SergeyIgnatenko
Игнатенко Сергей
На платформе с 09.03.26
Основатель VibePilot.ru — AI-платформа, которая создаёт рабочие веб-приложения, Telegram-боты, Max-боты и API по текстовому описанию.
Недавно Михаил Мишустин заявил, что создание собственных технологий в сфере ИИ — это вопрос цифрового суверенитета и национальной конкурентоспособности.
Звучит правильно. Но давайте как практики, ежедневно создающие ИИ-автоматизации для бизнеса, сопоставим декларации с реальной инженерией.
1. Отечественные модели слабы для ИИ-агентов
Базовые российские модели подходят для базовых чат-ботов или коротких текстов. Но на них невозможно построить полноценных ИИ-агентов. Для сложных цепочек, длинного контекста, точного кода и работы со сложными документами логики пока объективно не хватает.
2. Иллюзия «безопасного китайского Open-Source»
Пытаясь найти альтернативу, финансовый и корпоративный сектор смотрит на китайский open-source (например, Qwen) для разворачивания в локальном контуре. Но это рискованная иллюзия:
В открытые веса чужой модели невозможно заглянуть — никто не знает, какие скрытые уязвимости или «закладки» там есть.
Чтобы поставить такую модель на критическую инфраструктуру (КИИ), её нужно дообучать, глубоко аудировать и сертифицировать. Кто за это ответит?
Скорее всего, грядущее законодательство об ИИ просто запретит импортный open-source для КИИ и банков из соображений ИБ.
3. Разработка держится на мировых инструментах
Вся индустрия разработки прямо сейчас строится вокруг специализированных ИИ-агентов (Claude Code, Cursor, Codex). Вчерашний релиз Haiku 5.5 с контекстным окном в 1 миллион токенов ускоряет разработку софта в разы. Игнорировать такие инструменты ради отчётности — значит добровольно сливать конкурентоспособность.
4. Поддержка независимых фаундеров = 0 ₽
«Широкий набор инструментов помощи», о котором говорят с трибун, в реальности оказывается недоступен. Если ты независимый разработчик и пилишь рабочий продукт для рынка:
Программы заточены под НИОКР, «научную новизну» и патенты, а не под работающий софт.
Ресурсы и гранты достаются академическим институтам или IT-гигантам с юристами.
Практические продукты создаются полностью за свой счёт.
Итог
Бизнес оказывается в тупике: свои модели слабы для агентов, китайский open-source — рискован и скоро будет ограничен регуляторами, а мировые API формально недоступны.
Настоящий суверенитет создается не запретами и отчетами, а доступностью передовых инструментов и поддержкой тех, кто создает продукты «в полях».
А на чём строите автоматизацию вы? Локальные модели, Qwen или мировые API?
Рынок ИИ-агентов в России растёт. По оценкам аналитиков, к концу 2026 года более 40% малого бизнеса будут использовать хотя бы одного автономного бота для работы с клиентами. Разбираемся, как это устроено изнутри — на реальном примере настройки.
Контекст. Российские компании сталкиваются с двумя ограничениями: большинство западных AI-сервисов требуют VPN и оплаты в валюте, а локальные решения часто уступают в функционале. Появление платформ, которые работают в РФ напрямую, оплата в рублях и используют российские LLM-модели, меняет расклад.
Как работает ИИ-сотрудник (технически):
База знаний. Платформа парсит сайт компании и формирует структурированный массив данных: услуги, цены, FAQ, условия. Это заменяет ручное составление промпта.
Роль и тон. Боту задаётся профиль (консультант, поддержка, менеджер) и стиль общения. Это влияет на то, как он формулирует ответы.
Квалификация лидов. Бот не просто отвечает на вопросы — он собирает контактные данные и передаёт «тёплую» заявку человеку. Холодные запросы обрабатывает сам.
Интеграция. Подключение к Telegram, MAX, сайту происходит через стандартные API (токен бота, виджет).
Экономика вопроса. Стоимость одного ИИ-сотрудника сопоставима с подпиской на SaaS-сервис — от нескольких сотен рублей в месяц. Для сравнения: зарплата менеджера на частичную занятость начинается от 30 000 ₽.
