Рынок ИИ в России: игроки, господдержка и что это значит для бизнеса
Кто ведёт разработки ИИ в России, что реально финансирует государство, чем траектория РФ отличается от США и Китая — и какие три решения собственника этот контекст действительно меняет.
Разработки ИИ в России держатся на четырёх слоях: вычисления, базовые модели, прикладные продукты и собственно внедрение ИИ в России на стороне компаний. Новейшие ИИ-проекты как таковые дают всё меньше преимущества: модели выравниваются за месяцы, а разница между компаниями остаётся на данных, процессах и управленческой дисциплине. Ниже — карта игроков, господдержки и мировых траекторий: без рекламы вендоров и без «точных» цифр рынка, которые невозможно проверить.
Рынок ИИ в России: четыре слоя, из которых собственнику важен один
Рынок ИИ — это не один рынок, а четыре разных бизнеса с разной экономикой, разными игроками и разным сроком окупаемости. Путаница между слоями — главная причина, по которой разговор о рынке заканчивается ничем: собственник читает про базовые модели, а решение принимает про прикладную задачу.
- Вычисления. Дата-центры, ускорители, облачные мощности. Капиталоёмкий слой с длинным циклом возврата, где в России ограничивающий фактор — доступ к железу, а не желание строить.
- Базовые модели. Языковые, речевые, генеративные модели общего назначения. Их в стране делают единицы — это вопрос капитала и данных, а не программистов.
- Прикладные продукты. Ассистенты, распознавание документов, дефектоскопия, речевая аналитика, ИИ внутри отраслевого софта. Здесь сотни команд и реальная конкуренция.
- Внедрение. Работа по встраиванию всего перечисленного в конкретный процесс конкретной компании. Слой, на котором зарабатывает или теряет деньги собственник.
Разработка и внедрение ИИ в России — это разные профессии и разные бюджеты. Компания, которая продаёт вам модель, почти никогда не отвечает за то, что процесс после неё стал дешевле. Об этом разрыве я подробно писал в материале о том, что такое внедрение ИИ на языке P&L.
Практический смысл прост: если задача решается на прикладном слое, её не закрывают разработкой базовой модели, а если она упирается в качество данных, её не решит смена вендора. Рыночный контекст нужен не для эрудиции, а чтобы не купить слой, который вам не требуется.
Кто разрабатывает ИИ в России: пять типов игроков
ИИ российской разработки создают пять типов игроков, и различать их важнее, чем знать конкретные названия. Тип игрока определяет, за что он реально отвечает, чем рискует заказчик и сколько стоит выход из отношений. Ниже — карта без рейтингов и без рекламы: компании занимающиеся разработкой ИИ, отличаются моделью бизнеса, а не «уровнем технологий».
| Тип игрока | Что делает | Что даёт бизнесу | Главный риск заказчика |
|---|---|---|---|
| Технологические экосистемы | Свои базовые модели, облака, ассистенты, генеративные сервисы | Доступ к сильной модели по API, зрелая инфраструктура | Зависимость от чужой дорожной карты и тарифов |
| Облачные и телеком-провайдеры | Вычисления, managed-сервисы, размещение моделей в контуре | Мощности без капитальных затрат, российская юрисдикция данных | Стоимость инференса растёт с нагрузкой и съедает эффект |
| Отраслевые вендоры | ИИ внутри знакомого продукта: ERP, учёт, промышленный и медицинский софт | Функция появляется там, где люди уже работают | Рамка вендора и его релизный цикл |
| Продуктовые команды и стартапы | Узкие задачи: документы, речь, видео, дефекты, прогноз спроса | Быстрый и дешёвый результат на одной задаче | Устойчивость команды и поддержка через два года |
| Внутренние ИИ-подразделения и интеграторы | Сборка решения под конкретный процесс заказчика | Ответственность за результат в вашем контуре | Качество держится на одном-двух людях; легко переплатить за пилот |
Технологические экосистемы: Яндекс, Сбер, VK
Яндекс, Сбер и VK — три крупнейшие экосистемы, которые ведут собственную разработку базовых моделей в России. Яндекс развивает языковые модели семейства YandexGPT, речевые технологии, поиск с генеративными ответами и облачную платформу; проекты ИИ Яндекса встроены в поиск, карты, рекламу и облако. Сбер развивает линейку GigaChat, речевые сервисы и генеративные модели изображений и видео семейства Kandinsky — да, Kandinsky AI video generator это разработка Сбера, а не зарубежной лаборатории.
Для бизнеса важно другое: внедрение ИИ Сбербанком и Яндексом идёт прежде всего в их собственных продуктах, а для вас это покупка API и обязательство жить по чужому прайсу. Ваш процесс попадёт в их приоритет только через облачный контракт. Это нормальная модель, но её надо считать: стоимость внедрения ИИ и расчёт ROI при работе через API определяется объёмом обращений, а не разовым проектным бюджетом.
Голосовые ассистенты: Алиса, Маруся, Салют — чья разработка
Алиса — разработка Яндекса, Маруся — разработка VK, Салют — разработка Сбера. Это три независимые линии ассистентов с собственными речевыми стеками. Вопрос «ИИ чья разработка» в поиске чаще всего означает именно это: пользователь хочет понять, кому принадлежит голос в колонке и куда уходят его данные.
- Алиса как ИИ-проект. Ассистент общего назначения с генеративным режимом, привязанный к экосистеме Яндекса. Чья разработка ИИ Алиса — Яндекса, с 2017 года; сегодня это витрина языковых моделей компании.
- Маруся. Чья разработка ИИ Маруся — VK. Ассистент в колонках и приложениях экосистемы VK, сильная сторона — медиа и коммуникации.
- Салют. Семейство ассистентов Сбера, встроенное в устройства и банковские сервисы.
Запрос «Алиса AI для разработки» — попытка использовать потребительского ассистента как рабочий инструмент. Я не рекомендую строить на этом корпоративные процессы: потребительский ассистент не даёт ни контроля версий модели, ни SLA, ни изоляции данных. Для рабочих задач нужен другой класс решений — ИИ-агенты и ассистенты для бизнеса, где поведение фиксируется, логируется и тестируется.
Отраслевые вендоры и продуктовые команды
Отечественные разработки ИИ на прикладном слое — самая многочисленная и самая полезная для среднего бизнеса категория. Здесь живут распознавание первички, речевая аналитика колл-центра, компьютерное зрение на производственной линии, прогноз спроса, помощники в медицинской диагностике. Российские компании по разработке ИИ этого типа обычно закрывают одну задачу целиком и продаются как продукт, а не как проект.
Вопрос «какая компания занимается разработками ИИ» бессмыслен без второй половины: под какую задачу. Выбор вендора — это выбор под процесс, а не под бренд. Критерии выбора подрядчика и признаки того, что вам нужна не покупка, а собственная разработка ИИ, я разбираю отдельно.
Открытый код, GitHub и международные проекты
Открытые модели с публичными весами стали второй опорой рынка наравне с коммерческими API. В запросах это выглядит как «международные ИИ-проекты», «open ai проекты», «ИИ проекты гитхаб» и «список крупнейших ИИ-проектов» — за ними стоят три разные вещи, которые стоит различать.
- Проприетарные лаборатории. OpenAI, Anthropic, Google DeepMind и другие: закрытые веса, доступ по API, лучшее качество на сложных задачах, ограничения на использование из России.
- Открытые веса. Модели, которые можно скачать и развернуть в своём контуре. Именно они сделали возможной локальную установку без передачи данных наружу.
- Инструментальные ИИ-проекты на GitHub. Фреймворки оркестрации, векторные базы, библиотеки для RAG и агентов. Это не модели, а обвязка, и по факту 80% работы интегратора — именно здесь.
Открытые веса — главное, что уравняло шансы. Компания среднего размера в России сегодня может поднять модель на своём железе и не зависеть ни от санкционного режима, ни от тарифа облака. Как это устроено технически и что именно ставить в собственный контур — в материале про интеграцию ИИ в существующие системы.
За встречу мы разложим вашу задачу по слоям: где хватит готового продукта, где нужен интегратор, а где вы платите за технологию, которая вам не требуется.
Государство: национальный проект ИИ, федеральный проект и гранты
Государственная линия по ИИ в России строится на трёх уровнях: национальная стратегия развития искусственного интеллекта, федеральный проект ИИ внутри национальной программы по данным и экономике, и отраслевые поручения. Национальная стратегия утверждена указом Президента и задаёт горизонт до 2030 года; федеральный проект — это уже деньги, показатели и ответственные ведомства. Проект ИИ Минцифры курирует как профильное ведомство, отдельные направления закреплены за отраслевыми министерствами.
Терминологическая путаница здесь обычна. Люди ищут «национальный проект ИИ», «государственный ИИ проект», «национальный план по внедрению ИИ» и имеют в виду одно и то же — государственную рамку. Практически различать нужно два документа: стратегию (куда идём) и федеральный проект (что финансируется в ближайшие годы).
| Инструмент | Кому адресован | Что реально даёт | Оговорка |
|---|---|---|---|
| Национальная стратегия развития ИИ | Всем участникам рынка | Горизонт, приоритетные отрасли, язык, на котором государство обсуждает тему | Не источник денег; это рамка, а не программа финансирования |
| Федеральный проект по ИИ | Вузам, исследовательским центрам, крупным внедрениям | Финансирование центров, подготовку кадров, отраслевые пилоты | Показатели считаются в охвате и кадрах, а не в вашем P&L |
| Гранты и конкурсы | Технологическим компаниям и разработчикам продуктов | Софинансирование разработки, реже — внедрения у заказчика | Грант по конкурсу на внедрение ИИ требует отчётности, которая стоит времени команды |
| Исследовательские центры при вузах | Науке и индустриальным партнёрам | Доступ к исследователям, совместные проекты, кадровый поток | Горизонт научный, а не квартальный |
| Отраслевые регламенты и стандарты | Здравоохранению, транспорту, госуправлению | Легитимность применения ИИ там, где раньше был серый статус | Регулирование догоняет практику с лагом в 1–2 года |
Внедрение ИИ в государственное управление и внедрение ИИ в экономику — два разных сюжета с разной скоростью. В госуправлении речь идёт об обработке обращений граждан, документообороте, контроле и аналитике; здесь двигателем выступают поручения Президента по внедрению ИИ и ведомственные планы. В экономике двигатель другой — себестоимость. Публичные заявления первых лиц — то, что ищут как «Путин о внедрении ИИ» и «указ Президента о внедрении ИИ», — задают направление, но не решают за собственника, где именно ИИ окупится в его компании.
Как компании подойти к господдержке, не потеряв полгода
- Сначала посчитайте проект без грантаЕсли экономика не сходится без софинансирования, грант её не спасёт — он лишь отсрочит признание того, что задача выбрана неверно.
- Определите, что именно вы проситеРазработку продукта, закупку вычислений или внедрение у заказчика — это разные линии поддержки с разными операторами и требованиями.
- Проверьте требования к отчётностиСчитайте не только сумму, но и стоимость сопровождения: подготовка и закрытие конкурсной документации часто съедает от одного до трёх человеко-месяцев.
- Синхронизируйте срокиКонкурсные циклы редко совпадают с вашим производственным планом. Если проект нужен к сезону, грант — не тот инструмент.
- Оформляйте результат как активПраво на код, данные и модель должно оставаться у компании. Это условие обсуждается на входе, а не в акте.
Самая частая ошибка вокруг господдержки — проектировать решение под критерии конкурса, а не под процесс. На выходе получается система, которая проходит отчётность и не используется людьми. Такой проект формально успешен и экономически мёртв.
География и отрасли: Москва, регионы и рейтинги внедрения
Внедрение ИИ в России географически неравномерно: Москва концентрирует базовые модели, капитал и кадры, регионы — прикладные внедрения в промышленности, ЖКХ, медицине и городском управлении. Внедрение ИИ в Москве обычно означает конкуренцию за одну и ту же команду разработчиков; внедрение ИИ в регионах — дефицит специалистов при более коротком пути до лица, принимающего решение.
