Поиск, RAG, базы знаний

Описание рынка

Рынок корпоративного поиска, RAG-систем и ИИ-баз знаний в России - один из самых горячих сегментов прикладного ИИ 2025–2026 гг.: почти каждый второй B2B-проект по внедрению ИИ сегодня строится вокруг RAG. ИИ здесь решает задачи поиска по разрозненным корпоративным документам, извлечения данных из неструктурированных файлов (OCR/IDP), построения внутренних ассистентов поддержки и продаж на базе баз знаний. Рынок находится в стадии перехода от пилотов к промышленным внедрениям: спрос на ИИ-базы знаний за 2025 г. вырос втрое, но ниша всё ещё фрагментирована и лидер не определён. Российская специфика - жёсткое требование закрытого контура (on-premise), уход западных решений (Microsoft SharePoint/Search, Elastic, ABBYY в прежнем виде) и связка с реестром отечественного ПО. Спрос формируют банки, промышленность и госкомпании, для которых утечка корпоративных знаний в облачные LLM неприемлема, поэтому выигрывают вендоры с локальным развертыванием и интеграцией с российскими LLM (GigaChat, YandexGPT, T-Pro).

Объём и динамика рынка

• Рынок ИИ-поиска в РФ - прогноз ~2 млрд руб. в 2026 г., рост минимум на 33%; корпоративный сегмент - около 1 млрд руб. (исследование, цитируемое Inc. Russia со ссылкой на «Ведомости» и центр «Спикатела», 2026)
• Смежный сегмент OCR/IDP (извлечение данных из документов) - 3,7 млрд руб. в 2024 г. (оценка VisionLabs, CNews, 2025)
• Отдельных публичных оценок рынка ИИ-баз знаний нет; косвенный индикатор - спрос на ИИ-базы знаний вырос втрое по итогам 2025 г. (Minervasoft и «Группа Астра», CNews, 2026)
• Типовой чек RAG-проекта: пилот 0,5–1,5 млн руб., промышленное внедрение с RBAC и интеграциями 3–10 млн руб., поддержка 150–500 тыс. руб./мес. (обзор ~60 проектов, ai-rate.ru, 2026)
• Выручка Content AI (OCR/IDP) выросла в 3 раза за три года - до 1,2 млрд руб. (РБК Тренды, 2025)

Лидеры рынка

• Content AI - наследник бизнеса ABBYY в РФ, выручка 1,2 млрд руб., лидер OCR/потокового ввода документов
• Smart Engines - собственные движки распознавания документов на устройстве, сильная научная школа, банковские и госзаказчики
• Naumen - корпоративный поиск и базы знаний в связке с контакт-центрами, ~10% сегмента корпоративного ИИ-поиска (совокупно с Content AI и SL Soft)
• Minervasoft - специализированная платформа управления знаниями, фиксирует трёхкратный рост спроса на ИИ-базы знаний в 2025 г.
• Teamly - платформа управления знаниями и обучением, активно продвигается как замена Confluence
• Яндекс (Нейроэксперт) и МТС AI (MWS AI) - экосистемные RAG-продукты с доступом к собственным LLM и облакам

Драйверы роста

• Уход западных решений (Microsoft, Atlassian Confluence, Elastic) и требование реестра отечественного ПО
• Взрывной интерес к генеративному ИИ: RAG - самый быстрый способ применить LLM к корпоративным данным без дообучения
• Требование закрытого контура у банков, промышленности и госкомпаний - блокирует использование зарубежных облачных LLM и создаёт спрос на локальные решения
• Рост объёма неструктурированных данных и кадровый дефицит: базы знаний сокращают время онбординга и поддержки
• Зрелость российских LLM (GigaChat, YandexGPT, T-Pro) как «мозга» поверх поисковой инфраструктуры
• Госстимулирование цифровизации документооборота и перевод архивов в электронный вид (драйвер для ЭЛАР, Биорг, Directum)

