Сравнение решений для искусcтвенного интеллекта
Обзор рынка
Российский рынок решений для ИИ развивается на двух уровнях: контейнерные платформы под ИИ/GPU-нагрузки и ИИ-платформы с готовыми моделями и инструментами для агентов. Рассмотрим ключевые тенденции и техническое сравнение решений по каждому направлению.
Контейнеры для ИИ
Российский рынок Kubernetes-платформ для ИИ-нагрузок продолжает уверенно расти вслед за общим рынком контейнеризации. Kubernetes уже стал стандартом для крупных компаний, а по мере роста внедрений ML и генеративного ИИ, увеличивается интерес именно к специализированным ИИ/GPU-редакциям таких платформ.
На фоне этого роста заметен отдельный тренд: ведущие вендоры контейнерных платформ выпускают специализированные редакции под ИИ/ML-нагрузки вместо развития единой универсальной платформы. Так появились Nova AI у Orion Soft, ИИ-модуль в Боцман у Группы Астра, а также GPU-ориентированные модули и ИИ-функциональность в решениях Флант (Deckhouse) — каждый со своим набором инструментов для управления GPU и MLOps-пайплайнами.
Техническое сравнение решений
Вендор | Orion soft | Группа Астра | Флант |
|---|---|---|---|
Решение | Nova AI | Боцман | Deckhouse Kubernetes Platform |
Выручка 2025, млн руб. | 3 500 | 20 370 (по Группе Астра) | 2 407 |
Поставка, развертывание и соответствие | |||
Установка в закрытом контуре без интернета |
При использовании внутреннего зеркала/registry | ||
Сертификат ФСТЭК |
Roadmap 2027 |
Для CSE редакций | |
Совместимость с российскими ОС | Astra Linux, РЕД ОС | Astra Linux, РЕД ОС, РОСА, ОСнова | Astra Linux, РЕД ОС, МОС ОС, ALT Linux, РОСА, SberLinux |
GPU-возможности | |||
Тарификация по потребляемым ресурсам |
Roadmap Q4 2026 |
Тарификация по API-клиентам с бюджетами |
Учет/тарификация инфраструктуры, GPU в разработке |
Переиспользование аппаратных ресурсов между задачами |
Через режимы разделения GPU | ||
Поддержка GPU-ускорителей в составе нод кластера |
Через модуль gpu | ||
Эксклюзивное выделение GPU (целая карта — одному поду/пользователю) |
Режим Exclusive | ||
Управление профилями MIG |
Для NVIDIA A100/H100 | ||
Time-Slicing / MPS (разделение GPU по доле мощности) | |||
Поддержка NVLink |
Roadmap | ||
Автоматическое масштабирование кластеров с GPU | |||
Гибкое перераспределение / квотирование GPU между командами |
Расширение «Мультиарендность» | ||
Изоляция и мультитенантность GPU-ресурсов | |||
Поддержка RDMA (RoCE/InfiniBand) |
Roadmap Q4 2026 | ||
MLOps, данные и инференс | |||
Встроенный инструментарий KubeFlow | |||
Поддержка задач длительного обучения |
Как Kubernetes / GPU workload | ||
Поддерживаемые системы распределенного обучения | KubeRay | DeepSpeed | |
Компонент версионирования (моделей/экспериментов/артефактов) | MLflow + MinIO + PostgreSQL | Mlflow | AI-models |
Компонент обучения | JupyterHub + KubeRay | PyTorch | |
Компонент составления пайплайнов (оркестрация) | Apache Airflow | Kubeflow Pipelines | Argo CD для GitOps |
Управление хранилищем S3/SDS |
Через модули sds-object/sds-elastic | ||
Инференс моделей |
Через ai-inference и container workloads | ||
Инференс моделей на нескольких видеокартах (multi-GPU) | |||
Инференс моделей на нескольких хостах (multi-host) | |||
Поддержка сетей InfiniBand (IB) для инференса |
Roadmap Q4 2026 |
Через SDN | |
Авто-масштабирование инференса по метрикам очереди и TTFT |
Autoscaling по политике / очереди возможен | ||
GenAI-функции | |||
