Как развивается новый подход к управлению ИТ-инфраструктурой

Проникновение ИИ на российский ИТ-рынок создаёт новые тренды в корпоративном ИТ-ландшафте.

AIOps-подход – это применение ИИ-технологий и машинного обучения (ML) для автоматизации и улучшения управления ИТ-инфраструктурой и сервисами.

Расспросили экспертов ЛАНИТ о развитии AIOps в российских компаниях:

в каких сферах особенно актуален
прогнозы по внедрению AIOps в будущем
трудности в проникновении технологии на рынок

ONLANTA АI HUB — платформа от «Онланты» (входит в ЛАНИТ) с единым доступом к готовым AI-ассистентам и локальным языковым моделям в безопасной среде. Среди агентов ONLANTA АI HUB: умный поиск, транскрибатор, AI Юрист, HR Агент и другие. Помогает компаниям ускорить решение задач, оптимизировать бизнес-процессы и повысить продуктивность работы.

AIOps (Artificial Intelligence for IT Operations) — подход к управлению ИT-инфраструктурой на основе больших данных, машинного обучения и аналитики. Как это работает: системы самостоятельно выявляют аномалии, определяют первопричины инцидентов и прогнозируют сбои. Так обеспечивается переход от реактивного к проактивному управлению ИТ-инфраструктурой.

Тренд на внедрение AIOps-подхода набирает силу в банковской сфере, телекоммуникациях и энергетике. Крупные игроки запускают AIOps-пилоты, чтобы повысить отказоустойчивость ИТ-инфраструктуры и сократить расходы. К 2026–2027 годам внедрение достигнет зрелости: накопятся кейсы, адаптируются платформы и ИT-бюджеты.

Массовое внедрение AIOps-подхода зависит от решения организационных, кадровых и экономических задач:

Недоверие к ИИ. Модели работают как «чёрный ящик», что снижает доверие пользователей и готовность следовать ИИ-рекомендациям;
Риски безопасности. Доступ ИИ ко всем данным компании создаёт риски утечек и нарушения требований регуляторов;
Незрелость процессов. Отсутствие базовых условий для использования AIOps: налаженного сбора данных и мониторинга;
Дефицит кадров на стыке Data Science, DevOps и отраслевой экспертизы;

Высокий порог входа делает технологию доступной преимущественно крупным компаниям.

Центр компетенций больших данных и ИИ организован департаментом корпоративных систем ЛАНИТ. Он занимается сбором, систематизацией и распространением знаний и опыта применения ИИ. Ключевая функция Центра – оценка возможностей применения ИИ-решений для конкретных задач. Специалисты Центра разрабатывают рекомендации и стратегии внедрения ИИ-технологий, обеспечения эффективности проектов и минимизации рисков.

В общий термин AIOps входят MLOps и LLMOps. LLMOps — набор технологий для единообразной работы с различными LLM-моделями. Этот подход делает LLM доступным инструментом не только для ИИ-энтузиастов, но и для сотрудников любой квалификации. Помимо единообразного доступа к моделям LLMOps позволяет:

Контролировать запросы пользователей по контенту (технологии guardrails);
Использовать сохранение (трассировку), балансирование при высокой загрузке, постановку запросов в очередь;
Добавлять доступ к новым моделям или удалять неактуальные.

Для автоматизации и построения бизнес-сервисов на LLM в группе ЛАНИТ мы разрабатываем LLMOps-платформу «Landev AI Кремниевые помощники».

MLOps — набор технологий для подготовки моделей машинного обучения, их хранения, изменения статуса, отслеживания качества и запуска моделей в работу.

В России живой и конкурентный рынок AIOps. Yandex, MTS, T-банк, Сбер и другие компании создают собственные решения, которые решают проблемы децентрализации, невозможности делиться наработками и шаблонами AI-решений в рамках одной компании. Заметно, что к концу 2025 года стало больше зрелых бизнесов, которые видят ценность AI и приходят к необходимости разработки AIOps-решений. Сейчас это крупный бизнес в разных секторах: промышленность, туризм и фармацевтика.

Внедрение AIOps в России тормозят общемировые и локальные факторы:

Разделение сотрудников по ИИ-опыту. Одни уже выстроили работу с ИИ, поэтому не хотят переходить на корпоративные AI-решения, другие не могут начать из-за скепсиса по отношению к новым технологиям;
Внедрение ИИ отличается от классической разработки. Необходимо подсчитать ценность и внедрить решение в бизнес-процесс с учётом качества работы;
Невозможность использования передовых зарубежных моделей. Это российская специфика затрудняет проверку гипотез или заражение ИИ-технологией. Затем проще перейти на менее качественные, но доступные и безопасные ИИ-модели.