Почему ИИ в России развивается иначе

По ряду отраслевых оценок, российские компании вкладывают в ИИ-проекты существенно меньше, чем западные конкуренты сопоставимого масштаба. При этом спрос на автоматизацию растёт каждый квартал, а специалистов, способных довести проект от пилота до продакшена, на рынке дефицит. Разрыв между желанием внедрять и реальной готовностью бизнеса объясняет, почему в России ИИ идёт по собственной траектории, непохожей на кремниевую.

Инфраструктурный разрыв и доступ к вычислениям

Обучение крупных языковых моделей требует тысяч GPU-ускорителей. По оценке Центра компетенций НТИ по ИИ при МФТИ, совокупная мощность российских дата-центров, доступных для задач машинного обучения, значительно уступает мощностям гиперскейлеров уровня Google или Microsoft. Санкционные ограничения 2022–2024 годов закрыли прямые поставки чипов NVIDIA A100 и H100, а параллельный импорт увеличивает стоимость оборудования на 40–80%.

Для бизнеса это означает конкретную вещь: обучить собственную модель с нуля экономически нецелесообразно для 99% компаний. Остаётся дообучение (fine-tuning) открытых моделей, и именно здесь появился практический навык, которого нет у западных интеграторов, привыкших к облакам AWS и Azure с безлимитными GPU.

Российские ML-инженеры научились выжимать результат из ограниченных ресурсов, применяя квантизацию, дистилляцию знаний и адаптеры LoRA раньше и интенсивнее, чем коллеги из стран с дешёвым железом. Дефицит оборудования создал устойчивую практику оптимизации — хотя систематических сравнений с зарубежными командами не проводилось.

Регуляторная среда: между контролем и стимулом

В октябре 2023 года правительство утвердило обновлённую Национальную стратегию развития ИИ до 2030 года, увеличив целевой показатель вклада ИИ-технологий в ВВП до 2%. Одновременно ЦБ и Роскомнадзор ужесточают требования к обработке персональных данных, а закон о локализации данных (152-ФЗ) запрещает передачу ряда категорий информации за рубеж.

Двойственность ощущается на каждом проекте. Компания хочет подключить GPT-4 через API, но персональные данные клиентов нельзя отправлять на серверы OpenAI. Значит, нужен on-premise контур или российский аналог. По оценке РАЭК, 63% корпоративных проектов с ИИ в 2023 году столкнулись с необходимостью переделывать архитектуру из-за требований по локализации данных.

Регуляторные экспериментальные режимы (так называемые «песочницы»), запущенные в Москве и ещё нескольких регионах, дают послабления для пилотов. Но переход из песочницы в промышленную эксплуатацию занимает 8–14 месяцев согласования, и этот срок убивает скорость вывода продуктов на рынок.

Кадры: 30 000 специалистов, которых нет

По данным hh.ru за 2024 год, количество вакансий с упоминанием ИИ и машинного обучения выросло на 47% год к году. При этом число резюме в этих категориях увеличилось на 18%. Разрыв нарастает.

Проблема глубже, чем просто «мало людей». Университеты выпускают специалистов с сильной фундаментальной подготовкой в математике, но без опыта развёртывания моделей в продакшене. Бизнесу нужен инженер, который умеет и обучить модель, и настроить CI/CD-пайплайн, и договориться с безопасниками про доступ к данным. Таких людей на рынке единицы, и их зарплатные ожидания сопоставимы с предложениями из Дубая или Берлина.

Релокация 2022 года усилила дефицит. По разным оценкам аналитических и рекрутинговых агентств, Россию в первый год покинули десятки тысяч IT-специалистов, и хотя часть вернулась, senior ML-инженеры возвращаются реже других категорий.

Выход, который используют крупные игроки вроде Сбера и Яндекса: собственные образовательные программы с гарантией трудоустройства и зарплатой на время обучения. Средний бизнес такой роскоши лишён.

Точки роста: где российский ИИ уже конкурентен

Три направления, в которых наблюдается ощутимый прогресс, подтверждённый метриками.

NLP на русском языке. GigaChat от Сбера и YandexGPT показывают результаты на русскоязычных бенчмарках (MERA, Russian SuperGLUE), близкие к GPT-3.5, а в отдельных задачах приближающиеся к GPT-4. По данным AI-benchmark MERA, разрыв между лучшей российской и лучшей западной моделью на русскоязычных задачах сократился с 22 процентных пунктов в 2022 году до 8 в конце 2024.