Риски и ограничения:
Сложные продажи с длинным циклом всё ещё требуют человека
Нужен контроль качества диалогов — хотя бы выборочный
Вывод. ИИ-агенты — это не замена людям, а инструмент для разгрузки. Они берут на себя рутину: ответы на типовые вопросы, первичную квалификацию, сбор контактов. Человек фокусируется на сделках.
Видео с практической демонстрацией — по ссылке. Без рекламы, просто чтобы было видно, как это работает изнутри.
OpenAI приостановила выпуск самых мощных моделей с доступом к инструментам после того, как агент выбрался из песочницы. Через неделю NVIDIA выпустила платформу для ограничения агентов, партнёрами стали Microsoft, Oracle, Cisco, Dell, HPE.
Обратите внимание, где NVIDIA это делает: на процессорах и сетевых чипах. Безопасность превращается в повод для корпораций обновлять железо. Банки и госструктуры не пустят агентов в работу без изоляции и мониторинга, а значит, заплатят за новую инфраструктуру.
Это знакомая история. После волны червей в начале 2000-х безопасность стала отдельной индустрией с миллиардными оборотами. С агентами начинается то же самое.
Но железо закрывает только нижний уровень: агент не сбежит из песочницы, однако внутри неё может ошибиться или пропустить обязательную проверку. От этого защищает процесс. По нашим замерам, агент без жёстких рамок ошибается в 37% случаев, внутри процесса с узкими шагами меньше чем в 1%.
Деньги в ближайшие годы будут не только у тех, кто делает модели умнее, но и у тех, кто делает их управляемыми.
На этой неделе OpenAI впервые опубликовала фреймворк по расследованию «рассогласования» (misalignment) ИИ и раскрыла 6 случаев аномального поведения моделей. В одном из эпизодов исследовательская модель сама прописала себе в заметках instructions типа jailbreak, чтобы «освободиться от ролей и ограничений», а в другом — ИИ-агент без разрешения пользователя выгрузил файлы в сеть. Это произошло на фоне призыва главы Anthropic Дарио Амодеи («We Must Pace the Frontier») притормозить гонку и допустить внешних аудиторов в лаборатории.
Сложные цепочки расчетов, высокая стоимость содержания собственных ИИ-инженеров и неопределенные сроки окупаемости (Payback Period) — главные финансовые риски бизнеса при инвестициях в ИИ.
На этапе формирования любой новой индустрии крупные игроки всегда стремятся продавать технологию как дорогой консалтинг и тяжелую инфраструктуру (CAPEX-модель). Однако с точки зрения финансовой эффективности и ROI наиболее устойчивой моделью становится специализированный SaaS (OPEX-модель).
Урок из истории инфраструктурных рынков: В конце XIX века компании, пытавшиеся строить изолированные энергосистемы под каждый отдельный завод, проиграли по финансовой эффективности тем, кто перешел на использование централизованных сервисов.
Пример из CAPEX vs OPEX: Постройка собственной ИИ-инфраструктуры внутри компании требует огромных капитальных затрат (CAPEX) на старте — найм дорогих специалистов, покупка/аренда серверов, оплата инжиниринга. Готовый SaaS переводит эти затраты в прогнозируемые операционные расходы (OPEX), которые легко масштабировать или уменьшать в зависимости от нагрузки.
Почему готовый SaaS выигрывает по экономике:
Сокращение Time-to-Market:
Пример: Разработка собственного сервиса ИИ-агентов внутри компании занимает от 6 до 9 месяцев (с учетом рисков найма и ошибок). Готовое SaaS-решение внедряется за 3–5 дней. Экономия времени в 40 раз напрямую конвертируется в сохраненную выручку.
Прогнозируемый TCO (Совокупная стоимость владения):
Пример: При самостоятельной разработке бизнес платит не только за токены, но и за поддержку, исправление багов API, обновление стека и зарплаты инженеров. В SaaS-модели стоимость поддержки уже заложена в фиксированный тариф.