Наличие функций для GenAI | |||
Безопасность и управление | |||
Централизованное хранилище секретов | |||
Сканер уязвимостей | • NeuVector • Cканирование AI-моделей — Roadmap Q4`2026 |
Operator-trivy | |
Совместимость с российскими ИБ-решениями | • StarVault • StarGuard AI — Roadmap Q4`2026 | • Positive Technologies — Contanier Security • Luntry • R-Vision • AT Consalting — ЦУП • MaxPatrol SIEM • SafeTech СА | |
SSO/MFA | |||
Audit as Service |
Аудит и экспорт событий;
отдельный Audit as Service отсутствует | ||
Лицензирование | |||
Модель поставки | ПО | ПО / ПАК | ПО / ПАК |
Объект лицензирования | Количество узлов / vCPU | Ядра vCPU | Количество vCPU, CPU Core или Server |
ИИ-платформы
Российский рынок ИИ-платформ для бизнеса постепенно смещается от модели «GPU как сервис» (когда бизнесу предоставляют вычислительные мощности под конкретный проект) к модели «модель как сервис» — в том числе доступ к готовым моделям по API и комплексным решениям для развертывания генеративного ИИ и AI-агентов внутри корпоративного периметра. Компании все чаще ищут не отдельную модель, а платформу, закрывающую полный цикл: от каталога моделей и RAG до конструктора агентов, безопасности и мониторинга. Во многом это связано с тем, что у большинства клиентов пока нет глубокой собственной экспертизы в ИИ: бизнес только формирует эту компетенцию и предпочитает готовые, уже интегрированные решения самостоятельной сборке платформы из отдельных компонентов.
На этом фоне крупные вендоры один за другим выпускают собственные ИИ-агентные платформы — Yandex AI Studio, VK AI Space, Астра ИИ, KageCore у AIDA Tech — каждая со своим набором моделей, инструментов для агентов и подходом к развертыванию. Также на рынке есть решение Сайбокс от Т1 — платформа для работы с ML/DL/LLM с low-code и no-code инструментами для создания агентов и чат-ботов.
Техническое сравнение решений
Вендор | AIDA Tech | Яндекс.Облако | Группа Астра | VK Tech |
|---|---|---|---|---|
Продукт | KageCore | Yandex AI Studio | Астра ИИ | VK AI Space |
Выручка 2025, млн руб. | 1 441 100 (по Яндексу) | 20 370 (по Группе Астра) | 18 800 | |
Модели и генеративный ИИ | ||||
Каталог доступных моделей | ||||
Поддержка открытых моделей | ||||
Fine-tuning / дообучение моделей (LoRA, full fine-tune) |
Реализовано дообучение LoRA отдельных моделей |
Roadmap Q2`2027 | ||
RAG «из коробки» |
Roadmap Q4`2026
| |||
Пайплайн обновления/переиндексации документов (инкрементально или полной переиндексацией) |
Автоматический
инкрементальный конвейер
требует отдельной оркестрации |
Roadmap Q4`2026 | ||
Наличие собственной (проприетарной) базовой LLM у вендора |
Roadmap Q3`2027 | |||
Наличие модели в реестре отечественного ПО | ||||
Лимиты и бюджет на вызовы модели | Частично - Есть квоты на вызовы и бюджетные уведомления через Cloud Billing | |||
Сервис вайб-кодинга и интеллектуальной разработки |
Реализовано в отдельных продуктах (Vibecraft, SourceCraft) |
Реализовано добавлением агента OpenCode в контейнер и библиотеку агентов | ||
Чат-бот сервис с поддержкой терминального агента |
Возможность подключения через API | |||
ИИ-агенты | ||||
Конструктор ИИ-агентов | ||||
Оркестрация и визуальный workflow | ||||
Создание мультиагентных систем (A2A) | ||||
Prompt hub | Библиотека агентов и скиллов | |||
MCP hub | ||||
Готовые МСР к популярным сервисам: почта, 1С, erp, jira |
Готовые шаблоны
есть для Яндекс Трекера,
amoCRM, SourceCraft и др. | |||
Память и контекст агента | ||||
