К 2026 году в российском АПК к спутниковому мониторингу и прогнозным моделям добавились LLM, генеративный ИИ и AI-агенты.
По исследованию «КОРУС Консалтинг» 2025 года, у 48% агрокомпаний цифровизированы лишь отдельные производственные процессы, при этом 43% планировали внедрять ИИ для прогнозирования и аналитики. «Яков и Партнёры» оценивали потенциальный вклад ИИ в операционную прибыль российского сельхозпроизводства в $2–2,9 млрд в год.
В стратегии цифровой трансформации АПК РФ до 2030 года ИИ уже фигурирует в сценариях мониторинга земель, прогнозирования урожайности, автономной техники и анализа производственных данных.
Практический спрос на такие решения уже заметен. Компании ищут инструменты, способные работать с отраслевой терминологией, историей конкретного поля, погодой, снимками и внутренними данными хозяйства.
В России этот запрос уже породил несколько разных подходов — от специализированных ИИ-агрономов и RAG-систем до отраслевой адаптации крупных языковых моделей и AI-агентов, подключенных напрямую к корпоративным платформам.
1. «Андрей Тимофеевич» — настоящий цифровой агроном
«Андрей Тимофеевич» — ИИ-помощник агрохолдинга «Доставка Морем», запущенный в мае 2026 года. Сервис консультирует по агрономии и животноводству, диагностирует растения по фото, рассчитывает удобрения, проверяет совместимость препаратов, ведет журнал полей и учитывает погоду.
Промо-материалы AI-сервиса «Андрей Тимофеевич»
По данным разработчиков, база «Андрея Тимофеевича» включает 25 тыс. книг и методичек, 740 тыс. публикаций, 140 тыс. документов, 500 тыс. изображений и 20 тыс. технологических карт. Менее чем за месяц сервис набрал более 1000 активных пользователей.
При этом архитектура «Андрея Тимофеевича» не раскрыта: неизвестны базовая LLM, способ ее адаптации, устройство RAG-системы и технология анализа изображений. Проект правильно считать специализированным AI-сервисом для АПК, а не отдельной LLM-моделью.
2. «Иван Полевой» опирается на реальные данные
«Иван Полевой» — цифровой агроном «Уралхима». В основе сервиса лежит RAG-модуль, способный работать с разными LLM: система сначала ищет нужные сведения в собственной базе, а затем передает их языковой модели как контекст.
Главный актив «Ивана Полевого» — данные «Уралхима», накопленные при сопровождении систем питания растений на полях клиентов.
В дальнейшем к сервису планировалось подключать спутниковые снимки, БПЛА, погоду, наземные датчики и результаты агрономических испытаний. Система поддерживает текст, голос и изображения.
По оценке разрабочика, для подобных систем сегодня оцифровано только 30–40% необходимых данных, тогда как для эффективной работы требуется не менее 60%. Для «Ивана Полевого» качество отраслевых данных не менее важно, чем возможности самой LLM.
3. GigaChat учится агрономии
GigaChat получил аграрную специализацию в совместном проекте Сбера и КубГАУ. Более 90 экспертов подготовили материалы по восьми направлениям — от агрономии и агрохимии до ветеринарии и садоводства. После подготовки GigaChat сдал экзамен из 25 заданий на «хорошо».
Компания «БСГ» совместно со SberDevices внедрила голосовое управление дождевальными машинами на базе GigaChat API, SaluteBot Voice и SaluteSpeech. Теперь сотнями машин можно управлять обычным телефонным звонком: проверить состояние, остановить технику или задать скорость, время и глубину полива.
Метод аграрной адаптации GigaChat не раскрыт: неизвестно, использовались ли дополнительное обучение на профильных данных, дообучение модели, RAG или комбинация этих подходов.
Открытое семейство GigaChat использует MoE-архитектуру: около 20 млрд параметров, из которых одновременно задействуются примерно 3,3 млрд, а объем контекста достигает 131 тыс. токенов.
4. Cropwise получает AI-агентов
AI-ассистент Cropwise, созданный Сингента совместно с Raft, — один из наиболее развитых примеров применения AI-агентов в российском АПК.
Пользователь отправляет запрос в Telegram, после чего система может обращаться примерно к 40 методам Cropwise API и базе данных PostgreSQL.
Интерфейс официального приложения Cropwise Operations в Google Play
Архитектура сервиса построена из нескольких AI-агентов: один проверяет запрос, другой работает с API, отдельный SQL-агент получает необходимые данные из базы.
Для подключения внешних инструментов используется MCP. Дополнительно предусмотрена проверка сформированных SQL-запросов и возможность повторного запроса при обнаружении ошибки.
По данным Raft, среднее время ответа составляет около 12 секунд. Точность оценивается примерно в 90% для стандартных запросов и 80–85% для произвольных.
Один полный запрос с участием трех агентов обходился примерно в $0,03. В основе решения Сингенты использовались модели GPT.
5. «Прогресс Агро» структурирует потоки данных
В кейсе «Прогресс Агро» LLM используется не как консультант, а как инструмент для превращения полевой коммуникации в структурированные данные.
В рамках LLM Coding Challenge команда «Агросаентисты» создала сервис, который собирает сообщения агрономов из Telegram и WhatsApp, обрабатывает текст, фотографии и аудио и автоматически формирует отчеты.
Для решения задачи «Прогресс Агро» серверная часть была написана на Golang, а LLM-сервис — на Python/FastAPI. Для контроля работы системы использовался LangSmith, для визуализации данных — Apache Superset.
Среднее время обработки текста составило 5,4 секунды, изображения — 11,9 секунды, аудио — 7 секунд. Для сравнения: вручную главный агроном мог тратить на обработку одного сообщения до пяти минут.
Что будет дальше
Российский рынок аграрного ИИ постепенно переходит от отдельных экспериментов к более прикладным решениям. Основной подход сегодня — сочетание универсальных LLM, RAG, отраслевых баз знаний и данных конкретного хозяйства.
Следующий этап развития связан с более глубокой интеграцией таких систем с погодными сервисами, спутниковым мониторингом, лабораторными данными, ERP и сельхозтехникой.
Это позволит ИИ не только отвечать на вопросы, но и учитывать реальную ситуацию на поле, помогать анализировать данные и быстрее готовить решения.
В перспективе цифровые агрономы могут стать привычным рабочим инструментом специалистов: не заменять их, а сокращать время на поиск информации, обработку данных и выполнение рутинных задач.
Ключевыми факторами развития будут качество отраслевых данных, точность рекомендаций и удобство интеграции ИИ в существующие процессы хозяйств.
