Доступ к западным большим языковым моделям (БЯМ) сокращается как извне, так и изнутри. Западные вендоры последовательно блокируют российских пользователей, а регуляторное давление в России усиливает требование к «суверенным» решениям. Что остаётся бизнесу и какую цену он за это платит?

Изоляция на практике

Ограничения от западных вендоров перестали быть теоретической угрозой. OpenAI и Anthropic ужесточают политику доступа для российских пользователей. 11Labs, лидер в синтезе речи, отклоняет запросы с российских IP-адресов. Формально большинство западных LLM недоступны российским юрлицам. Хотя технически доступ возможен через прокси, для бизнеса это юридически рискованно.

Особенно острым становится вопрос передачи персональных данных. Любой запрос к внешнему API, содержащий имя или телефон, считается трансграничной передачей и подпадает под 152-ФЗ. Для ИИ-агентов, обрабатывающих голос и персональные данные, это критичный барьер.

Параллельно в России усиливается регуляторное давление в сторону «суверенных» решений. Тренд очевиден: горизонт, в котором использование зарубежных моделей будет возможно, стремительно сокращается.

Иллюзия своих LLM

Термин «отечественная модель» зачастую вводит в заблуждение. Большинство так называемых российских моделей — это не разработка с нуля, а дообученные (fine-tuning) версии открытых зарубежных моделей: LLaMA от Meta, Qwen от Alibaba, Mistral, GLM, Kimi. Компании вроде Т-Банка, Яндекса, МТС и Авито берут эти модели, обученные на триллионах токенов, и адаптируют под русский язык и свои задачи.

Такие решения сложно назвать полностью российскими — это локализованные клоны международных архитектур и весов.

Единственное исключение — Сбер с семейством GigaChat, который действительно обучал модель с нуля. Яндекс также проводил подобные масштабные обучение ранее. Но такой путь требует десятков и сотен миллионов долларов, огромных объёмов данных и доступа к топовым GPU — H100, H200, B100, B200. Из-за санкций и глобального дефицита таких ускорителей этот путь недоступен для большинства игроков.

Два пути — и оба со своими проблемами

В России сложилось два основных подхода к созданию БЯМ на русском языке.

Путь обучения с нуля

• Суть: разработка собственной архитектуры и обучение модели с нуля на большом корпусе данных, включая русскоязычные.
• Кто идёт: Сбер (GigaChat).
• Стоимость: миллионы долларов на железо и обучение. Огромные временные и ресурсные затраты.

Путь дообучения open-source моделей

• Суть: файнтюнинг базовой китайской модели (чаще всего Qwen) на русском корпусе и доменных данных.
• Кто идёт: Яндекс, Т-Банк, Авито.
• Стоимость: значительно ниже. Итоговая цена инференса сопоставима с китайскими аналогами.

GigaChat — единственная полностью российская модель с широким покрытием задач. Последние версии демонстрируют хорошее качество: поддерживают инструментальные вызовы, генерация на русском языке конкурентоспособна. Но есть ключевой недостаток — стоимость.

Разница в цене минуты инференса между GigaChat-Max и сопоставимыми моделями OpenAI — почти два порядка. Для ИИ-агентов, обрабатывающих живые звонки в реальном времени, такая разница делает продукт экономически нежизнеспособным. Это не предпочтение — это математика.

Экономика инференса: где прячутся деньги

Основная статья расходов при использовании БЯМ — инференс, то есть генерация ответа. У глобальных провайдеров цена разделена: входные токены дешевле, выходные — дороже. Например, у OpenAI 5.4 mini: ввод — ~$0,75 за миллион токенов, генерация — ~$4,5.

Российские провайдеры часто устанавливают одинаковую цену на вход и выход. Для ИИ-агентов, где промпты длинные, а ответы короткие, это многократно увеличивает расходы. В сочетании с изначально более высокой базовой стоимостью разрыв становится критическим.

