Россия не проиграла гонку ИИ из-за отсутствия математиков или инженеров. В конце 2000-х у Яндекса уже была сильная школа машинного обучения: ранжирование поиска, MatrixNet, затем CatBoost и прикладные команды вокруг рекламы, рекомендаций, распознавания речи. Разрыв появился позже, когда мир перешёл от моделей для поиска и классификации к агентам, которые читают репозиторий, запускают команды, проверяют гипотезы, работают с браузером и доводят задачу до результата. Этот разбор полезен тем, кто следит за ИИ-рынком, выбирает инструменты для разработки или пытается понять, почему Алиса и GigaChat выглядят слабее на фоне американских и китайских систем.
Короткий ответ такой: ранний ML-задел сам по себе не превращается в агентскую платформу. Для этого нужны большие языковые модели, дешёвый доступ к вычислениям, массовая среда разработчиков, облака, открытые API, платёжная инфраструктура, тестовые стенды, венчурные деньги и пользователи, которые каждый день гоняют продукт на реальных задачах. США и Китай собрали такую цепочку быстрее. Россия сохранила отдельные команды и продукты, но потеряла темп в нескольких звеньях сразу.
Что у России действительно было
Утверждение про ранний задел не миф. Яндекс в конце 2000-х был одной из редких компаний за пределами США, где машинное обучение работало в сервисах с миллионами пользователей. MatrixNet использовали для ранжирования поиска и других продуктовых задач. Позже из этой линии вырос CatBoost: в статье на arXiv 2017 года команда описала ordered boosting и обработку категориальных признаков, а сам инструмент быстро стал известен за пределами российского рынка.
Это был уровень, который нельзя списать на локальный успех. CatBoost решал прикладную боль бизнеса: табличные данные, признаки, классификация, прогнозирование, антифрод, рекомендации. Для банков, маркетплейсов, рекламы и поиска такой класс моделей давал деньги здесь и сейчас. В этом смысле Россия имела неплохую точку входа: инженеры, данные, продакшен-дисциплина, крупный поисковый бизнес, собственные дата-центры, сильные факультеты и олимпиадная культура.
Но агентский ИИ вырос из другой технологической базы. У CatBoost и MatrixNet цель обычно узкая: предсказать значение, выбрать порядок выдачи, классифицировать объект, оценить вероятность. Агенту мало предсказать следующий фрагмент текста. Он должен удерживать цель, использовать инструменты, читать файлы, менять код, запускать тесты, видеть ошибку, менять план, снова проверять результат и показывать следы работы человеку.
Почему агентская разработка требует иной машины
В 2025 году OpenAI описала Codex как облачного агента для software engineering: он получает репозиторий, работает в отдельной среде, редактирует файлы, запускает команды и тесты, а затем предлагает изменения для ревью. Anthropic в документации Claude Code описывает похожий набор действий: чтение кодовой базы, правка файлов, запуск команд, работа в терминале, IDE, браузере и внешних инструментах.
Китай пошёл тем же путём, но с сильным акцентом на открытые модели и снижение стоимости. Команда Qwen в июле 2025 года представила Qwen3-Coder как модель для agentic coding, добавила Qwen Code CLI и отдельно указала обучение на многошаговых задачах с инструментами. DeepSeek ещё в январе 2025 года показал R1 с открытыми весами и MIT-лицензией, что дало разработчикам дешёвую базу для экспериментов, локальных запусков и производных моделей.
На этом фоне Алиса и GigaChat выглядят продуктами другого класса. Они могут отвечать, пересказывать, писать текст, помогать в бытовых сценариях и корпоративных чатах. Но агентская разработка начинается там, где модель получает контролируемый доступ к среде: файловой системе, тестам, браузеру, базе знаний, тикетам, CI, GitHub или GitLab. Чат без устойчивого tool-use, длинного контекста, воспроизводимых проверок и permissions остаётся помощником для разговора, даже если он хорошо говорит по-русски.
Где Россия потеряла темп
Первый фактор — вычисления. Современные агентские модели требуют больших GPU-кластеров, а затем ещё и инфраструктуры для RL, синтетических задач, evals, песочниц и массового inference. После 2022 года доступ российских компаний к передовым ускорителям, западным облакам, сетевому оборудованию и части инженерной экосистемы стал дороже и уже. Китай тоже живёт под ограничениями, но у него больше внутренний рынок, своя электроника, Alibaba Cloud, Huawei, Tencent, Baidu, ByteDance и государственная концентрация ресурсов. США держат NVIDIA, крупнейшие облака, капитал и университетскую миграцию талантов.
