Цифровая трансформация переходит от этапа внедрения отдельных технологий к системному применению цифровых решений, которые меняют процессы в экономике и повседневную жизнь граждан. В центре внимания — не только сами технологии, но и конкретные результаты их применения: повышение эффективности бизнеса, развитие новых сервисов, укрепление технологического суверенитета и повышение качества услуг.
Сессия станет площадкой для разговора о следующем этапе цифровой трансформации - от отдельных технологических решений к системным изменениям, которые создают новый уровень возможностей для экономики, бизнеса и граждан.
Представители ведущих ИТ-компаний от лица отраслей расскажут о ключевых цифровых решениях года, результатах и эффектах, обозначат перспективы развития по направлениям: искусственный интеллект, цифровые платформы и сервисы, образовательные и развлекательные сервисы, кибербезопасность, цифровая инфраструктура.
Почему бизнес выбирает облака в Москве и что мешает переходу в регионы? Рост объемов данных, развитие ИИ и потребность в резервировании ставят вопрос о новой географии облачной инфраструктуры. Выбор площадки требует учитывать доступность энергомощностей, качество связи, стоимость обслуживания и требования конкретных систем. На сессии Минцифры России и РТК-ЦОД участники в формате живой дискуссии обсудят, какие нагрузки можно переносить в регионы и как сохранить привычное качество сервиса. Спикеры разберут, насколько переезд за Урал снижает риски, связанные с внешними угрозами, и как организовать удаленный резерв для систем, изначально не рассчитанных на работу в облаке.
Вопросы для обсуждения:
Что удерживает заказчиков российских облаков в Москве и что должно измениться, чтобы они выбрали регион?
Какие данные и нагрузки можно переносить в регионы, а для каких расстояние и задержки остаются существенным ограничением?
Может ли спрос на ИИ стать основой роста региональных облаков и насколько различаются требования к размещению инфраструктуры для обучения и использования моделей?
При каких условиях региональные облака становятся экономически привлекательными и получают возможности для роста на 10–15 лет вперед с учетом энергетики, связи и обслуживания инфраструктуры?
Насколько перенос инфраструктуры за Урал снижает риски, связанные с внешними угрозами, и достаточно ли сменить географию размещения без организации резервирования?
Как организовать резерв в другом регионе, если действующая система изначально не рассчитана на работу в облаке?
Технологии машинного обучения и ИИ помогают обрабатывать огромное количество потенциально опасных объектов и событий — объем, который выходит за пределы возможностей человека. Бизнес активно внедряет генеративные модели и агентные системы, и главная задача ИБ сегодня — обеспечить их безопасное использование.
Участники сессии обсудят, как бизнесу безопасно внедрять ИИ-агентов и выстраивать доверенную инфраструктуру для их работы; рассмотрят актуальные угрозы и методы атак, практические подходы к защите моделей и данных, а также решения и сервисы, которые позволяют использовать ИИ без снижения уровня информационной безопасности.
Вопросы для обсуждения:
Какие риски связаны с использованием ИИ, включая галлюцинации, внедрение затравки и другие особенности?
Какие риски связаны с особенностями обучения и развёртывания моделей?
Какие безопасные методы использования ИИ и сервисы безопасной работы с ИИ доступны для бизнеса?
Какие новейшие методы используют злоумышленники?
Какие стратегии защиты от них существуют?
Российский рынок искусственного интеллекта по итогам 2025 года вырос на 31% и достиг 316,1 млрд рублей. Сегмент генеративного ИИ увеличился почти в пять раз и оценивается в 58 млрд рублей. На фоне этого роста главным вопросом становится экономический результат: как превратить использование ИИ отдельными сотрудниками в повышение эффективности всей компании?
В разработке программного обеспечения этот переход связан с внедрением ИИ-агентов в полный цикл работы — от анализа требований и подготовки кода до тестирования, выпуска и сопровождения. Ускорение отдельных операций само по себе не гарантирует сокращения сроков и затрат. Для системного эффекта необходимо выстроить совместную работу людей и агентов, определить ответственность за результат, обеспечить проверку качества и измерять изменения на уровне всего процесса.
