Переход искусственного интеллекта из стадии пилотных проектов в промышленную эксплуатацию изменил не только подходы к обработке данных, но и саму экономику вычислительной инфраструктуры. Евгений Мартынов, директор по информационным технологиям «Рег.облака», разбирается, из чего складывается стоимость ИИ-инфраструктуры, почему она растет и как бизнес меняет подход к вычислениям.
Последние два года российский бизнес активно осваивал искусственный интеллект, но делал это осторожно — в режиме пилотов и экспериментов на небольших наборах данных. Сейчас модели переходят из лабораторий в промышленную эксплуатацию. Банки встраивают ИИ в скоринг, ритейл — в управление ассортиментом, телеком — в поддержку клиентов. И вместе с этим переходом резко изменился счет за инфраструктуру.
Масштаб рынка показывает, насколько серьезными стали вложения. По итогам 2025 года российские компании потратили на закупку серверов для ИИ около 60 млрд руб., и это без учета аренды вычислительных мощностей, обслуживания и модернизации. Отдельно рынок аренды выделенных GPU-серверов достиг 17 млрд руб., и участники ожидают его двукратного роста в 2026 году. За этими цифрами стоит не просто увеличение объемов, а смена самой экономики работы с данными и вычислениями.
Из чего складывается счет за ИИ
Чтобы понять, почему ИИ обходится так дорого, стоит разобраться в анатомии затрат. Основу инфраструктуры для машинного обучения составляют не обычные серверы, а конфигурации с графическими ускорителями:
- GPU (Graphics Processing Unit) — графический процессор. Изначально он отвечал за обработку графики, но сегодня применяется в машинном обучении и аналитике благодаря способности параллельно обрабатывать большие массивы данных. Именно GPU выполняет основную вычислительную работу при обучении моделей и их работе с запросами.
- Видеопамять (VRAM) — память графического ускорителя. От ее объема зависит, насколько крупную модель получится разместить и обучать на одной карте. Чем сложнее модель, тем больше памяти ей требуется.
- Bare metal (выделенный сервер) — физический сервер целиком в распоряжении одного клиента, без виртуализации. Такой формат дает изоляцию вычислительной среды и предсказуемую производительность, что критично для тяжелых ИИ-нагрузок.
Средняя месячная стоимость аренды выделенной инфраструктуры с GPU для задач ИИ и машинного обучения за пять месяцев 2026 года выросла на 64% по сравнению с тем же периодом 2025 года и достигла 2,3 млн руб. против примерно 1,4 млн руб. годом ранее.
На одну компанию сегодня приходится от двух до восьми видеокарт (H200, H100, A6000, A4000) в зависимости от масштаба проекта. При этом перечисленные модели уже считаются предыдущим поколением, бизнес активно пробует решения на новой архитектуре Blackwell — датацентровые B200 и B300, а также RTX PRO 6000 Blackwell Server Edition, которые российские провайдеры уже выводят в аренду.
Почему железо дорожает
Удорожание ИИ-инфраструктуры объясняется не только спросом на сами ускорители. Дорожает вся серверная платформа, и в первую очередь — память и накопители.
С конца 2025 года контрактные цены на оперативную память пошли резко вверх, прервав долгий период стабильности. Производители переориентировали заводы на выпуск высокоскоростной памяти для дата-центров и ускорителей, и доступность обычной серверной памяти сократилась.
По прогнозам аналитиков, в первом квартале 2026 года контрактные цены на DRAM могли подскочить на 50%. Масштаб сдвига виден по структуре затрат дата-центров: если в 2023–2024 годах на память приходилось около 8% капитальных расходов, то в 2026 году этот показатель приближается к 30%.
Для России эффект выражен сильнее, чем для большинства рынков. К общему мировому дефициту добавляются санкционные ограничения и зависимость от импорта оборудования. Дефицит памяти и накопителей, высокая ключевая ставка и нехватка мест в дата-центрах — факторы, которые будут давить на рынок и дальше. В таких условиях стоимость владения собственной инфраструктурой растет быстрее, чем компании успевают ее планировать.
Сложность вместо объема
Главный парадокс рынка в том, что компании почти не наращивают число серверов с ускорителями. Растет не количество, а сложность задач — и вслед за ней премиальность конфигураций.