Гибкость и отсутствие вендорских рисков:
Пример: Если одна из внешних нейросетей меняет условия, повышает цены или становится недоступна, SaaS-платформа автоматически переключает нагрузки на альтернативные модели без необходимости переписывать код вашего проекта.
В условиях высокой процентной ставки и быстрой смены технологий побеждает тот, кто минимизирует CAPEX, защищает Time-to-Market и платит за готовый экономический результат.
Вендорные гиганты (OpenAI, Anthropic и др.) наперебой вещают о «кризисе безопасности ИИ» и требуют замедлить индустрию. Но для любого, кто умеет считать P&L и разбирается в юнит-экономике, за этим PR-шумом проглядывает банальная попытка скрыть экономический провал своих базовых продуктов.
В чем суть финансово-технологического тупика:
Неэффективный расход токенов. Попытка запустить «мультиагентные системы» (когда десятки агентов перепроверяют друг друга в свободном цикле) привела к тому, что накладные расходы на токены выросли экспоненциально, а точность выполнения бизнес-задач упала.
Убийство ROI. Вместо детерминированной работы (расчет смет, финмоделирование, обработка транзакций) хаотичный agent loop генерирует галлюцинации и логические тупики. Бизнес платит за инфраструктуру, но не получает прогнозируемого результата.
PR-маневр для сохранения оценки. Признать перед инвесторами, что их агентный подход — это недетерминированная и убыточная «черная дыра», гиганты не могут. Поэтому инженерную неудачу упаковали в нарратив о «наступающем AGI». Под видом заботы о безопасности строится регуляторный забор (Regulatory Capture), вытесняющий с рынка эффективных и гибких игроков.
Заявления об «опасности ИИ» — это попытка оправдать раздутые косты и защитить капитализацию.
Управляемый ИИ не жжет бюджеты. В бизнесе работают не «свободные агенты», а детерминированные workflows, строгие финансово-логические графы и предсказуемая инфраструктура.
Если вашей компании нужны адекватные ИИ-сотрудники, которые сокращают издержки и работают с финансовой точностью без галлюцинаций — пишите мне в личные сообщения. Оцифруем процессы и заставим ИИ приносить прибыль, а не жрать токены.
Тема не про хайп, а про деньги. Мы считаем себестоимость ИИ-функций в своём сервисе и наткнулись на цифру, которая переворачивает привычную арифметику.
Обычно стоимость ИИ считают так: цена за тысячу токенов умножить на объём. Красивая линейная модель, по которой строят финансовые планы и обещают инвесторам маржинальность.
В реальности картина другая.
Разобрали один типичный сценарий, генерацию плана документа. Вот что вышло по факту:
Попытка, которая не дала результата: три обращения к модели плюс три веб-поиска. Модель ответила, деньги списались, но формат ответа оказался непригодным.
Повторная попытка, строго по формату, без поиска: одно обращение, результат получен.
Так вот, неудачная попытка обошлась почти в четыре раза дороже успешной. Не потому что она сложнее, а потому что модель по дороге сходила в интернет, собрала контекст, потратила входные токены и только потом выдала нечитаемый результат.
Отсюда три вывода, применимых к любой оценке ИИ в бизнесе.
Первое. Считать нужно стоимость результата, а не стоимость запроса. Между ними разница в разы, и она не видна в прайсе поставщика модели.
Второе. Самая дорогая часть обычно не генерация, а контекст. Поиск, подгруженные документы, история переписки. Входные токены дешевле выходных за единицу, но их на порядок больше.
Третье, самое неприятное для прогнозов. Доля неудачных попыток нестабильна. Она зависит от формулировок пользователя, от версии модели, от того, как поставщик сегодня настроил свой сервис. То есть ваша себестоимость плавает по причинам, на которые вы не влияете.
Практический смысл для тех, кто оценивает такие компании или внедряет ИИ у себя: спрашивайте не «сколько стоит один запрос», а «какая доля запросов доходит до результата с первого раза». Второй показатель говорит о юнит-экономике гораздо больше первого.
У нас после этого разбора появилась отдельная метрика на долю повторов. Экономия там измеряется не процентами, а разами.
