У России был реальный задел в машинном обучении задолго до нынешнего бума LLM. Проблема в том, что агентский ИИ вырос из другой среды: из дорогого compute, открытых API, глобальных фреймворков, рынка разработчиков и культуры быстрого запуска продуктов. В этой гонке ранняя сила Яндекса уже не превращается автоматически в лидерство.
Разрыв особенно заметен на фоне США и Китая. Там модель всё чаще воспринимают как часть системы, которая сама ищет данные, вызывает инструменты, пишет код, проверяет результат и оставляет след выполнения. В России массовые продукты вроде Алисы и GigaChat в основном остаются чатами, голосовыми помощниками или корпоративными API. Они могут отвечать, суммировать, писать текст, помогать с бытовыми задачами. Но агентская разработка требует большего: долгого контекста, вызова внешних сервисов, управления файлами, запуска кода, мониторинга ошибок и среды, где тысячи команд проверяют такие сценарии на реальных процессах.
Старт действительно был сильным
Около 2010 года у Яндекса была одна из самых заметных инженерных школ в российском интернете. Компания строила поиск, рекламу, рекомендации, карты, распознавание речи, антиспам и ранжирование. Это были задачи, где машинное обучение давало прямой денежный эффект: лучше поиск, выше клики, точнее реклама, меньше мусора.
Символом того времени стал MatrixNet, закрытая система ранжирования Яндекса на базе градиентного бустинга. Позже эта линия развития привела к CatBoost. На сайте проекта сказано, что CatBoost разработан исследователями и инженерами Яндекса, используется в поиске, рекомендациях, помощнике, беспилотных проектах и других задачах. Это не случайный учебный эксперимент: библиотека стала заметным вкладом в мировое ML-сообщество.
Но CatBoost и похожие технологии решали другой класс задач. Они хорошо работают там, где есть таблицы, признаки, метрики, ранжирование, скоринг, прогноз. Агентский ИИ вырос вокруг языковых моделей, которые умеют держать диалог, планировать шаги, работать с инструментами и запускать цепочки действий. Между сильной школой классического ML и зрелой агентской платформой лежит большой продуктовый переход.
Где Россия свернула с траектории
Российские команды не потеряли математиков и инженеров за один год. Отставание копилось по нескольким направлениям.
- Compute. Для современных языковых моделей нужны GPU-кластеры, дата-центры, сеть, питание, поставки ускорителей и инженерия обучения. Санкции, курс валют, импортные ограничения и дефицит свежих ускорителей режут темп экспериментов.
- Данные и рынок. Русский язык нужен миллионам пользователей, но глобальный рынок английских, китайских и многоязычных продуктов намного шире. Там быстрее появляются датасеты, разметка, обратная связь, платные клиенты и разработчики.
- API-экосистема. Агентам нужны инструменты: браузер, поиск, файловые хранилища, CRM, GitHub, платежи, офисные пакеты, базы данных. В США это выросло вокруг облаков и SaaS. В России многие сервисы закрыты, фрагментированы или живут внутри корпораций.
- Капитал и терпимость к провалам. Агентские продукты требуют длинной серии дорогих попыток. В США и Китае инвестор готов оплачивать десятки таких циклов. Российский рынок чаще требует ранней монетизации и меньшего масштаба риска.
В итоге сильная исследовательская команда оказывается внутри рынка, где трудно быстро проверять большие ставки. Модель можно обучить, но без облачной среды, внешних интеграций и независимых разработчиков она остаётся внутри корпоративного контура.
Почему США ушли дальше
США получили преимущество из-за связки капитала, университетов, облаков и стартапов. OpenAI, Anthropic, Google, Meta, Microsoft, Amazon и сотни небольших команд строят модели вместе со средой, где их можно подключить к поиску, файлам, браузеру, коду, тестам, корпоративным данным и платежам.
Показательный рубеж наступил, когда агент стал отдельным продуктовым классом. OpenAI в 2025 году описала агента как систему, которая самостоятельно выполняет задачи от имени пользователя, и выпустила Responses API, встроенные инструменты и Agents SDK. Там же появились web search, file search, computer use, трассировка и оркестрация нескольких агентов. Это уже не чат с красивым ответом. Это конструктор действий.