Бизнес отказывается от бюджетных решений в пользу высокопроизводительных. По данным аналитиков Рег.облака, доля премиальных GPU-конфигураций в общем потреблении выросла с 51% до 78%. Меняется и распределение по объему видеопамяти: почти половина запросов (46%) приходится на конфигурации до 24 ГБ, решения с 48 ГБ занимают 13,5%, а более четверти — около 27% — формируют тяжелые конфигурации от 80 ГБ.
Профиль задач заметно отличается от классической аренды сервера под корпоративный портал. Треть заказов на GPU-серверы (33%) связана с ИИ-инференсом и машинным обучением, 30% приходится на рендеринг, 25% — на тестирование и разработку, еще 12% — на обработку данных. Картина спроса говорит сама за себя: компании платят не за абстрактные мощности, а за конкретные сценарии, где модель работает постоянно и должна выдавать предсказуемый результат.
Сменился и доступ к топовому оборудованию. Карты уровня H100 и H200, еще недавно доступные в основном крупным игрокам по квотам, постепенно выходят на более широкий рынок. Отдельный интерес компании проявляют к производительности и сбалансированности всей инфраструктуры — для тяжелых задач важны не только мощные ускорители, но и быстрая память, хранение, широкие каналы связи.
Купить нельзя арендовать
Удорожание вычислений заставляет бизнес считать совокупную стоимость владения (TCO) по-новому. Собственный GPU-кластер — это крупные капитальные затраты, расходы на обслуживание и энергопотребление, а также риск, что дорогое оборудование устареет или не успеет окупиться. Когда доступ к топовым картам ограничен, а цены на компоненты растут двузначными числами, покупка «в лоб» становится рискованной. В связи с этим все больше компаний выбирают аренду как альтернативу капитальным затратам.
Однако рост интереса к выделенным серверам не означает отказа от облака — рынок четко делится по сценариям использования. Облачные сервисы выбирают для быстрого запуска проектов, тестирования и гибкого масштабирования. Выделенную инфраструктуру — для постоянных высоконагруженных систем, корпоративных приложений и специализированных вычислений, где критична стабильность и предсказуемость.
Заметную роль играет и дисковая подсистема. NVMe-накопители работают с гораздо большей скоростью и меньшей задержкой, чем традиционные диски. Это важно для ряда задач вокруг ИИ, где модели, наборы данных и промежуточные результаты вычислений нужно читать и записывать без простоев. Универсальной тенденции отказа от выделенных хранилищ здесь нет: выбор конфигурации сильно зависит от конкретного сценария.
Что дальше: главные вызовы
Сложившийся тренд на удорожание GPU-конфигураций отражает не временную конъюнктуру, а структурный сдвиг в сторону задач с применением ИИ. И этот сдвиг ставит перед бизнесом несколько вызовов на ближайшие годы.
Первый — дефицит мощностей
Если темпы роста инфраструктуры не будут поспевать за спросом, рынок может столкнуться с нехваткой оборудования и удлинением сроков поставок.
Второй — планирование бюджета
Чек за ИИ продолжит расти не столько из-за цен на железо, сколько из-за усложнения самих задач: бизнес переходит от единичных экспериментов к зрелой эксплуатации, где нагрузка постоянна и предсказуема. Это требует закладывать ИИ-инфраструктуру в бюджет как отдельную операционную статью, а не как разовые расходы на эксперименты.
Третий вызов — рационализация потребления
В условиях, когда дешевое железо перестает быть нормой, выигрывают не те, кто закупает максимум мощностей про запас, а те, кто подбирает конфигурацию под конкретный сценарий и ответственно следит за утилизацией ресурсов. Речь идет о переходе к модели потребления по требованию, когда ресурсы подключаются по мере необходимости, а не держатся постоянно.
Пока удорожание сильнее всего ощутил крупный бизнес, который первым начал переводить ИИ в промышленную эксплуатацию. Для среднего и малого бизнеса этот эффект становится заметен только сейчас, и именно их реакция во многом определит, как будет развиваться рынок ИИ-инфраструктуры в ближайшие два-три года. Универсального ответа здесь нет, но все чаще выигрывают подходы, в которых вычисления и данные масштабируются гибко, а не привязаны к одному дорогому серверу.