Нужен ли бизнесу суверенный ИИ?

Про «суверенный ИИ» обычно говорят словами «безопасность», «контроль» и «независимость». Всё это важно. Но у бизнеса есть вопрос попроще: сколько стоит зависимость от чужой нейросети – и в какой момент собственная инфраструктура становится дешевле?

Начнём с самого простого: зачем вообще делать своё?

Допустим, компания использует ChatGPT, Claude, Gemini или какую-нибудь другую внешнюю модель.

Пользоваться ей удобно:

не надо покупать дорогие GPU;
не надо строить собственную инфраструктуру;
не надо нанимать людей, которые будут за всем этим хозяйством следить;
не надо заранее угадывать, сколько вычислительных мощностей вам понадобится через год;
платите за фактическое использование – и всё.

Для небольшой компании или редких запросов схема почти идеальная.

Если двадцать сотрудников несколько раз в день просят нейросеть написать письмо, пересказать документ или помочь с кодом, покупать ради этого стойку с видеокартами выглядит примерно как строительство собственной электростанции ради чайника.

Но объём использования ИИ растёт.

Сначала нейросетью балуется десяток энтузиастов. Потом компания покупает корпоративные подписки. Потом появляются внутренние сервисы, которые постоянно ходят в API. Потом ИИ встраивают в поддержку, аналитику, программирование, продажи.

И в какой-то момент финансовый директор обнаруживает новую статью расходов.

ИИ незаметно превращается из прикольного инструмента в инфраструктуру.

А инфраструктура – это уже экономика.

Свои серверы дешевле?

Не обязательно.

Здесь вообще есть довольно забавный парадокс. С одной стороны, чем больше компания пользуется внешними моделями, тем больше она платит их владельцам. Кажется логичным: давайте купим своё железо, развернём открытую модель и перестанем платить за каждый запрос.

Но сами вычисления очень быстро дешевеют. Stanford AI Index оценивал, что с ноября 2022-го по октябрь 2024-го стоимость инференса для системы примерно уровня GPT-3.5 снизилась более чем в 280 раз. Одновременно дешевеет и вычислительное железо в пересчёте на его производительность.

То есть вполне возможна ситуация:

вы сегодня покупаете очень дорогие GPU;
рассчитываете окупать их три года;
через год новое железо оказывается производительнее;
облачные модели становятся дешевле;
а ещё появляется новая архитектура, которой ваше дорогое оборудование подходит уже не так хорошо.

В общем, идея «один раз купим серверы и потом будем пользоваться ИИ бесплатно» имеет примерно такое же отношение к реальности, как идея «куплю машину – и транспортные расходы исчезнут».

Нет, не исчезнут. Просто расходы станут другими. У собственной инфраструктуры появляются:

амортизация оборудования;
электричество;
охлаждение;
помещения;
резервирование;
системные администраторы и ML-инженеры;
обновление моделей;
простой оборудования;
стоимость капитала, который вы во всё это вложили.

Поэтому универсального ответа «своё дешевле» просто нет. При маленькой и нерегулярной нагрузке аренда почти наверняка выглядит разумнее. При большой и стабильной – уже надо доставать калькулятор.

Но цена чужого ИИ – это не только токены

Вот тут начинается самое интересное.

Допустим, сегодня внешняя модель для вашей компании дешевле собственной инфраструктуры. Прекрасно. А что будет, если завтра:

провайдер изменит тариф;
изменятся условия доступа;
нужная модель исчезнет;
возникнут ограничения на работу в конкретной стране;
появятся требования регулятора;
провайдер поменяет правила обработки данных;
ваш корпоративный аккаунт просто перестанет работать?

Это уже называется довольно скучным термином vendor lock-in – зависимостью от поставщика.

Причём проблема настолько не теоретическая, что Евросоюз отдельно регулирует возможность компаний менять облачных провайдеров. Европейский Data Act, например, требует снижать технические и коммерческие барьеры при переходе между поставщиками облачных услуг.

Почему? Потому что сама возможность уйти от поставщика имеет экономическую ценность.

