ММООЗЗГГ.ru

ИТ: кейсы, статьи и разборы, страница 8

КейсИТ

Т2 (Tele2): тендер на ИИ-ассистента разработчика в закрытом ЦОД: 15 разработчиков, отклик не более 400 мс

Простой1 мин

В феврале 2026 года оператор разместил тендер на автономного ИИ-ассистента для разработчиков, который разворачивается в закрытом дата-центре компании в Ростове-на-Дону, чтобы исходный код не покидал инфраструктуру. Требования: 15 пользователей, автодополнение с откликом не более 400 мс, шесть языков программирования. В техзадании: мультифайловый рефакторинг с точностью не ниже 85% за один проход, интеграция по протоколу MCP с базами, API и документацией, полная совместимость с VS Code, возможность выбора модели. Бюджет закупки не раскрыт; по оценке отраслевых экспертов, которую приводит каталог, GPU-инфраструктура для локального развертывания остается существенной статьей затрат. Крупный оператор формулирует локальный ИИ через измеримые требования: задержка, точность, число пользователей. Так же стоит писать техзадание на любой закрытый контур.

КейсИТ

НСИС, оператор АИС страхования: обработка обращений в 20 раз быстрее на локальной LLM, рост обращений в 1,5 раза без найма

Простой1 мин

Оператор национальной страховой информационной системы развернул большую языковую модель локально и построил на ней три контура: автоматическую обработку обращений с множественными полями, RAG-сервис технической поддержки на документах компании и ИИ-агентов в процессе разработки, включая автоматический код-ревью. Модель извлекает и структурирует данные обращений вместо ручного разбора, ответы поддержки формируются по базе знаний, для тестирования агентных сценариев поднят MCP-сервер. Скорость обработки обращений выросла в 20 раз; среднемесячный рост обращений на 11% выдерживается без снижения качества, рост в 1,5 раза год к году обработан без найма; компания избежала необходимости расширить штат в 7 раз. Одна локальная модель закрыла три контура сразу: обращения, поддержку и разработку. Железо окупается, когда его нагружают несколькими задачами.

КейсИТ

Аэропорт Пулково: ИИ-плагин безопасной разработки в закрытом контуре: точность более 90% на проверке находок и до 85% на исправлении

Простой1 мин

Служба информационной безопасности аэропорта встроила анализ кода в среду разработки, а разбор уязвимостей и исправление кода передала обученному ИИ-плагину, который работает в закрытом контуре без выхода данных наружу. Точность модели более 90% на верификации находок и до 85% на исправлении уязвимостей. Модули статического и динамического анализа дают обратную связь прямо при написании кода, модуль состава ПО проверяет зависимости по базам уязвимостей и лицензионную чистоту. Код, написанный с помощью ИИ, проверяется отдельно, последнее слово за человеком. Автоматизировано выполнение требований ГОСТ Р 56939-2024 к экспертизе исходного кода. Объект критической инфраструктуры показывает правило: чем чувствительнее данные, тем ближе модель к коду. Исходный код не покидает периметр.

КейсИТ

Минюст России: аватар-юрист с базой федеральных законов, для него обучают локальную языковую модель

Простой1 мин

Первый отечественный аватар-юрист распознает разговорную речь и консультирует по правовым вопросам; в базе знаний федеральные законы, нормативные акты и информация с сайта министерства. По состоянию на июль 2026 года специалисты обучают локальную языковую модель, чтобы ускорить работу и улучшить ответы. Аватар размещен на стенде в полный рост с сенсорным экраном, выпущена версия для VR. Задача: предварительные правовые консультации и ответы на частые вопросы. Проект 2024–2025 годов, представлен на Петербургском юридическом форуме. Числовых результатов не раскрыто. Госорган держит модель у себя и обучает ее на открытых нормативных данных: типовой путь для ведомств, где внешние API недопустимы.

КейсИТ

Digital Sector и заказчик из ИТ-инфраструктуры: ИИ-агент анализа договоров в закрытом контуре заказчика, в тестировании интегратора высвобождено 20% времени команды

Простой1 мин

Интегратор реализовал ИИ-агента для первичного анализа договоров в закрытом контуре заказчика, который проектирует и поставляет ИТ-инфраструктуру: агент извлекает и сопоставляет данные, выявляет расхождения и готовит результат для специалиста. Агентов интегратор внедрил и в собственные процессы тестирования: высвобождено 20% рабочего времени команды за спринт. До внедрения юристы вручную сверяли реквизиты и условия договоров на поставку оборудования и работы, искали противоречия. Агент выполняет последовательность операций, а не один ответ на запрос. Публикация 31 августа 2026 года. Закрытый контур не мешает агентности: агент выполняет цепочку шагов внутри периметра заказчика. Именно так мы собираем агентов на локальной модели.

