АНА'26: не «генерация», а встраивание AI, или Искусственный интеллект выходит в «прод»
Прошедшая в Москве 22 мая 2026 года на территории кластера МГУ «Ломоносов» техническая конференция для специалистов, работающих с AI, ML-инженеров, а также продуктовых и data-команд – АНА'26 – показала, что рынок окончательно вышел из стадии демонстрационных AI-проектов, вызреваемых в недрах инициативных групп, и перешел в стадию промышленной эксплуатации. В центре внимания оказались не абстрактные возможности моделей, а прикладные вопросы – стоимость гипотез, архитектура надежных систем, управляемость LLM-сервисов и измеримый бизнес-эффект от внедрения. Искусственный интеллект больше не воспринимается как внешняя красивая «надстройка» над процессами, а интегрируется в контуры принятия решений, разработки, продаж, поддержки, аналитики и управления инфраструктурой.
От AI-демо к прикладной системе
Очевиден поворот отрасли от исследовательского интереса к зрелым решениям. В треках для аналитиков и ML-инженеров организаторы вынесли идеи системного снижения стоимости проверки гипотез, инженерии вокруг ML/AI, экономики прикладного AI, управления ассортиментом и спросом, а также open source AI-агентов для аналитики и неаналитических функций.
Эта логика особенно важна для рынка, где AI-проект теперь оценивается не только по качеству модели (скорам и фичам), но и по способности пережить интеграцию в реальную операционную среду. Поэтому в программе доминируют сюжеты про контроль latency, качество контекста, архитектурную простоту, воспроизводимость результатов, мониторинг, безопасности, оркестрацию данных (управление потоками данных между различными системами, приложениями и сервисами. – Ред.) и экономику эксплуатации и постсопровождения.
Главный сдвиг
Если несколько лет назад центральным вопросом было «Что умеет LLM?», то на АНА'26 в фокусе оказался другой вопрос — «Как заставить AI стабильно работать в продакшене?». Что видно и по описанию трека «LLM, AI-агенты и экономика прикладного AI», где поставлен вопрос о полном цикле прикладного AI — от подготовки данных для обучения собственных моделей и построения мультиагентных платформ с памятью и RAG до внедрения AI в продажи и оценки реальной ценности LLM-фич.
Трек «Инженерия вокруг ML/AI и архитектура прикладного AI» включил такие области, как: практическая архитектура, автоматическая документация DWH с помощью LLM и графов, применение LLM и AIOps для управления ML-инфраструктурой и адаптация моделей к новым задачам без избыточной сложности.
Уже устоялась новая норма: ценность AI определяется не самим фактом использования нейросети, а тем, насколько она точна, интерпретируема, экономически эффективна и встроена в реальные бизнес-процессы.
Аналитика как контур управления
Отдельный пласт программы был посвящен эволюции аналитики — от функции измерения к функции проектирования решений. В описании трека «R&D и экономика масштабирования» отмечено, что надо не только измерять результат, но и заранее оценивать экономический эффект, выбирать более сильные продуктовые решения и выстраивать масштабируемые механики роста.
В повестке оказалось много докладов о причинно-следственном анализе, A/B-инфраструктуре, геоэкспериментах, uplift-подходах и повышении чувствительности тестов. Никита Бобух из Aviasales разобрал кейс запуска A/B-тестов без разработчиков во время миграции техстека, Иван Мочилин из ЦИАН — применение synthetic difference-in-differences для региональных экспериментов, Дмитрий Казаков из Kolesa Group — uplift-сегментирование в A/B-тестах, Ян Пиле из Magnit Tech — кластерные тесты для офлайн-экспериментов, Артем Кугушев из Авито — дизайн пересекающихся A/B-тестов через парную стратификацию, а Никита Никитченко из X5 Tech — методологию глобальной контрольной группы для оценки эффекта от тысяч маркетинговых кампаний.
Тренд очевиден: формирование новой экспериментальной культуры, в которой важны не косметические изменения метрик («затюнить» классификатор на optuna до пары процентов accuracy может почти каждый), а устойчивость эффекта, корректность дизайна и возможность перенести выводы в бизнес как можно быстрее. Для «быстрых отраслей», ритейла, e-commerce, банкинга и цифровых сервисов это уже не проблема правильной гипотезы и ее подтверждения, а основание производственного контура роста (расти быстрее конкурентов).
LLM получают бизнес-контекст
Еще одна четкая линия АНА'26 — отказ от идеи универсальной LLM «из коробки» в пользу контекстно-осведомленных систем. Анастасия Рыхлик и Юрий Николаев из АвитоТех в докладе «AI без контекста — просто калькулятор» описали архитектуру из Core Layer, Semantic Layer и доменной базы знаний для AI-аналитика, которая пишет SQL, строит графики и отвечает на вопросы по документации.
Сходную проблему, но на другом материале, поднял Роман Гриднев из Яндекса в докладе о документации для DWH на базе LLM и графов: для качественной генерации документации системе нужен правильно собранный контекст, включая связанные таблицы, внутренний «жаргон» компании и логику формирования данных. Аналогично Владислава Павликова и Ольга Логинова из МТС Web Services продемонстрировали мультиагентную LLM-платформу с долгосрочной памятью, мультимодальным RAG, маршрутизацией запросов и модерацией, а Максим Янукович из Arteus сделал акцент на «единой памяти» целой компании, бесшовной интеграции и контроле качества как основе корпоративного AI-слоя.
Во всех этих кейсах LLM перестает быть отдельным чат-интерфейсом и становится частью корпоративной среды знаний. Именно контекст, память, семантический слой, RAG и качество маршрутизации превращают генеративный AI из эффектной игрушки в рабочий инструмент для повседневных задач.
