Что произошло
1 октября 2026 года СМИ сообщили о проекте федерального бюджета на 2027–2029 годы. Согласно пояснительной записке, на федеральный проект «Искусственный интеллект» планируется направить 8,7 млрд рублей в 2027 году, 12,9 млрд — в 2028-м и 13,6 млрд — в 2029-м. Совокупный объём составляет 35,2 млрд рублей. Формулировка сводится к тому, что средства направляются на федеральный проект, но постатейная расшифровка расходов в доступных материалах отсутствует. Нельзя подтверждённо утверждать, какая сумма предназначена именно для закупки GPU, строительства дата-центров, грантов или льготных кредитов.
Параллельно в 2026 году обсуждался значительно более крупный пакет поддержки — около 71,7 млрд рублей в год. Он не равнозначен утверждённому финансированию: это инициатива, включающая льготное кредитование и лизинг серверов, субсидирование строительства ЦОДов, льготную аренду мощностей и создание центров коллективного доступа. Конкретные параметры этой меры публично не определены. В августе 2026 года правительство и бизнес обсуждали подготовку предложений по льготному налогообложению закупок ИИ-оборудования, но на дату настоящего разбора статус этих предложений остаётся проектным.
Рыночный контекст новых бюджетных решений определяется острым дефицитом вычислительных мощностей. Герман Греф заявил, что российским компаниям трудно закупать необходимые видеокарты, а отставание от китайских разработчиков составляет примерно полгода. Представители «Яндекса» также подтвердили нехватку ресурсов и сложности с доступом к зарубежным мощностям. Стоимость аренды GPU-мощностей за год выросла на 64% — с 1,4 млн до 2,3 млн рублей, что делает эксплуатацию инфраструктуры критической статьёй расходов для любого ИИ-проекта.
1 октября 2026 года депутат Павел Крашенинников анонсировал подготовку закона о взаимодействии ИИ с людьми и создание в Госдуме профильного комитета. Будущие требования могут затронуть раскрытие использования ИИ, ответственность компаний за решения алгоритмов и правила работы с данными. Это формирует двойное давление: бизнесу необходимо наращивать вычислительные мощности для сохранения конкурентоспособности, но делать это в условиях санкционных ограничений, роста цен и готовящегося регуляторного давления.
Как это устроено
Бюджетная механика распределения средств
Утверждённые 35,2 млрд рублей — это плановое финансирование федерального проекта, а не готовый фонд прямой компенсации затрат на GPU. Средства распределены по годам с нарастающим итогом, что указывает на этапность: сначала методология и пилотная инфраструктура, затем масштабирование. По нашему опыту проектов, федеральные средства редко выделяются операторам рынка напрямую на закупку оборудования без посредничества уполномочённых институтов развития. Бизнесу следует ожидать распределения через Минобрнауки, Минпромторг и профильные центры компетенций, которые формируют перечни аккредитованных решений и реестры допустимого оборудования.
| Период | Планируемое финансирование | Ожидаемая структура расходов (прогноз) |
|---|---|---|
| 2027 год | 8,7 млрд руб. | Методология, гранты на НИОКР, пилотные ЦОДы |
| 2028 год | 12,9 млрд руб. | Масштабирование инфраструктуры, субсидии на оборудование |
| 2029 год | 13,6 млрд руб. | Коллективный доступ, отраслевые внедрения |
| Всего | 35,2 млрд руб. |
Экономика дефицита вычислительных мощностей
Современный ИИ-проект требует связанной инфраструктуры: ускорителей, высокоскоростной сети, хранения данных, электропитания, охлаждения и программного стека. При обучении крупных моделей основная капитальная нагрузка приходится на кластер. Льготный кредит или лизинг снижает первоначальные капитальные затраты, но не устраняет расходы на электроэнергию, размещение, техническое обслуживание и программную совместимость. Рост стоимости аренды GPU на 64% до 2,3 млн рублей в год означает, что окупаемость собственного оборудования пересчитывается, а облачная инфраструктура становится дороже обучения модели.