КейсИТ

Т-Технологии: ИИ-ассистент для задач с деньгами на собственных моделях Gen-T, бета с 20 июля 2026

Простой1 мин

Группа разработала ИИ-ассистента для задач, связанных с деньгами и покупками, на собственных больших языковых моделях семейства Gen-T. Чтобы избежать выдумок, система опирается на верифицированные источники данных, а не только на знания модели. Бета представлена 20 июля 2026 года, полноценный запуск запланирован на осень. В планах голос, работа с изображениями и документами, анализ ссылок и учет дохода, накоплений и кредитной нагрузки пользователя при рекомендациях. В сентябре 2025 года компания уже запустила агентный режим для своей экосистемы ассистентов. Числовых результатов не раскрыто. Своя модель плюс проверенные источники: так финансовая группа снижает риск выдумок, который в облачном сервисе она не контролирует.

КейсИТ

Фаберлик: нейросетевой поиск по каталогу на локальной модели Qwen и арендованных GPU

Простой1 мин

Производитель косметики заменил классический поиск по каталогу нейросетевым: локальная языковая модель Qwen и векторный семантический поиск развернуты на GPU-инфраструктуре российского облака. Модель работает внутри контролируемой инфраструктуры, данные не передаются во внешние сервисы, затраты на обработку запросов под контролем. Устранены пустые выдачи по нестандартным запросам. Решение часть стратегии применения ИИ, которая охватывает маркетинг и документооборот. Числовых результатов не раскрыто. Локальная открытая модель на арендованных GPU в российском облаке: средний путь между покупкой сервера и зарубежным API.

КейсИТ

VK Tech: две модели уместились в 22,4 ГБ из 24 ГБ видеопамяти при контексте 65 536 токенов

Простой1 мин

Команда собрала локального ИИ-агента в закрытом контуре на связке Ollama и агентной обвязки на арендованном GPU-сервере с картой NVIDIA A30 на 24 ГБ. Модели: gpt-oss 20b (13 ГБ) для текста и инструментов и qwen3-vl 8b (6,1 ГБ) для изображений; вместе с KV-кэшем на контекст 65 536 токенов занято 22,4 ГБ. Агент правит тексты в заданных персонах, гоняет ночную очередь исследований по cron каждые 10 минут, ищет в вебе и работает с файлами в границах рабочей директории. Надежная цепочка до примерно 6 последовательных вызовов инструментов; таймаут холодной загрузки поднят выше 300 секунд; на отладку двенадцати ошибок ушел один вечер. Режим однопользовательский. Публикация 21 августа 2026 года. Точная арифметика памяти из кейса: веса плюс KV-кэш должны уместиться в видеопамять с запасом. Наш калькулятор памяти считает по той же формуле.

КейсИТ

Петрович-Тех: локальная модель на 9 млрд параметров сравнялась с облачными на задачах из 2–3 шагов: 27 прогонов

Простой1 мин

ИТ-подразделение сети строительных магазинов сравнило три модели в единой агентной обвязке с 13 виджетами аналитической панели и около 30 инструментами: облачную западную модель, облачную открытую модель на 235 млрд параметров и локальную модель на 9 млрд параметров в 4-битной квантизации на одной видеокарте. Схема: 3 сценария, 3 модели, 3 прогона, 27 запусков. Двухшаговая задача: успех во всех 9 прогонах, 32–36 секунд у всех трех. Трехшаговая задача с созданием файлов: локальная модель дала 100% точности переноса данных, западная облачная отклонилась от инструкции, открытая облачная провалила один прогон. Пятнадцатишаговая задача по 7 проектам: полностью проверяемого результата не дала ни одна модель; западная облачная создала 7 из 7 файлов с непроверяемыми данными, открытая облачная дала частичный успех в 2 из 3 прогонов, локальная 1 успех из 3 и 2 ложных рапорта о завершении. Публикация 31 августа 2026 года.