Железо: ещё один ограничитель

Ситуацию усугубляет стоимость инфраструктуры. GPU уровня H100 не поставляются в Россию напрямую — закупка через посредников ведёт к росту цен. Сервер, способный обслуживать 1000 одновременных сессий, стоит около 55 млн рублей. Для крупных нагрузок требуются целые GPU-кластеры.

Себестоимость генерации напрямую зависит от загрузки GPU: чтобы цена токена оставалась низкой, нужна загрузка 80–90%. При текущем уровне спроса на ИИ-агентов в России достичь этого сложно — оборудование простаивает, а расходы на электроэнергию и обслуживание остаются.

Дообучение на Qwen: компромисс или решение?

Путь Яндекса, Т-Банка и Авито выглядит прагматичнее. Базовая модель Qwen (например, Qwen 3.5 35B-A3B) по бенчмаркам сопоставима со вторым эшелоном моделей Anthropic. Файнтюнинг на русскоязычных и доменных данных позволяет получить качественную и недорогую модель.

Но с точки зрения суверенности этот путь уязвим: в основе — китайская архитектура и веса. В условиях меняющегося регуляторного ландшафта это может стать проблемой. Прямого запрета пока нет, но тренд на ограничение доступа к зарубежным технологиям охватывает не только западные, но и китайские решения.

Дилемма формулируется жёстко: полностью российское решение — безумно дорого. Дообучение китайских моделей — дешевле, но не суверенно. Западные модели — технически лучшие, но доступ к ним сужается с двух сторон.

Когда внедрение ИИ всё-таки окупается?

ИИ остаётся оправданным в сегментах с высокой нагрузкой и стоимостью труда: контакт-центры, юридические департаменты, службы поддержки. Там непрерывная работа агента обеспечивает высокую загрузку GPU, и себестоимость токена становится управляемой. В сценариях с низкой загрузкой агент экономически неэффективен вне зависимости от качества модели.

По данным KPMG, 38,5% пользователей в мире уже используют ИИ в повседневной жизни. В России, по данным Левада-центра, таких — лишь 6%. Этот разрыв отражает не технологическое отставание, а экономические барьеры, которые делают ИИ-автоматизацию в России системно дороже.

Выбор зависит от масштаба и риска

• Крупный бизнес: on-prem решения, данные внутри периметра, контроль важнее экономии. Инвестиции в собственные GPU-кластеры.
• Средний бизнес: гибридный подход — российские облака на старте, постепенный переход на внутренние серверы с ростом нагрузки.
• Малый бизнес: глобальные облака через серую зону. Дешевле и мощнее, но юридически рискованно.

Что это значит для продуктовых компаний

Любая компания, строящая продукт с БЯМ на русском языке, должна закладывать в архитектуру возможность смены модели. Зависимость от одного вендора — западного или отечественного — уже стала реальным риском для части рынка.

Наиболее устойчивая стратегия — модульная архитектура с абстракцией на уровне вызова модели. Это позволяет переключаться между провайдерами без переписывания бизнес-логики. Другими словами — архитектура, агностичная к модели.

Выбора без компромисса нет — есть только выбор, каким компромиссом управлять осознанно.

Доступ к западным большим языковым моделям (далее - БЯМ) закрывается снаружи и, судя по всему, скоро начнёт закрываться изнутри.Что останется бизнесу и какую цену нам придётся за это платить?

Изоляция на практике

Ограничения от западных вендоров давно перестали быть абстрактной угрозой. OpenAI и Anthropic последовательно ужесточают политику блокировок для российских пользователей. 11Labs — один из лидеров в синтезе речи — отклоняет запросы с российских IP. Формально большинство западных LLM недоступны российским юрлицам, и хотя технически проксирование через незаблокированные адресные зоны работает, для бизнеса это юридически серая зона.

Корпоративные заказчики, особенно из регулируемых отраслей, такой риск принимать не готовы: любой запрос к внешнему API, в котором упомянуты имя или телефон пользователя, формально является трансграничной передачей персональных данных и подпадает под требования 152-ФЗ. Для задач коммуникативных ИИ-агентов, где через агента проходят голос и персональные данные, это не теоретическая проблема — это блокер.