На таком фоне кодовые агенты, исследовательские агенты и офисные агенты развиваются быстрее. Разработчик может взять API, SDK, песочницу, репозиторий, observability, оплату и запустить прототип за день. Потом он смотрит, где агент ошибся: не тот tool call, плохой план, неудачный retry, слабая проверка результата. Такой цикл обучения продукта дороже обычного чат-бота, зато он даёт данные, которых нет у закрытого ассистента.
У FinTerminal уже был отдельный материал про то, как Claude Managed Agents поддерживают корпоративные песочницы и MCP-серверы. Это хороший пример направления: агенту дают изолированную среду, доступы, инструменты и правила наблюдения. Без такой инфраструктуры разговор об агентской разработке быстро упирается в демонстрационный ролик.
Почему Китай догнал быстрее
Китай стартовал позже в глобальном LLM-обсуждении, но у него было три ресурса: огромный внутренний рынок, сильная аппаратная и облачная база, а также конкуренция между Alibaba, Baidu, Tencent, ByteDance, Huawei, DeepSeek, Moonshot, Zhipu и другими командами.
Китайские модели стали заметны благодаря двум вещам: качеству ответов и снижению цены эксперимента. DeepSeek показал, что сильную reasoning-модель можно продвигать через open-weight стратегию, а Qwen быстро вырос в экосистему моделей, фреймворков и инструментов. Для разработчика это означает выбор: взять модель, поднять её локально или в облаке, подключить function calling, RAG, code interpreter, браузерное расширение, MCP и собрать прикладной сценарий.
Китайская школа не идеальна: регулирование жёсткое, экспортный контроль может усилиться, доступ к передовым чипам ограничен. Но рынок там всё равно создаёт давление снизу. Если одна команда выпустила дешёвую модель, другая отвечает более длинным контекстом, третья добавляет агента для браузера, четвёртая делает фреймворк для tool use. Такая конкуренция выталкивает разработки наружу.
Почему российские ассистенты не стали агентами
Алиса и GigaChat полезны как массовые интерфейсы: спросить, составить текст, пересказать документ, придумать идею, получить справку. Но агентская разработка оценивается по другому набору признаков.
| Критерий | Что нужно агенту | Что часто видно в российских продуктах |
|---|---|---|
| Инструменты | Вызов API, поиск, файлы, браузер, код, действия в сервисах | Диалог, генерация текста, ограниченные интеграции внутри экосистемы |
| Контроль выполнения | Трассировка шагов, retry, проверка результата, права доступа | Мало публичных средств отладки агентских цепочек |
| Разработчики | SDK, примеры, open source, песочницы, комьюнити | Ставка на B2B-контракты и закрытые сценарии |
| Масштаб тестов | Тысячи внешних команд, которые ломают продукт и находят новые кейсы | Меньше независимых команд и меньше публичных разборов ошибок |
Поэтому критика Алисы и GigaChat как отстающих продуктов имеет основание. Их проблема шире качества ответов по сравнению с топовыми американскими и китайскими моделями. Они пока не выглядят как платформа, вокруг которой разработчики массово строят автономных помощников для кода, аналитики, продаж, финансов, поддержки, документооборота и внутренних операций.
У Яндекса есть сильный поиск, браузер, облако, карты, маркетплейс, голосовой ассистент, авто и умные устройства. У Сбера есть банк, эквайринг, документы, корпоративные клиенты, ID, платежи, разработка. По набору активов они могли бы делать агентов для реальных процессов. Но часть этих активов закрыта внутри экосистем, а публичный developer-first контур слабее, чем у американских и китайских конкурентов.
Мини-чекер: есть ли среда для агентского ИИ
Этот мини-чекер оценивает среду вокруг модели. Отметьте пункты, которые реально доступны разработчику вне закрытого корпоративного договора.
Отмечено 0 из 5. Если набирается меньше трёх пунктов, модель остаётся сильным чат-ядром, но среда для агентов ещё не созрела.
Кадры тоже стали частью разрыва
У России остались сильные разработчики, математики, ML-инженеры и продуктовые команды. Но агентский ИИ требует плотной связки ролей: ML researcher, infra engineer, data engineer, product engineer, security engineer, developer advocate, designer of workflows, domain expert. Когда часть специалистов уезжает, часть работает на зарубежные компании, часть уходит в закрытые оборонные или банковские контуры, публичная экосистема теряет скорость.