Дешёвый сервис может внезапно оказаться очень дорогим, если без него ваш бизнес останавливается.

И тогда к цене миллиона токенов надо добавить ещё одну величину. Цену простоя.

Сколько стоит один день без нейросети?

Если вы раз в неделю используете ChatGPT, чтобы поправить письмо начальнику, – почти нисколько. Ну напишете сами. Переживёте.

Совсем другое дело, если через ИИ ежедневно работают несколько сотен разработчиков, операторов поддержки или аналитиков. Тогда грубо считать можно так:

число сотрудников × стоимость часа их работы × количество потерянных часов.

Допустим:

500 сотрудников используют ИИ постоянно;
один рабочий час обходится работодателю условно в 2 000 рублей;
из-за отключения производительность просела хотя бы наполовину;
проблема длится рабочий день.

Даже такая очень грубая арифметика уже даёт миллионы рублей. А ведь есть ещё:

задержанные релизы;
сорванные сроки;
недовольные клиенты;
сотрудники, которые всё равно получают зарплату;
экстренная миграция на другой сервис;
переписывание интеграций.

И вот после этого собственная инфраструктура перестаёт выглядеть просто очень дорогим сервером. Она становится страховкой.

А у страховки экономика вообще другая: большую часть времени кажется, что деньги потрачены зря. До первого страхового случая.

Правда, есть ещё одна проблема

Предположим, мы всё посчитали и выяснили, что собственный ИИ действительно выгоднее. Купили оборудование. Развернули модели. Настроили всё это хозяйство. Работаем!

А сотрудники от этого действительно стали производительнее? Вопрос кажется немного идиотским. Конечно стали. Они же теперь быстрее пишут код, документы, письма, отчёты.

Но тут есть нюанс.

Быстрее делать работу – ещё не значит сделать больше работы

Есть довольно любопытный эксперимент исследовательской организации METR. Опытным разработчикам проектов open-source дали выполнять реальные задачи в знакомых им репозиториях. Перед экспериментом программисты считали, что использование ИИ позволит им закончить работу примерно на четверть быстрее.

Результат оказался неожиданным. С ИИ они выполняли задачи в среднем на 19% дольше.

Самое прекрасное другое. Даже после эксперимента разработчики продолжали считать, что нейросеть их ускорила.

Сразу важная оговорка: это не доказательство того, что «ИИ мешает программистам». Исследование было проведено:

на небольшой группе опытных разработчиков;
на конкретных open-source-проектах;
с инструментами начала 2025 года;
на задачах, с которыми эти люди уже хорошо были знакомы.

Сами исследователи отдельно предупреждают, что переносить эти результаты на всю разработку нельзя. Но пример всё равно прекрасный. Потому что показывает одну простую вещь:

Субъективное ощущение производительности и реальная производительность – вообще не обязательно одно и то же.

Программист написал вдвое больше кода? Замечательно. А потом этот код кто-то должен:

прочитать;
проверить;
протестировать;
исправить;
согласовать;
принять в продукт.

Если первая стадия ускорилась в два раза, а последняя осталась прежней, вся производственная линия быстрее может вообще не стать. Это обычная теория ограничений.

Бессмысленно ставить в пекарню печь, которая выпекает тысячу булок в час, если упаковочная линия способна упаковать только сто. Просто теперь перед упаковочной линией будет лежать очень большая гора булок.

С ИИ может происходить примерно то же самое.

Есть ещё одна забавная проблема: компании не всегда знают, сколько вообще тратят на ИИ

McKinsey летом 2026 года опубликовала исследование корпоративных расходов на искусственный интеллект. Картина там довольно характерная. ИИ постепенно расползается по организации:

один департамент покупает Copilot;
другой напрямую использует API;
третий запускает эксперименты в облаке;
четвёртый оплачивает какой-нибудь специализированный AI-сервис;
сотрудники сами собирают агентов;
разработчики подключают новые модели.

Каждый отдельный расход выглядит небольшим. А потом их складывают.

По практическим наблюдениям McKinsey, у некоторых компаний 20-30% расходов на ИИ вообще выпадают из единой системы учёта, потому что размазаны между поставщиками, сервисами и подразделениями.

