Российская отрасль работы с технологиями искусственного интеллекта по итогам 2024 года выросла в 1,5 раза.
Консолидированная выручка российских проектов, занимающихся развитием и внедрением технологий искусственного интеллекта (ИИ), по итогам 2024 года достигнет 305 млрд рублей, следует из исследования Smart Ranking.
По мнению аналитиков, реальные масштабы рынка могут быть ещё больше, поскольку исследование не охватывает компании, где ИИ не выделен как отдельное направление. Лидерами стали VK, "Яндекс" и "Газпромнефть — цифровые решения". Главные факторы роста — уход зарубежных поставщиков и поддержка со стороны государства. Наибольшая интеграция ИИ наблюдается в финансовом секторе, где его применяют уже 95% компаний.
Лидерами по динамике роста выручки остаются медицинские проекты. Интерес к внедрению ИИ проявляет и российская промышленность, однако здесь пока существуют трудности, связанные с регуляторными ограничениями и законодательной базой, отмечают в агентстве.
Двузначными темпами
Эксперты вполне уверенно прогнозируют дальнейший рост направления. Это может происходить темпами до 18–20% в год, считает директор по инновациям финтех–разработчика и интегратора Fork–Tech Владислав Лаптев. ИИ активно интегрируется в повседневную жизнь, особенно через совершенствование ИИ–ассистентов и рекомендательных систем. Поддержка государства и бизнеса дополнительно ускорит этот процесс, уверен он.
Генеральный директор IT–интегратора AWG тоже считает, что рынок будет расти двузначными темпами. Нейросети станут важным элементом для разных отраслей, таких как сельское хозяйство, промышленность и транспорт. Будут разрабатываться прикладные решения для сфер здравоохранения, торговли и финансов.
"По данным компании “Яков и Партнёры”, 67% компаний интернет–торговли уже применяют такие технологии. Интерес к ИИ подтверждается тем, что каждая вторая e–com–компания инвестирует 3–5% своего бюджета на нейросети", — аргументирует он.
В ассоциации "Руссофт" дают ещё более грандиозные прогнозы.
“
"Мы можем сравнивать рынок генеративного ИИ с другими, более зрелыми технологиями. По статистике, в периоды быстрого роста мы наблюдали прирост рынка на 40–50% ежегодно. Далее идёт снижение роста до 20% в ближайшие 3–5 лет. Однако в последние годы всё ускоряется и возможен более высокий и длительный пик роста, так как генеративный ИИ — сквозная технология, которая оказывает влияние на все отрасли в экономике", — объясняет GR–директор PIX Robotics, руководитель комитета "Руссофт" по ИИ Сергей Вотяков.
Технологический коктейль
При всём оптимизме нельзя забывать, что создание ИИ — весьма недешёвое предприятие. Впрочем, стоит учитывать, какой именно ИИ имеется в виду: сложная генеративная модель, такая как ChatGPT, или же простенький чат–бот, нейросеть, рекомендующая товары посетителю маркетплейса на основе его предыдущих покупок.
“
"Для создания ИИ нужен целый технологический коктейль: дата–центры, мощное “железо”, тонны данных и вычислительные мощности, чтобы всё это “сварить”. А ещё необходимы команды инженеров, которые смогут этим управлять. Поддержание всех этих ресурсов — весьма дорогое удовольствие", — объясняет директор департамента продуктовой разработки Innostage Евгений Федоров.
ИИ делится на несколько направлений: компьютерное зрение, обработка естественного языка (NLP), рекомендательные системы, предиктивная аналитика, генеративные модели и т. д. Каждое требует своих ресурсов и подходов к разработке, отмечает генеральный директор Into Иван Павлович.
Создание и поддержка собственной большой языковой модели (LLM) хорошего уровня стоит от 10 млрд рублей, рассказали "ДП" в пресс–службе MTS AI.
"Средний чек LLM–проекта для бизнеса без “железа” сегодня начинается с 15 млн рублей. Естественно, чат–бот для небольшого онлайн–магазина будет стоить сильно меньше, а система, которая объединяет несколько миллионов пользователей, — в несколько раз дороже. При этом в 2024 году уже появились проекты, которые окупались за несколько месяцев, — это в первую очередь чат–боты, голосовые помощники и поиск по внутренним базам данных", — добавили в компании.
Объём российского рынка корпоративных больших языковых моделей в МТС AI оценивают в 35 млрд рублей с перспективой роста на 25% ежегодно до 2028 года. В среднем эта оценка ниже мировой в 30–35% из–за таких барьеров, как санкционные ограничения, дефицит специалистов, и других.
На всём готовеньком
Обучение больших нейросетей с нуля — весьма дорогостоящий процесс, подтверждает коммерческий директор "Девелоники" (ГК Softline) Роман Смирнов. Компании, которая хочет заниматься разработкой собственного ИИ, потребуются огромные центры обработки данных (ЦОД), графические процессоры (GPU) или специализированные процессоры (TPU).
Помимо этого — средства для хранения данных, сетевые ресурсы для их передачи и интеграции с другими системами, а также инструменты для разработки и тестирования ИИ–приложений. К тому же надо учитывать стоимость набора и содержания квалифицированных сотрудников.
Помимо "железа", людей и ЦОД важны данные, на которых происходит непосредственное обучение ИИ. Дата–сеты (массивы данных) должны быть качественными, иметь систему очистки и сбора.
"Компании часто занимаются этим самостоятельно, но процесс разметки данных требует квалификации и значительных ресурсов. Мы регулярно берём на себя задачи по разметке данных для наших клиентов, что позволяет им сосредоточиться на ключевых аспектах внедрения ИИ", — добавляет Иван Павлович.
ML–архитектор Softline Digital (ГК Softline) Дмитрий Зборошенко считает, что создание генеративных моделей может быть целесообразным только для очень крупных компаний. Для всех остальных ключевой статьёй расходов являются затраты на аренду или создание специализированных ЦОДов.
От масштаба нейросети зависит и её окупаемость. Упрощённые системы, например чат–боты для автоматизации клиентской поддержки или алгоритмы анализа документов, могут окупиться уже через 6–12 месяцев, говорит руководитель отдела бизнес–автоматизации ИТ–компании SimbirSoft Матвей Соловьёв.
Окупаемость корпоративных ИИ–решений, как правило, начинается практически сразу, поскольку такие проекты нацелены на оптимизацию и повышение эффективности конкретных отделов внутри компании.
“
"Что касается крупных генеративных моделей, то на текущий момент сложно дать оценку окупаемости подобных проектов. Они часто имеют массовый характер, и вопрос окупаемости зависит как от уровня маркетинга компании–разработчика, так и от востребованности подобной системы потребителями", — говорит эксперт.
Иван Павлович отмечает, что нейросеть не обязательно собирать с нуля, тогда её стоимость снизится. "Сегодня доступны открытые модели в формате Open Source, которые можно использовать как основу, адаптируя их под конкретные задачи. Это позволяет существенно сократить бюджет, делая внедрение ИИ доступным даже для малого бизнеса. Кроме того, для небольших задач часто достаточно использовать готовые решения известных провайдеров, таких как OpenAI", — поясняет он.
"При оценке проекта нужно проверять возможность использовать текущие модели без дообучения. Стоимость проекта с дообучением моделей может кратно превышать стоимость проекта без дообучения", — подтверждает Дмитрий Зборошенко.
Использование наработок прошлых проектов и механизмы упрощения разработки действительно могут давать впечатляющий результат.
"В открытых источниках можно найти информацию о проектах, которые считались реализованными при вложениях от 500 тыс. рублей", — приводит пример Матвей Соловьёв.
