Поиск неумолимо уходит в нейросети, а значит, тот, кто будет контролировать их, будет контролировать умы и доступ к потребителю. В России позиции отечественных игроков ИИ-рынка, Сбера и «Яндекса», довольно сильны. Конкуренцию им составят open-source-модели, прежде всего китайские
Искусственный интеллект превратился в поле полноценной гонки — моделей и стран. Это означает, что ИИ перестал быть лабораторным экспериментом: им будут пользоваться все — и люди, и компании. Почти треть населения России старше 12 лет уже работает с ИИ-сервисами, тогда как год назад к ним прибегало всего 8%, свидетельствуют данные Mediascope. И если борьбу за персональный компьютер и чиповую гонку Россия пропустила, то сейчас мы пытаемся не отдать иностранным разработчикам хотя бы свой собственный рынок.
Накал страстей столь велик, что гонка ИИ превратилась в вопрос геополитики. Вашингтон уже требует от стран-партнеров выбирать сторону, угрожая исключением из американских альянсов тех, кто сотрудничает с китайскими ИИ-структурами. Пекин, в свою очередь, формирует альтернативный полюс, запустив в июле 2026 года международную ИИ-организацию, объединившую 29 государств. Россия в этом глобальном противостоянии выстраивает собственный суверенный контур: в конце июля был принят Федеральный закон № 243-ФЗ о поддержке развития технологий ИИ, который закрепляет правила игры для внутренних разработчиков и для российских компаний — пользователей ИИ. В частности, правительство вправе определять, в каких случаях необходимо применение исключительно суверенных или национальных моделей. Напомним, у суверенных моделей все компоненты — архитектура, код, параметры обучения — созданы в России, без использования зарубежных разработок, у национальных допускается использование зарубежных компонентов, но их существенные характеристики все же определены российским разработчиком. Пока что случаи обязательного применения российских моделей не прописаны, но вектор на технологическую независимость и поддержку российских разработчиков ИИ уже задан.
Каким будет приз победителя в этой гонке? Первая мысль: разработчики нейросетей борются за долю глобального рынка и в конечном счете за прибыль. «Да, но прибыль — только часть мотивации, — уточняет Михаил Шрайбман, CEO OSMI IT. — Чем больше аудитория ИИ-модели, тем больше обратной связи и реальных сценариев использования получает разработчик, а значит, тем быстрее улучшается продукт».
Но есть и второй уровень, продолжает эксперт: контроль над точкой входа в информацию. Если пользователь начинает искать, сравнивать и принимать решения с помощью ИИ, платформа получает возможность управлять его вниманием — ведь именно она решает, какие источники показать, какие сервисы предложить, какие товары и рекламные сообщения встроить в ответ.
Власть над умами и доступ к аудитории — вот за что в конечном счете воюют разработчики нейросетей.
Так что непосредственно мощность модели не самоцель. Важнее, чтобы нейросеть встроилась в мир пользователя, в его привычки, рабочую и личную жизнь. Крупнейшие российские разработчики ИИ, «Яндекс» и Сбер, как раз идут по этому пути: ИИ все глубже связывает человека с их экосистемами. У зарубежных игроков логика та же, только рынок, который они хотят поделить, глобальный.
«Архитектура будущего мира будет очень проста: разработчики платформ ИИ — ChatGPT, Claude, xAI, Gemini — будут вкладывать сотни миллиардов долларов в дата-центры, возможно ежегодно, и предоставлять услуги ИИ, с которыми другие корпорации соревноваться не смогут. — Леонид Делицын, аналитик ФГ “Финам”, рисует масштабную и тревожную картину. — Поэтому бизнесу придется подписываться на их сервисы. Цены установятся на таком уровне, что зарабатывать будут только платформы ИИ. Остальные IT-компании превратятся в подобие “системных интеграторов” — в этих компаниях будут работать сотни тысяч специалистов, внедряющих ИИ, и они будут получать недурную зарплату. Но прибыли у владельцев будут маленькие. А Сбер и “Яндекс” хотят, чтобы их прибыли были большие».