В их опросе большинство компаний, уже активно внедряющих ИИ, сообщали о превышении первоначальных AI-бюджетов. Что, если задуматься, неудивительно. До недавнего времени компании главным образом задавали вопрос:

«Где ещё мы можем применить ИИ?»

Теперь постепенно появляется второй:

«А сколько нам всё это удовольствие стоит?»

И вот второй мне кажется значительно интереснее первого.

Получается, всем пора строить «суверенный ИИ»?

Нет. И это, пожалуй, главный вывод.

Само по себе владение серверами никакого экономического волшебства не создаёт. У компании может быть три совершенно нормальных варианта.

Вариант первый – полностью внешний ИИ.

Подходит, если:

нагрузка небольшая;
она сильно меняется;
отключение сервиса не остановит бизнес;
нет особых требований к данным;
собственная команда эксплуатации обойдётся слишком дорого.

Вариант второй – собственная инфраструктура.

Она становится интереснее, если:

нагрузка большая и более-менее постоянная;
стоимость внешних запросов уже существенна;
простой критичен;
есть чувствительные данные;
есть специалисты, способные инфраструктуру поддерживать;
оборудование действительно будет хорошо загружено.

Вариант третий – гибрид.

Часть запросов идёт во внешние модели, часть – во внутренние. Простые и массовые задачи можно отправлять дешёвой локальной модели. Сложные – дорогой внешней.

Причём, на мой взгляд, именно этот вариант для крупного бизнеса выглядит особенно любопытно.

Потому что «суверенитет» тогда заключается не в том, чтобы обязательно всё сделать самому. А в том, чтобы иметь возможность выбирать.

Сегодня одна модель лучше – используем её. Завтра появилась другая – переключились. Послезавтра внешний сервис стал слишком дорогим – часть нагрузки вернули внутрь. То есть главным активом становится не конкретная нейросеть и даже не конкретный GPU. А возможность относительно безболезненно всё это менять.

Что считать перед покупкой вагонов видеокарт?

Я бы попробовал начать всего с пяти цифр.

1. Реальные расходы на внешний ИИ.

Не только официальный договор с крупным провайдером, а вообще всё:

подписки;
API;
облака;
AI-функции внутри другого ПО;
эксперименты подразделений.

2. Полная стоимость собственного решения.

Не только видеокарты. Плюс:

инфраструктура;
люди;
электричество;
поддержка;
резервирование;
обновление;
стоимость денег;
будущая замена железа.

3. Точка безубыточности.

При каком количестве запросов свой контур становится дешевле внешнего? Не «примерно когда-нибудь». А конкретно.

4. Цена простоя.

Сколько денег компания потеряет, если внешний сервис не будет работать:

час;
день;
неделю.

5. Реальный прирост результата.

Не:

сколько токенов потратили;
сколько запросов сделали;
сколько строк кода написали.

А:

сколько задач закончили;
насколько быстрее выпустили продукт;
сколько рабочего времени сэкономили;
насколько снизилась себестоимость;
сколько дополнительных денег заработали.

Вот последняя цифра вообще самая важная. Потому что можно великолепно оптимизировать стоимость каждого AI-запроса и одновременно тратить миллионы на автоматизацию работы, которая компании особенно и не нужна.

В общем

«Суверенный ИИ» – это совсем не обязательно история про то, что всё иностранное надо выключить, а всё своё немедленно поставить в серверную.

Для бизнеса вопрос намного прозаичнее. Что дешевле? Каковы риски? Насколько легко поменять поставщика? И главное – превращаются ли все эти миллиарды токенов и дорогие видеокарты в дополнительную прибыль?

Если нагрузка маленькая – аренда вполне может быть выгоднее ещё очень долго. Если нагрузка огромная, данные чувствительные, а остановка сервиса стоит миллионы – собственная инфраструктура начинает выглядеть совсем иначе.

Универсального срока окупаемости тут, на мой взгляд, быть не может. Поэтому если вам показывают презентацию со словами: