За одну неделю мая 2026 года две крупнейшие ИИ-лаборатории объявили о запуске сервисных компаний. Сначала Anthropic вместе с инвестиционными партнерами создалакомпанию для работы со средним бизнесом. Через семь дней OpenAI представила OpenAI Deployment Company, или DeployCo — на старте партнеры вложат в нее более $4 млрд.
На первый взгляд лаборатории просто расширяют корпоративные продажи. На деле же они признают, что сильной модели уже недостаточно. Чтобы ИИ принес бизнесу измеримый результат, его нужно встроить в конкретный процесс — со всеми данными, исключениями, правами доступа и неформальными правилами.
Именно на этой «последней миле» теперь и разворачивается конкуренция. Разработчики хотят продавать не только доступ к моделям, но и способность внедрить их в повседневные процессы.
Почему моделей уже недостаточно
Показать возможности ИИ на демонстрации относительно просто. Команда берет ограниченный набор документов, выбирает несколько сценариев и за несколько недель собирает прототип.
Сложности начинаются, когда систему пытаются встроить в ежедневную работу. В реальности приходится работать с неполными данными и исключениями из правил, а часть действий согласовывать вручную. Часть решений сотрудники принимают на основе опыта, который не описан ни в одной инструкции.
Одновременно нужно настроить права доступа, аудит действий, контроль качества и порядок действий при ошибке модели — и уложить все это в приемлемый бюджет. В связи с этим пилот отвечает лишь на вопрос, способна ли технология выполнить эту задачу в принципе. Промышленное внедрение должно доказать, что весь процесс может надежно работать так каждый день.
Отчет The GenAI Divide породил популярный тезис о том, что «95% ИИ-пилотов провалились», но исследование говорит не о техническом провале. В 95% изученных организаций авторы не нашли измеримого влияния генеративного ИИ на прибыль и убытки. Иными словами, работающий прототип еще не гарантирует бизнес-результата.
Чаще проект тормозит не слабая модель, а нехватка контекста, плохая интеграция и неспособность системы учитывать обратную связь и исключения. Именно на этом разрыве OpenAI и Anthropic собираются строить новый бизнес.
Как OpenAI собирается пройти последнюю милю
OpenAI Deployment Company будет помогать компаниям находить перспективные сценарии для ИИ, перестраивать рабочие процессы и запускать системы в промышленную эксплуатацию.
Каждый конкретный проект будет начинаться не с выбора модели, а с диагностики бизнеса. Команда найдет несколько процессов, где ИИ может дать наибольший эффект, спроектирует решение, подключит данные, настроит проверки и доведет систему до ежедневного использования.
Для этого OpenAI нужны инженеры внутри команды клиента. Одновременно с запуском DeployCo компания договорилась купить британскую консалтинговую и инженерную фирму Tomoro. После закрытия сделки в DeployCo перейдут около 150 ее специалистов, в том числе forward deployed engineers, или FDE. Они соединяют модели с данными, инструментами и процессами заказчика и видят, как система работает на практике.
Контроль над DeployCo останется у OpenAI. В партнерство вошли 19 инвестиционных фондов, консалтинговых компаний и системных интеграторов, включая Bain & Company, Capgemini и McKinsey & Company. Они дают новой компании не только капитал, но и доступ к тысячам потенциальных клиентов.
Формально это похоже на технологический консалтинг. Отличие в том, что инженеры DeployCo будут напрямую связаны с командами, которые создают модели и продукты OpenAI. Клиент получит доступ не только к исполнителям проекта, но и к технологической дорожной карте поставщика.
Что OpenAI получит от DeployCo
DeployCo появляется в момент, когда OpenAI усиливает борьбу за корпоративный рынок. В апреле 2026 года компания Anthropic впервые обошлаOpenAI в индексе Ramp. Продукты Anthropic оплачивали 34,4% компаний из выборки, OpenAI — 32,3%. По оценке Menlo Ventures, в 2025 году на Anthropic пришлось 40% корпоративных расходов на API языковых моделей, на OpenAI — 27%, на Google — 21%.