Параллельно внутри страны формируется регуляторное давление в сторону «суверенных» решений. Направление тренда очевидно — горизонт, на котором использование зарубежных моделей станет ещё более ограниченным, сокращается.

Иллюзия своих LLM

Важно понимать, что стоит за понятием «отечественной модели». Чаще всего речь идёт не о модели, обученной с нуля, а о дообученной (fine-tuning) версии зарубежных моделей с вестами в публичном доступе— LLaMA от Meta, Qwen от Alibaba, Mistral, GLM, Kimi. Т-Банк, Яндекс, МТС, Авито берут такие модели, обученные на триллионах токенов в качестве основы и адаптируют её под русский язык и свой домен. Назвать такие модели российскими можно достаточно условно: это локализованный клон международной архитектуры и базовых весов, а не полностью самостоятельная разработка.

На сегодняшний день - единственное исключение — Сбер с семейством GigaChat, который пошёл путём обучения с нуля (некоторое время назад полномасштабное обучение базовой модели проводила также Яндекс). Обучение модели с нуля  требует десятков и сотен миллионов долларов, огромным объёмам данных и доступа к графическим вычислителям (GPU) уровня H100-H200 - B100-B200, которые в России в дефиците из-за санкций. Кроме санкций - доступность таких ускорителей сокращается также и в мире, ввиду роста потребления. Для большинства игроков рынка этот путь просто недоступен.

Два пути — и оба со своими проблемами

На сегодня внутри страны сложились два основных подхода к задаче разработки БЯМ на русском языке.

Путь обучения с нуля

Разработка собственной архитектуры и обучение модели с нуля на большом корпусе данных, включая данные на русском языке.

Кто идёт:Сбер(семейство GigaChat)

Стоимость: миллионы долларов на железо и процесс обучения. Огромные ресурсные  и временные расходы.

Путь дообучения модели open source

Файнтюнинг базовой китайской модели (чаще всего модели семейства Qwen) на русском корпусе и доменных данных.

Кто идёт:Яндекс, Т-Банк, Авито

Стоимость: существенно ниже. Итоговая цена инференса сопоставима с китайскими аналогами.

GigaChat — единственная полностью российская модель с реальным покрытием задач. Последние версии весьма неплохи: инструментальный вызов работает, качество генерации на русском языке как минимум конкурентно с популярными открытыми моделями. Но есть одно «но», которое перевешивает всё остальное.

стоимость минуты инференса — сопоставимая модельOpenAI(стоимость минуты определена исходя из стоимости входных, выходных, кэшированных и некэшированных токенов, сгенерированных ИИ‑агентом на нашей собственной платформе с медианным размером промпта для диалоговой сессии в состоянии второго тёрна/ раунда диалога)

стоимость минуты инференсаGigaChatсопоставимого уровня (расчет произведён для модели GigaChat-Max)

разница в стоимости — почти два порядка!

Для задач, где модель работает в режиме реального времени и обрабатывает живые звонки клиентов, такая разница в стоимости делает экономику продукта нежизнеспособной. Это не вопрос предпочтений — это математика.

Экономика инференса: где прячутся деньги

Главная статья расходов при работе с БЯМ  для потребителя — инференс, то есть сам процесс генерации реплики агента. У глобальных провайдеров цена разделена на входящие и исходящие токены. На примере модели OpenAI 5.4 mini:  ввод стоит дешевле (~$0,75 за миллион токенов), генерация — дороже (~$4,5 за миллион токенов).

Российские провайдеры зачастую устанавливают одинаковую цену на вход и выход. Для сценариев с длинными промптами и короткими ответами — а именно так работают большинство ИИ-агентов — это многократно увеличивает реальный расход. В сочетании с изначально более высокой базовой ценой разрыв становится критическим.

Железо: ещё один ограничитель

Ситуацию усугубляет стоимость инфраструктуры. GPU уровня H100 в Россию не поставляются напрямую — закупка через посредников поднимает цену. Сервер, способный обслуживать хотя бы 1000 одновременных агентских сессий, обходится порядка 55 млн рублей. Для компаний со значительной нагрузкой речь идёт о полноценных GPU-кластерах.