Инфраструктурные ограничения и локализация
Ключевая критика существующего подхода — несоответствие между требованиями локализации и фактической технологической базой. Действующие льготные программы часто ориентированы на оборудование российского производства. Если льгота доступна только для российской техники, но универсальных отечественных GPU массового производства нет, компания формально имеет право на поддержку, но не имеет возможности приобрести подходящий ускоритель. В типовом сценарии это вынуждает бизнес использовать зарубежные GPU для тяжёлых задач обучения, а отечественные — для инференса, что усложняет архитектуру и заявки на субсидии.
Обсуждаемое разделение моделей на «суверенные» (Сбер) и «национальные» (Яндекс) потенциально определяет доступ к госзаказам и приоритетной инфраструктуре. Проекты, построенные на аккредитованных национальных моделях, получат преимущество при распределении вычислительных мощностей коллективного доступа. Это заставляет бизнес выбирать базовый стек ещё на этапе предпроектного обследования, чтобы не потерять доступ к мерам поддержки из-за технологической несовместимости.
Инструменты господдержки сверх прямых грантов
Рынок предлагает сочетать несколько инструментов, параметры которых пока обсуждаются. Среди них субсидирование 30–50% стоимости ИИ-оборудования, гранты для значимых проектов в диапазоне 100 млн – 2 млрд рублей с покрытием до 80% затрат, льготные кредиты и лизинг серверов. Также обсуждаются налоговые и таможенные послабления. Ни один из этих механизмов не представлен как действующая федеральная программа с утверждённым регламентом. Стратегия компании должна строиться на адаптации одного инвестиционного проекта под несколько каналов поддержки одновременно.
| Инструмент поддержки | Обсуждаемый параметр | Статус на 02.10.2026 |
|---|---|---|
| Субсидирование оборудования | 30–50% стоимости | Инициатива бизнеса |
| Гранты на значимые проекты | 100 млн – 2 млрд руб., до 80% затрат | Не утверждено |
| Льготный лизинг серверов и GPU | Ставка и срок обсуждаются | Инициатива бизнеса |
| Субсидирование аренды GPU | Скидка до 40% | Пилотные проекты |
| Льготы на ЦОДы | Возмещение затрат на строительство | Инициатива бизнеса |
Как это выглядит на практике
Сценарий крупной промышленной корпорации
Крупный металлургический или нефтехимический холдинг обладает собственной инженерной инфраструктурой, но испытывает дефицит GPU для дообучения моделей на промышленных данных. В типовом сценарии компания не вкладывает 2,3 млн рублей в аренду каждого ускорителя годами, а подаёт заявку на субсидирование строительства или модернизации собственного ЦОДа под обсуждаемый пакет в 71,7 млрд рублей. Для обучения используется облачный GPU на пиковых нагрузках, а для постоянной работы предсказательных моделей на заводах — собственные серверы с отечественными ускорителями. Проект структурируется так, чтобы заявка на ЦОД проходила по линии Минпромторга, а разработка самой модели — по линии гранта на значимый проект.
Сценарий среднего разработчика ИИ-решений
Средняя технологическая компания не располагает капиталом на собственный кластер и ЦОД. Зависимость от облачных провайдеров при росте цен на аренду на 64% делает маржинальность проектов отрицательной. Практический выход — использование центров коллективного доступа, создание которых обсуждается в пакете господдержки. Компания формирует заявку на грант в диапазоне 100 млн рублей, где до 80% затрат направляется не на покупку железа, а на оплату вычислительных часов в аккредитованном центре. Дополнительная стратегия — глубокая оптимизация моделей: квантование и дистилляция для запуска на более дешёвых и доступных ускорителях, что снижает потребность в мощных GPU.