КейсИТ

ЛАНИТ: сбор требований в 4 раза быстрее, время поиска документов на 66% меньше на платформе локальных LLM

Простой1 мин

Группа разработала платформу для локального развертывания больших языковых моделей на инфраструктуре заказчика: чат и сложные конвейеры обработки документов, аудио и изображений. Дочерняя компания создала собственную модель, дообученную на русскоязычных данных, и пилотирует ее в CRM-, SRM- и HRM-проектах и корпоративных чат-ботах. Задача, которую решает платформа: при работе с облачными моделями, в том числе зарубежными, кодовая база и документы уходят за периметр. По данным группы, с LLM сбор и анализ требований ускоряется в 4 раза, разработчики выполняют вдвое больше задач, поиск нужного документа через внутренний чат-бот сократился на 66%, чат-бот в промышленной эксплуатации с лета 2025 года. Платформа держит модели на 8–14 млрд параметров на стандартном сервере, более крупные на выделенном железе, и включена в реестр российского ПО в апреле 2025 года. Денежный эффект не раскрыт. Интеграторы продают локальный ИИ как платформу: интерфейс, конвейеры, доступы, обновления. Модель в такой поставке лишь одна из частей.

КейсИТ

ETH Zurich, EPFL и CSCS, Швейцария: полностью открытая суверенная модель Apertus: 8 и 70 млрд параметров, 15 трлн токенов, более 1 000 языков

Простой1 мин

Две федеральные политехнические школы и национальный суперкомпьютерный центр выпустили полностью открытую языковую модель в двух размерах, 8 и 70 млрд параметров, обученную на 15 трлн токенов на более чем 1 000 языках, 40% данных не на английском. Разработку модели и связанные исследования обеспечили более 10 млн GPU-часов на суперкомпьютере Alps. Лицензия разрешает образовательное, исследовательское и коммерческое применение; открыты веса, данные и рецепты обучения. Авторы называют проект образцом доверенной, суверенной и инклюзивной модели; при разработке учтены швейцарские законы о защите данных и авторском праве и требования прозрачности европейского закона об ИИ. Публикация 2 сентября 2025 года. Суверенность здесь не в запрете чужого, а в открытости своего: страна опубликовала веса и данные, чтобы любой мог развернуть модель у себя.

Простыми словамиИТ

Что такое суверенный ИИ и что закон требует от бизнеса

Что такое суверенный ИИ, зависит от того, кто спрашивает: у понятия два значения. Юридическое: статус модели по закону о поддержке развития технологий ИИ, вступившему в силу 1 сентября 2026 года. Практическое: ИИ, который работает в вашем контуре и не отправляет данные наружу. Ниже оба, с датами, оговорками, ценой каждого варианта и тем, что бизнесу проверить уже сейчас. Закон принят Госдумой 8 июля 2026 года и вступил в силу 1 сентября 2026 года. Суверенная модель: разработчик российское юрлицо, он сам ведет разработку и может полностью воспроизвести ее цикл, включая обучение, а ответы модели и данные обрабатываются в дата-центрах на территории России. Национальная модель: допускает компоненты с открытыми лицензиями, включая иностранные фундаментальные модели, но серверы и данные тоже в России. Критерии классификации и правила применения вступают в силу 1 марта 2027 года; для уже созданных систем переходный период до 1 сентября 2032 года при условии обработки данных в России. С 1 марта 2027 года правительство получает право определять случаи, в которых допускаются только суверенные или национальные модели; общего запрета на иностранные модели для бизнеса нет.

РазборИТ

Локальный или облачный ИИ: пять вопросов, которые решают выбор

Спор «локальный или облачный ИИ» решается не идеологией, а пятью вопросами: можно ли выпускать данные, сколько токенов в месяц, какая нужна задержка, какое качество и кто будет обслуживать сервер. Ниже каждый с цифрой и с примером компании, которая выбрала одну из сторон, а затем третий путь, гибридная схема и проверка выбора за неделю. Если в данных исходный код, медкарты, кредитные документы или персональные данные, для которых нет договора поручения с провайдером, ответ нет. Оператор связи потребовал в тендере, чтобы код не покидал его дата-центр; московское здравоохранение развернуло языковую модель локально для медицинских данных; девелопер и банк поставили ИИ-контролера кредитной документации в изолированный контур. По оценке, которую приводит отраслевая публикация, с большинством зарубежных провайдеров договора поручения по 152-ФЗ нет. Обезличивание помогает не всегда: замена имен на метки вроде user_123 не спасает, если связь с человеком можно восстановить. Безопасные варианты по той же публикации: российская облачная платформа с договором, модель во внутренней инфраструктуре или обезличивание до отправки, при котором связь восстановить нельзя.

