Для чего России новый исследовательский институт прикладного ИИ и роботизации

Учредительное заявление ИПИИР: что мы понимаем под прикладным ИИ как объектом исследования, чем отличаемся от уже существующих исследовательских центров, и почему институт нужно строить именно сейчас.

Редакция ИПИИР

I. Постановка вопроса

За последнее десятилетие искусственный интеллект перестал быть исключительно академической дисциплиной. Модели вышли из лабораторий в инфраструктуру повседневной жизни — в банковский скоринг, медицинскую диагностику, видеоаналитику, рекомендательные системы, инструменты автоматизации труда. Параллельно из инженерных лабораторий в реальные производственные процессы выходят роботизированные системы — складская робототехника, манипуляторы на конвейерах, сервисные роботы в гостеприимстве и медицине.

Российский исследовательский ландшафт отражает первую половину этой трансформации, но почти не отражает вторую. Сильные академические центры заняты разработкой моделей и алгоритмов: AIRI, ИСП РАН, ИИ ИТМО, лаборатории Сколтеха и МГУ. Крупные корпорации — Сбер, Яндекс, ВК, ВТБ — ведут собственные R&D-программы, замкнутые на свои продукты. Между этими двумя слоями образовалось пустое пространство.

Пустое пространство — это слой встраивания. Не разработка моделей и не их фундаментальное изучение, а исследование того, что происходит, когда готовые ИИ-инструменты и роботизированные системы попадают в работу людей и организаций. Здесь сосредоточены вопросы, на которые сегодня в России не отвечает почти никто: где сотрудник принимает рекомендацию модели, а где сопротивляется; почему малый и средний бизнес не пользуется доступными ИИ-инструментами; какие архитектурные паттерны интеграции работают, а какие проваливаются; какие инциденты происходят при эксплуатации автоматизированных систем; как меняется работа оператора рядом с роботом.

Этот разрыв — не временное неудобство, которое исправит время. Это структурное место для отдельного типа институции. Не университетской лаборатории, не стартапа, не корпоративного R&D-отдела. Исследовательского института прикладного слоя.

Записка, которую вы читаете, отвечает на вопрос, вынесенный в заголовок: для чего сейчас в России создаётся такой институт, и почему именно в области прикладного ИИ и роботизации.

II. Что такое исследовательский институт прикладного типа

Слово «институт» в современном русском языке употребляется широко — от государственных НИИ советского образца до коммерческих центров обучения. Чтобы избежать двусмысленности, мы фиксируем определение, в традиции которого работаем.

Прикладной исследовательский институт отличается от других форм организации работы со знанием четырьмя функциями.

Производство публикуемого знания о практике. Результат работы института — не продукт, не сервис, не консультация. Результат — отчёт о полевом исследовании, отраслевой обзор, разбор внедрений, открытый набор данных, методическая записка для регулятора. Это базовый критерий: всё, что не может быть опубликовано, не является результатом исследования в институциональном смысле.

Долгосрочный горизонт. Институт мыслит не кварталами, а исследовательскими программами на три–пять лет. Это отличает его и от стартапа, и от корпоративного R&D-отдела, отчитывающегося перед бизнес-юнитом.

Независимость от единственного бенефициара. Институт не существует ради одного заказчика — государства, корпорации, фонда. Это условие, без которого невозможна независимая экспертиза. Источники финансирования могут быть разными: гранты, отраслевые контракты на открытые исследования, целевые пожертвования. Условие — диверсификация и прозрачность.

Открытость результатов. В современной исследовательской практике [1] отчёт без открытых данных и воспроизводимой методологии не является полноценной работой. Институт берёт открытость на себя как обязательство, а не как пожелание.