Dreaming режим агента в моменты простоя |
Roadmap Q1`2027 |
Агент по расписанию / триггеру | ||
Расписание и фоновые задачи | ||||
Безопасность и соответствие | ||||
Сертификат ФСТЭК |
Roadmap Q3`2027 |
Roadmap 2027 | ||
Роли и права доступа (RBAC/ABAC) | ||||
Аудит и логирование запросов к моделям | Возможна выгрузка событий в SIEM | |||
Security-шлюз LLM (детект и блокировка вредоносных запросов, guardrails) | ||||
Ручное согласование действий агента | HITL | |||
Изоляция данных между окружениями | ||||
SSO/MFA | OIDC | |||
LLMOps: мониторинг и жизненный цикл | ||||
Версионирование и откат промптов/агентов |
Roadmap Q4`2026 | |||
Реестр используемых версий моделей (LLM model registry) |
Models API возвращает доступные идентификаторы моделей |
Roadmap Q4`2026 | ||
Автоматизированное тестирование ответов на эталонных наборах (regression-тесты) |
Roadmap Q1`2027 |
Оценка LLM-as-a-Judge — roadmap | ||
Сбор пользовательской обратной связи (лайк/дизлайк, разметка некорректных ответов) |
Roadmap Q1`2027 | |||
Трейсинг запросов (цепочка вызовов агента/RAG-пайплайна) |
Roadmap Q4`2026 | |||
Инфраструктурные возможности платформы | ||||
Мониторинг нагрузки модели(TTFT, RPS) |
Мониторинг TTFT, токены, квоты и параллельные генерации | |||
Квоты и заголовки на выдачу GPU | Квоты GPU реализованы в Compute Cloud | Квоты на токены и на бюджеты по пользователям и проектам | ||
Автоматическое масштабирование и инференс моделей под нагрузкой | ||||
Лицензирование и стоимость | ||||
Модель лицензирования | Посерверная | Паралельные генерации | Конструктор Астра ИИ [Платформа] и Корпоративный Астра ИИ [Хаб]: по кол-ву GPU Кодовый агент Астра ИИ [Код]: по пользователям | По потокам / по токенам |
Тип лицензии | Бессрочные | Бессрочные / срочные | Бессрочные / срочные | Бессрочные / срочные |
Мнение экспертов
Контейнеры для ИИ
Выбор платформы для контейнеризации ИИ-нагрузок сильно зависит от исходной инфраструктуры и требований бизнеса. Все решения на рынке прежде всего ориентированы на свою вендорскую экосистему и нацелены на нативную интеграцию — управление контейнерами, виртуализацией и ИИ-инфраструктурой из единой панели.

Nova AI хорошо впишется в инфраструктуру, где важно управлять GPU-ресурсами и классической виртуализацией из единого окна вместе с другими продуктами Orion soft. Deckhouse от Флант предлагает управление контейнерами, виртуализацией и ИИ-сервисами из единой панели поверх гибридной инфраструктуры. ИИ-модуль в Боцман от Группы Астра глубже всего интегрируется с собственной ОС и инфраструктурными продуктами вендора, что делает ее логичным выбором для клиентов, уже построивших инфраструктуру на решениях вендора.
Основные тенденции на рынке:
- переход от универсальных Kubernetes-платформ к специализированным ИИ/GPU-редакциям;
- сохранение дефициты ИТ-специалистов, отвечающих за ИИ.
Это приводит к тому, что многие клиенты рассматривают решения по контейнеризации под ИИ. Такие решения могут разгрузить специалистов и сконцентрировать их усилия на том, что приносит основной доход в ИИ-проектах, а не на поддержании текущей инфраструктуры.
Инфраструктура для ИИ-нагрузок
Ключевой слой для ИИ-нагрузок в Kubernetes — управление GPU. Большинство вендоров поддерживает MIG для аппаратного разделения карты и Time-Slicing для программного распределения мощности между задачами, а также механизмы квотирования и переиспользования ресурсов между командами и проектами.
