ИИ и большие данные в бизнесе требуют не только подходящей модели, но и среды, где данные можно безопасно хранить, обрабатывать и передавать алгоритмам. Разбираем, чем отличаются варианты платформ и размещения, как оценить вычислительную инфраструктуру для ИИ и какие вопросы задать перед выбором решения.

Почему выбор инфраструктуры стал отдельной бизнес-задачей

Российский рынок больших данных и ИИ по итогам 2025 года оценен в 528 млрд рублей и вырос на 20%, по данным TAdviser. Быстрее всего росла инфраструктура - на 42%. В этот сегмент входят серверы, системы хранения данных, облачная IaaS-инфраструктура и GPU как сервис.

Рост связан не только с запуском новых моделей. Компаниям нужны хранилища, инструменты подготовки данных, вычислительные мощности для обучения и работы моделей, а также средства контроля доступа. Без этой основы ИИ-проект может остаться отдельным пилотом, который не связан с учетными системами, CRM, ERP и операционными процессами.

Рынок ИИ-платформ в России в 2025 году составил 60 млрд рублей и увеличился на 36%, как указано в исследовании Ассоциации больших данных, Б1 и TAdviser. Около половины прироста обеспечил генеративный ИИ. Это означает, что при выборе решения бизнесу приходится учитывать не только классическую аналитику, но и работу языковых моделей, ассистентов и ИИ-агентов.

Что входит в платформу для ИИ

Платформа для ИИ объединяет несколько уровней. На одном уровне находятся данные: источники, хранилища, базы, каталоги и средства интеграции. На другом - инструменты очистки, подготовки, описания и поиска данных. Отдельный слой отвечают за обучение, запуск и мониторинг моделей.

В исследовании Ассоциации больших данных, Б1 и TAdviser среди ключевых компонентов названы инструменты подготовки, интеграции, описания, поиска и безопасного предоставления данных моделям. Такой набор нужен, чтобы алгоритм работал не с разрозненными файлами, а с актуальной информацией в нужном бизнес-контексте.

Для компании платформа может решать разные задачи:

  • собирать данные из ERP, CRM, сайтов, приложений и внешних систем;
  • строить отчеты, прогнозы и модели для принятия решений;
  • предоставлять данные генеративным моделям и ИИ-агентам;
  • управлять доступом, версиями моделей и журналом операций;
  • запускать решения в тестовом и промышленном контурах.

Поэтому выбор ИИ-платформы нельзя сводить к сравнению количества моделей или размера доступного вычислительного кластера. Если данные некачественные, неактуальные или недоступны модели, увеличение мощности не гарантирует лучший результат.

Облако, локальная инфраструктура или гибридная схема

Облачная инфраструктура позволяет не покупать весь набор серверов заранее и подключать вычисления по мере необходимости. В 2025 году спрос на GPU as a Service для ИИ вырос более чем в два раза, тогда как объем традиционной локальной инфраструктуры почти не изменился, по данным исследования Ассоциации больших данных, Б1 и TAdviser.

Облако подходит для быстрого старта, экспериментов и нагрузок, которые меняются по объему. Но при постоянном использовании моделей расходы включают не только вычисления. В расчет нужно закладывать хранение, передачу данных, резервирование и работу дополнительных сервисов.

Локальная инфраструктура дает больше контроля над размещением данных и сетевым контуром. Она может быть оправдана при работе с персональными данными, банковской тайной, коммерчески чувствительной информацией или большими постоянными нагрузками. При этом компании придется самостоятельно планировать закупку оборудования, обновления, эксплуатацию и загрузку мощностей.

Гибридная схема распределяет нагрузки между собственным и облачным контурами. В исследовании она описывается как среда, которую выбирают для каждой ИИ-нагрузки с учетом производительности, стоимости, задержки, защиты данных и требований к локальным вычислениям. Такой подход гибче, но усложняет интеграцию, управление доступами и мониторинг.

Как выбрать вычислительную инфраструктуру для ИИ

Начинать стоит не с выбора поставщика, а с перечня сценариев. Для аналитического отчета, обучения модели компьютерного зрения, поиска по внутренним документам и работы ИИ-агента нужны разные ресурсы и требования к задержке.

Полезно разделить нагрузки на несколько групп:

  • обучение и дообучение моделей, где важны GPU, объем памяти и длительность вычислений;
  • запуск готовых моделей, для которого критичны скорость ответа, стабильность и стоимость одного запроса;
  • хранение и обработка данных, где важны объем, пропускная способность и резервирование;
  • интеграционные и агентные сценарии, связывающие модель с CRM, ERP, базами знаний и другими системами.

После этого для каждого сценария фиксируют допустимую задержку, объем данных, требования к доступности и правила размещения. Такой расчет помогает не переплачивать за мощности для редких задач и не столкнуться с нехваткой ресурсов при росте нагрузки.

Отдельно нужно оценить, где будет храниться контекст для модели и кто получит к нему доступ. Для ИИ-агента это особенно важно: он может обращаться не к одному документу, а к нескольким корпоративным системам и выполнять действия по заданным правилам.

Какие требования предъявить к данным и безопасности

Большие данные в бизнесе ценны не сами по себе, а в связке с понятным источником, качеством и правами доступа. Перед запуском ИИ стоит проверить, кто владеет каждым массивом, как часто он обновляется, какие поля могут содержать персональные или коммерчески чувствительные сведения.

Российские компании чаще используют данные через серверы и готовые аналитические продукты, а не продают исходные массивы напрямую. Среди ограничений Коммерсантъ называет банковскую тайну, тайну связи и требования законодательства о персональных данных. Для бизнеса это означает, что внешняя модель или облачный сервис не всегда подходят для полного набора корпоративной информации.

В техническом задании на платформу стоит закрепить:

  • правила локализации и передачи данных;
  • разграничение доступа для сотрудников, сервисов и моделей;
  • порядок обезличивания чувствительной информации;
  • журналирование запросов и действий ИИ-агентов;
  • возможность удалить данные или ограничить их использование;
  • резервное копирование и восстановление после сбоя.

Без этих правил компания рискует потерять контроль над тем, какие сведения попадают в модель и какие действия выполняются на основе ее ответа.

Что это значит для бизнеса

Выбор платформы лучше оформлять как поэтапный проект. Сначала компания описывает один-два сценария с измеримым результатом, затем проверяет качество исходных данных и только после этого сравнивает варианты размещения и вычислений. В качестве пилота могут выступать поиск по внутренним документам, анализ операций, прогнозирование спроса или объединение данных из нескольких каналов.

Практические примеры показывают разные варианты. В Точка Банке сервис «Риски бизнеса» анализирует операции по счету, а «Единый кабинет селлера» объединяет данные о продажах на маркетплейсах. «Лента» использует SaaS-аналитику, которая соединяет данные программ лояльности, сайтов и ERP. В Melon Fashion Group выбор между локальной и внешней моделью зависит от конфиденциальности информации.

Для малого и среднего бизнеса часто рациональнее начать с готовой платформы или облачного сервиса, если данные можно безопасно передавать, а нагрузка пока нестабильна. Локальный или гибридный контур становится оправданным при жестких требованиях к данным, постоянной высокой нагрузке или необходимости контролировать весь цикл обработки.

Платформа и инфраструктура должны подбираться под конкретный процесс, а не под общий интерес к ИИ. Так компания заранее видит стоимость масштабирования, ограничения безопасности и объем работы, который потребуется команде после завершения пилота.