В первой части мы разобрали парадокс: нейросети в России есть, причём активно внедряются в бизнес и сервисы, но массового пользователя у них нет. Причём цифры это подтверждают: доля пользователей растёт, но доверие и вовлечённость остаются низкими — до 55% людей вообще не готовы доверять ИИ финансовые задачи , а часть аудитории продолжает уходить в зарубежные решения даже при ограничениях .
А почему так происходит на уровне самих технологий? Почему продукты есть, бюджеты есть, внедрение в компаниях идёт, но на уровне глобальной конкуренции разрыв только увеличивается?
С этим мы пошли к экспертам, чтобы узнать про внутреннюю кухню: инфраструктуру, деньги, продуктовую стратегию и ограничения, которые не видны снаружи. И получить ответ: когда мы увидим российские нейросети, которые смогут конкурировать с ChatGPT, Claude, Qwen и прочими.
Алена Литвинова работает как раз на стыке маркетинга и нейросетей и хорошо видит, почему все происходит так.
Комментарий эксперта
В 2025 году у «Яндекса» и других крупных российских IT-компаний действительно была мощная база для создания конкурентов ChatGPT и Gemini: огромные объемы данных, сильные инженерные школы и развитая инфраструктура. Однако к 2026 году разрыв между российскими и мировыми лидерами в сфере генеративного искусственного интеллекта (ИИ) не только не сократился, но и увеличился.
Окей, с железом, API и кадрами разобрались. Но возникает более неприятный вопрос: а даже если всё это починить, достаточно ли одного рынка, чтобы вырастить модель уровня ChatGPT? Или тут уже вопрос не технологий, а масштаба системы? С этим я пошёл к Галине Платуниной — она как раз смотрит на ИИ с позиции экономики и экосистем.
Галина Платунина
Старший преподаватель кафедры «Цифровая экономика, управление и бизнес-технологии» МТУСИ
Комментарий эксперта
Отсутствие в России сильных конкурентов системам уровня ChatGPT или Gemini связано не с одной конкретной причиной, а с сочетанием нескольких факторов-технологических, экономических и институциональных.
Пока всё звучит как стратегия и экономика. Но давайте приземлимся и посмотрим на ситуацию с точки зрения железа. Потому что без GPU это всё разговоры в стиле «хотели, но не получилось». Попросили Владислава Волкова, CTO, разложить по факту: сколько мощностей есть и сколько нужно.
Комментарий эксперта
У текущей ситуации на самом деле несколько корневых причин.
Вы скажите, почему другие видели тренд, а мы нет? Ведь GPT появился не вчера. Значит, виной всему только санкции и железо или банально ставка была сделана не туда? Максим Оганов расскажет про ИИ как про продукт в целом, без отрыва от реальности.
Комментарий эксперта
Когда в 2015 году у Яндекса действительно были сильные позиции, рынок ИИ выглядел иначе. Тогда ключевой ценностью были поиск, ранжирование и рекомендательные системы — и в этом российские компании были конкурентоспособны. Генеративный ИИ — это следующий этап развития технологий, который требует других архитектур, подходов и значительно большего масштаба вычислений.
Ярослав Климов
Ассистент кафедры гуманитарных наук Факультета социальных наук и массовых коммуникаций Финансового университета при Правительстве РФ
Комментарий эксперта
Яндекс в 2015 году действительно был в сильной позиции. Поисковый индекс, пользовательские данные, команда математиков мирового уровня, Алиса как работающий голосовой ассистент — инфраструктурно всё это было. Но инфраструктура не превратилась в продукт глобального масштаба, и причин здесь несколько, они накладывались друг на друга.
Если собрать все вместе, то мы получаем целый букет ограничений, которые усиливают друг друга.
Нехватка GPU режет возможность обучать модели с нуля → компании уходят в дообучение чужих решений → падает контроль над архитектурой → сложнее конкурировать по качеству. Параллельно ограниченный рынок не даёт масштаба: меньше пользователей — меньше данных — медленнее итерации — слабее продукт. Добавь сюда закрытые API, где вход через юрлицо и договор, — и экосистема разработчиков просто не формируется.
Бизнес действует рационально: вместо инвестиций в модели с окупаемостью 5–10 лет — быстрые B2B-решения с понятной маржой. В результате деньги идут не в фундамент, а в прикладные кейсы. Это ускоряет локальные внедрения, но фиксирует разрыв на уровне базовых технологий.
Политика и регулирование накидывают ещё один слой проблемы. Любые требования к контролю ответов означают дополнительные фильтры, а значит — ухудшение универсальности модели. Для глобального продукта это критично: чем больше ограничений, тем хуже модель масштабируется на разные сценарии.
На выходе получается понятный сценарий. В текущих условиях Россия не догоняет лидеров в сегменте универсальных LLM. Зато формируется нишевая стратегия: корпоративные модели, работа с локальными данными, безопасность, интеграции в бизнес-процессы. Там конкуренция ниже, а требования к масштабу и качеству другие.
Вопрос теперь не в том, появится ли свой ChatGPT. Вопрос в том, кто быстрее соберёт рабочую экосистему вокруг локальных моделей и начнёт зарабатывать на этом раньше остальных.