Именно поэтому развитие собственной ИИ-инфраструктуры в России — стратегический аспект. «Главная цель развития ИИ в РФ — практическое применение алгоритмов в реальных условиях: диагностика заболеваний, понимание речи и эмоций, создание качественного визуального контента на русском языке. ИИ уже перестраивает экономику и городскую среду», — говорит Ярослав Беспалов, руководитель научной группы «Мультимодальные архитектуры ИИ» Института AIRI. По его словам, зависимость от зарубежных платформ создает определенные риски — доступ к технологии могут ограничить или изменить условия использования. Поэтому важно, чтобы у страны была собственная база в сфере искусственного интеллекта.
Развитие ИИ требует колоссальных ресурсов. Сбер анонсировал 350 млрд рублей инвестиций в ИИ на 2026 год. Суммарные расходы капитального и операционного характера «Яндекса» на «Алису AI» за 2025 год составили 55 млрд рублей, рассказали «Моноклю» в пресс-службе «Яндекса». При этом компания активно работает над эффективностью: в первом полугодии 2026 года эффект от программы инженерной оптимизации вычислительной инфраструктуры «Яндекса» составил 9,2 млрд рублей.
И это еще немного по мировым меркам: у зарубежных разработчиков затраты на порядок выше. По данным Financial Times, четыре американских гиганта — Google, Amazon, Microsoft и Meta (признана экстремистской и запрещена в РФ) — с 2023 года вложили в ИИ около 1,1 трлн долларов. И только в 2026 году эти компании планируют направить на разработки в этой сфере примерно 745 млрд долларов.
Дешевизна нейросетей сейчас — это не свойство технологии, а фаза захвата рынка. Китайский DeepSeek, ранее обваливший акции американских техногигантов своими сверхбюджетными решениями, внезапно поднял цены на коммерческий API (доступ к программному интерфейсу приложения) сразу в 12 раз. Это подтверждает: бесплатный сыр заканчивается, когда компаниям нужно окупать дата-центры и электричество. Пока китайцы начинают выжимать ренту из подсевших на их инфраструктуру бизнесов, американские лаборатории (OpenAI, Google, Anthropic), наоборот, временно раздают модели бесплатно или срезают прайс, наращивая базу пользователей перед выходом на IPO и последующей монетизацией.
Главные участники гонки ИИ — Китай, США и Россия — выбрали разные стратегии, и они напрямую связаны с доступными ресурсами. «Текущие фронтир-модели уровня GPT-5 (разработана американской OpenAI) стоят в обучении 200–500 миллионов долларов, что сопоставимо с затратами на ИИ “Яндекса” и тем более Сбера, — объясняет генеральный директор targetai Андрей Зименков. —Китайские лаборатории добиваются более эффективного обучения за счет алгоритмов оптимизации и дистилляции (способ “передать знания” от большой, мощной модели к маленькой, легкой модели, чтобы маленькая работала почти так же хорошо, как большая, но быстрее и дешевле. — “Монокль”). Но со временем стоимость обучения растет — растет размерность моделей, а значит, стоимость “железа”, растут затраты на датасет — набор данных для обучения». Дарио Амодеи из Anthropic публично говорил о 10 млрд долларов затрат только на обучение к 2028 году, добавляет наш собеседник.
По оценке Андрея Зименкова, сегодня Сбер выглядит вполне конкурентным по бюджетам, чтобы соревноваться как минимум с китайскими лабораториями. «Яндекс — на грани возможностей, но, судя по всему, уже выбрал стратегию дообучения опенсорсных моделей (open-source, модели с открытым кодом, который можно скачать и донастроить под свои цели. — “Монокль”) вместо создания с нуля собственной», — говорит эксперт. Михаил Шрайбман уточняет: «Яндекс» использовал Qwen3-235B как стартовую основу для «Алисы AI LLM», модель уже умела работать с языком, поэтому не требовалось обучать ее с нуля. Дальше компания продолжила полноценное обучение на собственных данных.