Для государственных организаций, крупных компаний и предприятий критической информационной инфраструктуры такой подход должен учитывать требования к защите кода и данных, управлению доступом и контролю действий агентов. При этом ограничения на публичные сервисы должны сопровождаться появлением удобных корпоративных инструментов. Иначе сохраняются предпосылки для «теневого ИИ»: использования внешних сервисов вне установленных правил, непрозрачных расходов и накопления опыта за пределами корпоративной среды.
Предлагаем обсудить переход к единой ИИ-фабрике — управляемой среде, которая объединяет вычислительные ресурсы, модели, данные, инструменты разработки и работу ИИ-агентов. В центре дискуссии — организация агентной разработки в защищенном контуре, выбор моделей по сложности и критичности задач, выполнение регуляторных требований, сертификация необходимых компонентов и интеграция со средствами информационной безопасности. Отдельное внимание — изменениям в работе команд, границам самостоятельности агентов и оценке полной стоимости такой среды. Ключевой ориентир — измеримый результат для бизнеса: сокращение сроков выпуска, повышение качества продуктов и снижение затрат на их создание и сопровождение.
Вопросы для обсуждения:
ИИ-агенты ускоряют написание кода, но это не всегда сокращает сроки выпуска продуктов и затраты компании. Почему возникает такой разрыв и как агентная разработка может повысить эффективность всего процесса — от постановки задачи до сопровождения?
Как перейти от разрозненных ИИ-помощников к единой ИИ-фабрике, объединяющей модели, вычислительные ресурсы, данные, инструменты разработки и управление агентами? Что такая среда дает разработчикам и бизнесу?
Какие изменения в организации работы нужны для агентной разработки? Достаточно ли интегрировать технологии или необходимо пересмотреть роли сотрудников, назначить ответственных за процессы, обучить команды и определить общие показатели результата?
Как построить ИИ-фабрику внутри защищенного контура с учетом требований к работе с кодом и данными? Можно ли обеспечить удобство и скорость агентной разработки, сопоставимые с внешними сервисами, и от чего это зависит?
Как считать полную стоимость работы ИИ-фабрики — от оборудования и моделей до эксплуатации и проверки результатов агентов? Где можно снизить расходы за счет выбора моделей под задачи и совместного использования ресурсов, а где экономия поставит под угрозу качество?
Что необходимо, чтобы доверить ИИ-агентам не только рекомендации, но и выполнение задач: изменение кода, запуск тестов и подготовку выпусков? Как определить границы самостоятельности, обеспечить контроль действий и возможность отменить ошибочные изменения?
Как за ближайший год перейти от пилотов к устойчивой практике агентной разработки? На каких принципах строить ИИ-фабрику, чтобы она давала измеримый экономический результат и могла развиваться при смене моделей, технологий и потребностей бизнеса?дня?
Сессия посвящена актуальному состоянию отечественных ERP-решений и их синхронизации с трендами развития искусственного интеллекта. В фокусе внимания — российские платформы и новые AI-native-проекты, включая разрабатываемую Сбером ERP-платформу и цифровой бэк-офис MWS AI. Участники сессии обсудят, как крупный бизнес интегрирует ИИ-инструменты: генеративные модели, ML-прогнозы, распознавание документов, риск-скоринг и агентные сценарии автоматизации бизнес-процессов.
Помимо этого, участники обсудят практические эффекты внедрения ИИ в ERP: ускорение перехода с иностранных систем, снижение операционных издержек, повышение точности планирования и прогнозирования, а также новые возможности кастомизации процессов через GenAI-конструкторы и отраслевые ИИ-агенты. Отдельное внимание будет уделено реальным кейсам ведущих игроков российского рынка ИИ-решений.
Вопросы для обсуждения
Как применяется ИИ в области СУР на примере формирования Модели данных АНО «НЦК ИСУ»?
Как крупные российские компании внедряют ИИ?
Какой сейчас отечественный опыт разработки ERP-решения?
Какие есть эффекты от внедрения и какой опыт существует в России с цифровым бэк-офисом?
Искусственный интеллект становится важным инструментом цифровой трансформации, однако его стремительное развитие требует выработки эффективных механизмов регулирования. Главная задача — создать правила, которые будут снижать риски для пользователей и общества, не ограничивая при этом инновации и развитие рынка.
