26 июля 2026 года в России официально опубликован Федеральный закон № 243-ФЗ «О поддержке развития технологий искусственного интеллекта в Российской Федерации». Он вводит категории суверенных и национальных больших ИИ-моделей, позволяет государству поддерживать их разработчиков и дает правительству право определять сферы, где разрешено применять исключительно такие решения.
Главная интрига закона находится не в маркировке нейросетевых роликов и даже не в доступе разработчиков к государственным данным. Правительство получает юридический инструмент, с помощью которого иностранные модели можно постепенно вытеснить из государственных информационных систем, банков, энергетики, медицины, транспорта и других чувствительных отраслей.
Проблема в том, что технологическую независимость можно ввести постановлением, а конкурентоспособную модель — нельзя. Если российская нейросеть выполняет задачу хуже зарубежной, обязательное использование не сокращает отставание. Оно переносит его стоимость на организации, сотрудников, бюджет и граждан.
Что именно разрешает новый закон
Закон касается прежде всего больших фундаментальных моделей — систем минимум с 1 млрд параметров, которые могут служить основой для различных программ и сервисов. Небольшая модель распознавания документов, антифрод-алгоритм или специализированная система компьютерного зрения могут вообще не попасть под эту конструкцию.
Вводятся два статуса.
Суверенная модель должна разрабатываться российским юридическим лицом с контролируемым и воспроизводимым циклом разработки и обучения. Обработка запросов, работа инфраструктуры и хранение данных должны быть организованы на территории России.
Национальная модель получает более мягкий режим. Ее также должен развивать российский разработчик, однако разрешается использовать отдельные иностранные компоненты, включая решения с открытым исходным кодом. Именно эта оговорка может оказаться главным способом сохранить приемлемое качество: российская компания сможет взять открытую зарубежную архитектуру или базовую модель, адаптировать ее под русский язык и местные задачи, а затем претендовать на национальный статус.
Обе категории должны соответствовать российскому законодательству и традиционным российским духовно-нравственным ценностям. Практическое содержание этого требования пока не определено: критерии оценки, процедура проверки и основания для отказа должны появиться в подзаконных актах. Юристы уже указывали, что оценочная формулировка создает пространство для непредсказуемого правоприменения.
Правительство сможет определять случаи, когда использование других моделей не допускается. В банковской сфере такие решения должны приниматься с участием Банка России. Это означает, что закон сам по себе пока не запрещает чиновнику открыть зарубежную нейросеть и не переводит все государственные системы на GigaChat или YandexGPT. Он создает основание для последующих запретов.
Основные положения закона начинают действовать с 1 сентября 2026 года. Нормы о статусах моделей и исключительном использовании отечественных решений — с 1 марта 2027 года. Для уже работающих информационных систем предусмотрена отсрочка до 1 сентября 2032 года, но только при условии, что данные обрабатываются и хранятся в России.
Как государство технически может заставить использовать российские модели
Для этого не требуется отдельно блокировать ChatGPT, Claude или Gemini в каждой организации. Государство может использовать уже существующие механизмы регулирования и закупок.
Первый механизм — правительственный перечень. Кабмин определяет конкретные случаи, системы или отрасли, где допускаются только суверенные или национальные модели. Например, ограничение может распространяться на обработку обращений граждан, анализ медицинских документов, работу с налоговыми данными или внутренние банковские процессы.
Второй механизм — техническое задание при госзакупке. Заказчик указывает, что модель должна иметь установленный законом статус, работать в российском ЦОД, хранить данные внутри страны и проходить необходимые проверки. Иностранный сервис не допускается к тендеру независимо от его качества, стоимости и результатов тестирования.
Третий механизм — отраслевое регулирование. Банк России может закрепить требования для банков, Минздрав — для медицинских организаций, Минэнерго — для энергетики. Формально это будет выглядеть как требование безопасности, локализации или управления рисками, однако фактически рынок сузится до нескольких допущенных поставщиков.
