Нам не нужен свой OpenAI: где России искать эффект от ИИ и что для этого делать

Дисбаланс на рынке ИИ-приложений: почему деньги идут в рекламу и контент

Мировой рынок искусственного интеллекта можно условно разделить на несколько слоёв:

• базовый уровень — разработка чипов и вычислительных мощностей;
• второй слой — инфраструктура: облачные платформы и дата-центры, где чипы объединяются в вычислительные системы и становятся доступными для рынка;
• третий слой — приложения: продукты и сервисы, с которыми напрямую взаимодействуют пользователи.

Потребительский ИИ связан с повседневным поведением человека — покупками, просмотрами и взаимодействием в цифровой среде. Это персонализированная реклама в интернете, сгенерированные изображения и видео в соцсетях, алгоритмы, которые принимают решения о выдаче кредита или подборе предложений. Всё это продукты, которые работают на поведенческих данных пользователей.

По данным международной базы данных о стартапах, компаниях и венчурных инвестициях Crunchbase, в 2025 году объём венчурного финансирования ИИ в мире достиг 211 миллиардов долларов — на 85% больше, чем в 2024 году, — и составил около 50% от всего мирового венчурного финансирования. При этом в 2024 году, по данным международной исследовательской компании Precedence Research, более 34% рынка генеративного ИИ пришлось на сегмент медиа и развлечений. Заметные игроки этого рынка: Meta*, Amazon, Alphabet, Microsoft — потратили на ИИ-инфраструктуру более 400 млрд $ в 2025 году. Это технологические гиганты как раз используют для своей работы рекламные алгоритмы и поисковые рекомендации.

Потребительский сегмент ИИ доминирует на рынке ИИ-приложений по ряду причин:

1. Доступность данных. Любой ИИ-специалист или команда зависят от массивов информации, на которых можно обучать модели. Сегодня такие данные в наибольшем объёме сконцентрированы именно в потребительском секторе: это открытая или относительно доступная среда, в которой можно быстро собрать и протестировать решение. Поэтому талантливые разработчики и предприниматели в первую очередь идут туда, где есть данные.
2. Низкая цена ошибки. Если алгоритм ошибётся в рекламе, пользователь просто увидит нерелевантное объявление. Это не критично и не имеет серьёзных последствий, в отличие, например, от ошибки в медицинском диагнозе, расчёте пенсии или распределении бюджетных средств. Поэтому новые технологии сначала массово обкатываются там, где риск минимален.
3. Высокая скорость окупаемости. Максимально короткий путь от идеи до выручки: можно быстро запустить продукт и сразу получить платящих пользователей. В более сложных сферах, особенно связанных с государственным управлением и социальной сферой, цикл внедрения длиннее: требуется доступ к данным, регуляторное согласование, инфраструктура. Это снижает интерес инвесторов, которые ориентируются на быстрый возврат капитала.

Несмотря на то что более 90% всех ресурсов ИИ — денег, талантов, вычислительных мощностей и самих решений — приходятся на потребительский ИИ, далеко не все такие решения действительно значимы для общества. Сложно говорить о высокой общественной ценности, например, в том, что алгоритмы всё точнее подбирают пользователю короткие видео в соцсетях, удерживая внимание и формируя зависимость.

С учётом ограниченности финансовых и человеческих ресурсов гораздо важнее смещать усилия в другие области и применять технологии там, где они могут решать более значимые задачи.

ИИ для реального сектора: рынок без лидеров и с максимальным потенциалом

Около 10% сервисов искусственного интеллекта в мире сегодня относятся к ИИ реального сектора. Это технологии, которые применяют в ключевых для экономики и общества сферах — государственном управлении, здравоохранении, промышленности, энергетике и транспорте, — где основной эффект измеряется не вовлечённостью пользователей, а экономическими и социальными результатами.

Например, ИИ для реального сектора помогает управлять складскими запасами: он снижает остатки товаров и повышает их доступность. В социальной сфере, например в государственных аптеках, это означает меньше замороженных бюджетных средств и более равномерное распределение лекарств, что повышает доступность препаратов.

ИИ может помочь справиться и с дефицитом кадров в образовании. Речь не о замене учителя, а о дополнении там, где его нет. Технологии уже позволяют создавать цифровых преподавателей, которые могут объяснять материал и выстраивать индивидуальные образовательные траектории для учеников.

По данным ЮНЕСКО, сегодня в мире не хватает около 70 млн учителей. Если экстраполировать эту цифру на Россию, дефицит может составлять порядка 1 млн специалистов. Это напрямую влияет на качество образования: либо ученики недополучают знания, либо учителя работают с перегрузкой. В России особенно остро проблема проявляется в сельских школах, где часто просто некому вести отдельные предметы, например информатику.