Участники обсудят международный опыт регулирования ИИ, подходы к управлению рисками, ответственность разработчиков и пользователей, а также перспективы формирования национальной системы регулирования искусственного интеллекта.
Вопросы для обсуждения:
Какие аспекты применения ИИ, согласно новому закону, требуют первоочередного внимания регулятора уже сегодня?
Как на практике соблюсти баланс между требованиями, предусмотренными законом, и сохранением пространства для инноваций?
Какие элементы международного опыта могут быть наиболее полезны при разработке подзаконных актов к принятому закону?
Какие регуляторные механизмы, заложенные в законе, будут в первую очередь способствовать развитию отрасли?
Искусственный интеллект становится одним из ключевых инструментов цифровой трансформации государственного управления. Для его масштабного внедрения необходимо понимание реальных потребностей органов власти и готовности госсектора к работе с новыми технологиями.
В рамках сессии будут представлены результаты совместного исследования «Ростелекома» и НИУ ВШЭ «ИИ-решения в госсекторе», посвященного потребностям федеральных и региональных органов власти и перспективам внедрения ИИ. Также пройдет питч-сессия финалистов Акселератора ИИ-решений Х.Технологии «Ростелекома», в ходе которой участники представят свои разработки экспертному жюри и аудитории. Зрители смогут принять участие в оценке проектов, после чего будут объявлены победители. В завершение сессии пройдет интерактивная презентация «Каталога ИИ-решений» — инструмента для поиска и подбора ИИ-решений, которые помогут в работе федеральным и региональным органам власти.
Сегодня искусственный интеллект все чаще становится не просто технологическим экспериментом, а ключевым рычагом трансформации бизнеса. Однако путь от первых удачных пилотов до устойчивой, масштабируемой ИИ‑системы, приносящей измеримую ценность, оказывается для многих компаний неожиданно сложным. Нередко разрозненные инициативы, запущенные в разных подразделениях, дают быстрые локальные результаты, но со временем превращаются в «зоопарк» несогласованных решений, где сложно управлять качеством, безопасностью, стоимостью и, главное — бизнес‑эффектом.
Сессия посвящена тому, как перейти от фрагментарных экспериментов к управляемой корпоративной ИИ‑экосистеме. Разберем, чем принципиально отличаются фрагментарный и комплексный подходы, на реальных примерах увидим, к каким рискам ведет отсутствие единой стратегии, и выстроим практическую дорожную карту перехода к масштабируемой модели.
Вопросы для обсуждения:
Практическая дорожная карта перехода к масштабируемой модели. Инструменты и шаблоны для преодоления типовых барьеров
Управление и организационные аспекты
Архитектура и технологии масштабируемой ИИ‑системы
Фрагментарный vs комплексный подход (на примерах)
От пилотов к системной трансформации
ERP-система остается основой управления бизнес-процессами, но современным компаниям недостаточно возможностей одного универсального решения. Специализированные приложения и сервисы «1С» расширяют возможности при решении задач, а искусственный интеллект открывает новые сценарии автоматизации и повышения эффективности.
В рамках партнерской сессии «1С» эксперты обсудят подходы к интеграции ERP-систем без избыточной кастомизации, возможности продуктов «1С» и роль агентного ИИ в оптимизации затрат компаний.
Вопросы для обсуждения:
Точки роста за пределами ERP: какие ниши закрывают продукты экосистемы «1С»?
«1С»:Напарник: как агентный ИИ сокращает время работы?
Безопасность и контроль: как бизнес управляет ИИ-агентом и не теряет прозрачность процессов?
Какие задачи уже сегодня можно доверить ИИ-агентам и как обеспечить контроль и безопасность их работы?
Крупные компании уже переходят от отдельных ИИ-экспериментов к промышленным сервисам, но закупка ускорителей сама по себе не создает работающую ИИ-инфраструктуру. Между вычислительными ресурсами и прикладными командами нужен единый программный слой, который делает инфраструктуру управляемой и доступной как сервис.
По мере роста ИИ-нагрузок задача усложняется: инфраструктура должна сохранять управляемость при использовании разных аппаратных платформ и обеспечивать предсказуемую работу в промышленной среде. Эти и другие вопросы внедрения и эффективного использования ИИ-инфраструктуры обсудят с крупнейшими игроками рынка в рамках дискуссии.