Барьеры и риски

• Ниша фрагментирована, входной барьер низкий: RAG-пайплайн на open-source (LangChain, Qdrant, open-weights LLM) собирает любой интегратор - риск демпинга и коммодитизации
• Экосистемы (Яндекс, Сбер, МТС) встраивают корпоративный поиск в свои облака и могут раздавать его почти бесплатно как крючок для облачной подписки
• Высокая доля разочарований: галлюцинации LLM на корпоративных данных, грязные исходные базы знаний - пилоты часто не доходят до продакшена, а заказчик винит вендора
• Малый средний чек (3–10 млн руб. за внедрение) при длинном enterprise-цикле продаж - экономика сходится только на потоке проектов
• Дефицит GPU в закрытом контуре: on-premise LLM требует дорогого железа под санкциями, что убивает ROI у среднего бизнеса
• Риск схлопывания ниши «тонких» RAG-прослоек: по мере роста контекстных окон и встроенных RAG-функций в LLM-платформы отдельный продукт может стать фичей

Бизнес-модели и монетизация

• Лицензии on-premise + ежегодная техподдержка (основная модель для банков и госкомпаний с закрытым контуром)
• SaaS-подписка за пользователя/рабочее место (Teamly, Minervasoft, облачные версии баз знаний)
• Проектная интеграция: внедрение RAG-контура силами вендора или партнёра, чек 3–10 млн руб.
• Pay-per-use: тарификация за страницу/документ в OCR/IDP (Content AI, Smart Engines, Dbrain, Биорг)
• Госконтракты на оцифровку архивов и создание электронных фондов (ЭЛАР)
• OEM/встраивание движков распознавания и поиска в чужие продукты (Smart Engines, RCO)

Конкурентная структура

Конкуренция трёхъярусная: специализированные вендоры (Content AI, Smart Engines, Minervasoft, Teamly, AutoFAQ), крупные интеграторы и платформы ECM/CSP (Directum, Naumen, ЭЛАР, Преферентум), и экосистемы - Яндекс с Нейроэкспертом, Сбер, МТС AI и Cloud.ru, которые продают RAG как часть облачных платформ. Явного лидера нет: по оценке «Спикателы», даже крупнейшие игроки корпоративного сегмента (Embedika ~20%, Naumen, Content AI, SL Soft ~10% совокупно) не контролируют рынок. Инфраструктурный слой (векторный поиск) закрывают Postgres Professional и VK Tech (Tarantool), конкурируя с open-source. Главный структурный риск для независимых игроков - экосистемы, у которых есть и LLM, и облако, и клиентская база; их стратегия - сделать корпоративный поиск встроенной функцией платформы, а не отдельным продуктом.

Тренды 2025–2026

• Переход от «чат-бота по документам» к агентным сценариям: ассистент не только ищет, но и выполняет действия в корпоративных системах
• Массовое подключение ИИ-ассистентов к базам знаний: вендоры баз знаний (Minervasoft, Teamly) становятся поставщиками «топлива» для LLM
• Гибридный поиск (векторный + полнотекстовый + графы знаний) как стандарт enterprise-внедрений
• Спрос на on-premise LLM-стек «под ключ» - совместные предложения вендоров баз знаний с «Группой Астра», Cloud.ru и производителями серверов
• Консолидация: покупка нишевых игроков экосистемами и крупным энтерпрайз-ПО (тренд по всему рынку корпоративного софта)
• Ужесточение требований ИБ к обработке персональных данных в LLM-контурах - преимущество получают сертифицированные вендоры

Перспективы для новых игроков

Ниши для новых игроков - вертикальные RAG-решения с глубокой доменной экспертизой (юридические, строительные, фармацевтические базы знаний), качественная подготовка и разметка корпоративных данных для ИИ (грязные данные - главная причина провала пилотов), а также инструменты оценки качества и безопасности RAG-контуров. Входить с «универсальным RAG-конструктором» уже поздно: таких продуктов десятки, демпинг силён, а экосистемы отдают базовую функциональность почти даром. Не стоит также строить бизнес на тонкой обёртке вокруг open-source без собственной технологии - такой продукт не переживёт ни консолидацию, ни встраивание RAG в LLM-платформы. Реалистичная стратегия для независимого игрока - либо вертикальная специализация с последующей продажей стратегу, либо OEM-партнёрство с экосистемами.

Источники

• Inc. Russia (по данным «Ведомостей» и центра «Спикатела»), 2026
• CNews (оценка VisionLabs, сегмент OCR/IDP), 2025
• CNews (Minervasoft, «Группа Астра»), 2026
• РБК Тренды (Content AI), 2025