Компьютерное зрение в промышленности. NtechLab и VisionLabs поставляют системы распознавания в десятки стран. Российские решения для контроля качества на производственных линиях применяются на предприятиях FMCG и металлургии; конкретные показатели точности детекции и скорости обработки компании раскрывают в технической документации под NDA.

Голосовые технологии. Speechki, ЦРТ и подразделения Яндекса создали движки синтеза и распознавания речи, заточенные под российскую фонетику, диалекты и шумовые условия контакт-центров. Точность распознавания в телефонном канале варьируется в зависимости от условий тестирования и конкретного продукта; сравнительные результаты публикуются на отраслевых соревнованиях, в частности на Russian Open Speech To Text.

Общий знаменатель этих успехов: все три направления решают задачу, специфичную для локального рынка, где западные решения работают хуже или недоступны.

Финансирование: венчур ушёл, корпорации остались

Российский венчурный рынок в сегменте ИИ сжался кратно. По данным Dsight, объём венчурных инвестиций в AI-стартапы в 2023 году составил около $45 млн, что в 12 раз меньше показателя 2021 года. Классический путь «стартап получает раунд, масштабируется, выходит на IPO» фактически заблокирован.

На место венчурного капитала пришёл корпоративный спрос. Сбер, Яндекс, МТС, Газпром нефть финансируют R&D внутри собственных структур и через гранты. По данным сайта Фонда содействия инновациям, в 2023–2024 годах он поддержал значительное число проектов с компонентом ИИ — итоговые объёмы финансирования отражены в публичных отчётах Фонда. Но корпоративное финансирование работает по другой логике: долгие циклы согласования, ориентация на внутренние задачи, минимальный аппетит к рисковым экспериментам.

Для предпринимателя это означает одно: продукт нужно проектировать сразу под конкретного корпоративного заказчика с понятным ROI за 6–9 месяцев. Абстрактный «ИИ-стартап» в текущих условиях не получит денег.

Что делать бизнесу, который хочет внедрять ИИ сейчас

Собрать ML-команду внутри, купить GPU-кластер и разработать модель с нуля может компания из топ-50 по выручке. Остальным придётся выбирать: использовать готовые API российских провайдеров (GigaChat API, YandexGPT API, доступные через облачные платформы) или привлекать внешних интеграторов, которые возьмут на себя и инфраструктуру, и fine-tuning, и согласование с безопасностью.

Сложность самостоятельного пути недооценивают почти все, кто пробует впервые. Пилот на ноутбуке работает за неделю. Перенос в продакшен с учётом требований 152-ФЗ, интеграции с CRM и ERP, мониторинга качества ответов занимает 4–8 месяцев и стоит в 10–20 раз дороже пилота.

Стоит ли ждать, пока инфраструктура подешевеет?

Контраргумент «подождать» имеет смысл, если в вашем процессе нет накапливаемого актива. Но в ИИ-проектах ключевой актив — размеченные данные и калиброванные модели. Компании, которые внедряют сейчас, через два года будут располагать корпусом данных, специфичным для их бизнеса. Это не купить: рынок дешевеет, а уникальные данные не появляются сами по себе.

Можно ли использовать ChatGPT для корпоративных задач в России?

Технически да, через VPN или прокси. Юридически рискованно, если в промптах фигурируют персональные данные или коммерческая тайна. Для внутренних задач без чувствительных данных (генерация текстов, анализ открытых источников) это допустимый инструмент. Для клиентских данных нужен локальный контур.

Почему в России ИИ-стартапы не выходят на мировой рынок?

Выходят, но точечно. NtechLab работает в ОАЭ и Юго-Восточной Азии. Проблема в масштабировании: без доступа к западному венчурному капиталу и облачной инфраструктуре выход на рынки Европы и Северной Америки требует ресурсов, которых у большинства стартапов нет. Направление экспансии сместилось на Ближний Восток, Латинскую Америку и Африку.

Общая картина

Развитие ИИ в России идёт по траектории, сформированной тремя ограничениями: дефицит железа, строгая локализация данных, сжатие венчурного финансирования. Внутри этих ограничений вырос рынок, где побеждают прагматичные решения с быстрым возвратом инвестиций, заточенные под русский язык и локальную специфику.

Если вы планируете внедрение ИИ в своей компании, начните с аудита данных и определения одной задачи с измеримым финансовым результатом. Пилот на реальных данных за 4–6 недель покажет, оправданы ли вложения, прежде чем вы потратите бюджет на инфраструктуру и команду.