Четвертый механизм — доступ к данным. Разработчики российских моделей смогут получать государственные данные для обучения в порядке, который определят правительство и профильные органы. Если доступ к этим массивам будет предоставляться только компаниям с нужным статусом, государственные данные станут одновременно субсидией и барьером для конкурентов.
Пятый механизм — бюджетное финансирование. Государственные организации обычно внедряют то решение, на которое выделено финансирование и которое присутствует в государственных программах цифровизации. Даже без прямого запрета зарубежной модели руководитель не станет покупать продукт, использование которого может вызвать вопросы у аудиторов, проверяющих или силовых органов.
В результате принуждение будет работать через комплаенс. Организация выберет российскую модель не потому, что она победила в тестировании, а потому, что другой выбор создает юридический риск.
Российские модели действительно отстают, но разрыв неодинаковый
Утверждение, что любая российская модель всегда хуже любой зарубежной, слишком упрощает ситуацию. YandexGPT и GigaChat могут показывать приемлемые результаты на русском языке, лучше учитывать местные реалии, работать внутри российского контура и интегрироваться с корпоративными данными без передачи запросов за рубеж.
Например, Яндекс заявляет, что YandexGPT 5.1 Pro набирает около 72% в MMLU Pro, что сопоставимо с GPT-4o в тестах, выбранных самой компанией. Однако один бенчмарк не показывает способность модели программировать, работать агентом, анализировать длинные документы, распознавать изображения, использовать инструменты и сохранять качество в сложных многоэтапных задачах.
Даже представители российского рынка признают отставание. Первый заместитель председателя правления Сбербанка Александр Ведяхин говорил Reuters, что суверенная модель на первом этапе может быть медленнее и слабее решений Anthropic, Grok или DeepSeek, но будет лучше соответствовать местным требованиям и ценностям. Ранее он оценивал отставание России от лидеров примерно в шесть–девять месяцев.
На практике разрыв особенно заметен в программировании, научном анализе, мультимодальности, автономной работе с инструментами и сложном логическом рассуждении. Это наиболее дорогие сценарии: там ценность создается не красивой формулировкой ответа, а количеством задач, которые модель выполнила правильно без вмешательства специалиста.
Для простого чат-бота разница между моделями может быть почти незаметной. Для проверки медицинских документов, поиска уязвимостей, подготовки проекта судебного решения или управления промышленным процессом дополнительные 5–10% ошибок превращаются в расходы, задержки и реальные риски.
Обязательный российский ИИ может ввести скрытый налог на производительность
Предположим, зарубежная модель правильно обрабатывает 90 из 100 документов, а российская — 75. Чтобы компенсировать разницу, организации придется чаще подключать сотрудника, запускать повторную проверку или использовать дополнительные правила.
Стоимость модели при этом может составлять лишь небольшую часть общих расходов. Основная цена ошибки — рабочее время специалиста.
Если оператор тратит три минуты на проверку каждого сомнительного результата, дополнительные 15 ошибок на каждые 100 документов дают 45 минут лишней работы. При потоке в 100 000 документов это уже 750 человеко-часов. Добавляются повторные запросы, жалобы, исправление баз и юридические расходы.
Так появляется скрытый налог на технологический суверенитет. Он не указан отдельной строкой в бюджете, но проявляется в росте штата, сроков обработки заявлений и количестве ручных операций.
Для гражданина последствия будут выглядеть бытово: дольше рассматривается заявление, чат-бот не понимает вопрос, система неправильно классифицирует обращение, медицинская подсказка требует перепроверки, а банковский антифрод чаще блокирует нормальные операции.
Госзакупки начнут оценивать происхождение модели вместо результата
Самый опасный сценарий — когда юридический статус становится важнее точности.
