Рост затрат на искусственный интеллект обгоняет темпы внедрения в бизнес
Главной проблемой ИИ-сектора становится разрыв между масштабом инвестиций и подтвержденной отдачей от них. Эксперты отмечают, что отрасль показывает признаки перегрева и сталкивается с ограничениями роста, дефицитом данных и вычислительных мощностей.
iStock
Согласно исследованию Фонда Росконгресс, сектор искусственного интеллекта (ИИ) вступил в фазу беспрецедентной концентрации капитала. При этом экономическая отдача остается неопределенной. Компании Meta (признана в России экстремистской и запрещенной, ей принадлежат Facebook и Instagram), Alphabet, Amazon, Microsoft и Oracle планируют направить в ИИ-инфраструктуру около 1,55 трлн долларов к 2027 году. При этом 95% организаций, которые инвестировали во внедрение ИИ-систем, пока не получили ожидаемого экономического эффекта.
Так, разрыв между масштабом инвестиций и подтвержденной доходностью становится системным риском, особенно на фоне замедления темпов корпоративного внедрения технологии. Научный директор института ИИ МФТИ Юрий Визильтер рассказал, что раньше все зависело только от уровня развития моделей ИИ, где данные нужны для обучения. Сегодня многое определяется также на уровне реализации баз данных и знаний прикладных агентных систем.
"Даже на мировом уровне ощущается существенная нехватка данных для ИИ, особенно в сфере узких профессиональных компетенций, промышленности и робототехнике. За последние годы в мире целенаправленно собирались большие массивы сенсорных и тактильных данных для создания воплощенного ИИ в робототехнике, и мы видим, какой сейчас здесь прогресс", - говорит эксперт.
При этом России только предстоит пройти этот путь. По мнению Визильтера, дефицит открытых данных подталкивает к синтетическим наборам данных и автоматизированному обучению на немаркированных массивах данных - направлениям, которые сейчас активно развиваются в мировой и российской науке именно как ответ на исчерпание легкодоступных данных. Крупные отечественные компании перестали ждать западных решений и начали строить собственную инфраструктуру, накапливая уникальные пользовательские и промышленные массивы.
Эксперт отмечает, что здесь есть существенный задел, но предстоит большая работа по выстраиванию системной инфраструктуры по работе с данными в различных отраслях. Важную роль здесь должны сыграть такие технологии, как распределенное и федеративное обучение, позволяющие обеспечить конфиденциальность чувствительных для бизнеса и пользователя данных при обучении отраслевых моделей ИИ.
Также сейчас бизнес начал максимально осознанно подходить к внедрению ИИ. "Это перестало быть игрушкой из серии "давайте поиграем, а потом разберемся". В 2025 году компании стали четко формулировать, что именно они хотят получить от ИИ, в каких процессах его применять и по каким качественным критериям оценивать результат. На этом фоне появились внедрения, которые дают счетный финансовый эффект. Хороший пример - клиентский сервис: у нас есть несколько крупных проектов, где крупнейший контакт-центр переводится на генеративный ИИ. Там мы видим максимально позитивные результаты, которые напрямую пересчитываются в деньги", - рассказал Генеральный директор MWS AI (входит в МТС Web Services) Денис Филиппов.
По его словам, наиболее перспективны два направления: корпоративные ИИ-помощники и платформы, которые позволяют быстро - без навыков программирования, в визуальном конструкторе сценариев - создавать и запускать приложения на базе искусственного интеллекта, ИИ-агентов и мультиагентных систем.
Например, это может быть корпоративный ИИ-ассистент, который умеет искать по документам, базам знаний и другим источникам внутри компании. Пользователь задает обычный текстовый запрос и получает нужную информацию из любой системы или документа, а ассистент сам понимает, куда именно "сходить" за ответом. По сути, это поисковая система, но для внутренней инфраструктуры компании.
При этом обучение модели с нуля - это ресурсоемкий процесс и настоящий барьер входа. "Многие компании, заявляющие, что "обучают нейросети", на самом деле занимаются дообучением или формированием контекста вокруг готовых моделей. "Честное" обучение требует огромных кластеров GPU (графических процессоров), и это как раз тот случай, когда клиенты приходят к нам за добавкой мощностей, потому что своих уже не хватает", - рассказал генеральный директор компании "Турбо Облако" Александр Обухов.
Он указывает, что в классическом "железном" бизнесе сервер может работать, окупаться и приносить прибыль 5-7 лет. GPU для ИИ морально устаревают за 1,5-2 года. Появляются новые модели, дающие прирост эффективности в 10-15%. Этого достаточно, чтобы "обнулить" решение, купленное год назад. Компаниям становится сложно объяснять новые инвестиции, когда старые еще не окупились. Поэтому спрос смещается в сторону облачной аренды (модель OPEX): компании хотят избежать капитальных затрат на быстро устаревающее оборудование и получить гибкость. Только при таком подходе ожидания от ИИ начинают совпадать с экономической реальностью, заключает эксперт.
