В апреле в рамках конференции «АКПО-Конф» состоялся знаковый круглый стол о перспективах искусственного интеллекта в России, в котором приняли участие представители ведущих российских Hi-tech компаний: Yandex Cloud, Cloud.ru, MWS AI, Delta Computers, МегаФон, а также одна из крупнейших горнодобывающих компаний России АЛРОСА.
На одном поле сошлись шесть разных точек зрения: промышленный заказчик, облачные провайдеры, разработчик больших языковых моделей, производитель вычислительной инфраструктуры и оператор, который рассматривает вопросы через призму облаков данных и информационной безопасности. В результате вместо очередного разговора о «нейросетях вообще» и модных трендах получилась дискуссия о полном технологическом контуре работы ИИ в промышленности: от источников энергии для вычислительной инфраструктуры, центров обработки данных и ускорителей до работы с производственными «большими данными» и встраивания решений в корпоративные системы.
Для АЛРОСА тема быстрой и точной обработки данных более чем актуальна. За всю историю добычи алмазов на протяжении 70 лет компания накопила огромные массивы бесценных геологических и производственных данных на аналоговых и цифровых носителях. И от скорости и точности их обработки в условиях нестабильности мирового алмазно-бриллиантового рынка, а также стремительного истощения мировых алмазных запасов буквально зависит будущее компании на ближайшие десятилетия, ее способность к поиску и разработке перспективных месторождений и повышению эффективности производственной модели.
Поэтому уже сегодня АЛРОСА публично говорит о том, что внедряет искусственный интеллект для повышения производительности и оптимизации ключевых производственных процессов, а при проектировании новых горнодобывающих производств учитывает горизонт 30–50 лет и вопрос того, насколько в будущем можно минимизировать трудозатраты человека в цифровых процессах (alrosa.ru).
Искусственный интеллект – не только модели и программы
Главный вывод дискуссии прост: сегодня прикладное развитие искусственного интеллекта в большом промышленном производстве не определяется одной “сильной AI-моделью” – это слишком упрощенное представление, верхушка айсберга, под которым спрятана огромная цепочка других первоочередных задач. Здесь своя физика, своя экономика и свои пределы. Необходимы вычислительные мощности, каналы передачи данных, готовая инфраструктура, устойчивые сценарии использования и приемлемая экономика внедрения.
Этот тезис хорошо подтверждается открытыми данными самих участников круглого стола. Cloud.ru в своем обзоре по внедрению искусственного интеллекта прямо пишет, что далеко не все «пилотные проекты» доходят до практического применения только по одной причине – дорогого оборудования: серверы и графические процессоры, по оценке компании, дорожают на 30–50% к моменту попадания в Россию.
Еще один важный сдвиг: облако становится для таких проектов не удобной опцией, а базовой средой для запуска и масштабирования (cloud.ru). Другой пример: Yandex Cloud в 2025 году перезапустил Yandex AI Studio и вынес в отдельный акцент возможность без написания кода собирать на этой платформе ИИ-агентов на базе уже развернутых в облаке генеративных моделей.
По итогам года Yandex AI Studio также выяснилось интересное: каждый четвертый коммерческий клиент пользовался решениями безопасности ; за год выручка сервисов информационной безопасности выросла в 2,3 раза. Это важный индикатор того, что рынок смотрит на искусственный интеллект не отдельно от защиты, а вместе с ней (yandex.cloud).
Вычисления — уже не фон, а фокус отдельной стратегии
Самая жесткая часть дискуссии коснулась вычислительной инфраструктуры. В публичном поле разговор про искусственный интеллект часто начинается с моделей, хотя на практике он все чаще начинается с задачи: где и на каких мощностях это будет работать?
Чтобы «умная» система ответила на вопрос, где-то должны работать вычислительные устройства. Их нужно разместить, подключить, охладить, обеспечить бесперебойной работой. И чем больше в стране развивается искусственный интеллект, тем сильнее становится спрос на базовую инфраструктуру.
Участники обсуждения смотрели на проблему с разных сторон. Одни говорили: места в центрах обработки данных заканчиваются, а значит, вопрос упирается уже не только в технику, но и в саму возможность быстро наращивать мощности. Другие отмечали: проблема не столько в том, что в стране не хватает электричества вообще, сколько в том, для каких задач нужна правильно построенная инфраструктура — не везде, не любая и не по любой цене.
Основатель и глава компании Delta Computers Андрей Чернышев подчеркнул важность инженерных решений для работы ИИ:
«Когда мы говорим об инфраструктуре для искусственного интеллекта при наличии существующих ограничений, нужно понимать, что вызов, бросаемый российской инженерной школе и российским разработчикам ПО, серьезен. Также необходимо разделять задачи обучения и повседневного использования ИИ. Для каждого из этих направлений нужны разные подходы, разные требования к надежности и разная экономика, и это важно учитывать уже на этапе проектирования. Сегодня на конференции мы видим, что решения, полностью удовлетворяющие и закрывающие потребности крупнейших заказчиков, не просто существуют, а способны решать самые сложные задачи».