В нормальной закупке сначала определяют задачу: например, модель должна находить мошеннические операции с точностью не ниже установленного порога, выдерживать нагрузку и давать не более определенного количества ложных блокировок. Поставщиков сравнивают на одинаковом закрытом наборе данных.
При протекционистском подходе порядок меняется. Сначала отсеиваются все модели без статуса, затем заказчик выбирает лучшую из оставшихся. Если допустимых систем две, реальной конкуренции почти нет.
Это приведет к рынку, где крупные разработчики смогут повышать цены, медленнее исправлять недостатки и диктовать условия интеграторам. По оценкам участников отрасли, требования закона изначально были рассчитаны на ограниченное число компаний, способных обучать модели такого масштаба.
Государство фактически создает защищенный внутренний рынок для нескольких игроков. С одной стороны, гарантированный спрос позволяет финансировать обучение моделей и инфраструктуру. С другой — защита от конкуренции уменьшает стимул быстро догонять мировых лидеров.
Разработчик получает контракт за соответствие формальным критериям, а не за победу в открытом тестировании. При такой модели господдержка способна законсервировать отставание вместо того, чтобы его сократить.
Национальная модель может оказаться российской только юридически
Разрешение использовать иностранные open-source-компоненты делает закон реалистичнее. Создать всю технологическую цепочку с нуля — от оборудования и системного программного обеспечения до архитектуры, датасетов и инструментов обучения — крайне сложно.
Вероятен следующий сценарий: российская компания берет открытую китайскую, американскую или международную модель, дообучает ее на русских данных, размещает в российском ЦОД и получает статус национальной.
Формально требование выполнено. Запросы не отправляются иностранному API, данные хранятся в России, обновление контролирует российское юридическое лицо.
Но технологическая зависимость сохраняется. Базовая архитектура, исследования, инструменты обучения и часть программного стека остаются иностранными. Вместо зависимости от закрытого API возникает зависимость от зарубежного open source.
Такой вариант все равно безопаснее для чувствительных данных: поставщик иностранного сервиса не видит запросы и не может дистанционно отключить локально развернутую модель. Однако называть эту конструкцию полной технологической независимостью нельзя.
Скорее всего, именно национальные, а не полностью суверенные модели станут массовым решением. Они позволяют совместить локальное хранение данных с доступом к мировым разработкам.
Сотрудники начнут пользоваться иностранными моделями тайно
Когда официальный инструмент заметно хуже привычного, возникает теневой контур.
Сотрудник получает слабый результат во внутреннем российском сервисе, копирует текст в зарубежную нейросеть через личный аккаунт, получает нормальный ответ и возвращает его в корпоративную систему. Запрет формально соблюдается на уровне закупки, но нарушается на уровне повседневной работы.
Это может ухудшить информационную безопасность. При официальной интеграции организация контролирует журналы запросов, права доступа, обезличивание данных и список разрешенных операций. При теневом использовании сотрудник вручную отправляет документы в неизвестный аккаунт.
Чем больше разрыв в качестве, тем выше стимул обходить ограничения. Поэтому простое запрещение иностранных моделей без конкурентоспособной замены способно увеличить утечки, а не сократить их.
Похожая проблема уже известна по корпоративному программному обеспечению: если официальный инструмент мешает работе, сотрудники переходят в личные мессенджеры, таблицы и облачные диски. С нейросетями цена ошибки выше, потому что в запрос могут попасть персональные данные, коммерческая тайна или внутренние документы.
Государственные данные могут помочь моделям — и создать новый источник утечек
Доступ к данным государственных информационных систем — потенциально самая ценная мера поддержки. У государства есть огромные массивы юридических, медицинских, транспортных, статистических, картографических и административных данных.
Но наличие данных не означает, что на них можно сразу обучать модель.
Государственные базы создавались для учета и оказания услуг, а не для машинного обучения. В них встречаются дубли, ошибки, устаревшие записи, разные классификаторы и противоречащие друг другу поля. Перед обучением данные нужно очищать, связывать, обезличивать и проверять.