РазборИТ

Открытые языковые модели для локального запуска: что есть и что выбрать

Локальный ИИ стоит на открытых языковых моделях, то есть на моделях с открытыми весами: их можно скачать бесплатно и запустить на своем железе. Ниже те, что имеют смысл для русскоязычного бизнеса, с размерами, лицензиями и датами выхода, сколько стоит их запустить, где они справляются и правило выбора по задаче и памяти. Открытая модель крупного российского банка: 32 млрд параметров, лицензия Apache 2.0, гибридный режим рассуждений, выложена 18 июля 2025 года; разработчик заявляет более высокое качество на сложных запросах и экономию вычислений в 2 раза на русскоязычных запросах по сравнению с открытыми Qwen3 и DeepSeek R1-Distil. Лицензия разрешает скачивать, использовать, адаптировать и дообучать модель. Открытая модель крупного российского разработчика ИИ: 8 млрд параметров, контекст 32 000 токенов, открытые веса с 25 февраля 2025 года, разработчик отмечает, что модель не требует больших мощностей. Тот же банк держит собственное семейство моделей в своем периметре; по данным кейса, в него входят модели с открытой лицензией Apache 2.0.

РазборИТ

Сколько памяти нужно для LLM: считаем на пальцах и на реальном железе

Сколько памяти нужно для LLM, большой языковой модели, и поместится ли она в ваше железо, решает одна формула: параметры, умноженные на байты на параметр, плюс кэш контекста, плюс запас. Ниже формула с примером, ориентиры по размерам, разбор кейса, где две модели уместили в 24 ГБ видеопамяти, и что проверить до покупки, чтобы не заплатить за железо, в которое модель не влезет. Веса: число параметров, умноженное на байты на параметр: 2 байта в FP16, 1 байт в 8-битной квантизации, около 0,55 байта в 4-битной с учетом служебных данных. KV-кэш: память под контекст, растет линейно с длиной контекста и зависит от архитектуры; по нашему практическому правилу, для моделей на 8 млрд параметров это порядка 0,13 МБ на токен, на 30–70 млрд порядка 0,25–0,33 МБ на токен. Запас по нашему правилу: 10–20% на рабочие буферы и систему. Пример по формуле. Модель на 32 млрд параметров в 4-битной квантизации: 32 × 0,55 = 17,6 ГБ весов. Контекст 8 192 токена при 0,25 МБ на токен добавляет около 2 ГБ кэша. С запасом 15%, как в нашем калькуляторе, выходит около 22,5 ГБ: карта на 24 ГБ впритык, на 32 ГБ с запасом. Та же модель в FP16 заняла бы 64 ГБ одних весов, то есть серверную карту на 80 ГБ впритык или Mac с памятью от 96 ГБ.

РазборИТ

Скорость нейросети в токенах в секунду: что это значит и сколько нужно вам

Скорость нейросети в токенах в секунду показывает, сколько кусков текста модель выдает за секунду, и решает, ждет ли человек ответа. Токен это кусок слова: по данным крупного российского разработчика ИИ, у его облачной модели в одном токене в среднем 3–4 символа с пробелами, то есть страница текста в 1 800 знаков это около 450–600 токенов; у других моделей счет свой. Ниже реальные замеры на Mac и видеокартах с датами, разница между чтением запроса и генерацией ответа и правило, сколько скорости нужно для каждой задачи. Замеры сообщества llama.cpp на модели LLaMA 7B (6,74 млрд параметров) в 4-битной квантизации, таблица обновлена 25 августа 2026 года: M4 Pro с 20 ядрами GPU 50,7 токена в секунду, M4 Max с 40 ядрами 83,1, M3 Ultra с 80 ядрами 92,1, M5 Max с 40 ядрами 119,9. Обработка длинного запроса у M5 Max 3 220 токенов в секунду против 886 у M4 Max: новое поколение в 3,6 раза быстрее читает контекст. Модель 671 млрд параметров на Mac Studio M3 Ultra с 512 ГБ выдает 6,21 токена в секунду, а запрос на 8 000 токенов обрабатывает почти 15 минут.

РазборИТ

ИИ и персональные данные по закону: что можно отдавать модели и почему локальный контур снимает часть вопросов

ИИ и персональные данные по закону сводятся к трем вопросам: на каком основании и по какому договору модель обрабатывает данные, где они хранятся и доступен ли сервис из России официально. Закон 2026 года добавляет статусы моделей. Ниже по пунктам, с номерами статей и примерами российских организаций; это не юридическое заключение, его дает ваш юрист. Персональные данные это не только имя и телефон: ИНН физлица и данные из открытых реестров тоже. Отправка их в зарубежный сервис поднимает вопрос трансграничной передачи, а главная проблема, по мнению автора разбора, на который ссылается публикация, в том, что с большинством международных провайдеров языковых моделей нет договора поручения на обработку. Замена имен на токены вроде user_123 не спасает, если связь восстановима. Относительно безопасные варианты по той же публикации: российские облачные платформы с договором, модель во внутренней инфраструктуре, обезличивание до отправки.