Для агентского рынка особенно болезненна утечка людей, которые умеют превращать модель в developer product. Исследователь обучит модель, backend-инженер поднимет API, но агентская платформа растёт через документацию, SDK, примеры, плагины, плагины к IDE, интеграции с GitHub, Slack, Notion, Jira, Google Drive, CRM и внутренними системами. Российскому рынку не хватает такой массовой среды.
Ещё один фактор — язык. Русский рынок заставляет делать хороший русский интерфейс, но агентские фреймворки и библиотеки сначала появляются на английском. Новые подходы к tool use, MCP, code agents, browser agents, evaluation harnesses и synthetic trajectories рождаются в англоязычном open source. Китай компенсирует языковой барьер размером рынка и государственной ставкой на AI+. Россия таким масштабом не располагает.
Почему ранний задел Яндекса не спас ситуацию
Ранняя школа Яндекса дала стране доказательство: российская команда может создавать сильные ML-технологии мирового уровня. Но это был задел прошлого цикла. Тогда выигрывали команды, которые лучше работали с ранжированием, рекламой, табличными данными, речью и рекомендациями. Сейчас выигрывает тот, кто строит полный контур: модель, compute, инструменты, безопасность, разработчиков, облако, тарифы, бенчмарки, marketplace интеграций и поток реальных задач.
У Яндекса есть шанс на сильные русскоязычные продукты, у Сбера — шанс на корпоративные сценарии. Но лидерство в агентской разработке появится только при открытии контуров наружу. Нужны SDK, публичные агенты, дешёвый доступ для разработчиков, benchmark-сравнения с раскрытой методикой, нормальная документация, open-source компоненты, песочницы, встроенная трассировка, поддержка внешних API и культура публичной отладки.
США уже делают это через облака и стартапы. Китай делает через open-weight модели, внутренний спрос и быстрое копирование удачных решений. Россия пока чаще показывает ассистента как продукт для конечного пользователя. Агентская разработка начинается в тот момент, когда ассистент становится платформой для чужих продуктов. До этого момента разрыв будет сохраняться.
Что должно измениться
Сценарий отыгрывания разрыва не выглядит фантастикой, но он требует решений, которые выходят за рамки презентаций. Российским компаниям нужно меньше держать ИИ как закрытую демонстрацию силы и больше отдавать разработчикам реальные инструменты.
- сделать недорогие тарифы для агентских экспериментов, включая длинный контекст и tool calling;
- выпустить публичные SDK для агентов, браузерных задач, офисных задач и кода;
- дать песочницы с журналом действий, правами доступа и откатом операций;
- поддержать русскоязычные eval-наборы для tool use, RAG, кода, бухгалтерии, юридических документов и поддержки;
- разрешить внешним командам публиковать плагины, коннекторы и независимые разборы ошибок.
Иначе Россия останется в зоне сильных отдельных моделей и узнаваемых ассистентов. Это полезно для пользователя, который хочет задать вопрос голосом или пересказать документ. Для агентской разработки этого мало. Рынок двигает среда, где модель получает инструменты, действует, ошибается, исправляется и встраивается в чужую работу.
FAQ
Россия отстала в ИИ окончательно?
Нет. В русскоязычных задачах, поиске, речи, рекомендациях и корпоративной автоматизации у российских команд есть сильные позиции. Разрыв касается прежде всего агентского контура: открытых инструментов, SDK, compute, масштабного open source и рынка независимых разработчиков.
Почему Китай быстрее догоняет США?
Китай сочетает большой внутренний рынок, жёсткую конкуренцию технологических компаний, государственную ставку на AI и open-weight стратегию отдельных команд. Это снижает цену экспериментов и ускоряет появление прикладных фреймворков.
Алиса и GigaChat совсем бесполезны для агентов?
Нет, они могут быть частью агентских сценариев, особенно в русском языке и корпоративных задачах. Но пока они не выглядят как массовая developer-first платформа уровня OpenAI, Anthropic, Google, Qwen или DeepSeek-экосистемы.
Что должно появиться первым?
Публичный контур для разработчиков: SDK, tool calling, трассировка, песочницы, примеры, независимые тесты и доступные тарифы. Без этого даже сильная модель остаётся закрытым продуктом, а не рынком агентской разработки.