Особая проблема — персональные данные. Юристы указывали, что закон предоставляет основание для доступа к государственным наборам, но подробно не объясняет, как это будет соотноситься с режимом информационных систем персональных данных.
Удалить имя и номер паспорта недостаточно. Человека иногда можно повторно идентифицировать по комбинации возраста, района проживания, профессии, диагноза и истории обращений.
Кроме того, большие модели способны запоминать отдельные фрагменты обучающей выборки. При неправильной подготовке данных конфиденциальная информация может проявиться в ответах, быть извлечена специальными запросами или попасть в промежуточные наборы.
Безопасный механизм должен включать защищенные вычислительные контуры, запрет на выгрузку сырых массивов, журналирование действий, проверку на запоминание персональных сведений и независимый аудит. Если государственные данные просто передадут избранным разработчикам, появится крупный централизованный объект для атак и злоупотреблений.
Соответствие «традиционным ценностям» может ухудшить точность
Модель можно настроить так, чтобы она отказывалась обсуждать запрещенные темы или воспроизводить определенный контент. Технически это делается через фильтры, системные инструкции, дообучение и классификаторы безопасности.
Проблема начинается, когда критерий сформулирован широко.
Модель может блокировать не вредный запрос, а медицинскую, юридическую, историческую или научную информацию, в которой встречается чувствительная тема. Чем жестче фильтр, тем выше количество ложных срабатываний.
В развлекательном чат-боте чрезмерный отказ раздражает. В государственной системе он способен повлиять на права человека. Например, модель может неправильно сократить жалобу, исключить часть медицинского анамнеза или признать допустимое обращение подозрительным.
Если соответствие ценностям станет условием допуска к государственным контрактам, разработчики будут перестраховываться. Для них безопаснее заблокировать десять допустимых запросов, чем пропустить один спорный и потерять статус.
Следствием станет не политически нейтральная модель, а система со встроенной склонностью к отказам и самоцензуре.
Маркировка ИИ-контента почти не остановит дипфейки
Платформы, сайты и приложения с суточной аудиторией более 500 000 пользователей должны будут предоставить техническую возможность помечать аудио- и видеоматериалы, созданные нейросетями. При этом пользователь сам решает, ставить отметку или нет: обязательную маркировку каждого материала в окончательную редакцию не включили.
На практике платформа может добавить переключатель «создано с помощью ИИ» при загрузке файла. Добросовестный автор его включит, мошенник — нет.
Автоматически определить происхождение материала сложно. После сжатия, перезаписи экрана, монтажа и удаления метаданных техническая отметка может исчезнуть. Детекторы нейросетевого контента также ошибаются и быстро устаревают.
Поэтому нынешняя норма скорее создает инфраструктуру для будущего регулирования. Следующим этапом могут стать обязательные машинно-читаемые метки, сохранение сведений о происхождении файла и штрафы за намеренное удаление маркировки.
Пока же у пользователя может возникнуть ложное ощущение безопасности: раз отметки нет, значит видео настоящее. Именно этим будут пользоваться создатели вредоносных дипфейков.
Что государство действительно выигрывает
Аргумент в пользу суверенного ИИ нельзя сводить к желанию ограничить иностранные технологии.
Закрытый иностранный API может изменить условия обслуживания, повысить цену, запретить работу с определенной страной или полностью отключить аккаунты. Для государственной системы такая зависимость опасна: критический сервис не должен прекращать работу из-за решения иностранной компании.
Локальная модель позволяет контролировать инфраструктуру, журналы запросов, обновления и права доступа. Ее можно запустить в изолированном контуре без подключения к интернету.
Российская система также может лучше знать местное законодательство, структуру органов власти, названия документов и особенности языка. Для узкой задачи хорошо дообученная небольшая модель иногда полезнее дорогой универсальной нейросети.