Второй фактор — рынок разработчиков. Агентские coding-продукты растут там, где есть миллионы репозиториев, привычка платить за SaaS, публичные issue, pull request workflow, GitHub Actions, npm, PyPI, open-source maintainer culture. Американские компании сразу получают глобальный рынок. Китайские команды опираются на гигантский домашний рынок и активно раздают модели через Hugging Face, ModelScope, GitHub, API и CLI. Российские продукты чаще заперты в локальном контуре: ограничения платежей, санкционный риск для клиентов, меньшая англоязычная дистрибуция, слабее сеть независимых разработчиков вокруг API.
Третий фактор — продуктовая ставка. В России много лет ИИ упаковывали в голосовых ассистентов, поиск, банковских чат-ботов, скоринг, рекомендации, колл-центры и госинтеграции. Это полезные направления, но они не создают культуру автономного выполнения задач в dev-среде. Голосовой ассистент должен быстро ответить пользователю. Coding-агент должен уметь работать 10-30 минут, ошибаться, чинить свою ошибку, запускать тесты, не лезть в запретные файлы и отдавать проверяемый diff. Требования к продукту, безопасности и UX совсем другие.
Четвёртый фактор — доверие к открытости. Китайские команды поняли, что открытые веса дают им внешний аудит, тысячи интеграций и бесплатный product discovery. DeepSeek стал событием за счёт сильного reasoning, MIT-лицензии, цены API и возможности запускать производные варианты. Qwen похожим образом строит воронку через open models, CLI и совместимость с популярными инструментами. Российские модели чаще распространяются через закрытые кабинеты, корпоративные пилоты и маркетинговые заявления. Разработчик не любит ждать согласования, когда рядом есть модель, которую можно вызвать через OpenAI-compatible API за вечер.
Пятый фактор — институциональная травма Яндекса и отток людей. После 2022 года российская технологическая среда пережила релокацию, распад международных команд, продажу активов, юридические ограничения и осторожность вокруг публичных исследований. Часть сильных инженеров осталась, часть уехала, часть сменила домен. Для агентской гонки одной звёздной лаборатории мало: нужны сотни команд вокруг датасетов, IDE, браузеров, MCP-серверов, облаков, evals, security sandbox и поддержки клиентов.
Сравнение экосистем
| Параметр | США | Китай | Россия |
|---|---|---|---|
| Вычисления | Доступ к NVIDIA, облакам и капиталу | Огромные кластеры у Alibaba, Huawei, Tencent, Baidu; жёсткая оптимизация | Доступ уже, закупки дороже, меньше публичных кластеров |
| Разработчики | GitHub, SaaS, open-source, корпоративные бюджеты | ModelScope, GitHub, локальные облака, сильная конкуренция моделей | Меньше внешняя дистрибуция, локальный спрос, осторожность клиентов |
| Продуктовый фокус | Агенты в коде, браузере, офисных и бизнес-системах | Открытые модели, coding CLI, e-commerce и промышленная автоматизация | Ассистенты, банки, поиск, гос- и корпоративные сценарии |
| Обратная связь | Глобальные пользователи, тесты, PR, CI, enterprise pilots | Большой домашний рынок и быстрый цикл публикации моделей | Меньше внешних evals и независимых интеграций |
Почему Алиса и GigaChat не закрывают разрыв
Алиса родилась как ассистент внутри потребительской экосистемы: голос, поиск, музыка, умный дом, короткий ответ. Такая ДНК полезна для массового продукта, но плохо переносится в agentic software engineering. Разработчику нужна среда, где он даёт задачу вроде: найди регрессию в модуле платежей, напиши тест, проверь миграцию, покажи diff и объясни, почему риск принят. Если продукт не умеет сам двигаться по репозиторию, запускать команды и держать границы доступа, он остаётся интерфейсом к модели.
GigaChat сильнее смотрит в корпоративные сценарии: тексты, документы, внутренние базы знаний, помощь сотрудникам. Но агентская разработка требует публичной экосистемы инструментов. Нужны SDK, CLI, IDE-плагины, MCP/аналогичные протоколы, Git-интеграция, настройки разрешений, изоляция выполнения, длинный контекст, evals по реальным задачам и культура публикации результатов. Без этого модель можно встроить в чат компании, но трудно превратить в ежедневный инструмент инженера.