Решения: Delta Computers сегодня предлагает решения создания локальной аппаратной базы под масштабные задачи. Компания прямо позиционирует свою платформу Delta Sprut 5 как российскую систему для задач искусственного интеллекта, машинного обучения и моделирования. По данным компании, модульная архитектура позволяет подключать до 10 ускорителей NVIDIA H100 или до 20 менее габаритных ускорителей, а максимальный объем оперативной памяти достигает 8 ТБ (deltacomputers.ru).
Разговор об инфраструктуре – пожалуй, был одним из ключевых на круглом столе. Обучение моделей и повседневное использование — уже не одна и та же инфраструктурная задача. Для первой важен масштаб и цена эксперимента, для второго — надежность, доступность и управляемость. Поэтому разговор о вычислениях все больше переходит от спора о “железе” к обсуждениям правильной архитектуры.
Ставка не на «гонку амбиций», а на прикладную эффективность
На вопрос: почему в России до сих пор нет собственных моделей, стабильно входящих в число глобальных лидеров, в дискуссии прозвучал прагматичный ответ: сильные модели требуют очень больших вычислений, длинного цикла экспериментов и большого числа инженеров. Это дорого, долго и требует масштаба. Искусственный интеллект — это не соревнование амбиций, и для бизнеса куда важнее не громкое название модели, а то, насколько хорошо она решает конкретную задачу, насколько надежно работает и сколько ресурсов требует.
Поэтому для большинства российских компаний практический и экономически оправданный путь сегодня — не строить с нуля «лучшую модель в мире», а выбирать сильные доступные модели и адаптировать их под свои задачи, сделать их экономичными и пригодными для повседневной работы и в нужном контуре безопасности.
Руководитель центра разработки больших языковых моделей MWS AI, Валентин Малых:
«Для российских компаний сегодня особенно важно не только иметь доступ к сильным моделям, но и уметь применять их эффективно и экономно. Поэтому большое значение приобретают способы уменьшения нагрузки на вычислительные мощности, а также настройка решений под реальные задачи бизнеса».
Решения: В апреле 2025 года MTS AI представила второе поколение своей корпоративной модели Cotype Pro 2. Новая версия работает на 40% быстрее предыдущей и на 50% точнее обрабатывает длинные тексты объемом до 128 тысяч токенов; кроме того, она рассчитана более чем на 100 сценариев, востребованных у российских корпоративных пользователей. Это хороший пример того, как рынок смещается от разговоров о рекордах к прикладной производительности (MTS AI).
В 2026 году MTS AI опубликовала собственную методологию оценки работы систем, где большие языковые модели соединяются с корпоративными базами знаний и внутренними информационными системами. Компания прямо пишет, что такие системы нужны, чтобы снижать риск ошибок и “галлюцинаций”, а в агентных сценариях — чтобы выполнять несколько действий в рамках одного делового процесса без постоянного участия специалиста. Это уже не лабораторная тема, а попытка перевести рынок к проверяемому качеству (MTS AI).
Безопасность – не приложение к технологии
Одной из самых предметных на круглом столе стала тема информационной безопасности. Еще недавно в компаниях придерживались той логики, что, если решение находится внутри закрытого контура компании, значит, оно безопасно. Если снаружи — значит, есть риск. Но с искусственным интеллектом эта старая логика больше не работает – системы устроены иначе. А если ИИ связан с внутренними данными компании, с документами, с рабочими системами, то и риски становятся уже совсем другими.
То есть защищать нужно не только модель, а всю систему вокруг нее: передача и сохранение данных, настроенные ограничения, разрешенные действия, способ интеграции решения к внутренней сети компании и другие параметры.
Руководитель направления по продвижению AI/ML решений Yandex Cloud, Александр Долбнев:
«При внедрении искусственного интеллекта важно учитывать, что речь идет не только о самой модели, а о целой системе. Учитывая особенность и вероятностную логику больших языковых моделей, безопасность достигается выстраиванием многослойной защиты на всех уровнях: передача данных, правила контроля запросов и ответов модели, подключение внешних сервисов и внутренних систем, доступ ИИ-агентов к внутренним базам знаний. Большую часть всех этих задач решают платформы, такие как Yandex AI Studio».
Решения: Yandex Cloud прямо указывает, что вокруг Yandex AI Studio уже выстроен набор сервисов не только для запуска ИИ-приложений и агентов, но и для управления интерфейсами программного взаимодействия, защиты информации и аудита действий. В документации платформы рядом с Yandex AI Studio перечислены, в том числе, GOST Gateway, Yandex API Gateway и Audit Trails. Это показывает, что современная среда для работы с искусственным интеллектом проектируется сразу как технологический и защитный контур, а не как отдельная модель, вокруг которой потом пытаются что-то достроить (yandex.cloud).
Отдельное важное замечание прозвучало со стороны МегаФона: далеко не каждую задачу нужно решать именно с помощью генеративного искусственного интеллекта. Его необходимо применять там, где без этого нельзя получить нужный результат, и только если понятны ограничения, риски и способы контроля.