Вопросы для обсуждения:
Что мешает превратить парк ускорителей в управляемый корпоративный ИИ-сервис?
Какие функции должен закрывать программный слой между инфраструктурой и прикладными командами, а какие должны оставаться в контуре заказчика?
Какие факторы позволят принимать решение по новым ускорителям: корректность, производительность, совместимость программного обеспечения, стабильность, поддержка и экономика?
Суверенитет в ИИ — собственные модели, вычислительные мощности, наборы данных — становится базовым минимумом. Россия входит в число немногих стран, располагающих собственными генеративными моделями, и это создает прочную основу для технологической независимости. Развитие технологий переходит в новую плоскость: на первый план выходит скорость превращения генеративных сетей в измеримый экономический результат, работающие продукты и рост производительности.
Российские ИТ-компании уже масштабировали свои решения на десятки миллионов пользователей. Следующий важный этап — прикладное внедрение в отраслях экономики и социальной сфере. Эксперты обсудят перспективы до 2030 года: развитие мультимодальности и ИИ-агентов, преодоление узких мест (данные, устаревшие системы, дефицит доверия) и переход от изолированных пилотных проектов к промышленной эксплуатации.
Вопросы для обсуждения:
Глобальный вектор и национальная специфика: куда движется мировая индустрия и на какие направления мы делаем ставку в ближайшие 3 года.
Точки прорыва: в каких технологических нишах российские решения готовы задавать стандарты.
Масштабирование: как перевести генеративный ИИ из формата пилотов в статус инструмента, влияющего на финансовый результат.
Инфраструктура: вычислительные мощности, энергия, данные — где находятся пределы роста и как их преодолевать.
Визионерский чекпойнт 2030: каким станет российский ИИ через 5 лет и какие стратегические решения требуются уже сегодня.
В ближайшие годы ИИ существенно расширит возможности киберпреступников: автоматизирует поиск уязвимостей, создание вредоносного кода, фишинговых кампаний и проведение атак на инфраструктуру МСП. Для небольших компаний это особенно чувствительно из-за ограниченных ресурсов на средства защиты и команду. При этом уже появляются российские ИИ-решения, способные противостоять новым типам атак и автоматизировать значительную часть работы специалистов по безопасности.
Дискуссия предназначена прежде всего для руководителей и владельцев субъектов МСП, ИТ- и ИБ-руководителей, представителей государства и разработчиков технологий кибербезопасности. Поговорим о том, как сделать современную защиту доступной для небольших компаний, какие задачи уже можно передать ИИ и как с его помощью повысить киберустойчивость без пропорционального роста затрат на специалистов и количество ИБ-продуктов.
Вопросы для обсуждения:
Компании стремятся внедрять ИИ для роста эффективности, но делают это точечно: до 90% сотрудников уже используют ИИ-чатботов для рабочих задач, однако эта практика разрозненна — удачные находки не масштабируются на компанию, а остаются личным активом конкретного сотрудника, и если человек уходит из компании, вместе с ним исчезают накопленные наработки — эффективные промпты, шаблоны, готовые сценарии решения задач, — заставляя компанию каждый раз собирать эту экспертизу заново.
Для того чтобы сотрудники не закрывали рабочие задачи через личные устройства и публичные сервисы, нужно централизованное внедрение ИИ. Тогда знания фиксируются в корпоративной библиотеке и не зависят от одного человека, а доступ ИИ к внутренним системам заранее ограничен и контролируется службой безопасности.
Вопросы для обсуждения:
Почему массовое использование ИИ сотрудниками еще не означает, что компания системно получает от него бизнес-эффект?
Как превратить личные промпты, шаблоны и сценарии сотрудников в общую корпоративную базу знаний?
Как масштабировать успешные практики применения ИИ между командами, функциями и подразделениями?
Как централизовать работу с ИИ, не подавляя инициативу сотрудников и одновременно защищая корпоративные данные?
Что необходимо компании, чтобы перейти от отдельных экспериментов и пилотов к управляемой ИИ-системе с измеримым результатом?
Спасибо,
заявка отправлена