ИИ, импортозамещение и технологический разрыв: тезисы с ЦИПР-2026
Съездила в Нижний Новгород, на очередной ЦИПР. Приняла участие в сессии «Билайна» и «Коммерсанта» «Настоящее будущее. Технологии в условиях глобального дисрапта». Модерировал дискуссию Рамаз Чиаурели с «КоммерсантЪ FM. Разговор шел в русле импортозамещения — спикеры бодро рассказывали о том, как у нас внедряются новые отечественные технологии. Если их послушать, то у нас вроде бы все хорошо. Но мне снова пришлось быть скептиком. Изложу основные тезисы своего выступления.
Импортозамещение — не значит движение вперед
Давайте будем честны: импортозамещение — это никакой не шаг вперед. Иногда это шаг назад. Мы берем те системы, которые у нас были иностранные, и пытаемся воспроизвести их российские аналоги. Пока мы топчемся и пытаемся сделать то, что в мире сделано 10, 20, 30 лет назад — мир двигается дальше в развитии технологий.
При этом внедрение готовых решений и импортозамещение в ИТ — это два разнонаправленных процесса. Особенно это заметно на примере экспорта.
ГК InfoWatch экспортирует софт за рубеж. В нынешних условиях это сложно само по себе, но есть еще одна проблема — наш технологический стек расходится с западным. В России появился свой стек технологий, свои ОС и СУБД, в мире же — иные. Нам теперь нужно поддерживать и российский стек, и западный. Западный движется вперед, тогда как Россия начинает отставать.
Дилемма open source
Подсадить весь мир на бесплатный источник технологий — гениальная идея. Именно это произошло с open source: возьмите любой проприетарный софт — вы найдете в нем решения на базе открытого исходного кода.
Сейчас процесс пошел дальше и весь мир подсаживается на бесплатный источник искусственного интеллекта. Сейчас мы внедряем решения на базе иностранных моделей ИИ. Мы не знаем, как они на самом деле работают. Соответственно, через какое-то время предстоит импортозамещать и их. То есть, опять бежать назад.
Проблематика ИИ
С ИИ вообще сложилась интересная ситуация. Когда на государственном уровне говорят про импортозамещение в ИТ, все логично и есть движение — разработка ПО, построение инфраструктуры, внедрение. Когда речь заходит про ИИ, мы слышим только про внедрение.
А внедрять нам, по большому счету, нечего. В России есть только две собственные ИИ-модели. Все остальное — иностранное. Из этого следуют риски.
Первое — подтасовка фактов. Если мы используем международную ИИ-модель — это, с одной стороны, хорошо относительно ее мощностей и возможностей. С другой — мы передаем в эту модель знания о своей инфраструктуре и о своем предприятии. Если с той стороны есть некий условный противник, который хочет нам нанести ущерб, он может это сделать очень легко.
ИИ-система обладает обратной связью и понимает, кто ей задает вопрос. Сценарий простой: вычисляется конкретное предприятие, выдача результатов работы ИИ-модели для этого предприятия заведомо компрометируется.
Второе — теневой ИИ. Допустим, сотрудники используют ИИ для решения рабочих задач на собственных устройствах или дома — это называется теневой ИИ. Отследить это на уровне организации практически невозможно. Когда мы в InfoWatch задумывались, как использовать ИИ в разработке, то провели опрос своих разработчиков. Ответ дали порядка 150 человек. Оказалось, что используются самые разные ИИ-решения, которые учесть было крайне сложно.
Как перепроверить нейросеть?
На сессии прозвучал вопрос о том, как кто-то может перепроверить результат, полученный с помощью ИИ. С точки зрения внутреннего использования — можно взять разные ИИ-модели, посмотреть, что они скажут, сравнить. Какую-то информацию можно валидировать вручную.
Но не большие данные. Проверить их нельзя — просто потому, что они большие. В России есть консорциум по доверенному ИИ, они как раз занимаются тем, чтобы выработать критерии доверия к ИИ — делают специальные тесты, выборки данных. Это не гарантированный подход, но уже хотя бы что-то.
Когда ИИ выйдет на плато продуктивности?
Другой вопрос — как понять, что ИИ вышел на плато продуктивности по Гартнеру? Если посмотреть на США, то можно увидеть, что кривая Гартнера уже загибается вниз и склоняется к разочарованию. В России мы находимся на самой вершине и все еще надеемся, что технология решит все проблемы.
Американская аналитическая компания Gartner провела исследование и разработала модель Gartner Hype Cycle. Она иллюстрирует жизненный цикл технологий и инноваций, включает пять этапов. Первый — появление перспективной технологии или концепции. Второй — пик внимания, когда формируются завышенные ожидания от потенциальных перспектив технологии. Третий — разочарование, когда становится ясно, что реальность не соответствует ожиданиям. Четвертый — выход на плато продуктивности, технология начинает находить реальные применения и приносит пользу. Наконец, пятый этап — стабилизация, когда новая технология становится рутиной в своей сфере применения.
Разочарование обычно выглядит так: оказывается, что не ИИ может далеко не все. Что его можно использовать только конкретным, очень узким образом, в ограниченных областях, с понятной оценкой рисков. Когда мы придем к этому пониманию, тогда и сможем вывести ИИ на плато продуктивности. Некоторые компании к этому уже подходят.