Как создать сильную ИИ-экосистему

Виталий Розман CEO AI HOUSE

В Украине растет число специалистов по искусственному интеллекту, но лишь 2% из них работают в госсекторе. Чтобы амбиции государства в области ИИ стали реальностью, нужна экосистема, которая внедряет разработки.

К 2030 году Украина стремится войти в тройку мировых лидеров по уровню внедрения ИИ в государственном секторе. В 2026 году Минцифры начало подготовку профильного закона. Этому предшествовал запуск регуляторной тестовой среды (sandbox), где компании тестируют свои продукты под наблюдением экспертов. За год туда поступило 90 заявок, а 15 решений уже прошли аудит с участием 23 экспертов.

Однако реализация этой амбиции зависит не только от правил и государственных программ. Нужны специалисты, способные создавать такие решения. По данным исследования AI House, в Украине около 6 100 специалистов в области ИИ/машинного обучения — на 17% больше, чем два года назад. При этом лишь 13% из них работают с ИИ за пределами ИТ-сферы, а в государственном секторе — 2%.

Этот разрыв показывает, что проблема заключается не столько в количестве специалистов, сколько в том, как превратить их экспертизу в практические решения. Для этого нужна экосистема, которая соединит ИИ-сообщество с задачами бизнеса и государства, предоставит доступ к данным и исследованиям, поможет доводить разработки до внедрения.

Задача определяет технологию

Одна из главных ошибок в работе с ИИ — начинать с технологии. Прежде чем привлекать инженеров, стоит выяснить, кто будет пользоваться решением, какого результата от него ожидают, какие данные доступны и как будут измерять успех. У задачи должен быть владелец, заинтересованный в дальнейшем использовании результата.

Это мышление стартапа: сначала проблема и проверка гипотезы со всеми заинтересованными сторонами, затем ресурсы, команда и продукт. Если одно из этих звеньев выпадает, внедрение технологии отнимет ресурсы, но не даст результата.

Например, канадская система ChartWatch была создана для удовлетворения конкретной потребности больницы: своевременно выявлять пациентов с высоким риском резкого ухудшения состояния.

Каждый час система анализирует более 100 показателей и предупреждает медиков. Её разрабатывали совместно с врачами, пациентами и руководством больницы. После её внедрения в торонтской больнице St. Michael's неожиданная смертность снизилась на 26%.

От отдельных проектов к повторяющейся модели

Отдельных успешных проектов недостаточно. Экосистеме нужен механизм, по которому каждая новая задача проходит одинаковый понятный путь: от оценки проблемы и данных до формирования команды, разработки, тестирования и внедрения решения.

В Сингапуре такой механизм был разработан программой 100 Experiments от AI Singapore. Бизнес приходит с конкретной проблемой и данными, задачу оценивают, а затем для него формируют отдельную команду, которая разрабатывает и тестирует ИИ-решения.

По этой модели было реализовано более 300 проектов. Например, страховая компания Sompo совместно с AI Singapore создала систему автоматической проверки заявок на выплату. После её запуска эффективность выявления мошенничества выросла на 90%.

На шестимесячную разработку минимально жизнеспособного продукта (MVP) программа предоставляет софинансирование в размере до 150 тыс. сингапурских долларов (около 117 тыс. долл. США), а остальные расходы покрывает сама компания-участница.

Собственная модель для Украины

Украине важно не копировать опыт Сингапура, а выработать собственный подход. Один из примеров — челлендж Handwritten to Data. В 2026 году AI House провел его совместно с Министерством экономики, окружающей среды и сельского хозяйства и Украинским католическим университетом при поддержке Минцифры.

Государство сформулировало прикладную задачу: распознавать украинские рукописные документы. Участники создавали модели на основе открытого набора данных Rukopys. К проекту присоединились 870 человек, 198 команд подали 6 800 версий моделей. Таким образом, задача объединила запрос государства, экспертизу университета, данные и технологическое сообщество, а участники смогли проверить свои подходы на реальном кейсе.

Победное решение уже внедряется в судебную практику и планируется к внедрению в государственные цифровые и архивные процессы. Другие результативные модели используются для разметки описаний фондов государственного архива. Согласовано сотрудничество с Государственной судебной администрацией по распознаванию судебных дел и заявлений.

Следующий шаг — сделать такой подход системным. Государственный орган должен формулировать конкретную задачу, открывать необходимые данные и назначать ответственного за внедрение готового решения.

Ответственность — на владельце процесса

Говорить о Handwritten to Data как о завершенном успешном кейсе пока рано. Ключевой вопрос — станут ли созданные решения частью регулярной работы государственных институтов. Для этого недостаточно просто разработать и внедрить технологию. Нужен владелец процесса, который будет отвечать за то, как решения будут использоваться после внедрения и как будет оцениваться их результат.

Именно так устроена работа системы HANS в эстонском парламенте. Она автоматизирует подготовку стенограмм: записывает выступления депутатов, преобразует их в текст и определяет, кому принадлежит каждая реплика. Технологию распознавания речи разработали в Таллиннском техническом университете (TalTech), а компания Finestmedia внедрила её в работу парламента (Riigikogu).

Перед публикацией стенограммы редакторы парламента исправляют ошибки. То есть технологические партнеры отвечают за систему, а парламент — за конечный результат.

Команда ИИ не пройдет этот путь в одиночку

Владелец задачи не может обеспечить весь процесс самостоятельно. Еще на старте следует определить, где будут тестироваться решения, кто внедрит их в существующую инфраструктуру, профинансирует следующий этап и будет обеспечивать поддержку после запуска. У ИИ-команды тоже нет для этого всех необходимых ресурсов, поэтому на уровне экосистемы важно распределить роли.

Университеты предоставляют исследовательскую экспертизу и методологию, бизнес — отраслевые знания, финансирование и возможность внедрения, государство — задачи, данные и масштаб. Инженеры создают решения, а профессиональные сообщества и платформы помогают сторонам находить друг друга. От такого взаимодействия выигрывают все.

Специалисты в области ИИ получают доступ к реальным задачам и данным, университеты — материал для прикладных исследований, бизнес и государство — технологическую экспертизу.

Одно из препятствий — доступ к данным. В государственном секторе они часто разрознены, хранятся в разных форматах или недоступны разработчикам. Государство должно не только ставить задачи, но и открывать законный доступ к информации, а также создавать условия, чтобы решения можно было протестировать и запустить.

Что будет определять зрелость экосистемы

Сильная ИИ-экосистема начинается не с количества специалистов и проектов. Её зрелость определяется тем, сколько задач доходит до внедрения, сколько решений становится частью процессов и сколько новых продуктов и компаний возникает вокруг них.

Достичь этого можно только тогда, когда работа с ИИ-задачами станет привычной. Каждая задача требует четкой формулировки, данных и ответственного за внедрение, а государство, бизнес, университеты и технологическое сообщество должны четко понимать, кто за что отвечает. Если такой подход заработает, Украина создаст ИИ-экосистему, которая принесет результат для государства, бизнеса и рынка в целом.

Опубликовано на сайте: 2026-11-07