Российские власти обсуждают условия возвращения иностранных IT-вендоров, ушедших с рынка в 2022 году. Если в облачных сервисах или инфраструктурном софте ситуация более предсказуема, то в сфере ИИ — особенно в корпоративных решениях — все сложнее. Западные вендоры фактически ушли с рынка до массового «бума» генеративного ИИ, и теперь возможность их возвращения происходит в принципиально новых условиях. Отечественные ИИ-решения постепенно увеличивают свою долю. Но главный вызов сегодня — не просто заменить иностранные решения, а создать законченные продукты с понятной ценностью для компаний.
Алексей Пантин, технический директор Embedika, рассказал, о том, почему инфраструктура и кадры важнее самих моделей, как NLP-решения зависят от языковой специфики и при чем здесь ROI.
Ниже приводим текст оригинальной публикации.
Технологии vs продукты: где мы сейчас
Российский рынок корпоративных ИИ-решений развивался медленнее глобального — локальным разработчикам приходилось не только создавать продукт, но и формировать спрос на них, который изначально был ограничен. Уход иностранных вендоров стал переломным моментом и дал импульс развитию отечественных разработок.
При этом рынок столкнулся с двойственным положением. С одной стороны, крупные игроки вроде «Сбера», «Яндекса» и VK не отстают от мировых конкурентов по качеству технологий. С другой — они редко идут на адаптацию своих сервисов под клиента, чаще предлагая готовые решения. Это создает сложности для корпоративных заказчиков, которым нужны гибкие ИИ-продукты.
Остальная часть рынка — это часто небольшие IT-компании с компетенциями и технологиями, но без законченных конечных решений. Многие из них предлагают узкоспециализированные функции, например анализ текстов или OCR (оптическое распознавание символов), но не готовые продукты, интегрируемые в бизнес-процессы. В результате такие решения воспринимаются заказчиками скорее как экспериментальные инструменты, а не как полноценный сервис с измеримой ценностью. Поэтому эти проекты зачастую сводятся к заказной разработке, а не к тиражируемому ПО. Для бизнеса это создает дополнительную нагрузку: приходится самостоятельно дорабатывать функционал под собственные процессы. В итоге это становится уже не вопросом технологической отсталости — решений много, но они остаются в формате «полуфабрикатов».
Тем не менее рынок меняется быстро.
По итогам 2024 года объем государственных инвестиций в ИИ-решения в России вырос на 36%, а число поддерживаемых проектов с четкой продуктовой стратегией удвоилось. Это отражает сдвиг в подходах: если раньше гранты и акселераторы фокусировались на количестве стартапов (включая студенческие инициативы), то теперь в приоритете проекты с доказанной рыночной потребностью и соответствием технологическим вызовам.
Ключевые акселераторы начали переходить на модель «предпринимательского трека» — участники должны не только разработать MVP, но и подтвердить его востребованность у реальных заказчиков. Технологический предприниматель получает все больше поддержки, а сам рынок становится восприимчивее к ИИ-решениям.
Инфраструктура и кадры
Серьезные ИИ-решения требуют большой вычислительной мощности, а с 2022 года она стала обходиться дороже. Поставки «железа» нарушились, доступ к оборудованию усложнился, стоимость заметно выросла. Тем не менее инфраструктура продолжает работать: через параллельный импорт техника доходит, мощности остаются в доступе, пусть и по другим ценам.
Если иностранные производители вернутся, это снизит издержки и сделает инфраструктуру для ИИ доступнее. Предложение вычислительных мощностей продолжает расти — а значит, в перспективе они станут дешевле. С программной частью ситуация проще. Почти все ключевые инструменты для работы с ИИ — это open source. Российские компании продолжают их использовать.