Директор дирекции по развитию облачных сервисов и услуг информационной безопасности МегаФон, Александр Сорокоумов:
«Внедрение искусственного интеллекта в крупных компаниях всегда требует взвешенного подхода. Если задачу можно решить классическими математическими инструментами так и нужно делать. А там, где без генеративного искусственного интеллекта уже не обойтись важно сразу продумывать безопасность повторяемость и предсказуемость всей системы».
Решения: «МегаФон Облако» аттестовано по наивысшему уровню защищенности персональных данных УЗ-1 и соответствует максимальным требованиям к их защите. В описании облачной платформы компания отдельно подчеркивает наличие сервисов резервного копирования и защиты от DDoS-атак. Для крупного бизнеса это важная деталь: вопрос уже не только в том, где работает модель, а в том, насколько защищен весь контур — от хранения до отказоустойчивости (MegaFon).
От пилотов – к фабрике внедрения
Часть дискуссии была посвящена тому, что волнует любой крупный бизнес: как перейти от красивых опытов с ИИ к реальной пользе. Показать пилотный проект и продемонстрировать, как система что-то пишет, ищет, подсказывает, суммирует, сегодня могут многие участники рынка. Однако, между презентацией и настоящим производственным применением лежит огромная дистанция.
Чтобы большие языковые модели, поисковые механизмы и агентные решения действительно работали в крупной компании, недостаточно просто купить доступ к технологии. Искусственный интеллект в большом бизнесе должен отвечать конкретной задаче, достигать конкретных показателей и приносить конкретный результат.
Для этого в компании должны сформироваться базовые условия:
- внутренняя культура работы с ИИ-инструментами. Сотрудники не должны бояться ИИ, но и не ждать от него чудес.
- компетенции – понимание, где ИИ-решения помогают, а где только добавляют сложность.
- основа: вычисления, защита, понятная архитектура и грамотное встраивание в действующие системы.
Директор департамента продвижения продуктов искусственного интеллекта Cloud.ru, Дмитрий Юдин:
«Чтобы искусственный интеллект приносил реальную пользу, важно идти не от модной технологии, а от конкретной задачи и понятного результата. Сначала компания должна определить, какой показатель она хочет улучшить, а уже затем выбирать подходящее решение и способ его внедрения».
Решения: Cloud.ru в апреле 2025 года анонсировал Evolution AI Factory — решение полного цикла для работы с искусственным интеллектом в облаке. По описанию компании, платформа должна позволять создавать собственные ИИ-приложения по готовым шаблонам или работать с настроенными моделями, а сама цель решения — снизить затраты на вычислительную инфраструктуру, повысить эффективность команд и сократить время вывода новых продуктов. Отдельно Cloud.ru уже предлагает сервис Evolution AI Agents, где допускается объединение до пяти ИИ-агентов в одну систему. Это фактически означает, что тема агентных сценариев уже вышла из стадии общих разговоров и превращается в товарный продукт (cloud.ru).
АЛРОСА: главный вопрос – не «зачем», а «куда встраивать»
Сегодня промышленный заказчик все больше смещает центр тяжести задач по ИИ в прикладную плоскость. Компания уже официально заявляет о внедрении искусственного интеллекта для оптимизации производственных процессов. В 2025 году алмазодобытчик сообщил о разработке системы на базе искусственного интеллекта для поиска новых месторождений алмазов в сложных геологических условиях; по оценке компании, экономический эффект от такой технологии может составлять сотни миллионов рублей на каждый проект. В отдельном отраслевом материале Yandex Cloud подробно разбиралась аналитическая модель “Алмаз-Бриллиант”, которая помогает прогнозировать характеристики бриллиантов из алмазного сырья и использовать исторические данные для планирования ассортимента и ценовых ориентиров (alrosa.ru).
В ходе дискуссии круглого стола руководитель цифровой лаборатории АЛРОСА Алексей Волков подтвердил практический интерес компании в разработке ИИ-решений для производства:
«Для производственных компаний сегодня особенно важно внедрять искусственный интеллект не в отрыве от реальных задач, а в процессы, где можно увидеть измеримый экономический эффект. Настоящая ценность появляется, когда такие решения начинают работать с продуктивными системами, а не остаются на уровне тестов и демонстраций. И при этом уже сейчас нужно смотреть на шаг вперед: думать о том, как в производственные процессы будут встроены роботы, автономный транспорт и новые модели (world models), которые лучше понимают физический мир».
Применение ИИ в производстве и есть главный итог круглого стола. Для крупной промышленности искусственный интеллект — уже не про отдельный “умный сервис”, а про встраивание в долгий производственный цикл. Там, где речь идет о месторождениях, фабриках, транспорте, планировании и эксплуатации, эффект возникает только тогда, когда технология работает не на тестовом наборе, а на реальных данных, в реальных системах и в реальном процессе принятия решений.
Именно на этом стыке — между инфраструктурой, вычислениями, безопасностью, данными и реальными производственными задачами — сегодня и формируются основные точки роста искусственного интеллекта в промышленности.