России необязательно конкурировать с США и Китаем по числу параметров в моделях. Для нас важнее развитие управляемого, экономичного и технологически независимого ИИ, который обеспечивает измеримый эффект в бизнес-процессах.
Сегодня международная конкуренция в сфере ИИ во многом воспринимается как соревнование вычислительных мощностей. Однако сами по себе затраты на оборудование не создают ни готового продукта, ни устойчивого конкурентного преимущества. Для отечественных компаний ключевой вопрос заключается не в том, сколько токенов способна обработать модель, а в том, как встроить ИИ в рабочие процессы, сохранив контроль над затратами, данными и принимаемыми решениями.
При этом события последних дней показывают: Россия уже включилась — просто в собственную гонку. «Яндекс» представил большую языковую модель Alice AI Foundation LLM, обученную с нуля без сторонних иностранных компонентов. У модели 80 млрд параметров, но одновременно используются только 3 млрд; веса опубликованы под лицензией Apache 2.0, разрешающей коммерческое применение.
Это важный сигнал не потому, что появилась еще одна модель. Важна сама логика: делать ставку не только на масштаб, но и на эффективную архитектуру, открытость и развитие экосистемы вокруг модели. Практический вывод для бизнеса прост: будущее — не за «одной самой умной нейросетью», а за портфелем моделей и платформой, которая умеет их выбирать, обучать, объединять и контролировать.
Публикация весов также снижает барьер входа для банков, промышленных компаний, госсектора и технологических стартапов: модель можно дообучать на собственных данных, развертывать в закрытом контуре и использовать как один из элементов гибридной архитектуры. Но открытая модель — это не готовое решение. Чтобы она работала в бизнесе, нужны данные, инструменты интеграции, контроль качества, безопасность и постоянная оценка стоимости каждого запроса. Именно в этой «последней миле» — между моделью и прикладным результатом — будет создаваться основная корпоративная ценность.
Отдельно стоит вопрос железа. Дефицит чипов и ограничения на их поставки — не временная помеха, а структурное условие рынка. Ждать полного разрешения этой проблемы бессмысленно. Но у компаний есть пространство для маневра: значительная часть корпоративной нагрузки связана не с обучением гигантских моделей, а с ежедневным инференсом — работой уже обученных моделей. Здесь можно выигрывать за счет инженерии: небольших специализированных моделей, квантования, кеширования, пакетной обработки запросов, гибридного размещения на CPU и GPU, а также оптимизации под конкретную бизнес-задачу.
Государство, в свою очередь, задает долгосрочный вектор: правительство РФ утвердило дорожную карту по развитию высокопроизводительных вычислений, алгоритмов ИИ и суперкомпьютерной инфраструктуры. В нее входят единые требования к вычислительным центрам, развитие отечественного ПО и подготовка специалистов. С 1 сентября 2026 года действует и закон № 243-ФЗ, разделяющий суверенные и национальные модели и устанавливающий правила для больших фундаментальных моделей.
Что делать российским компаниям уже сейчас? Первый шаг — определить процессы, где ИИ дает экономический эффект: обработка документов, поддержка клиентов, поиск по корпоративным знаниям, разработка, аналитика, маркетинг. Нельзя начинать с выбора модели. Сначала считаются затраты, качество, время ответа и влияние на выручку или издержки.
Второй шаг — построить модельно-нейтральную платформу. Она должна позволять подключать открытые, российские и, где это допустимо, зарубежные модели; распределять запросы между ними; вести реестр версий; управлять промптами и оценивать качество. Тогда смена поставщика или ускорителя не превратится в переписывание всего ИИ-ландшафта.
Третий шаг — заложить аппаратную независимость. Архитектура приложений должна отделять бизнес-логику от конкретного чипа и фреймворка. Одновременно нужно формировать портфель вычислительных мощностей: собственные ресурсы для критичных задач, несколько облачных провайдеров, резервирование и пилоты отечественных ускорителей без преждевременной ставки на одного вендора.
Четвертый шаг — управление рисками. Для корпоративных агентов обязательны трассировка действий, журналирование, разграничение доступа, защита данных, проверка ответов и человек в контуре критичных операций. Без этого масштабирование ИИ приведет не к росту эффективности, а к новым операционным и репутационным рискам.
Наконец, необходимо системно развивать компетенции внутри компании. Не каждая организация способна с нуля собрать и удержать полноценную команду инженеров данных, архитекторов и специалистов по MLOps. Поэтому важно сочетать внешнюю экспертизу с обучением персонала: запускать корпоративные образовательные программы, готовить внутренних амбассадоров ИИ и формировать команду, способную сопровождать решения после внедрения. Так компания сохранит управляемость системой и не останется зависимой от подрядчика.
Таким образом, Россия уже включилась в гонку, но выигрывать ей следует не по американским или китайским правилам. Наша сильная стратегия — суверенная инфраструктура, эффективные модели, открытая экосистема и платформы, дающие бизнесу управляемый ИИ. Окно возможностей открыто сейчас. Через несколько лет оно закроется: инфраструктура будет выбрана, стандарты определятся, а лидеры займут позиции. Поэтому выиграет не тот, кто больше всех потратил на чипы, а тот, кто первым превратил ИИ в надежную и экономичную часть своей операционной модели.
Автор — заместитель руководителя направления Т1 ИИ (ИТ-холдинг Т1)
Позиция редакции может не совпадать с мнением автора