Себестоимость генерации напрямую зависит от загрузки GPU: чтобы цена токена оставалась разумной, нужно поддерживать загрузку не ниже 80–90%. При относительно небольшом спросе на ИИ-агентов в России достичь этого порога крайне сложно — оборудование простаивает, а расходы на электроэнергию и обслуживание остаются прежними.

Дообучение на Qwen: компромисс или решение

Путь Т-Банка, Яндекса и Авито выглядит прагматичнее. Базовая модель Qwen (в частности, Qwen 3.5 35B-A3B) демонстрирует по бенчмаркам показатели, сопоставимые со вторым эшелоном Anthropic. Файнтюнинг на большом русскоязычном корпусе и доменных данных позволяет получить модель, адаптированную к конкретной задаче, по разумной цене.

Проблема в другом. С точки зрения «суверенности» этот путь уязвим: в основе — китайская архитектура и веса базовой модели. Насколько это приемлемо в стремительно меняющейся регуляторной реальности — вопрос открытый. Пока прямого запрета нет. Но тренд на ограничение доступа к зарубежным технологиям распространяется не только на западные решения.

Дилемма формулируется жёстко: полностью российское решение — безумно дорого. Дообучение китайских моделей — дешевле, но не суверенно. Западные модели — технически лучшие, но доступ к ним сужается с двух сторон одновременно.

Когда внедрение ИИ всё-таки окупается?

Несмотря на цену, ИИ остаётся оправданным в сегментах с высокой стоимостью человеческого труда и непрерывной загрузкой: контакт-центры, юридические департаменты, службы поддержки. Именно там непрерывная работа агента обеспечивает загрузку GPU на нужном уровне — и себестоимость токена опускается до управляемых значений. В сценариях с низкой загрузкой агент экономически неэффективен вне зависимости от качества модели.

По данным KPMG, 38,5% пользователей в мире уже применяют ИИ в повседневной жизни. В России, по данным Левада-центра, регулярно используют ИИ лишь 6% опрошенных. Этот разрыв отражает не технологическое отставание, а экономические барьеры, которые делают ИИ-автоматизацию в России системно дороже.

На практике выбор модели зависит от масштаба и уровня допустимого риска.

Крупный бизнес -On-prem: данные внутри периметра, контроль важнее экономии. Инвестиции в собственные GPU-кластеры.

Средний бизнес -Гибрид: российские облака на старте, постепенный переход на внутренние серверы по мере роста нагрузки.

Малый бизнес-Глобальные облака через серую зону. Дешевле и мощнее, но юридически уязвимо.

Что всё вышеописанное значит для продуктовых компаний

Любая компания, строящая продукт с БЯМ на русском языке, сегодня просто обязана закладывать в архитектуру решения сценарий смены модели. Зависимость от одного вендора — западного или отечественного — это риск, который уже материализовался для части рынка. Наиболее устойчивая стратегия — модульная архитектура с абстракцией на уровне вызова модели, позволяющая переключаться между провайдерами без переписывания бизнес-логики. Иначе говоря - архитектура, агностичная модели.

Дилемма формулируется жёстко: полностью российское решение — безумно дорого. Дообучение китайских моделей — дешевле, но суверенность условная. Западные модели — технически лучшие, но доступ сужается с двух сторон одновременно. Выбора без компромисса нет — есть только выбор, каким компромиссом управлять осознанно.

Мы с коллегами на сегодня считаем для себя приемлемым компромиссом работу голосовых ИТ-агентов поверх моделей семейства QWEN. В частности используем модель QWEN 3.5 35B-A3B. Для данной модели также существуют опция сокращения стоимости gpu-compute за счёт сборки сервера на основании GPU модели NVIDIA RTX PRO 6000 Blackwell Series. Эта модель, кроме цены сильно более привлекательной относительно ускорителей семейства H100-200, имеет объём памяти выше базового варианта H100 (96 Гб против 80 Гб), что позволяет хостить модель с большим размером контекстного окна.