Это определение не наше изобретение. Оно лежит в основе работы исследовательских центров прикладного и социотехнического типа, к традиции которых мы апеллируем: Brookings Institution в США (independent policy research с 1916 года), Pew Research Center (массовые полевые исследования), Stanford HAI (Human-Centered AI — на стыке технологии и человека), AI Now Institute (социальные эффекты ИИ), Oxford Internet Institute (цифровая инфраструктура и общество). Эти институты различаются дисциплинарно, географически и финансово, но разделяют четыре функции выше — и работают не на стороне разработки моделей, а на стороне исследования их встраивания в жизнь.

III. Что такое прикладной ИИ как объект исследования

В обиходной речи «прикладной ИИ» обычно означает «применение ИИ в бизнесе». В этом значении прикладной ИИ — не объект исследования, а синоним внедрения.

Мы используем термин иначе. Прикладной ИИ в нашем понимании — это исследование социотехнического слоя между моделью и человеческой деятельностью. Не сама модель и не сам процесс, а их встраивание друг в друга.

Это самостоятельный объект, со своей литературой, методами и сообществом. У него есть шесть подобластей, которые формируют исследовательскую программу института.

Взаимодействие человека и ИИ в профессиональной деятельности. Как специалист встраивает ИИ-инструменты в свою работу. Где доверяет, где сопротивляется, где переоценивает. Как меняется профессиональная идентичность, когда часть работы делегируется машине. В мире это сформированная область — Stanford HAI, MIT Media Lab, Microsoft Research имеют отдельные группы. В России систематических исследований нет.

Проникновение ИИ в средний и малый бизнес. Эмпирические данные о том, как и насколько средний бизнес в России использует ИИ-инструменты. Барьеры, отраслевые и региональные различия, успешные и провальные внедрения. Сегодня все индексы цифровой зрелости в РФ меряют корпорации. По МСБ — фрагменты от Контура, Тинькофф, ВШЭ с разной степенью маркетингового уклона. Полноценного независимого источника нет.

Архитектурные и организационные модели внедрения ИИ. Технические и операционные паттерны интеграции искусственного интеллекта в существующие процессы. Каталог решений, разборы провалов, методология оценки экономического эффекта. Это направление граничит с тем, что в международной литературе называют «MLOps и развёртывание ML» [2], но смещено в сторону организационной, а не инженерной части — что меняется в процессе, в команде, в управлении.

Прикладная этика и операционные риски ИИ-систем. Риски, возникающие на этапе эксплуатации — инциденты, регуляторные требования, отраслевые стандарты человеческого надзора. Не теоретическая безопасность моделей, а ежедневная практика управления рисками: что делать, когда чат-бот нагрубил клиенту, когда система найма забраковала кандидата по неочевидным признакам, когда диагностический ассистент дал неверную рекомендацию.

Прикладная роботизация и взаимодействие человека с роботизированными системами. Внедрение роботов и автоматизированных систем в производственные, логистические и сервисные процессы. Экономика внедрения, разборы провалов, изменение работы людей рядом с роботами. У вендоров эти данные есть, но они конфликтуют с интересами вендоров. Независимой аналитики в РФ практически нет.

Машинное восприятие в промышленных и логистических средах. Как системы компьютерного зрения и мультисенсорного восприятия ведут себя в реальных условиях производства, склада, транспорта. Полевые замеры, эталонные наборы данных под российские сцены, методология проверки систем «в поле». Не разработка архитектур — этим занимаются академические лаборатории, — а характеризация поведения уже работающих систем.

Эти шесть направлений объединяет одна позиция: искусственный интеллект и роботизация — это социотехнические системы, и их научный объект — не отдельная модель и не отдельная машина, а процесс их встраивания в человеческую деятельность.

IV. И почему роботизация

Слово «роботизация» в названии института требует объяснения. Без него академический читатель прочитает его как маркетинговую приставку, прицепленную к технологически модной теме. Мы хотим снять это подозрение прямо.

