Автоматизация машинного обучения в России: 152-ФЗ и спрос на специализацию ломают модель интеграторов

Источник, аналитический обзор российского ML-рынка, фиксирует разрыв между тем, что индустрия предлагает, и тем, чего хочет клиент. Интеграторы по-прежнему продают либо подписку на облачную модель с интерфейсом, либо локальный сервер с одной большой моделью. Клиент же, начитавшись свежих обзоров, за пять минут в чат-боте выясняет, чем RAG (дополнение модели внешними данными при каждом запросе) отличается от дообучения (fine-tuning, обучение модели на ваших примерах под узкую задачу), и приходит на встречу с конкретным запросом: «Каждая задача должна решаться отлично, и мы сами хотим запускать модели».

Почему универсальная модель больше не устраивает бизнес?

• Асимметрия информации исчезла. Раньше клиент узнавал о технологиях от подрядчика. Теперь представитель компании сам разбирается в разнице между подходами и требует специализации под конкретные данные и процессы.

• Одна модель на всё даёт посредственный результат. Модели общего назначения оптимизированы быть «достаточно хорошими во всём», а не отличными в конкретной задаче. Бизнесу нужно второе.

• Тиражировать специализированное решение нельзя. Дообученная под данные конкретной компании модель по определению не переносится в следующий проект без переделки. Это убивает классическую софтверную модель «написал один раз, продал много раз».

• Спрос на готовые инструменты при этом растёт. По прогнозу Gartner, доля корпоративных приложений со встроенными ИИ-агентами (программами, которые сами выполняют цепочку действий) вырастет до 40% к концу 2026 года против менее 5% годом ранее. Значительная часть роста идёт через low-code/no-code инструменты (конструкторы без программирования), потому что инженеров, способных строить агентные системы с нуля, физически не хватает.

• Low-code снимает кадровый голод при сборке сценариев, но бессилен там, где упирается в качество самих моделей. Оркестрационный слой (интеграции, маршрутизация вызовов между системами) растёт и никуда не денется, а вот идея одного «мозга»-монолита как источника интеллекта для всех задач уходит.

152-ФЗ отсекает прямой вызов западного облака

Автоматизация машинного обучения через вызов зарубежной облачной модели по API для российского бизнеса упирается в несколько требований 152-ФЗ сразу.

Локализация (ч. 5 ст. 18). С 1 июля 2025 года, после поправок 23-ФЗ, первичный сбор и запись персональных данных россиян через зарубежные базы прямо запрещены.

Договор поручения (ст. 6). Если данные обрабатывает облако, SaaS или модель, с обработчиком нужен оформленный договор поручения. Без него сама передача данных уже нарушение, ещё до утечки.

Уведомление Роскомнадзора (ст. 12). О трансграничной передаче персональных данных нужно уведомить РКН до её начала, если обработчик физически за пределами РФ. Эта процедура не закрывается ни локализацией, ни договором поручения.

Западные облачные сервисы в большинстве случаев не позволяют закрыть ни второе, ни третье требование. Открытые модели (open-source, модели с доступным исходным кодом), развёрнутые в российском облаке с оформленными отношениями с провайдером, закрывают требования закона. А прямой вызов зарубежного облачного API для реальных персональных данных без локального периметра остаётся источником юридического риска (здесь и далее популярное изложение логики закона, а не юридическая консультация).

Даже без персональных данных постоянное использование облачных моделей ведёт к утечке коммерческой информации: через время, нужное для дообучения, модель начнёт рекомендовать ваши подходы конкуренту, который задаст вопрос в том же чате.

Российские облака против западных API

Для аудитории, привыкшей к YandexGPT или GigaChat: эти сервисы работают в российском контуре и формально закрывают вопрос локализации. Но ключевой тезис источника не в выборе конкретного провайдера, а в том, что любая универсальная модель без дообучения под вашу задачу даст посредственный результат.

Как попробовать специализированный подход?

1. Определите задачу, а не «внедрите ИИ». Сформулируйте одну конкретную функцию: классификация обращений, анализ договоров, скоринг заявок. Автоматизация машинного обучения начинается с узкой задачи, а не с покупки сервера.

2. Проверьте, есть ли в данных персональные данные. Если да, работайте только в российском контуре: Yandex Cloud, Sber AI, VK Cloud или собственное железо на территории РФ. Оформите договор поручения с провайдером.

3. Возьмите открытую модель и дообучите на своих данных. Открытые модели (LLaMA, Mistral, Qwen и другие) можно развернуть локально и дообучить под конкретную задачу. Результат будет лучше универсального «мозга» и останется вашим.

4. Разделите оркестрацию и интеллект. Оркестрационный слой (маршрутизация между системами, вебхуки, интеграции) пусть будет общим. А модели для каждой задачи пусть будут свои, специализированные.

Что с этого прямо сейчас, по ролям?

Автору Дзена. Если вы используете ИИ для генерации текстов, универсальная модель выдаёт «средний» контент. Дообученная на ваших лучших текстах модель попадает в стиль и тему точнее. Пока дообучение доступно не всем, но понимание этого принципа поможет выбрать инструмент, а не вестись на маркетинг «один ИИ на всё».

Маркетологу. Клиенты вашей компании уже знают, что такое RAG и дообучение. Продавать «у нас есть ИИ» без конкретики по задаче и данным больше не получится. Готовьтесь формулировать, какую именно задачу закрывает ваш инструмент.

Предпринимателю в РФ. С 1 июля 2025 года требования 152-ФЗ ужесточаются. Если ваши процессы завязаны на западные API и в данных есть персональные данные россиян, пора переводить ML-инфраструктуру в российский контур. Это не вопрос патриотизма, это вопрос юридического риска.

Частые вопросы

Можно ли использовать ChatGPT или Claude для бизнес-задач с данными клиентов?

Если в данных есть персональные данные россиян, прямой вызов зарубежного API без локального периметра создаёт юридический риск по 152-ФЗ. С 1 июля 2025 года требования ужесточаются. Для таких задач нужен российский контур: Yandex Cloud, Sber AI, VK Cloud или собственный сервер.

Чем дообучение лучше универсальной модели?

Универсальная модель знает обо всём понемногу. Дообученная модель обучена на ваших конкретных данных, документах, процессах и решает именно вашу задачу. Разница как между терапевтом и профильным специалистом: терапевт поможет в целом, но кардиолог точнее поставит диагноз по вашему профилю.

Правда ли, что Россия отстаёт в ML на полтора года?

Источник оценивает среднее отставание в 1 до 1,5 года, но подчёркивает, что оно неравномерное: в одних нишах разрыв меньше, в других больше. Именно эта неравномерность и создаёт путаницу на рынке, когда клиент просит «завтрашнюю» архитектуру, а ему предлагают «вчерашнюю».