Обе оценки требуют оговорок, ведь Ramp анализирует платежи собственных клиентов, а Anthropic входит в портфель Menlo Ventures, и говорить о поражении OpenAI рано. По данным самой компании, корпоративные клиенты уже приносят ей более 40% выручки. К концу 2026 года это направление может сравняться с потребительским.
Но DeployCo дает OpenAI не только новый канал продаж. Первый актив — прямой доступ к процессам клиента. Инженер, встроенный в команду, видит реальную работу: исключения, неформальные правила, ограничения старых систем и причины, по которым сотрудники обходят инструкции.
Второй актив — обратная связь для разработки. Если команды DeployCo столкнутся с одинаковыми проблемами в банках, ретейле или промышленности, OpenAI сможет превратить решения для отдельных клиентов в компоненты платформы, которые пригодятся и другим.
Третий актив — удержание клиента. Заменить модель в изолированном API относительно просто. Сменить поставщика гораздо сложнее, если вокруг его технологий уже перестроены критические процессы, права доступа, проверки и обучение сотрудников. Для OpenAI это преимущество, для клиента — риск зависимости.
Однако у такого подхода есть и фундаментальное ограничение — услуги таких инженеров трудно масштабировать. Каждый проект требует времени, отраслевых знаний и погружения в процессы. DeployCo важно не просто продавать часы консультантов, а превращать их опыт в разных проектах в библиотеку инструментов и практик, которые пригодятся разным заказчикам.
Что это меняет для российского рынка
Российские компании начали создавать команды внедрения ИИ и внутренние центры компетенций задолго до появления генеративных моделей. Но с распространением LLM внедрение не упростилось, наоборот, потребовало еще больше внимания.
Показательно, как изменился самый первый шаг — сначала надо понять, что считать хорошим результатом. С классическими моделями критерий был объективным: прогноз либо попадал в факт, либо нет. Оценка генеративных систем устроена сложнее.
Формально верный ответ может быть неполным, слишком общим или бесполезным в конкретной ситуации. Соответственно, прежде чем что-то масштабировать, приходится строить отдельный слой оценки. В итоге чем универсальнее модель, тем больше труда нужно просто для того, чтобы понимать, справляется ли она.
На основе вышеописанного недостаточно разработать ИИ-платформу и ждать, что бизнес-подразделения сами перестроят на ней свои процессы. Скорее всего, этого не произойдет, потому что при всей заинтересованности компаний, встраивание LLM в работу — сложная инженерная и исследовательская задача. Пока даже мировые гиганты лишь учатся ее решать.
При этом платформа все равно нужна, но чтобы ускорить внедрение, а не заменить его. Она может дать готовые пайплайны для подбора контекста, помочь связать модель с корпоративными системами и наладить контроль качества. Команды разметчиков соберут тестовые примеры и оценят ответы модели. Благодаря этому в каждом проекте не придется заново делать одну и ту же работу.
Однако даже самая развитая платформа не знает, как на самом деле работает конкретный бизнес-процесс. Кому-то все равно придется пройти последнюю милю: разобрать процесс по шагам, выяснить, какими правилами сотрудники руководствуются на практике, найти нужные данные, выбрать инструменты для модели и договориться, какие ошибки допустимы. Для этого недостаточно знать только возможности LLM или только предметную область. Команде нужно понимать и модель, и процесс, который она собирается менять.
Преимущество дает не сама ИИ-платформа, а способность раз за разом доводить решения на ее основе до промышленной эксплуатации. Каждое внедрение должно приносить два результата:
- измеримый эффект в конкретном процессе;
- новые компоненты платформы, которые ускорят следующий проект.
Без первого платформа останется набором технологий, без второго внедрение ИИ не получится масштабировать.
Новая граница конкуренции
Создание DeployCo не означает, что качество моделей перестало иметь значение. Но результаты бенчмарков могут измениться после следующего релиза, а знания о процессах клиента и его инфраструктура сохраняются годами.
OpenAI и Anthropic после борьбы за разработчиков, которые выбирают API, перешли на новый уровень — они хотят стать партнерами руководителей, решающих, какие процессы компания будет перестраивать вокруг ИИ. И не факт, что следующий этап гонки выиграет компания с лучшим результатом в очередном бенчмарке.