Мы занимаемся слоем встраивания роботизированных систем в реальные процессы, а не их разработкой. Институт не строит железо. Институт не разрабатывает алгоритмы движения, навигации или манипуляции — этим занимаются Сколтех, ЦНИИ РТК, Институт прикладной математики им. Келдыша. Институт не работает над фундаментальными моделями восприятия — это область академических лабораторий.

Мы исследуем то, что начинается после того, как роботизированная система покинула лабораторию или цех вендора:

• Полевые замеры реальной эффективности — что происходит с системой через год эксплуатации, как она ведёт себя в условиях изменения процесса, освещения, сырья.
• Экономика внедрения — TCO, реальные сроки окупаемости, скрытые издержки, на которых проваливаются проекты.
• Изменение работы операторов и сотрудников рядом с роботизированными системами.
• Регуляторный ландшафт и инциденты — ответственность, страхование, отраслевые требования.

Связь роботизации с прикладным ИИ — методологическая. Это две стороны одного социотехнического процесса: ИИ-инструмент меняет работу за экраном, робот меняет работу в физическом пространстве. Объект исследования один — встраивание автономной системы в человеческую деятельность. Поэтому в названии института они идут рядом не как две разные темы, а как два проявления одной.

V. Принципы работы

Мы фиксируем четыре принципа, которыми руководствуемся.

Открытость по умолчанию. Публикации распространяются под лицензией CC BY 4.0. Открытые наборы данных — также под CC BY 4.0, если это не противоречит обязательствам перед источниками. Технический код, сопровождающий исследования, — под Apache 2.0 или MIT. Закрытыми остаются только материалы, на которые наложены явные обязательства информантов или партнёров, и это прямо оговаривается.

Воспроизводимость методологии. Каждое полевое исследование сопровождается описанием методики: дизайн выборки, протокол интервью, инструменты опроса, процедура обработки данных. Это требование к нам самим, а не пожелание. Без воспроизводимой методологии отчёт остаётся эссе, а не исследованием.

Независимость финансирования. Институт работает по многоканальной модели: гранты, отраслевые контракты на открытые исследования, целевые пожертвования. Принцип — диверсификация и публичность. Условия работы с заказчиками, политика конфликта интересов и порядок отказа от заказа будут оформлены отдельным документом и опубликованы в течение полугода с момента запуска.

Многоуровневая публикация. Институт не имеет одного «правильного» формата. Записки (insights) — короткие тексты редакционного жанра. Полевые отчёты — описание конкретных исследований с методологией и данными. Отраслевые обзоры — сводные документы на 40–80 страниц. Методические записки для регуляторов — документы на 4–8 страниц с конкретными предложениями. Уровень публикации соответствует уровню зрелости работы.

VI. Программа на ближайший год

Мы намеренно избегаем обещаний прорывов и фиксированных дедлайнов. Институт начинает работу, а не завершает её. Поэтому программа формулируется в настоящем времени — как то, над чем мы работаем сейчас.

Полевые исследования. Запуск программы интервью со специалистами, использующими ИИ-инструменты в работе — программистами, маркетологами, менеджерами, врачами, юристами. Первые отчёты — по итогам первой волны.

Барометр прикладного ИИ в малом и среднем бизнесе. Запуск ежегодного исследования уровня внедрения ИИ-инструментов в российском МСБ, с разбивкой по отраслям и регионам. Это направление наиболее ресурсоёмкое и одновременно самое цитируемое — открытых данных по этой теме в России сегодня нет.

Каталог архитектурных паттернов внедрения. Открытый сборник практических моделей интеграции ИИ в операционные процессы, с разборами успешных и провальных внедрений. Постмортемы — отдельный жанр, которому в российской публичной практике уделено мало внимания.

Методические записки для регуляторов. Документы по конкретным узлам российского регулирования: ответственность за решения автоматизированных систем, эксплуатационные стандарты в регулируемых отраслях, отраслевая практика человеческого надзора. Сопоставление с подходами EU AI Act [3], NIST AI RMF [4], Singapore AI Verify [5].