Сценарий импортозамещения критичной инфраструктуры
Финансовый сектор или госсектор обязан переходить на суверенные решения. Компания строит систему на базе модели «Сбера» или «Яндекса», но для инференса требует собственного оборудования в защищённом контуре. Поскольку мощные отечественные GPU доступны не всегда, проект включает схему гибридного развёртывания: критичные данные и лёгкий инференс остаются на отечественных чипах, а тяжёлые задачи обучения снимаются в изолированных сегментах зарубежных облаков или через параллельный импорт с последующей миграцией. В заявку на господдержку закладывается план замены оборудования: демонстрация совместимости программного обеспечения и наличия резервной вычислительной площадки.
Что это значит для российской компании
Санкционные и логистические ограничения повышают стоимость и сроки поставок оборудования. Требования локализации вступают в конфликт с реальным предложением на рынке GPU. Бизнесу приходится балансировать между использованием импортных решений для сохранения технологической конкурентоспособности и отечественных — для доступа к господдержке. Подготовка закона о взаимодействии ИИ с людьми потребует от компаний инвестиций в аудит алгоритмов и механизмы прозрачности, что увеличивает накладные расходы проектов.
Бюджетные процессы смещаются: ИИ перестаёт быть исключительно статьёй IT-расходов и становится инфраструктурным проектом. Финансирование ЦОДов, инженерных систем и обучения персонала требует участия операционного и финансового директоров, а не только CDO. Многоканальное финансирование становится обязательным навыком проектной команды. Без разделения сметы и подготовки доказательств импортонезависимости проект не пройдёт экспертный совет ни по одному из направлений.
| Фактор влияния | Текущая ситуация | Требование к компании |
|---|---|---|
| Дефицит GPU | Рост аренды на 64%, отставание на полгода | Гибридная архитектура, квантование моделей |
| Локализация | Нехватка универсальных отечественных GPU | План миграции, использование нац. моделей |
| Регулирование | Анонс закона об ИИ, комитет в Госдуме | Аудит алгоритмов, журналирование действий |
| Бюджетирование | 35,2 млрд на проект, 71,7 млрд на инфраструктуру | Разделение сметы, многоканальные заявки |
Что делать: пошагово
- Зафиксировать измеримый результат. Проект должен описывать конкретный эффект: сокращение простоев на 15%, рост точности диагностики до 95%, снижение нагрузки на операторов. Абстрактное «внедрение ИИ» не получит финансирования.
- Разделить бюджет на компоненты. Смету нужно разбить на вычислительное оборудование, аренду облачных мощностей, ЦОД, разработку, данные, информационную безопасность и эксплуатацию. Это позволит направить части проекта на разные инструменты поддержки.
- Предусмотреть гибридную архитектуру. Не строить бизнес-план на покупке кластера. Сочетать аренду GPU для пиковых задач, собственные серверы для инференса, дообучение открытых моделей вместо обучения с нуля и использование отечественных ускорителей где возможно.
- Подготовить доказательство импортонезависимости. В заявке показать перечень критичных зарубежных компонентов, план их замены, совместимость ПО и наличие резервной площадки. Это снимает возражения регуляторов о технологической уязвимости.
- Собрать пакет документов до объявления конкурса. Подготовить технико-экономическое обоснование, финансовую модель на три–пять лет, подтверждение софинансирования, расчёт GPU-часов и бенчмарк архитектур. Оперативность подачи заявки часто определяет успех.
- Не ограничиваться прямой субсидией. Проверить проект на совместимость с грантами, льготным кредитованием, лизингом, региональными мерами и программами развития ЦОДов. Ожидание прямой компенсации стоимости импортного GPU лишает компанию альтернатив.
- Синхронизировать модельный стек с национальными решениями. Использование суверенных или национальных моделей в качестве базовых увеличивает шансы на одобрение инфраструктурных грантов и доступ к льготным мощностям.
- Учесть будущий закон об ИИ. Заложить в архитектуру механизмы журналирования решений модели, объяснимости (XAI) и запросов подтверждения у человека при критичных операциях. Это требование готовящегося закона и критерий отбора.