Здесь есть ещё одна проблема: качество модели раскрывается в тысяче мелких действий после демо. Агент теряет доверие, если он не читает инструкцию проекта, путает файлы, не запускает тесты, придумывает результат проверки или не умеет остановиться перед опасной командой. Для чат-бота такой сбой выглядит как плохой ответ. Для coding-агента это уже риск для продукта, денег и безопасности.
Почему Китай смог прыгнуть дальше
Китайские команды не имели такого свободного доступа к лучшим чипам, как США, но дефицит заставил их считать стоимость обучения и inference жёстче. DeepSeek стал символом этой линии: сильный reasoning, открытая лицензия, дешёвый API, агрессивная инженерная оптимизация. Qwen пошёл в сторону агентского кода: длинный контекст, tool-use, CLI, совместимость с уже имеющимися coding-инструментами.
У Китая есть и другой актив: огромная прикладная экономика. E-commerce, логистика, финтех, производственные цепочки, мобильные super-apps, call centers, games, education tech. Агент там быстро получает задачи с измеримым результатом: исправить баг, собрать отчёт, обработать заявку, проверить страницу, перевести бизнес-процесс в полуавтоматический режим. В России тоже есть банки, маркетплейсы и телеком, но объём независимого B2B-SaaS и глобальной интеграции меньше.
Где у России остаётся шанс
Догнать фронтирную модель общего назначения в лоб будет дорого. Более реалистичный путь — нишевые агенты, где русский язык, локальное право, бухгалтерия, госзакупки, документы, внутренние регламенты и отраслевые базы дают преимущество. Например: агент для проверки договоров по российскому праву; агент для 1С и управленческого учёта; агент для техподдержки банка; агент для подготовки отчётности; агент для промышленных инструкций; агент для локальных codebase на русском стеке.
Но такой путь требует смены поведения. Мало выпустить чат с русским интерфейсом и назвать его ИИ-помощником. Нужны открытые SDK, нормальная документация, дешёвый доступ к API, песочницы, примеры задач, публичные evals, плагины для IDE, интеграции с Git, Jira, Confluence, 1С, браузером и файловыми хранилищами. Нужны продукты, где пользователь видит ход работы агента и может проверить результат.
Для государства и корпораций вывод тоже практичный. Закупить модель недостаточно. Агентская разработка растёт из среды, где разрешены эксперименты, есть compute, есть внешние разработчики, есть право ошибиться в sandbox, есть конкуренция и есть быстрый выпуск версий. Если всё уходит в закрытый контур с согласованиями на каждый API-ключ, сильные инженеры снова будут делать прототипы для презентаций вместо продуктов, которыми пользуются каждый день.
Что смотреть инвестору и разработчику
- Умеет ли модель работать с инструментами: файлами, командами, браузером, тестами и внешними сервисами.
- Есть ли CLI, IDE-плагин, API, документация и примеры реальных задач.
- Можно ли проверить действия агента: команды, тесты, diff, источники, ограничения доступа.
- Как продукт ведёт себя на длинной задаче: сохраняет контекст, исправляет ошибки, не выдумывает успешную проверку.
- Есть ли вокруг модели независимые интеграции и open-source проекты.
Вопросы читателя
Россия совсем потеряла шанс в ИИ?
Нет. Сильные инженеры и прикладные данные остались, а локальные ниши могут дать прибыльные продукты. Но фронтирная агентская гонка требует ресурсов и дистрибуции, которые нельзя заменить одной моделью или громким запуском ассистента.
Почему ранний успех Яндекса не дал лидерство в LLM?
Потому что CatBoost, MatrixNet и ранжирование поиска относятся к другой эпохе машинного обучения. Они дали инженеров и культуру продакшена, но LLM-агенты требуют масштабного pretraining, RL на действиях, песочниц, длинного контекста, tool-use и рынка разработчиков.
Может ли Алиса стать агентом для разработки?
Теоретически да, если вокруг модели появятся инструменты разработчика: доступ к репозиториям, терминалу, тестам, правам, журналу действий и ревью. Голосовой ассистент без такой среды не станет coding-агентом за счёт одной новой модели.
Что России стоит делать первым делом?
Делать набор вертикальных агентов с проверяемым результатом: код, документы, 1С, комплаенс, техподдержка, закупки, юридические тексты. Один универсальный чат здесь слабее, чем несколько инструментов с доступом к реальной среде. Каждый агент должен показывать действия и проходить внешние проверки.