Развитие ИИ требует колоссальных ресурсов. Google, Amazon, Microsoft и Meta (признана экстремистской и запрещена в РФ) только в 2026 году направят на разработки в этой сфере 745 млрд долларов
Однако в перспективе 2027‒2028 годов, по мнению Зименкова, соревноваться с фронтир-лабораториями, то есть с передовыми американскими и китайскими игроками, не сможет ни Сбер, ни «Яндекс». «Поэтому в итоге переход на дообучение и “локализацию” опенсорсных моделей кажется неизбежным», — резюмирует Андрей Зименков.
Стас Округ, технический директор консалтинговой компании ReML и компании — разработчика ИИ R77.ai, глава AI Junistat, смотрит на ситуацию еще более категорично: «В глобальной гонке мы не участвуем. В ней соревнуются OpenAI, Anthropic и Google. Китайцы догоняют с отставанием в полгода. У России просто нет десятков тысяч современных видеокарт и свободных объемов энергии для обучения фронтир-моделей. У одного небольшого отдела в OpenAI или Nvidia могут быть десятки тысяч самых современных видеокарт на какую-то небольшую продуктовую задачу. В России суммарно не наберется десятков тысяч карт на все компании. Выиграть мировое лидерство на передовой — точно нет», — резюмирует эксперт.
Однако если в мировой гонке российские разработчики и не выиграют, побороться за российского пользователя они точно смогут. «По нашей практике внедрения ИИ, мы бы вообще не говорили, что российские модели сегодня отстают по всем направлениям, — отмечает Михаил Шрайбман. — В задачах на русском языке, работе с локальным контекстом, документами и ряде типовых бизнес-сценариев они уже могут быть вполне сопоставимы с зарубежными моделями, а иногда и показывать лучший результат».
Разрыв, по его словам, заметнее на другом уровне — в самых сложных задачах на рассуждение и программирование, а также в развитии агентных возможностей (использование модели для создания ИИ-агентов). «Здесь преимущество глобальных лидеров связано не только с бюджетами. У них больше доступных вычислительных мощностей, проще доступ к передовым ускорителям, огромная международная пользовательская база и, соответственно, больше данных и обратной связи для постоянного улучшения моделей», — поясняет Шрайбман.
При этом российские компании действительно могут добиваться сопоставимого результата при меньшем общем объеме ресурсов, уточняет аналитик. Это происходит прежде всего потому, что перед ними стоит более узкая рыночная задача. «Яндексу» и Сберу не нужно создавать модель, которая одинаково хорошо работает для пользователей десятков стран.
Так что, несмотря на разницу в бюджетах и возможностях, российские ИИ-продукты уже демонстрируют заметные результаты. «Алиса AI» — самый популярный ИИ-ассистент в России, по данным НАФИ и Omi. Во втором квартале 2026 года число пользователей, которые еженедельно решают задачи и ведут диалог с «Алисой AI» в чате, достигло 33,2 млн — это на 39% больше, чем кварталом ранее.
Быстрые ответы «Алисы AI» в поиске, в основе которых лежит отдельное семейство собственных моделей «Яндекса», обогнали AI Overviews от Google и получили 56,7% побед, говорят в «Яндексе». На сложных темах преимущество было еще заметнее: 63,2% побед в медицинских запросах и 65% — в юридических. Победа здесь — результат слепого попарного тестирования, то есть тот ответ, который выбрал независимый оценщик, не зная, какой модели этот ответ принадлежит.
На платформе Yandex AI Studio доступно более 30 генеративных моделей — как от «Яндекса», так и от разработчиков open-source-моделей. Самыми популярными по потреблению остаются модели «Яндекса» — на них приходится 54% потребляемых токенов. На втором и третьем месте — китайские Qwen (21,2%) и DeepSeek (13,5%), за ними следуют модели GPT-OSS от OpenAI (7,5%). А в задачах перевода «Яндекс Переводчик» с YandexGPT еще в 2025 году стал мировым лидером по качеству перевода с английского на русский на независимом бенчмарке DiBiMT, обогнав Google Translate, ChatGPT и DeepL.
Сбер тем временем делает ставку на полную автономность. Недавно компания представила ГигаАгента — первого в России универсального ИИ-агента, который работает в фоновом режиме, запоминает контекст между сессиями и самостоятельно выполняет рутину: от управления календарем и переписки до создания отчетов. Пользователям больше не нужно настраивать сервера — агент доступен в пространстве Agents Space, где сложные технические процессы автоматизированы.
Леонид Делицын рассказывает о личном опыте: при помощи GigaChat (ИИ Сбера) он написал скрипты на Python для мониторинга работы удаленных компьютеров. При этом GigaChat посоветовал использовать библиотеки, которые аналитик плохо знал, но которые хорошо знакомы современным разработчикам. «Мне пришлось “подтянуться”. Так что, по моей пользовательской оценке, GigaChat достаточно умен для решения моих задач. Думаю, что и Алиса, и GigaChat будут 80 процентов надобностей пользователей покрывать не хуже лидирующих платформ», — резюмирует эксперт.
Как объективно оценить, какая нейросеть лучше? Традиционный подход — бенчмарки, проверяющие конкретные способности модели: знания, математику, программирование, следование инструкциям. «Их плюс в том, что они показывают реальное качество модели в конкретном классе задач. Минус — в том, что лаборатории оптимизируют модели под прохождение бенчмарков. Получается, модель хороша в теоретическом экзамене, но не в реальной жизни», — объясняет Андрей Зименков.
Стас Округ добавляет, что бенчмарки довольно быстро устаревают, потому что в обучении каждой следующей модели используются вопросы из прошлых тестов. А в последние полтора года сравнивать модели по бенчмаркам вообще некорректно, уверен наш собеседник. «Мы видим незначительное улучшение на тестах, а при взаимодействии с моделью обнаруживаются разительные изменения. Задачи, которые не решались ранее, теперь решаются: работа со скиллами, инструментами. Модель учится сама ходить в интернет, создать файл, поработать с документом. Появляются целые классы задач, которые год назад мы не могли представить», — перечисляет Стас Округ. То есть многообразие того, что умеют нейросети, уже не позволяет сравнить их «в лоб» и выбрать «просто лучшую» — нюансов будет огромное количество.
С этим согласен Михаил Шрайбман: «Обычно смотрят на точность фактов, следование инструкции, качество рассуждений и кода, устойчивость к переформулировкам, безопасность, скорость и стоимость ответа, — говорит он. — Для продукта важнее всего тесты на реальных задачах конкретной аудитории и слепые сравнения: высокий балл в бенчмарке не гарантирует лучший результат в работе».
Но есть и следующий уровень. Необходимо разделять качество работы самой нейросети и конечного продукта — агента или приложения, подчеркивает Андрей Зименков. «Универсальных критериев оценки end-to-end (сквозной пользовательский путь до конца исполнения задачи. — “Монокль”) приложений и агентов поверх LLM не существует. Приложения используют свои надстройки и управление средой исполнения модели — харнесс (harness), — которые существенным образом улучшают качество работы моделей в конкретной задаче», — уточняет генеральный директор targetai.
Показательный пример приводят в «Яндексе»: на бенчмарке SWE-bench Verified, где модели решают реальные задачи из программных проектов, одна и та же Claude Sonnet 3.5 в разных конфигурациях показывала результат около 33% и 62,2% (доля задач, которые модель успешно решила во время тестирования). Сама модель не менялась — менялась обвязка, то есть инструменты и способы организации ее работы.
Дмитрий Леснов, заместитель генерального директора по брокерскому бизнесу ФГ «Финам», перечисляет критерии оценки ИИ пользователем: количество параметров в моделях, стоимость токенов и их расход, галлюцинации и фактичность, стабильность API. Андрей Малафеев, представляющий targetai, добавляет к списку быстродействие, энергопотребление и возможности локальной настройки.
Практический вывод для бизнеса: вопрос «какую модель взять?» перестает быть решающим. Решающим становится, кто умеет спроектировать харнесс и роутинг так, чтобы одна и та же модель — условно бесплатная через год — давала кратно лучший результат, чем у конкурента с той же самой моделью, но плохой обвязкой.
Пока аналитики спорят о будущем, бизнес уже активно использует нейросети в повседневной работе. Заместитель генерального директора по брокерскому бизнесу ФГ «Финам» Дмитрий Леснов рассказывает, что в компании ИИ применяется в двух направлениях — оптимизация внутренних бизнес-процессов и клиентский сервис.
«Мы начинали с ИИ-чат-ботов. Сейчас на долю ответов искусственного интеллекта в чате нашего мобильного приложения приходится порядка 70 процентов ответов. При этом средняя оценка таких ответов клиентами составляет выше 4,5 балла из 5. Многие из них даже не осознают, что общаются не с человеком, а с машиной», — говорит Леснов.
Кроме того, компания активно внедряет ИИ-аватары — помощников сотрудника, которые знают обо всех процессах в компании и через Data Lake («озеро данных», то есть хранилище данных в исходном виде) предоставляют информацию с разрешенным уровнем доступа. В клиентской части работает AI-скринер, который в режиме реального времени проводит технический анализ, анализирует фундаментальные показатели, сентименты (настроения) и аномалии на рынке. Есть сервис FinamX — персональный инвестиционный помощник, обученный на стиле торговли и риск-профиле конкретного клиента. А совсем свежее направление — MCP-серверы, позволяющие подключить через торговое приложение FinamTrade популярные LLM-модели, такие как Anthropic и ChatGPT, и анализировать свой портфель прямо в привычном интерфейсе нейросети.
«Мы используем различные комбинации моделей, так как у каждой из ведущих есть свои преимущества и недостатки. Исходя из поставленной задачи та модель, которая справляется с заданием лучше, и является приоритетной», — уточняет Леснов.
Никита Сторожук, финансовый директор кофейной компании «Сварщица Екатерина», смотрит на вопрос с позиции практика. «Честно скажу, детально в особенностях каждой существующей нейросети я не разбирался. Но думаю, что, по большому счету, сегодня практически любая из них способна решать самые сложные задачи. Вопрос в том, как эти задачи ставить: насколько четко ты можешь сформулировать, чего хочешь и как это можно решить, какой контекст знает и использует конкретный ИИ-агент. Часто проблема именно в этом: люди сами не очень хорошо понимают, какую задачу решают. В этом случае не поможет даже самая умная нейросеть», — подчеркивает он. Никита Сторожук использует ИИ-инструменты под конкретные задачи: Perplexity — для рисерча в интернете, Claude Code — для написания скриптов и решения задач, связанных с кодингом. Для сети кофеен Floo Family запущен внутренний портал, объединяющий данные из системы автоматизации общепита iiko и системы лояльности: модуль приема заявок на вакансии, система оповещений, онбординг сотрудников.
«Мы сделали бота-ассистента, который анализирует ассортимент конкурентов: сам проверяет сайты, отслеживает изменения в прайсе и формирует регулярные отчеты — например, у конкурента на сайте было 50 позиций, стало 48, из ассортимента пропали такие-то лоты, а такие-то подорожали на столько-то рублей», — рассказывает Сторожук.
Екатерина Добрынина из OSMI IT использует ИИ при подготовке презентаций: загружает исходные материалы и просит собрать логику — что должно быть на слайдах, какой главный вывод, что можно убрать. Затем с его помощью сокращает текст, подбирает заголовки, адаптирует формулировки под аудиторию. «Чаще всего пользуюсь Claude. Для моих задач он хорошо работает с большими объемами текста, удерживает контекст длинного документа и аккуратно следует ограничениям. В презентациях это особенно важно: модель помогает сохранить общую логику между слайдами, а не просто переписать отдельные фразы», — рассказывает она. При этом Добрынина подчеркивает: «Факты, цифры и финальную логику всегда перепроверяю сама».
Андрей Малафеев из targetai использует ИИ для создания контента: черновиков и рерайтинга текстов, набросков изображений и музыки. «Чаще всего — ChatGPT и Claude, а так я зарегистрирован на всех основных платформах. Сейчас я пробую использовать не нейросеть как таковую, а платформу ИИ-агентов, чтобы под конкретную задачу задействовать конкретную нейросеть. На Hugging Face можно выбрать подходящую платформу для локальной установки, сейчас тренируюсь на Skales», — говорит он.