Поэтому идея использовать контролируемые модели в обороне, безопасности, работе с государственной тайной и критической инфраструктуре имеет рациональное основание. Ошибка закона может состоять не в самом принципе, а в слишком широком распространении этого принципа на задачи, где иностранная модель не получает конфиденциальных данных и дает значительно лучший результат.
Три сценария реализации закона
При мягком сценарии ограничения затронут только действительно чувствительные процессы. Государство установит открытые тесты качества, разрешит гибридные системы и предусмотрит исключения, если отечественная модель не выполняет обязательные требования. Тогда закон создаст спрос, инфраструктуру и данные для российских разработчиков без резкого падения качества.
При бюрократическом сценарии перечень чувствительных отраслей начнет расширяться, а статус модели станет главным условием закупки. Рынок поделят несколько крупных компаний, стоимость внедрения вырастет, государственные организации будут компенсировать ошибки ручным трудом. Пользователи увидят ухудшение сервисов, но связать его с выбором модели будет сложно.
При жестком сценарии российские модели станут обязательными для большей части государственного сектора, банков, образования, медицины и крупных компаний. Доступ к зарубежным сервисам начнут дополнительно ограничивать, чтобы сотрудники не обходили правила. В официальном контуре возникнет технологическое отставание, а в неофициальном — массовое теневое использование иностранных нейросетей.
Вероятнее всего, Россия пойдет по смешанному пути. В системах с секретными и персональными данными локальные модели будут обязательными. В остальных сферах ограничения будут зависеть от интересов отраслевых регуляторов и способности российских разработчиков обеспечить нужную производительность.
Какие правила могут не дать суверенному ИИ превратиться в дорогую имитацию
Происхождение модели не должно заменять измерение ее качества. Для каждой отрасли нужны публичные минимальные показатели: точность, доля ложных решений, устойчивость к атакам, скорость обработки и максимальная стоимость операции.
Если российская модель не проходит тест, организация должна иметь право использовать другое решение в защищенном контуре или применять гибридную архитектуру.
Решения, затрагивающие права граждан, нельзя полностью отдавать генеративной модели. Нейросеть может искать информацию и готовить проект, но отказ в пособии, блокировка счета, диагноз или юридически значимое решение должны проверяться человеком.
Доступ к государственным данным следует давать не компании как таковой, а конкретному проекту в защищенной среде. Разработчик не должен получать возможность скачать массив и использовать его в любых целях.
Результаты отраслевых испытаний необходимо публиковать. Иначе государство и общество не смогут понять, за что платятся бюджетные деньги и насколько обязательная модель уступает альтернативам.
Наконец, статус суверенной или национальной модели должен подтверждать контроль над инфраструктурой, а не автоматически гарантировать качество, безопасность и правдивость ответов.
Чем все это может закончиться
Новый закон может создать российским разработчикам гарантированный рынок, доступ к данным и многолетний спрос со стороны государства. Это даст деньги на обучение моделей, строительство инфраструктуры и найм специалистов.
Но государственный заказ способен развивать технологию только при наличии конкуренции и измеримых требований. Если единственным критерием станет российское происхождение, бюджет будет оплачивать не догоняющую разработку, а защищенное от конкурентов отставание.
Главный риск состоит не в том, что российская модель иногда напишет ответ хуже ChatGPT. Опаснее, если слабая система будет участвовать в распределении пособий, блокировке платежей, медицинской сортировке, проверке документов и подготовке решений, влияющих на права людей.
Суверенность решает вопрос контроля: где находится модель, кто управляет инфраструктурой и может ли иностранная компания отключить сервис. Она не решает вопрос качества: насколько модель точна, сколько допускает ошибок и способна ли выполнять задачу.
Если правительство разделит эти два критерия, закон может создать работающий защищенный контур. Если юридический статус приравняют к технологическому превосходству, Россия получит дорогую систему, в которой чиновники официально используют отечественный ИИ, а сложную работу неофициально продолжают делать иностранные модели.