РазборИТ

Нейросеть на MacBook: что реально запускается на ноутбуке и сколько это стоит

Нейросеть на MacBook стала простым входом в локальный ИИ: единая память до 128 ГБ, программы в один клик, тишина. Короткий ответ: ноутбук закрывает задачи одного сотрудника на моделях до 70 млрд параметров, для отдела нужен сервер. Ниже что запускается на каждом объеме памяти, скорость по замерам, цена на сегодня, расчет памяти под свою модель и границы, за которыми нужен Mac Studio или сервер. 16–24 ГБ: модели 4–8 млрд параметров в 4-битной квантизации, помощник для текста и кода, 5 ГБ на модель. 36–48 ГБ: модели 20–35 млрд, включая открытую модель одного из крупнейших банков на 32 млрд, а на 48 ГБ еще и модель зрения рядом. 64 ГБ: модели 70 млрд в 4 битах с коротким контекстом. 128 ГБ: 70 млрд с длинным контекстом, несколько моделей сразу, модели с малым числом активных параметров на 35–120 млрд. Персональный агент ИТ-руководителя банка живет на Mac на модели 35 млрд с 3 млрд активных параметров при 70 токенах в секунду.

РазборИТ

Mac Studio для нейросетей: единая память до 512 ГБ и 270 Вт вместо серверной

Mac Studio для нейросетей это способ получить 96–512 ГБ памяти для модели без серверной и трехфазного питания. Короткий ответ: команде до 5–10 человек на моделях 30–70 млрд параметров он проще и тише сервера, отделу на десятки пользователей нет. Ниже конфигурации с ценами на сегодня, потребление по данным производителя, скорость, расчет памяти и окупаемости и честные границы. M4 Max, 16 ядер CPU и 40 GPU, 128 ГБ, 1 ТБ: 886 757 ₽. M3 Ultra, 28 ядер CPU и 60 GPU, 96 ГБ, 1 ТБ: 650 797 ₽. M3 Ultra, 32 ядра CPU и 80 GPU, 512 ГБ, 4 ТБ: 3 155 392 ₽. Цены российских продавцов без учета их условий по НДС; смотрите на день покупки. Младшая M3 Ultra дешевле M4 Max почти на 236 000 ₽, но памяти у нее на 32 ГБ меньше, а потребление выше: 270 Вт против 145 Вт. Старшая M3 Ultra на 512 ГБ стоит в 3,6 раза дороже M4 Max и нужна только под модели, которые в 128 ГБ не входят. По данным производителя Mac Studio M4 Max потребляет 6 Вт в простое и 145 Вт максимум, M3 Ultra 9 Вт и 270 Вт. Одна видеокарта на 32 ГБ потребляет до 575 Вт, серверная карта до 700 Вт. При круглосуточной работе под нагрузкой M3 Ultra сжигает около 194 кВт·ч в месяц, это около 1 530 ₽ по московскому тарифу для населения 7,87 ₽; для бизнеса цена нерегулируемая и зависит от договора.

РазборИТ

Видеокарта для нейросети: память, потребление и цены в России

Видеокарта для нейросети на своем сервере выбирается по объему памяти, потом по цене, потом по скорости. Ниже пять карт, которые реально купить в России, с ценами конца сентября 2026 года, потреблением, расчетом памяти, сравнением с арендой и задачами, под которые они подходят. RTX 4090, 24 ГБ: 488 150 ₽ у одного продавца в июле 2026 года, на 30.09.2026 карты у него нет. RTX 5090, 32 ГБ: 749 990 ₽ на 30.09.2026, у того же продавца в продаже одна карта; в марте 2025 года карта стоила от 350 000 ₽, в январе 2026 около 300 000 ₽, рост объясняют спросом на видеопамять и отсутствием конкуренции. RTX PRO 6000 Blackwell, 96 ГБ: 1,08 млн ₽ в крупной сети в феврале 2026 года при цене в США 8 500–10 000 долларов. A100 80 ГБ: 1 081 772 ₽, A100 40 ГБ: 543 577 ₽. H100 SXM5 80 ГБ: 2 287 329 ₽ с НДС, в наличии. RTX 4090: 24 ГБ, 450 Вт, блок питания от 850 Вт. RTX 5090: 32 ГБ GDDR7, 575 Вт. RTX PRO 6000: 96 ГБ с коррекцией ошибок, 600 Вт. A100 PCIe: 80 ГБ, 300 Вт. H100 SXM: 80 ГБ, до 700 Вт, только в серверном шасси; H100 NVL: 94 ГБ, 350–400 Вт.

Написать в Telegram