Подобные ИИ-решения уже тестируются — например, эксперимент проводится в Челябинской области. В рамках него ИИ-преподаватели работают в сельских школах и обучают людей старшего возраста цифровой грамотности. Пока это реализуется как социальный проект. Но при системной поддержке и доступном финансировании такие решения можно масштабировать и существенно снизить дефицит преподавателей, вплоть до создания миллионов цифровых учителей по ключевым предметам.

В США структура инвестиций смещена в сторону частного капитала — примерно 30 к 1 по отношению к государственным вложениям. Инвесторы идут туда, где быстрее возврат: в рекламу, генеративный контент, пользовательские сервисы. При этом доступ к государственным и персональным данным жёстко ограничен, что сдерживает развитие ИИ в социально значимых задачах.

В Китае модель иная. Здесь, наоборот, доминируют государственные инвестиции — около 6 к 1 по отношению к частным. На первом этапе государство дало большому числу компаний доступ к ресурсам — кредиты под 1% — и не ограничивало направления применения технологий. Бизнес начал с потребительского сегмента, где проще запускать продукты и накапливать экспертный опыт. Это позволило создать сильные решения и вывести на рынок конкурентоспособные модели, например DeepSeek. Теперь в Китае перешли к следующему этапу: постепенному смещению фокуса в сторону ИИ для реального сектора. Государство уже формирует условия, при которых компании начинают применять накопленные технологии в более сложных задачах — от промышленности до управления инфраструктурой.

В России практически нет компаний, которые развивают ИИ для реального сектора. Причина в условиях, в которых такие проекты вынуждены существовать:

• ограниченный доступ к данным. Данные в здравоохранении, транспорте, ЖКХ и образовании сосредоточены в государственных системах. При этом доступ к ним закрыт и фактически монополизирован. Частные компании не могут работать с этими массивами, если не встроены в ограниченный круг игроков. В результате данные существуют, но не используются для создания новых решений.
• высокие процентные ставки по кредитам. Финансирование проектов обходится слишком дорого: ставки могут достигать 30% годовых. В таких условиях невозможно развивать долгосрочные инфраструктурные решения — экономика проекта просто не сходится.

В итоге формируются фактически запретительные условия для появления компаний в сфере ИИ для реального сектора. При этом в России есть все предпосылки для развития искусственного интеллекта в этом направлении: сильная математическая школа, специалисты, сами данные, технологии (для решения прикладных задач можно использовать уже существующие модели, в том числе открытое программное обеспечение). Однако пока что российскому разработчику проще пойти в коммерческую компанию и заниматься оптимизацией рекламы или пользовательского опыта, чем работать с государственными системами, где нет ни данных, ни понятной модели окупаемости.

До 5,5% ВВП в России: в каких сферах ИИ даёт максимальный вклад в экономику

На мировом рынке распространено заблуждение, что экономический эффект от ИИ для реального сектора существенно ниже, чем от потребительского искусственного интеллекта. Но здесь важно учитывать разницу в подходах к оценке. В потребительском сегменте эффект измеряется через расходы пользователей и уровень вовлечённости. В ИИ для реального сектора — через рост производительности, снижение издержек и улучшение качества услуг.

Разница видна на простом сравнении. Рост реалистичности генеративного видео на 1% повышает вовлечённость в соцсетях, но не даёт значимого эффекта для экономики. Повышение точности диагностики серьёзных заболеваний на тот же 1% приводит к системному результату: больше спасённых жизней, выше качество и продолжительность жизни, более стремительный рост экономической активности.

Аналогичная ситуация с рекламой. Улучшение таргетинга влияет на показатели отдельных компаний, но не сопоставимо по масштабу с эффектом от ИИ-решений в здравоохранении, транспорте или промышленности, где изменения распространяются на всю экономику.

Примеры применения ИИ для реального сектора в разных странах подтверждают его существенный эффект на экономику:

• в Великобритании пилотные проекты Национальной службы NHS показывают, что ИИ экономит до 43 минут рабочего времени в день на одного сотрудника. При масштабировании это даёт сотни тысяч часов экономии ежемесячно;
• в Сингапуре ИИ-система SELENA+ для диагностики диабетической ретинопатии позволяет обследовать 120–200 тыс. пациентов в год и проводить анализ в 360 раз быстрее врача.

По оценкам экспертов консалтинговой компании «Яков и Партнёры» и «Яндекса», к 2030 году вклад ИИ в экономику России может составить 7,9–12,8 трлн рублей в год, или до 5,5% ВВП. Среди основных отраслей, в которых наиболее эффективно внедряются технологии, — электронная торговля, ИТ, телеком, банки и страхование, строительство, медицина и промышленность.