Внедрение ИИ в регионах чаще идёт через связку «региональная программа плюс местный интегратор». Отсюда и характер запросов: «внедрение ИИ Великий Новгород», «RAGU внедрение ИИ Новосибирск», «аулито ИИ внедрений» — искажённые названия подрядчиков и каталогов. За ними один вопрос: кто рядом со мной способен это сделать. Ответ не зависит от города — проверять подрядчика нужно по составу команды, поддержке после сдачи и готовности отвечать за метрику процесса, а не за факт установки.
Где ИИ-проекты уже дают отраслевой эффект
- Промышленность и металлургия. Перспективы внедрения ИИ в металлургии связаны с предиктивным обслуживанием, оптимизацией режимов плавки и контролем качества по изображениям. Слой данных здесь зрелый: телеметрия собирается годами.
- Здравоохранение. Внедрение технологий ИИ в здравоохранении РФ идёт быстрее всего в лучевой диагностике, где есть большие размеченные архивы и понятный контроль качества.
- Образование. Внедрение ИИ в образовании в России — это прежде всего проверка работ, адаптивные траектории и помощь преподавателю, а не замена обучения. Что можно и чего нельзя студенту — в материале про ИИ для учебных проектов.
- Городское управление. ИИ-проекты для города: видеоаналитика, диспетчеризация транспорта, обработка обращений жителей, планирование ремонтов.
- Культура. Проекты ИИ в культуре — оцифровка и атрибуция архивов, реставрация изображений и звука, генеративные инсталляции; экономический эффект здесь косвенный.
- Сервис оборудования. Мировые примеры вроде публичных рассказов о предиктивном обслуживании лифтов — это то, что ищут как «внедрение ИИ в бизнес KONE»: датчики, телеметрия, предсказание отказа до аварии. Модель применима к любому парку оборудования с историей отказов.
- Смотрят рейтинг внедрения ИИ и делают вывод «мы отстаём».
- Считают, что высокое место по уровню внедрения ИИ означает окупаемость.
- Сравнивают себя со средним по стране, а не с прямым конкурентом.
- Принимают долю компаний, «использующих ИИ», за долю внедрений в эксплуатации.
- Смотреть методику: что считали — пилоты, лицензии или процессы в эксплуатации.
- Считать не проникновение технологии, а изменение себестоимости в своей отрасли.
- Сравнивать с компанией близкого размера и близкой структуры затрат.
- Помнить: страны по внедрению ИИ ранжируют по разным основаниям, и места несопоставимы.
Я смотрю на структуру себестоимости и нахожу процесс, в котором эффект измерим за квартал. Если такого процесса нет, я скажу об этом прямо — это тоже результат.
Россия, США и Китай: три оси сравнения
Траектории России, США и Китая различаются не «уровнем ИИ», а комбинацией трёх факторов: доступ к вычислениям, доступ к данным и характер регулирования. Лидеры в разработке ИИ по объёму вычислений — США и Китай; Россия конкурирует не масштабом, а прикладной плотностью и качеством инженерных кадров. Любой рейтинг стран по разработке ИИ следует читать вместе с методикой: результат меняется в зависимости от того, считают патенты, публикации, вычислительные мощности или число внедрений.
| Ось | США | Китай | Россия |
|---|---|---|---|
| Вычисления | Максимальный доступ к ускорителям, частный капитал финансирует обучение крупнейших моделей | Масштабные государственные и корпоративные мощности, курс на собственные чипы | Ограниченный доступ к железу; ставка на эффективность обучения и дообучение открытых моделей |
| Данные | Огромный англоязычный корпус, зрелый рынок разметки, судебные споры о правах | Гигантские внутренние массивы, высокая скорость сбора, ограниченный экспорт данных | Качественные отраслевые массивы (банки, телеком, промышленность) при узком общем корпусе на русском |
| Регулирование | Отраслевое и судебное, федеральной рамки нет | Жёсткое, разрешительное по типам сервисов, быстрые нормативные циклы | Мягкое, стимулирующее, с экспериментальными правовыми режимами и отраслевыми стандартами |
| Драйвер спроса | Венчурный капитал | Промышленная политика | Импортозамещение, себестоимость, дефицит кадров |
Разработки ИИ в США задают верхнюю планку качества базовых моделей: проекты OpenAI, Google и Anthropic определяют, что вообще считается возможным. Китайская разработка ИИ последние годы двигает нижнюю границу стоимости: сильные открытые модели с публичными весами появились во многом оттуда, и именно они изменили экономику внедрения по всему миру, включая Россию.
Для собственника вывод из этого сравнения один и он не геополитический: базовая модель перестала быть дефицитом. Доступ к сильной модели сегодня есть у вас и у вашего конкурента одновременно, разница будет в том, кто быстрее перестроит процесс. Как эта перестройка выглядит по шагам — в материале про этапы и дорожную карту внедрения ИИ.
Короткая история разработок ИИ: почему всё случилось именно сейчас
Разработки ИИ начались в середине 1950-х годов, а нынешний скачок обеспечили три вещи: архитектура трансформера 2017 года, дешёвые параллельные вычисления и накопленные цифровые данные. История разработки ИИ важна собственнику ровно в одном месте: она объясняет, почему предыдущие волны автоматизации не взлетели, а эта дошла до бухгалтерии и колл-центра.
- 1950-е: постановка задачиТест Тьюринга и Дартмутский семинар 1956 года, закрепивший термин «искусственный интеллект». Первые разработки ИИ — символьные программы, доказывающие теоремы.
- 1960–1970-е: экспертные системы и шахматыПравила, записанные вручную. В СССР — школа кибернетики и распознавания образов; шахматная «Каисса» выигрывает первый чемпионат мира среди компьютерных программ в 1974 году.
- 1970–1990-е: две зимы ИИДважды ожидания превышали возможности вычислений, и финансирование сворачивалось. Урок работает до сих пор: технологию убивают не плохие идеи, а несоразмерные обещания.
- 1990–2010-е: статистика вместо правилМашинное обучение вытесняет ручные правила. С 2012 года глубокие нейросети выигрывают задачи компьютерного зрения.
- 2017: трансформерыАрхитектура, позволившая обучать модели на текстах интернет-масштаба. Современный ИИ — прямое следствие этой работы.
- 2020–2023: язык становится интерфейсомЯзыковые модели переходят из лабораторий в продукты, а порог входа падает с команды исследователей до одного инженера с API-ключом.
Технология перестала быть преимуществом ровно в тот момент, когда стала доступна всем. Преимущество вернулось туда, где было всегда, — в выбор задачи.Владимир Герасимов
Что изменилось во внедрении ИИ в 2024 и 2025 годах
Внедрение ИИ в 2024 году было массовым экспериментом: компании запускали пилоты, чтобы понять, что вообще умеет генеративная модель. Внедрение ИИ в 2025 году сменило вопрос с «умеет ли» на «окупается ли»: бюджеты стали проходить через финансовую службу, а не через инновационный комитет. Это главный сдвиг рынка за два года, и он значит больше, чем любая новая разработка ИИ сама по себе.
- Открытые веса стали производственной нормой. Локальное развёртывание перестало быть экзотикой и сняло вопрос передачи данных наружу.
- RAG перестал быть новинкой. Подключение модели к корпоративной базе знаний превратилось в типовую, а не исследовательскую задачу.
- Появились агентные сценарии. Последние разработки ИИ сместились от ответов к действиям: модель вызывает системы, а не только пишет текст.
- Стоимость инференса упала кратно. Сценарии, которые в 2023-м не сходились по экономике, в 2025-м стали окупаемыми.
- Выросла роль оценки качества. Без метрик и тестовых наборов проект не проходит финансовый контроль.
- Проекты ИИ в России стали отраслевыми. Универсальные «ассистенты для всего» уступили место решениям под конкретный передел, склад или регистратуру.
Новости разработки ИИ устроены так, что новейшие ИИ-проекты выглядят применимыми на следующий день. На практике между демонстрацией и промышленной эксплуатацией проходит от года до трёх: нужны данные, интеграции, регламент и обучение людей. Я советую фильтровать поток одним вопросом: изменит ли эта новость мою себестоимость в ближайшие двенадцать месяцев. В девяти случаях из десяти ответ отрицательный — и это освобождает время.
Отдельно про «новую разработку ИИ» как повод для проекта. Смена модели почти никогда не меняет результат внедрения: если процесс не описан, а данные грязные, более сильная модель просто ошибётся увереннее. Почему пилоты не доходят до прибыли и как отличить окупившийся сценарий от красивого — в разборе кейсов и примеров внедрения ИИ.
Прогноз на 2026–2028: что можно планировать, а что нет
Прогнозы внедрения ИИ на 2026–2028 годы разумно строить не по темпам роста рынка, а по тому, что уже работает и дешевеет. Ниже — гипотезы, а не факты; я помечаю их именно так, потому что перспективы разработки ИИ зависят от доступа к вычислениям, который меняется быстрее любых прогнозов.
| Что произойдёт с высокой вероятностью | Что это меняет для компании |
|---|---|
| Модели станут дешевле и меньше | Больше сценариев уедет на локальное железо; снизится зависимость от облачных тарифов |
| ИИ переедет внутрь отраслевого софта | Часть задач закроется обновлением вендора, и отдельный проект под них не понадобится |
| Регулирование ужесточится точечно | Персональные данные, медицина и финансы получат требования к объяснимости и логированию |
| Дефицит кадров сместится с ML-инженеров на постановщиков задач | Ценным станет тот, кто формулирует задачу и метрику, а не тот, кто обучает модель |
| Агентные сценарии дойдут до бэк-офиса | Экономия перейдёт из «помощи сотруднику» в сокращение шагов процесса |
Чего я делать не советую — планировать под сценарии, которые пока не имеют промышленных подтверждений: полностью автономное управление производством, замену юридической функции, самостоятельные закупочные решения без человека. Правовой и операционный контур для таких сценариев не готов, и это отдельный разговор про риски и проблемы внедрения ИИ.
Что из рыночного контекста реально влияет на решение собственника
Рыночный контекст полезен ровно в трёх решениях: покупать или строить, где хранить данные и с кем подписывать контракт. Всё остальное — фон, который не меняет ни один пункт бюджета. Ниже — то, что я проверяю с фаундером на первой встрече.
- Задача сформулирована как метрика процесса. Не «внедрить ИИ», а «сократить время обработки заявки с 40 минут до 10».
- Выбран слой рынка. Готовый продукт, API экосистемы или собственная сборка на открытых весах — решение принято осознанно и посчитано.
- Определён контур данных. Что уходит наружу, что остаётся внутри, кто несёт ответственность за утечку.
- Понятна судьба проекта после сдачи. Кто дообучает, кто отвечает за качество ответов через полгода, из какого бюджета это оплачивается.
- Есть отказной сценарий. Заранее описано, при каких показателях проект закрывается — без этого пилот живёт вечно.
- Начинать с выбора вендора, а не с выбора процесса.
- Ориентироваться на рейтинг внедрения ИИ вместо собственной себестоимости.
- Ждать «более новую модель» вместо запуска на текущей.
- Считать грант источником экономики проекта.
Работает связка: один процесс с измеримой стоимостью, один ответственный со стороны бизнеса, срок 6–12 недель до первого измеримого результата и заранее оговорённое условие остановки. В проектах, которые я видел, именно эта конструкция отделяет внедрения, дошедшие до P&L, от бесконечных пилотов.
Опишите задачу — я скажу, нужен ли здесь ИИ вообще, каким слоем рынка её закрывать и какой результат реально получить за квартал.
Частые вопросы
У искусственного интеллекта нет одного автора: это результат работы научных школ США, Европы, СССР и России с 1950-х годов. Ключевая для нынешнего поколения архитектура — трансформер — опубликована исследователями Google в 2017 году, и на ней построены практически все современные языковые модели. В России собственные базовые модели ведут Яндекс, Сбер и VK, а прикладной ИИ российской разработки делают сотни продуктовых команд и отраслевых вендоров.
Алиса — разработка Яндекса, ассистент запущен в 2017 году и сегодня работает на языковых моделях компании. Маруся — разработка VK, Салют — разработка Сбера: три независимые линии ассистентов с собственными речевыми стеками. Как ИИ-проект Алиса решает потребительские задачи: голосовые команды, поиск, управление устройствами, генеративные ответы. Для корпоративных процессов я не рекомендую строить решение на потребительском ассистенте — нет фиксации версии модели, гарантий доступности и изоляции данных; бизнесу нужен облачный API или модель в собственном контуре.
Разработка ИИ в России компании ведут на трёх уровнях: базовые модели — Яндекс, Сбер, VK и несколько исследовательских центров; инфраструктура — облачные и телеком-провайдеры; прикладные решения — отраслевые вендоры и продуктовые команды. Российские ИИ-проекты прикладного слоя обычно закрывают одну задачу: распознавание документов, речевую аналитику, компьютерное зрение на производстве. Выбирать компанию нужно под конкретный процесс, а не по узнаваемости бренда.
Публичные программы масштаба «Сбербанк, внедрение ИИ» полезны как карта направлений, а не как образец для копирования: у экосистемы есть собственные модели, свои дата-центры и тысячи инженеров, у средней компании — нет ничего из этого. Забирайте оттуда список процессов, которые уже доказали окупаемость (скоринг, поддержка, документооборот, речевая аналитика), и проверяйте их на своих объёмах. Технологический стек копировать бессмысленно — он оправдан только при их масштабе.
Национальная стратегия развития искусственного интеллекта — рамочный документ, утверждённый указом Президента, с горизонтом до 2030 года. Федеральный проект по ИИ — исполнительный инструмент внутри национальной программы: бюджеты, показатели, ответственные ведомства. Профильное ведомство — Минцифры; проекты ИИ Минцифры курирует вместе с отраслевыми министерствами. То, что в поиске называют «национальный план по внедрению ИИ» или «государственный ИИ проект», на практике означает связку этих двух документов.
Гранты и конкурсы в контуре линии Минцифры по внедрению ИИ существуют, но чаще поддерживают разработку продукта, а не внедрение у конечного заказчика. Подготовка заявки и отчётность обычно стоят от одного до трёх человеко-месяцев, поэтому считать экономику проекта нужно без гранта — грант может ускорить работу, но не должен быть её причиной. Отдельно фиксируйте права на код, данные и модель: они должны остаться у компании.
Разработки ИИ начались в середине 1950-х: тест Тьюринга сформулирован в 1950 году, сам термин закреплён на Дартмутском семинаре 1956 года. Первые разработки ИИ были символьными — программы работали по написанным вручную правилам. Современный этап отсчитывается от 2012 года (глубокие нейросети в компьютерном зрении) и особенно от 2017 года, когда появилась архитектура трансформера.
По объёму вычислений и капитала лидеры в разработке ИИ — США и Китай; разработки ИИ в США задают верхнюю планку качества базовых моделей, китайская разработка ИИ снижает стоимость за счёт сильных открытых моделей. Россия конкурирует не масштабом, а прикладной плотностью и инженерными кадрами. Любой рейтинг стран по разработке ИИ и любой список, ранжирующий страны по внедрению ИИ, зависит от методики: патенты, публикации, мощности и число внедрений дают разные места.
Достаточно трёх источников: технические релизы самих разработчиков моделей, репозитории ИИ-проектов на GitHub (в поиске — «ии проекты гитхаб») и один деловой отраслевой ресурс — от «Портал бизнес ру о внедрении ИИ» до профильных изданий по вашей отрасли. Международные ИИ-проекты и проекты OpenAI полезно отслеживать как индикатор возможного, а не как план действий. Фильтр один: меняет ли новость вашу себестоимость в ближайшие двенадцать месяцев.