AI-агенты выходят в операционный контур
Сильнейшее впечатление производит то, насколько быстро агенты из экспериментальной зоны переходят в конкретные операционные сценарии. Илья Жбанов и Михаил Дремин из Cloud.ru рассказали об эволюции AI-агента для управления облаком, Глеб Белов показал практику работы AI-агента «Нейроаналитик» в Yandex DataLens, Дмитрий Якунин из MyDataHub — AI-оркестратор для мультипродуктовой платформы, а Аслан Байрамкулов из ЦУМа — архитектуру единого AI-помощника в luxury-ритейле.
Параллельно виден выход агентного подхода в среду разработки и эксперименты. Беслан Курашов из Plevako.ai разбирает внутреннюю анатомию AI-сервиса, Виктория Качалова из Kameleoon показывает полный цикл экспериментов, где AI участвует в генерации гипотез, тестировании и деплое успешных изменений.
В результате AI-агент на АНА'26 предстает уже не как «говорящая витрина», а как новый тип прикладного интерфейса к данным, инфраструктуре, продуктовым решениям и инженерным процессам. Вместе с тем можно честно фиксировать ограничения такого подхода: нужны E2E-оценка, контроль недетерминированности, evidence-подход, защита от галлюцинаций и зрелая методика мониторинга.
Ритейл и e-commerce: AI на линии денег
Для ритейла и e-commerce особенно важен переход от аналитики отчетов к аналитике физического действия. Трек по управлению ассортиментом, доступностью и спросом прямо посвящен системам, которые управляют показом товаров, ассортиментными матрицами, балансом спроса и предложения, out-of-stock prediction и корректными A/B-подходами в офлайне.
Показательны доклады Софьи Лисичкиной из Лемана Тех об assortment management как decision system, Алана Караева из Wildberries & Russ о within-group regression для оптимизации поставок на торговые точки и Андрея Андреева из METRO об отраслевом бенчмарке A/B-экспериментов и воспроизводимости UX-паттернов. Во всех этих темах AI и аналитика работают уже не на уровне презентации инсайта, а на уровне прямого влияния на ассортимент, запасы, выручку, пользовательское поведение и операционную эффективность.
Сходная логика прослеживается и в коммерческих кейсах. Дмитрий Михель из Авито показывает, как ML и LLM автоматизируют работу сейлзов через next-best-action, а Никита Новиков из Lenta Tech — как ML-модель предсказывает EBITDA по текстовому описанию фичи и меняет сам подход к приоритизации разработки.
Финансы, банки, телеком: ставка на надежность и экономику
В финансовом и банковском контуре, который занял большой пласт в программе, приоритет смещается к контролируемости, качеству данных и стоимости эксплуатации. Елизавета Афанасьева из Точка Банка говорит о подготовке данных для обучения inhouse LLM, Сергей Бажин из Иннотех — о test-time learning для адаптации LLM во время инференса (процесс использования уже обученной модели искусственного интеллекта для решения конкретных задач, принятия решений или генерации ответов на новых данных. – Ред.), а Аркадий Лысяков из Т-Банка — о том, почему классические метрики чат-ботов бесполезны для LLM-агентов и как аналитика помогает масштабировать AI-native поддержку.
Для корпоративного AI это принципиальный тезис: в regulated- и mission-critical-средах недостаточно просто получить качественный ответ модели. Нужны проверяемые данные, формальные процедуры оценки, понятная экономика токенов, измерение качества на реальных пользовательских сценариях и понятные границы ответственности системы.
Data platform как фундамент
Отдельного внимания заслуживает трек «Data Platform и инженерия доверия к данным», потому что без него весь разговор о прикладном AI повисал бы в воздухе. Программа прямо фиксирует: данные стали критической инфраструктурой для аналитики, AI-решений, self-service и принятия решений, а главный вызов состоит в том, чтобы собрать из разрозненных пайплайнов, хранилищ и проверок цельную технологическую среду, способную выдерживать рост нагрузки и организационную сложность.
Это важный маркер зрелости рынка. Чем шире применение AI в продуктах, тем большую ценность получают не отдельные модели, а платформенные слои — качество данных, документация, сертификация аналитических объектов, отказоустойчивая оркестрация, единый semantic layer и механизмы доверия.
Что показала АНА'26?
Главный вывод конференции: искусственный интеллект в российских компаниях быстро проходит путь от «престижной технологии» к нормальной производственной практике. Следующий этап конкуренции развернется уже не вокруг самой возможности использовать LLM или ML, а вокруг способности компаний выстроить контекст, архитектуру, эксперименты, метрики и процессы так, чтобы AI стабильно создавал экономический эффект в продакшене.
Именно поэтому главным словом конференции стало не «генерация», а «встраивание». AI встраивается в DWH, в BI, в продажи, в поддержку, в логистику, в управление ассортиментом, в миграцию техстека, в продуктовую аналитику, в документацию, в инфраструктуру и в сам жизненный цикл разработки — и тем самым перестает быть технологическим «аттракционом», становясь новой «нервной тканью» развития бизнеса.
Пожелаем коллегам успехов и одновременно с ужасом представим, что будет, когда на смену «теплому ламповому» ИИ на базе обычных и хорошо знакомых LLM, ML и простых агентов придет Его Величество Самореферентный Искусственный Интеллект, который сможет не просто менять прокси-метрики, а перестраивать целиком функцию награды, изменять свой код и, да, полноценно так хулиганить с reward hacking. Сможет ли он адаптировать под себя не только «прод», но и весь бизнес? Поживем — посмотрим!