Прикладная роботизация — первые отраслевые срезы. Полевые наблюдения за внедрением роботизированных решений в одной-двух отраслях. Подбор отраслей — по результатам первого этапа партнёрской работы.

Открытая работа с сообществом. Семинары с публичной записью. Стажировки для исследователей ранней карьеры. Соавторство в полевых отчётах с практикующими инженерами.

Через год мы планируем оценивать институт по конкретным публикациям, а не по обещаниям, данным в этом тексте.

VII. Кому мы интересны

• Исследователям ранней карьеры. Стажировки, соавторство в полевых отчётах, ментор-программы. Мы открыты к выпускникам бакалавриата и магистратуры, аспирантам, молодым исследователям из смежных областей — социологии труда, антропологии организаций, экономики, прикладной аналитики.
• Практикующим специалистам в отраслях. Совместные полевые отчёты на материале реальных внедрений. Это формат, в котором отраслевой опыт превращается в публикуемое знание без необходимости академической квалификации соавтора.
• Журналистам и аналитикам. Комментарии по вопросам в зоне нашей экспертизы, доступ к открытым материалам, разъяснения для непрофильной аудитории.
• Регуляторам и государственным институтам. Независимая аналитика по конкретным вопросам внедрения ИИ и роботизации, методические записки, участие в отраслевых обсуждениях.
• Индустриальным партнёрам. Заказные исследования при условии открытой публикации результатов. Это принципиальное ограничение, через которое мы фильтруем заказчиков. Институт не выполняет закрытых работ, не служащих в итоге общему знанию.

VIII. Заключение

Для чего России новый исследовательский институт прикладного ИИ и роботизации?

Не потому, что не хватает игроков на рынке ИИ. И не потому, что мы располагаем уникальной экспертизой, которой нет у других. А потому, что между академической наукой и корпоративной разработкой существует пустое пространство — пространство публикуемого, воспроизводимого, открытого знания о встраивании ИИ и роботизированных систем в работу людей, организаций и производств. Это пространство мы и занимаем.

Не быстро и не громко. Институт строится медленно — это сознательный выбор. Серьёзность нельзя анонсировать; её можно только заработать публикациями.

Сноски

[1] Обсуждение воспроизводимости как нормативного требования см. в материалах конференций NeurIPS и ICML за последние годы, включая опубликованные чек-листы воспроизводимости (NeurIPS Reproducibility Checklist).

[2] Paleyes, A., Urma, R.-G., Lawrence, N. D. Challenges in Deploying Machine Learning: a Survey of Case Studies. ACM Computing Surveys, Vol. 55, No. 6 (2022). https://doi.org/10.1145/3533378

[3] Regulation (EU) 2024/1689 (Artificial Intelligence Act). Official Journal of the European Union, July 2024. https://eur-lex.europa.eu/eli/reg/2024/1689/oj

[4] National Institute of Standards and Technology. Artificial Intelligence Risk Management Framework (AI RMF 1.0). NIST AI 100-1 (January 2023). https://doi.org/10.6028/NIST.AI.100-1

[5] AI Verify Foundation, Singapore. AI Verify Testing Framework and Toolkit. https://aiverifyfoundation.sg

[6] Кодекс этики в сфере искусственного интеллекта. Альянс в сфере искусственного интеллекта, 2021. https://a-ai.ru

[7] Указ Президента Российской Федерации от 10.10.2019 № 490 «О развитии искусственного интеллекта в Российской Федерации» (в редакции 2024 г.) и утверждённая им Национальная стратегия развития искусственного интеллекта на период до 2030 года.

Опубликовано: май 2026. Лицензия: CC BY 4.0.

Цитирование: Редакция ИПИИР. Для чего России новый исследовательский институт прикладного ИИ и роботизации. ИПИИР Insights, май 2026. ipiir.ru/insights/zachem-rossii-issledovatelskiy-institut-prikladnogo-ii-robotizatsii