Как быть СТО/CIO в России в 2026 году, I, импортозамещение, облака: что из хайпа реально работает, а что можно игнорировать?

CTO/CIO трек, Org Engineering

Программный комитет ещё не принял решения по этому докладу

Целевая аудитория

CTO, CIO

Тезисы

Введение: контекст и ожидания
• После 2022 года ИТ-рынок живёт под лозунгом «импортозамещения и суверенных технологий».
• Параллельно — стремительный рост интереса к ИИ и облачным платформам.
• Результат — пересечение трёх трендов, где маркетинг часто опережает реальные внедрения.
• Ключевой вопрос: что из этого работает в реальных компаниях, а что — «для галочки»?
2. Облака: зрелость и реальность
• Реально работает: корпоративные частные и гибридные облака, Kubernetes-кластеризация, облачные VDI, резервное копирование.
• Импортозамещение в облаках: отечественные провайдеры (VK Cloud, Selectel, SberCloud, Yandex Cloud, МТС Cloud) уже закрывают 80–90 % базовых сценариев IaaS/PaaS.
• Хайп: заявления о «полной независимости» — большинство решений всё ещё завязаны на open-source-компоненты зарубежного происхождения (Ceph, Postgres, Kubernetes).
• Основной вызов: интеграция и эксплуатация, а не технологии как таковые.
3. Импортозамещение: где получилось, а где нет
• Успешно: офисные пакеты, ECM/EDMS, BPM, СЭД, CRM, BI-платформы — появились зрелые отечественные аналоги (Р7-Офис, Docsvision, Naumen, PlatformaBI).
• Проблемы: промышленный софт, PLM, SCADA, CAD/CAM, решения для высоконагруженных систем.
• Парадокс: компании закупают «отечественные оболочки», но внутри остаются компоненты PostgreSQL, Redis, Elastic, Python — что не делает систему полностью импортонезависимой.
• Вывод: импортозамещение — не одноразовая акция, а процесс построения компетенций и экосистемы.

4. Искусственный интеллект: от хайпа к пользе
• Работает:
o Компьютерное зрение (контроль качества, OSA, ритейл).
o NLP-модели для анализа обращений, ассистенты операторов, чат-боты.
o Рекомендательные системы и LTR (Learning to Rank).
• Хайп:
o Беззастенчивое внедрение «ИИ-помощников» без данных, инфраструктуры и KPI.
o Использование LLM без учёта приватности и стоимости эксплуатации.
• Ключ: ИИ — это не «продукт», а часть цепочки автоматизации, где важнее качество данных и бизнес-метрики.
5. Где сходятся три тренда
• ИИ требует облачной инфраструктуры и производительных вычислений.
• Импортозамещение требует локальных дата-центров и компетенций, что снижает гибкость.
• Реальность: большинство крупных компаний идут к гибридной модели — локальные мощности + частное облако + российский стек (Linux, Postgres, Python, Kubernetes).
• Конкурентное преимущество сейчас не в «чистом» импортозамещении, а в гибком сочетании подходов.
6. Практические выводы
• Не ставьте задачу «заменить всё», ставьте задачу обеспечить устойчивость и контроль.
• Облака и ИИ эффективны только при зрелом data governance.
• Импортозамещение — это управление зависимостями, а не только смена логотипов.
• Измеряйте результат в терминах бизнеса: ROI, сокращение времени, снижение ошибок, улучшение клиентского опыта.

Марин Сергей Викторович

МТС Web Services (MWS)

Сергей Марин — эксперт в области данных и искусственного интеллекта, выпускник МГУ ВМиК (2000) и MBA Московской школы управления «Сколково» (2009). Карьеру начинал в Нидерландах в консалтинговой компании CMG (ныне Atos Consulting), затем работал в Hewlett-Packard и KPN, где занимался управлением продуктов и портфелей проектов.

После возвращения в Россию в 2010 году возглавил подразделение бизнес-аналитики в adidas (бренды adidas и Reebok). В 2013 году основал и возглавил подразделение Big Data в «Билайне», где реализовал первые в стране проекты на основе больших данных операторов, включая продукты машинного обучения для повышения ценности клиентских сервисов, снижения оттока и роста удовлетворённости.

С 2016 по 2018 год — Старший вице-президент банка «Открытие», отвечал за монетизацию данных и развитие направлений бизнеса, связанных с данными.

Основатель Школы Данных — ведущей школы машинного обучения и анализа данных, где обучились более 500 специалистов из 20+ компаний, и компании «Студия Данных», разрабатывающей AI-решения для корпоративных клиентов, включая Сибур, S7, М-Видео, Газпромнефть, Сбербанк и других.