDC, более 50% компаний уже изучают или внедряют автономных агентов. При этом большинство признает неготовность к их масштабному развертыванию в ближайшие 12 месяцев.
«Мы живем в эру агентного ИИ. В чем разница? Генеративный ИИ — это разговорная модель: вы спрашиваете, он отвечает. Агентный ИИ активен: способен рассуждать, планировать и действовать для достижения конкретных целей. Он функционирует как цифровая рабочая сила — не просто следует инструкциям, а учится на данных и адаптируется к изменениям контекста», — отмечает Марко Поццони.
Однако работа Agentic AI требует принципиально иной инфраструктуры. Обычные дата-центры не справляются с нагрузками, которые создают автономные агенты. Для них нужны «фабрики ИИ» (AI Factories) — масштабируемые системы с существенным количеством графических процессоров (GPU) и минимальными задержками при передаче данных. По сути, это переход от стандартных вычислений к промышленному производству искусственного интеллекта.
«„Фабрика ИИ“ — это не только серверы. В рамках стратегии Lenovo Hybrid AI Advantage это полноценный стек, который включает в себя системы хранения данных, готовые к ИИ (AI-ready storage), сети и платформы управления. Если раньше данные можно было просто хранить, то теперь нужно мгновенно передавать их моделям, что делает высокопроизводительные системы хранения и высокую пропускную способность критически важными для успеха ИИ. Поэтому инфраструктура должна строиться по модульному принципу и масштабироваться стойка за стойкой, обеспечивая необходимую плотность вычислений и скорость обмена данными. Это позволяет бизнесу двигаться от технического успеха к измеримому бизнес-результату, не переплачивая за избыточные мощности на старте», — отметил эксперт.
Подготовка данных: почему GPU не решают все
«Люди думают, что ИИ — это только вычисления и GPU. Но реальность такова, что ИИ управляется данными, без них нет ИИ. Чтобы использовать информацию, нужно перевести ее в формат, понятный модулям обучения и решениям для инференса.
Покупка мощных графических процессоров — лишь часть подготовки к внедрению ИИ. Основой по-прежнему остаются данные. Сегодня данные больше не находятся в центральном дата-центре, как раньше. Мы находимся в ситуации, когда данные создаются на периферии (at the edge) и поступают из миллионов различных источников. Нужна система хранения и управления, которые позволят использовать их из любой точки мира. Нужно обеспечить взаимосвязь этих потоков и гарантировать, что информация остается в контролируемом состоянии на протяжении всех этапов: очистки, обучения и инференса (процесс работы уже обученной модели). Это и есть ваша стартовая точка.
Портфель решений Lenovo, от ИИ-ПК до мощных серверов, позволяет объединять данные, созданные в любой точке мира, и передавать их в центр для обучения больших языковых моделей. Только наличие архитектуры, в которой все элементы хранения «общаются» между собой, позволит эффективно передавать данные с периферии в центр и строить на их базе сложные решения, включая обучение больших языковых моделей, что, в конечном итоге создает ценность для бизнеса», — подчеркивает эксперт.
Гибридная модель и ловушка публичного облака
По словам Марко Поццони, несмотря на популярность облачных решений, в 2026 году пришел новый тренд. 16% компаний используют ИИ исключительно в публичном облаке, остальные 84% выбирают гибридные модели, совмещая облако с локальными серверами (on-premises) и периферийными вычислениями.
В основе такого массового исхода лежат 3 прагматичные причины:
1. Регуляторика и безопасность. Законы о цифровом суверенитете и соответствия нормативным требованиям в Европе, включая GDPR, побуждают организации осторожнее подходить к передаче чувствительных данных на серверы за пределами своей юрисдикции.
«Вы бы хотели, чтобы данные пациентов вашей больницы хранились в публичном облаке, были доступны третьим лицам? Лично я предпочитаю доверять собственной инфраструктуре, когда речь идет о критически важных данных и рисках кибератак. Кроме того, средняя стоимость ликвидации последствий утечки данных — $4,4 млн на одну компанию и эта сумма удваивается с каждым годом», — говорит Марко Поццони.
Примером решения такой задачи стал проект в Азербайджане, где для AzInTelecom на базе технологий Lenovo был создан национальный суперкомпьютер для суверенной обработки данных внутри страны.
2. Физика сетей. В среде публичного облака данные не всегда находятся рядом с AI-нагрузками, которые их используют. Такая физическая удаленность и зависимость от сети могут приводить к задержкам — а это критически важно для AI-агентов, работающих в режиме реального времени.
3. Экономика. Публичное облако может быть экономически эффективным на начальных этапах разработки и тестирования AI-решений. Однако по мере масштабирования и перехода к постоянной эксплуатации организации нередко сталкиваются со значительным ростом затрат. В долгосрочной перспективе это делает локальные или гибридные среды более привлекательными с точки зрения экономики.
Несмотря на стремительный взлет технологий в последние 2 года, ИТ-трансформация только начинается, считает эксперт. ИИ — не кратковременный тренд, а фундаментальное изменение технологических и бизнес-подходов, которое уже прошло несколько ключевых этапов. Если в 2017 году отрасль была сосредоточена на машинном обучении, в 2023 — на разговорном и генеративном ИИ (чат-боты), то 2026 год официально стал эрой агентных систем.
