В рамках конференции «Tech2b Conf: путь реалиста», организованной компанией К2Тех, ведущие эксперты рынка обсудили реальный опыт запуска ИИ-инфраструктуры в российских компаниях и сформулировали ключевые условия для ее успешного развертывания.

Участники дискуссии единогласно пришли к выводу, что этап первоначального «хайпа» вокруг искусственного интеллекта пройден, и бизнес переходит к этапу прагматичного внедрения. Однако успешность таких проектов напрямую зависит от трех фундаментальных основ: оптимизированной ИТ-инфраструктуры, трансформации мышления сотрудников и качества сбора, хранения и обработки данных.

Согласно Global AI Index, Россия занимает 31-е место из 83 стран в мировом рейтинге по внедрению ИИ. Во многом это результат государственной поддержки развития искусственного интеллекта — это направление признано стратегическим на уровне национальной политики. Перед всеми компаниями стоит чёткая задача — внедрить и эффективно использовать технологии искусственного интеллекта в своей деятельности повсеместно.

В современном мире технологий создание качественной платформы и инновационных продуктов — это лишь половина успеха. Мы должны не просто внедрять передовые решения, но и активно работать над тем, чтобы каждый участник процесса понимал: искусственный интеллект — это инструмент оптимизации, который помогает нам стать эффективнее. Внутри компании мы разработали способы мотивации, а с 2026 года введем KPI по применению ИИ.
Святослав Соловьев
Директор по искусственному интеллекту в ИТ Альфа-Банк

Эксперты выделили три основных направления, для которых требуются принципиально разные подходы к построению ИИ-инфраструктуры:

  1. Функционал для бэк-офиса. Для создания агентов-помощников на базе LLM для работы таких департаментов, как юридический, финансовый и кадровый, необходима стабильная инфраструктура. Как правило, у этого направления есть четкие требования, что упрощает расчеты и внедрение.
  2. Инструментарий для R&D-подразделений. Для исследователей и разработчиков, которые постоянно генерируют и проверяют гипотезы, сложно сформировать единые требования к инфраструктуре из-за быстрой смены задач и их разнородности. Им требуется гибкая и масштабируемая on-premise среда.
  3. Работа со сложными расчетами и математическими моделями. Это ключевой вектор для отраслевых компаний, например, в логистике или авиации.
Не существует универсального ИИ-решения — каждая технология имеет свою нишу применения. Нашумевшие генеративные модели эффективны как интеллектуальные ассистенты для сотрудников, но имеют ограничения в задачах, требующих сложных вычислений. ML-модели, напротив, демонстрируют превосходство в критически важных бизнес-процессах, где необходима высокая точность, прозрачность и возможность верификации результата. Например, в авиации ML используется в системе топливной эффективности. Благодаря расчету параметров пути воздушного судна система позволяет оптимизировать расход топлива. Потенциальная экономия может достигать 8 млрд рублей в год.
Анна Смирнова
Руководитель направления ИИ АФЛТ-Системс

Эксперты отмечают, что для реализации многозадачных ИИ-проектов компании нужна гибкая инфраструктура, способная поддерживать различные технологии. Ответом на эти требования могут стать программно-аппаратные комплексы. Они позволяют разворачивать и обслуживать как генеративные модели, так и сложные ML-решения, обеспечивая основу для цифровой трансформации.

Для создания ИИ-инфраструктуры недостаточно просто поставить «железо» — нужен комплексный подход, обеспечивающий связность и интеграцию. Ключевым остается и вопрос работы с данными: они должны быть структурированы, размечены и интегрированы с учетом требований регуляторов. Поэтому мы сегментируем компании и предлагаем оптимальный вариант в зависимости от уровня ИИ-зрелости: для быстрых экспериментов имеет смысл использовать облако или песочницу в собственной ИТ-инфраструктуре. Для продуктива — полноценную гибкую инсталляцию, которая позволит быстро масштабировать аппаратную и программную среду без нарушения однородности ИТ-ландшафта.
Святослав Смирнов
Руководитель подразделения К2 НейроТех

К2 НейроТех — самостоятельное подразделение компании К2Тех, предлагающее рынку комплексные услуги по проектированию, построению, масштабированию и сопровождению ИИ-инфраструктуры и суперкомпьютерных кластеров, а также по консалтингу и обучению команд. В портфеле продуктов К2 НейроТех — три программно-аппаратных комплекса для задач высокопроизводительных вычислений (ПАК-HPC), машинного обучения (ПАК-ML) и искусственного интеллекта (ПАК-AI) с минимальным сроком внедрения. ПАКи включают в себя российские аппаратные и программные решения из реестров Минцифры и Минпромторга.

К пресс-релизам