Не догонять OpenAI: какая ИИ-стратегия нужна России

Россия практически не может конкурировать с США и Китаем в потребительском ИИ из-за масштаба инвестиций:

• частные ИИ-инвестиции в США составили 109 млрд $ в 2024 году;
  
  
• государственные ИИ-программы Китая — десятки миллиардов долларов;
  
  
• ЕС объявил о запуске программы, которая предусматривает вложение 200 млрд € инвестиций в ИИ.

Для сравнения: на реализацию федерального проекта «Искусственный интеллект» в 2025 году в России выделили около 7,7 млрд рублей (≈85 млн $). Это примерно столько, сколько Китай инвестирует в ИИ за один рабочий день.

Но, по моему мнению, России и не нужно гнаться за другими странами и стремиться создавать свой «свой OpenAI». Целесообразнее ответить на вопрос: какой ИИ-сегмент стране выгоднее развивать. Я считаю, в условиях ограниченности ресурсов в интересах экономики, государства и общества лучше сфокусироваться на развитии ИИ для реального сектора. Для этого нужно:

1. Открыть и предоставить равный доступ к государственным данным. Он должен быть конкурентным для десятков команд, а не для нескольких корпораций. Пока что работать с государственными данными могут только государственные информационные системы и компании, которые прошли сложные процедуры согласования и сертификации. Это резко ограничивает круг участников и тормозит развитие собственных решений.
2. Запустить длинный и дешёвый капитал для ИИ. Нужно создать условия, по которым государство будет предоставлять кредиты на срок в 10–20 лет с процентной ставкой в 1–2%. Важно, чтобы такое финансирование получали 15–20 конкурирующих ИИ-команд, а не один национальный чемпион.

Даже при наличии данных и финансирования ставка на одного национального игрока не сработает. Одна компания, даже масштаба крупнейших корпораций, не способна в одиночку обеспечить технологический прорыв. Для этого нужна экосистема.

Мировая практика подтверждает, что для успешного развития решений в сфере искусственного интеллекта нужна не компания-монополист, а высокий уровень конкуренции. В США развитие ИИ обеспечивается соперничеством между сотнями, если не тысячами стартапов и несколькими сильными игроками: OpenAI, Google, Meta*, Anthropic, xAI. Именно конкуренция между ними привела среди прочего к резкому снижению стоимости технологий за последние годы. В Канаде национальная стратегия изначально строилась на нескольких независимых центрах — ИИ-институтах Mila, Vector Institute, Amii. В Южной Корее государство также распределяет инвестиции между несколькими консорциумами, а не концентрирует их в одной структуре.

Показателен и опыт Китая: государство не назначало заранее одного лидера, а создавало условия для конкуренции. Так, например, рынок мессенджеров несколько лет развивался как поле борьбы разных компаний, и только после этого сформировался лидер — WeChat.

Обратные примеры тоже есть. В Японии пытались развивать ИИ-отрасль через одного игрока и одну технологическую парадигму. Это привело практически к нулевым коммерческим результатам и последующей ИИ-зиме.

В России доступ к данным ограничивают под предлогом защиты персональной информации. Но для ИИ важны не личные данные, а паттерны. Данные как раз можно обезличить так, что даже в случае утечки они не нанесут ущерба. Например, можно создать экспериментальный режим, в котором информация анонимизируется или хэшируется и становится доступна для работы широкому кругу команд. Это позволило бы тестировать сотни и тысячи гипотез: от управления лекарственными запасами до оптимизации транспортных систем. При этом речь не о далёком будущем. Технологически такие решения можно создавать быстро — скорее за месяцы, чем за годы. Вопрос в постановке задачи и условиях для реализации.

Если необходимые условия будут созданы, уровень сервисов в России может принципиально измениться. От рекомендаций товаров — к персонализированным государственным услугам: подбору детского сада с учётом логистики и предпочтений, оптимальному расписанию медицинских визитов, более эффективной организации повседневной жизни.

Последний шанс: сколько времени у России на свой ИИ

После ухода западных ИИ-игроков с российского рынка сегмент во многом оказался свободен. Однако в последние годы китайские компании, в том числе разработчики софта, активно ищут способы зайти на наш рынок и закрепиться. У них есть серьёзное преимущество — доступ к дешёвому капиталу. Они получают финансирование со стороны их государства под 0–1% годовых. В таких благоприятных условиях их выход на российский рынок — это не вопрос «если», а вопрос «когда».

Формально для иностранных компаний в государственном секторе в России действуют ограничения. Но на практике они обходятся через создание совместных предприятий с российскими структурами. Софт получает локальный статус и внедряется в организации. При этом он не становится по-настоящему отечественным, а его развитие остаётся зависимым от внешних игроков.

* Meta признана экстремистской организацией и запрещена на территории РФ