Гораздо сложнее с кадрами. ИИ-решения, особенно в таких областях, как обработка текстов, требуют высококвалифицированных специалистов. После оттока значительной части IT-специалистов за границу компании столкнулись с проблемой кадрового голода в узкоспециализированных направлениях. Сейчас бизнес переориентируется на выстраивание собственных образовательных траекторий. Крупные игроки создают программы под свои потребности, приходят в вузы, формируют свои курсы и отбирают талантливых студентов еще до выпуска. Компании вкладываются в дополнительное обучение внутри — готовят специалистов под собственные задачи, будь то NLP (natural language processing, обработка естественного языка), компьютерное зрение или предиктивные модели для промышленности.
Несмотря на отток, дефицит частично закрывается. Помогают и стажировки, и курсы, и интересные проекты — в том числе совместные инициативы с вузами, где компании включают студентов в реальные задачи в рамках образовательных программ. Конкуренция за сильных специалистов сохраняется, особенно между крупными компаниями и более нишевыми разработчиками, которые привлекают таланты не уровнем зарплат, а возможностью работать над уникальными продуктами.
Возвращение иностранных вендоров в краткосрочной перспективе не решит ключевых проблем рынка — ни дефицита кадров, ни необходимости развивать собственные образовательные программы. В долгосрочном периоде это может даже усилить кадровый дисбаланс: рост спроса на специалистов со стороны зарубежных компаний способен спровоцировать новый виток конкуренции за таланты и увеличение зарплатных ожиданий. Поэтому российским игрокам критически важно продолжать инвестировать в подготовку кадров и создание привлекательных условий для работы над сложными продуктами.
Расходы базового уровня
Можно выделить две стадии цифровой трансформации: автоматизацию (базовый уровень) и оптимизацию (продвинутый). На зарубежном рынке ИИ применяют как раз для оптимизации — снижения издержек и роста выручки. Российский бизнес же пока в основной массе закрывает задачи первого уровня: автоматизацию документооборота, рутинных процессов, сбор и консолидацию данных. Особенно заметен этот разрыв в секторах с низкой цифровой зрелостью — там, где преобладает ручной труд и нет культуры работы с данными. Технологии воспринимают как эксперимент, и одна из ключевых причин — отсутствие понятной методики оценки эффективности. Проекты дорогие, рыночных кейсов с эффектами мало, а сроки окупаемости трудно прогнозировать.
В условиях неопределенности бизнес делает ставку на быстрый и предсказуемый результат. Вместо внедрения ИИ компании чаще нанимают дополнительный персонал — это проще, чем объяснять потенциальную выгоду инвестиций. Даже в крупных структурах ИИ-проекты вызывают скепсис у управленцев.
Разработчики пытаются накапливать кейсы в отдельных отраслях. Но бизнес-процессы у клиентов даже внутри одного сегмента сильно различаются. У компаний недостаточно референсов по реальным внедрениям для объективной оценки эффективности ИИ, у разработчиков — отраслевой экспертизы. Отраслевой статистики нет, а значит, нет и убедительных доказательств для бизнеса, что решение будет работать в других условиях.
Клиенты по-прежнему ориентируются на затратную модель: выделенные бюджеты чаще тратятся на срочные задачи, чем на технологические решения с отсроченным на два-три года экономическим эффектом. Даже среди крупных заказчиков немногие готовы внедрять инновации, окупаемость которых требует времени и организационных изменений. Наиболее продвинутыми в этом отношении остаются компании, где:
- есть понимание, как ИИ влияет на ключевые бизнес-показатели;
- присутствуют внутренние RnD-команды для развития собственных ИИ-решений;
- топ-менеджмент рассматривает технологии как стратегический актив, а не просто статью расходов.
К системным барьерам добавляются инфраструктурные и экономические. В России сложилась уникальная ситуация: большинство компаний до сих пор рассматривают IT-бюджет как статью расходов, а не инвестиций. Это наследие плановой экономики — когда важно было распределить выделенные средства, а не инвестировать в расчете на отдачу в перспективе двух-трех лет. Лишь единицы (вроде таких гигантов, как «Газпром» или «Сибур») готовы вкладываться в инновационные ИИ-проекты ради долгосрочных преимуществ. Основная масса компаний предпочитает проверенные, хоть и устаревшие решения. Дополнительные сложности создает слабая распространенность облачных моделей: крупный бизнес опасается за безопасность данных, малые компании хоть и тяготеют к SaaS, но сохраняют настороженность.
Текстовые модели — прерогатива локальных игроков?
До 2022 года иностранные вендоры почти не развивали решения по обработке текстов (NLP) на российском рынке. Это объясняется прежде всего языковой и отраслевой спецификой. В отличие от компьютерного зрения или аналитики данных с датчиков, NLP требует глубокой локализации: учета морфологии, контекста, а в случае юридических решений — и национального законодательства. Именно поэтому российские разработчики изначально имели конкурентное преимущество — их решения создавались с учетом:
- сложной морфологии русского языка;
- отраслевых особенностей ведения документации;
- специфики деловых коммуникаций в локальном контексте.
Местные компании лучше понимают локальную специфику, бизнес-процессы и отраслевые требования. Это особенно важно при реализации проектов, где необходимо синхронизировать ИИ-решения с внутренними процессами компании и отраслевыми регламентами.
Русский язык — один из самых сложных для машинной обработки. Одно слово может менять значение в зависимости от приставки или окончания, а структура предложений часто нестандартна. Поэтому глобальным вендорам приходится либо серьезно адаптировать модели под русский, либо выпускать максимально универсальные решения, которые плохо работают в прикладных задачах. Например, базовые лингвистические инструменты вроде чат-ботов или машинного перевода можно относительно быстро локализовать, тогда как узкоспециализированные решения — анализ юридических документов или прецедентной практики — требуют глубокой адаптации к российской нормативной базе и деловым стандартам.
Проблему усиливает ограниченность рынка. Большинство NLP-проектов в России — кастомные, разработанные под конкретную организацию. Готовых продуктов немного, а сам рынок остается узким. Иностранным игрокам невыгодно инвестировать в такую нишу, особенно в условиях санкционной неопределенности.
Даже если кто-то из иностранных вендоров решит вернуться и вложиться в локализацию, он столкнется с нехваткой кадров и экономическими рисками. Гораздо проще развивать более универсальные направления — компьютерное зрение, промышленные модели, BIM-системы. А вот в NLP возвращения западных игроков ждать не стоит: это долгий и затратный путь без гарантии результата.
Хорошо забытое старое
Даже если зарубежные вендоры вернутся на российский рынок, вероятность того, что они в ближайшее время станут создавать специальные продукты под местный рынок, низка — для них это дорого и рискованно. Скорее всего, они предложат свои коробочные решения с минимальной адаптацией под локальные требования, как это было до 2022 года.
Заказчики, со своей стороны, будут осторожны с зарубежными решениями — риски повторного ухода слишком велики. За последние годы компании начали развивать собственные ИИ-проекты или работать с локальными партнерами. Никто не хочет снова терять время на переход и обучение, чтобы в очередной раз остаться без поддержки. Это особенно критично для крупных организаций, где работают тысячи сотрудников.
Возвращение иностранных вендоров не выглядит серьезной угрозой для российских решений. Напротив, в некоторых направлениях — например, в задачах, где требуется глубокая интеграция с локальными IT-ландшафтами и учет регуляторных требований — в финансовой аналитике или госсекторе, — российские решения уже доказали свою эффективность. Но главный вызов для российских разработчиков — в необходимости развивать не просто технологии, а законченные продукты, способные масштабироваться без постоянной доработки под каждого клиента. Ключевым фактором успеха станет накопление подтвержденных кейсов внедрения с измеримыми эффектами — только так можно убедить бизнес в ценности ИИ-решений. Также дальнейший рост рынка во многом зависит от интереса со стороны государства и инвесторов. Если эта поддержка сохранится, у российских разработчиков будет шанс усилить позиции и продвинуться вперед, особенно в нишах, где важна адаптация под локальный контекст.