Получается, что подход «Яндекса» и Сбера более здравый, чем у зарубежных коллег, и важнее не то, чья модель «побила ChatGPT», а насколько плотно ИИ используется в бизнес-задачах. «Для бизнеса важнее не место модели в рейтинге, а то, какой эффект она дает в реальном процессе, — подтверждает Михаил Шрайбман. — В нашей практике ценность появляется, когда ИИ сокращает время и затраты, повышает качество, выручку или позволяет автоматизировать целую цепочку операций. Мы обычно говорим, что модель — это сырье, а продукт начинается с процесса, данных, интеграций и контроля. При этом я бы не противопоставлял подход “Яндекса” и Сбера подходу зарубежных игроков: глобальные компании тоже активно движутся в сторону агентов и корпоративных сценариев. Российские компании, скорее, прагматично фокусируются на тех рынках и задачах, где у них есть собственная экосистема, локальные данные и понимание специфики отечественного пользователя».
Кроме того, критически важен интерфейс. Побеждает тот продукт, который требует от пользователя минимума усилий: понятен с первого раза, находится в удобном месте, всегда под рукой. Если ИИ уже встроен в поиск, банковское приложение или рабочую систему, вероятность его регулярного использования резко выше. «У “Яндекса” и Сбера здесь сильная позиция за счет собственных экосистем. Они могут встраивать ИИ в уже привычные продукты и фактически снижать порог входа до одного клика. Если сервис всегда под рукой, быстро дает качественный ответ, бесплатен или стоит недорого, большинство пользователей не будет специально искать альтернативу, — поясняет Шрайбман. — Дальше работает привычка: чем чаще человек обращается к одному ИИ, тем лучше сервис понимает его контекст и тем сложнее пользователю менять инструмент».
Для бизнеса и государства добавляется еще один критически важный фактор — контроль над данными. «Здесь преимущество получают национальные и особенно суверенные модели, которые можно развернуть в российской инфраструктуре или в закрытом контуре и использовать с соблюдением требований законодательства о персональных данных», — говорит CEO OSMI IT. Полного отказа от зарубежных моделей, скорее всего, не будет: профессиональные пользователи продолжат выбирать разные инструменты под разные задачи. Но массовая аудитория вполне может преимущественно перейти на российские сервисы, а в enterprise и госсекторе требования к безопасности будут все сильнее влиять на выбор в пользу отечественных решений.
Необходимо разделять качество работы самой нейросети и конечного продукта — агента или приложения. Решающей становится грамотно спроектированная «обвязка»
Другие аналитики более скептически относятся к российским разработкам. «Пока мы не выйдем на плато, когда модели упрутся в потолок и российские догонят американские и китайские по качеству, не будет большого смысла пользоваться только российскими моделями, — считает Стас Округ. — Благо законодатели отказались от того, чтобы запрещать западные модели. Пока есть свободный рынок, люди будут пользоваться фронтирными моделями в сложных рабочих задачах. Те, кому не важно, будут пользоваться тем, что уже интегрировано в их рабочую жизнь: у них есть на телефоне “Алиса” или GigaChat, они будут ими пользоваться, потому что не знают, как можно иначе». А вот административный переход в госкорпорациях и банках уже происходит, говорит эксперт: его компания интегрирует модели на базе китайских или российских open-source-архитектур внутри контура компании, чтобы данные не уходили за рубеж.
По словам Андрея Зименкова, отказаться от иностранных моделей можно по собственной инициативе — в том случае, если наши суверенные модели станут лучше и умнее иностранных. Но с учетом доступных инвестиций этого не предвидится, считает эксперт. Либо насильно — через блокировку доступа к ним через Роскомнадзор, — тогда придется победить и VPN. Однако этот путь подходит только для проприетарных моделей типа OpenAI и Anthropic. «Опенсорсные модели — DeepSeek, Kimi, Qwen — будут доступны, поскольку их разворачивают на российском хостинге. Заблокировать к ним доступ не представляется возможным. Поэтому в настоящее время и в обозримом будущем реальная конкуренция в РФ будет строиться между российскими моделями Сбера и “Яндекса” и опенсорсными моделями, развернутыми в российских ЦОДах», — резюмирует Зименков.