ИИ в науке в России уже перестал быть игрушкой для энтузиастов: 85% опрошенных ученых используют такие инструменты в работе, а 84% фактически живут с генеративными сервисами. Для IT-аудитории это важный сигнал: университеты и НИИ довольно быстро прошли путь от осторожных экспериментов к рутинному применению ИИ там, где есть тексты, код и большие массивы данных.
Такие цифры приводит Институт статистических исследований и экономики знаний НИУ ВШЭ, о чем сообщает CNews. Основа исследования — онлайн-опрос, проведенный в мае 2026 года среди 1,209 тыс. респондентов: 769 из них работают в вузах, 318 — в НИИ, еще 122 совмещают оба формата. Главный вывод выглядит без особой сенсационности, но именно поэтому он показателен: научные открытия по-прежнему делают люди, а вот заметную долю подготовительной, технической и рутинной нагрузки все чаще берет на себя ИИ.
Самый массовый формат — генеративные сервисы. Ими пользуются 99% тех ученых, которые вообще работают с ИИ, то есть 84% всех участников опроса. Специализированные инструменты заметно менее распространены: их применяют 32% пользователей ИИ, или 27% всей выборки. Разрыв понятный. Генеративный интерфейс не требует долгого внедрения, отдельного обучения или сложной интеграции в исследовательский процесс. Если у исследователя уже есть браузер, текст, таблица, массив литературы или кусок кода, точка входа в ИИ почти нулевая. Для многих организаций этого достаточно, чтобы технология закрепилась в ежедневной практике раньше, чем появятся формальные регламенты и внутренние политики.
Скорость адаптации тоже выглядит показательно. Большинство респондентов — 76% — освоили генеративные сервисы только в последние два года. При этом инструмент уже используется с частотой, характерной не для модной новинки, а для штатного рабочего софта: 68% пользователей обращаются к нему не реже раза в неделю, а 35% — ежедневно. Еще 32% открывают такие сервисы несколько раз в месяц или реже. По сути, ИИ в науке повторяет знакомый IT-рынку сценарий: сначала сервисы заходят как удобный способ сэкономить время на типовых задачах, а потом незаметно становятся слоем повседневной инфраструктуры. Не отдельной инновацией, а новым интерфейсом к знаниям, текстам, коду и данным.
Отдельно интересна картина по дисциплинам. Генеративный ИИ широко используется почти везде: в социальных науках им пользуются 89% исследователей, в технических, медицинских и естественных — от 84% до 87%, в гуманитарных и сельскохозяйственных — 76–77%. То есть большого раскола между «цифровыми» и «недigital» областями уже нет. Различия проявляются не столько в факте использования, сколько в сценариях. Для работы с кодом генеративный ИИ применяют около трети представителей естественных и технических наук — по 32% в каждой группе. В гуманитарных науках этот показатель составляет лишь 4%. Это уже не вопрос моды, а вопрос устройства труда: где исследование связано с вычислениями, автоматизацией и воспроизводимыми пайплайнами, там ИИ логично встроился в инженерную часть процесса. Где работа завязана на интерпретацию текстов и смыслов, там спрос смещается в сторону поиска, редактуры и перевода.
Со специализированными ИИ-инструментами разброс по областям науки почти не заметен, за одним исключением: гуманитарии используют их в 16% случаев против 29% в среднем по остальным направлениям. И это, пожалуй, самый прагматичный вывод для тех, кто делает продукты для исследовательского рынка. Побеждает не самый сложный ИИ, а тот, который проще встроить в существующую рутину. Генеративный слой, работающий поверх повседневных задач, масштабируется быстрее, чем узкопрофильные решения с более высоким порогом входа.
Возрастной срез тоже разрушает популярную карикатуру о том, что ИИ якобы нужен только молодым. Среди ученых до 44 лет им пользуются около 90% респондентов. В группах 45–69 лет показатель держится на уровне 83–86%, а среди ученых 70 лет и старше составляет 71%. Разница есть, но она не выглядит пропастью. Скорее речь о разных паттернах применения. Молодые исследователи заметно чаще используют ИИ для генерации и доработки кода, тогда как старшие возрастные группы чаще привлекают его для перевода текстов и подготовки презентаций. Для разработчиков это важная деталь: один и тот же класс инструментов продается разным аудиториям через разные ценности. Одним нужен сопилот для технической части исследования, другим — быстрый способ упаковать результаты и работать с международной повесткой.
С точки зрения конкретных задач ИИ в науке уже встроен почти по всей исследовательской цепочке. Не менее пятой части опрошенных используют генеративные сервисы для решения 16 из 19 исследовательских задач, включенных в опрос. Самые массовые сценарии — поиск и отбор информации, работа с научной литературой, перевод текстов с русского на иностранные языки. Каждую из этих задач с помощью ИИ решают более половины пользователей. Реже такие инструменты применяют для генерации и доработки кода, обобщения ненаучной информации и подготовки экспертных заключений. Но даже эта «реже» не означает маргинальность: просто здесь выше требования к точности, воспроизводимости и ответственности за результат. Иными словами, ученые довольно трезво распределяют доверие: где нужен ускоритель для черновой или вспомогательной работы, ИИ уже уместен; где цена ошибки выше, человек пока остается в центре процесса.
Для российского IT-рынка это не просто сюжет про очередной опрос. Это индикатор зрелости спроса со стороны университетов и исследовательских организаций. Если 84% ученых уже используют генеративные сервисы, следующий вопрос не в том, придет ли ИИ в науку, а в том, какие инструменты смогут пройти следующий фильтр: требования к качеству, безопасности, локализации, работе с научными корпусами и интеграции в исследовательские процессы. Рынок, похоже, входит в этап, где цениться будет не сам факт наличия ИИ, а то, насколько аккуратно он умеет снимать рутину, не ломая научный метод.