У отдельных платформ набор технологий шире — например, у Nova AI дополнительно реализован MPS для более тонкого распределения GPU между процессами. Отдельным направлением развития становится динамическое планирование GPU-нагрузок — у Nova AI эту задачу решает планировщик на основе Volcano, автоматически распределяющий свободные ресурсы между приоритетными и экспериментальными задачами.
MLOps-контур в большинстве решений строится на схожем наборе Kubernetes-native-компонентов: оркестрация пайплайнов через Apache Airflow, трекинг экспериментов и версионирование через MLflow, инференс моделей — через KServe и аналоги. Различия между платформами чаще проявляются не в наборе компонентов, а в степени их интеграции: где-то это единый интерфейс, где-то — связка отдельных Open Source-инструментов, требующая дополнительной настройки.
Отдельное внимание уделяется вопросам безопасности ИИ-инфраструктуры: централизованное хранение секретов и учетных данных для доступа к моделям и датасетам (StarVault, Deckhouse Stronghold и аналоги), сканирование уязвимостей образов с ML-окружением и поддержка отечественных ИБ-решений становятся практически обязательным набором для enterprise-сегмента.

ИИ-платформы
Выбор AI-платформы зависит от множества факторов — от набора моделей и инструментов конкретного вендора до требований к периметру и скорости внедрения.
Yandex AI Studio опирается на собственную модель YandexGPT, алгоритмы поиска в интернете и технологии распознавания и генерации голоса — весь стек технологий Яндекса, доступный через единую платформу. VK AI Space ориентирован на построение мультиагентных систем и «цифровых сотрудников» на базе собственных моделей и корпоративных данных, с акцентом на встраивание агентов в существующие бизнес-процессы и корпоративные коммуникационные сервисы. Астра ИИ предлагает комплексную экосистему — от продукта по разработке ПО с помощью ИИ, low-code платформы по созданию агентов на базе собственного фреймворка, приложения по работе с ИИ бизнес-пользователей корпоративного уровня до единого места управления моделями, MCP-подключениями, базами знаний и механизмами безопасности. Экосистема ориентирована на клиентов, которым важно строить ИИ-контур на базе единой вендорской платформы, совместимой с остальными продуктами Группы Астра. KageCore построен как единый стек — инфраструктурный слой, шлюз безопасности LLM и платформа агентов уже интегрированы между собой, поэтому клиент разворачивает решение быстрее, чем при сборке аналогичного контура из отдельных компонентов, в том числе в сценариях с недетерминированными агентами, персональными ассистентами и self-improvement ИИ-системами.
Основные тенденции на рынке:
- ИИ-агентные платформы оформляются в отдельную продуктовую категорию — не просто доступ к модели, а конструктор, оркестрация и мультиагентные сценарии;
- растет внимание к управляемости автономных действий агентов — guardrails, подтверждение действий человеком, аудит вызовов моделей;
- появляется концепция «цифровых сотрудников» — специализированных агентов, работающих в связке и решающих сложные задачи совместно.
Возможности AI-агентов и LLMOps
Ядро большинства AI-платформ — единый программный контур, объединяющий модели, агентов и корпоративные данные под общими политиками безопасности и мониторинга.
Связь агента с внешними инструментами и сервисами всё чаще строится через протокол MCP — он даёт агенту доступ к внешним API, базам данных и корпоративным системам без отдельной интеграции под каждый сервис. Для сценариев, где несколько агентов работают над общей задачей, используется протокол A2A (agent-to-agent), обеспечивающий обмен сообщениями и координацию между ними.
Память и контекст агента опираются на векторные базы данных и эмбеддинги, поверх которых работает RAG-контур: документы и базы знаний индексируются, а при запросе агент получает релевантный фрагмент вместо всего массива данных. Часть платформ добавляет долгоживущую память, сохраняющую контекст между сессиями.
На уровне безопасности запросы к моделям проходят через LLM-шлюз — он фильтрует и логирует трафик, а критичные действия агента, например запись во внешние системы, требуют отдельного подтверждения.
Развитие AI-платформ включает в себя углубление LLMOps-контура: версионирование и откат промптов, мониторинг нагрузки на модели и трейсинг цепочки вызовов агента — пока эта функциональность распространена не так широко, как базовые возможности моделей и агентов.
Общее сравнение решений