Типичные ошибки
- Подача заявки на абстрактное «внедрение ИИ» без метрик эффекта. Экспертные советы отклоняют проекты без чёткого ROI и доказуемого влияния на операционные показатели.
- Планирование бюджета исключительно на покупку собственного GPU-кластера. В условиях дефицита и роста цен на аренду на 64% такой проект быстро исчерпает бюджет на этапе эксплуатации и не пройдёт на софинансирование.
- Игнорирование требований локализации. Надежда на компенсацию затрат на импортное оборудование без плана перехода на отечественные аналоги лишает компанию доступа к основным каналам господдержки.
- Отсутствие софинансирования. Государственные программы покрывают от 30% до 80% затрат; ожидание 100% компенсации — гарантия отказа. Проект без вложений компании считается низкомотивированным.
- Выбор неподдерживаемых или неаккредитованных моделей. Построение критичного решения на базе закрытой зарубежной модели без возможности локального развёртывания создаёт регуляторные и инфраструктурные риски.
- Затягивание подготовки до выхода финальных постановлений. Конкурсная документация часто запаздывает. Компании, не имеющие готового ТЭО и пилотных результатов к моменту объявления приёма заявок, проигрывают более расторопным участникам.
Как понять, что вы на верном пути
- Смета проекта разбита на статьи, каждая из которых допускает применение отдельного инструмента поддержки: грант на НИОКР, лизинг на оборудование, субсидия на ЦОД.
- Вычислительная архитектура не зависит от одного поставщика или типа ускорителя; предусмотрены сценарии работы на отечественных чипах и зарубежных GPU.
- Есть пилотные заказчики и подтверждённый расчёт экономического эффекта от внедрения модели, проверенный на реальных данных.
- Разработан план миграции на отечественные компоненты без критичной потери качества или производительности для задач инференса.
- Проект соответствует критериям обсуждаемых мер: затрагивает создание или модернизацию ЦОДов, использует центры коллективного доступа или опирается на национальные модели.
Вопросы, которые нам задают
Можно ли напрямую возместить затраты на покупку импортных GPU из бюджета 35,2 млрд рублей?
Нет. 35,2 млрд рублей — это финансирование федерального проекта, а не фонд прямой компенсации коммерческих закупок. Прямое возмещение затрат на импортное оборудование противоречит курсу на локализацию. Компании следует искать возмещение через льготное кредитование или лизинг, где обеспечение не обязательно должно быть отечественным, либо через субсидирование аренды в центрах коллективного доступа.
Как получить грант до 2 млрд рублей на ИИ-проект?
Гранты такого масштаба обсуждаются для проектов, признаваемых особо значимыми, с покрытием до 80% затрат. Это не стандартная процедура, а решение межведомственной комиссии. Проект должен иметь национальное значение, подтверждённое софинансирование от 20%, измеримый экономический или социальный эффект масштаба отрасли и готовность использовать суверенную инфраструктуру. Без пилотной валидации и поддержки отраслевого регулятора шансы близки к нулю.
Стоит ли ждать скидки 40% на аренду GPU для своего проекта?
Рынок сообщает о пилотных проектах субсидируемого доступа к GPU со скидкой до 40%, но это не закреплено в нормативных актах. В типовом сценарии мы рекомендуем закладывать в финансовую модель рыночную стоимость аренды — 2,3 млн рублей в год на ускоритель. Если к моменту запуска проекта компания получит доступ к субсидируемым мощностям, это улучшит маржинальность, но проект не должен зависеть от этой скидки для безубыточности.
Как новый закон об ИИ повлияет на получение господдержки?
Анонсированный Павлом Крашенинниковым закон и создание комитета по ИИ в Госдуме означают, что критерии отбора проектов будут ужесточаться. Требования к раскрытию использования ИИ и ответственности за решения алгоритмов станут обязательными условиями финансирования. Проекты, не предусмотревшие механизмы объяснимости и человеческого контроля, не пройдут экспертизу. Внедрение этих механизмов на этапе проектирования дешевле, чем доработка готовой системы.