У России были сильные стартовые позиции в прикладном машинном обучении. Вокруг Яндекса в конце 2000-х и начале 2010-х собралась школа, которая умела превращать математику в поисковое качество, рекламу, рекомендации и голосовые сервисы. CatBoost, вышедший в открытый доступ в 2017 году, не возник из пустоты: это продолжение внутренней инженерной культуры Яндекса, где градиентный бустинг, ранжирование и работа с признаками были производственной задачей, а не лабораторной игрой.
Поэтому вопрос звучит болезненно. Если задел был, почему Россия не стала одним из центров агентской разработки? Мой ответ такой: страна не проиграла один релиз и не пропустила одну модель. Она потеряла темп на связке из вычислений, рынка, открытой инженерной среды, капитала, регуляторного климата и продуктовой смелости. Агентская разработка выросла там, где модель может вызывать инструменты, писать код, ходить в браузер, тестировать гипотезы, падать, чиниться и снова идти в задачу. Для этого нужна экосистема, а не один чат-бот в красивой оболочке.
Алиса и GigaChat в этом смысле выглядят как продукты предыдущего этапа. Они могут быть полезны для массового пользователя, текста, поиска по документам, корпоративного помощника или голосового сценария. Но агентская разработка измеряется иначе: умеет ли модель держать длинную задачу, работать с файловой системой, вызывать API, читать логи, запускать тесты, пользоваться браузером, объяснять трассу действий и отдавать разработчику контроль над риском. В США и Китае вокруг этого уже строят платформы. В России чаще показывают интерфейс, который отвечает на запрос.
Где разошлись траектории
Первое расхождение, вычисления. Современные агентские модели требуют обучения на больших корпусах и дорогой посттренировки: задач с проверяемым результатом, среды выполнения, сотен тысяч прогонов, оценки длинных цепочек действий. Когда китайская команда Qwen описывает Qwen3-Coder, в центре стоят не размеры ради размеров. Там есть 7.5 трлн токенов предобучения, длинный контекст, code RL, long-horizon agent RL и 20 000 сред, которые параллельно дают модели обратную связь. Это уже фабрика поведения, а не один датасет с хорошими ответами.
В США похожий сдвиг виден по платформенному подходу. OpenAI в 2025 году вывела инструменты для агентов в отдельный продуктовый контур: Responses API, web search, file search, computer use, Agents SDK, трассировка. Такой набор говорит разработчику: бери модель, подключай инструменты, смотри, что она делает, ограничивай опасные действия, оценивай результат. Это не гарантия качества, там тоже много ошибок и ограничений. Но направление ясное: модель превращают в участника процесса разработки, исследования и операционной работы.
Российские продукты чаще выросли из другой истории. У Яндекса сильная традиция поиска, рекламы, карт, голоса, рекомендаций. У Сбера сильная корпоративная вертикаль, банковские интеграции, документооборот, внутренние процессы. Эти задачи требуют аккуратности, контроля, предсказуемости и защиты бренда. Агентская разработка требует другого режима: песочницы, публичных SDK, открытых примеров, соревновательных бенчмарков, терпимости к экспериментам и скорости обновления. Когда компания боится, что модель сделает резкое действие или скажет политически опасную фразу, она режет инициативу модели. Для ассистента это иногда разумно. Для агента это убивает темп.
Второе расхождение, рынок разработчиков. В США появилось много стартапов, которые сразу начали строить вокруг LLM новые инструменты: IDE-агенты, браузерные агенты, исследовательские агенты, автоматизацию продаж, саппорт, работу с кодом и тестами. Деньги там не всегда тратятся рационально, но объем попыток сам по себе дает преимущество. Тысячи команд проверяют, где агент дает экономию времени, где он врет, где нужен человек, где нужна песочница, где нужен новый протокол вроде MCP. Ошибка одной команды становится опытом рынка.
В Китае другая модель, но тоже с большим числом экспериментов. Alibaba, DeepSeek, Moonshot, ByteDance, Baidu, Tencent и локальные облачные провайдеры двигаются под давлением конкуренции, внутреннего спроса и государственного приоритета на технологическую автономию. Китайские команды научились быстро выпускать открытые веса, снижать стоимость инференса, строить MoE-модели, тренировать рассуждение и кодовые модели на задачах, где результат можно проверить. На этом фоне Россия выглядит узкой: мало независимых команд, мало публичных открытых весов уровня, который массово берут разработчики, мало международной обратной связи.
Третье расхождение, открытая среда. CatBoost стал сильным событием, потому что его можно было взять, поставить, сравнить, встроить в свой процесс. Агентская разработка требует того же, только шире: модель, SDK, протоколы инструментов, песочницы, примеры, тестовые среды, публичные отчеты об ошибках, независимые бенчмарки. Если модель доступна только как чат, она не становится базой для экосистемы. Если API есть, но документация бедная, лимиты узкие, цены непредсказуемы, а поведение модели закрыто политикой продукта, разработчик выбирает другой стек.
| Фактор | США | Китай | Россия |
|---|---|---|---|
| Вычисления | Большие дата-центры и доступ к капиталу | Дефицит чипов компенсируют инженерией и масштабом облаков | Доступ уже, стоимость выше, санкционный риск мешает планированию |
| Рынок | Много стартапов и корпоративных пилотов | Много команд внутри крупных платформ | Мало независимых игроков с мировым охватом |
| Агенты | SDK, computer use, трассировка, evals | Кодовые агенты, открытые модели, длинный контекст | Сильнее чат-боты и корпоративные ассистенты |
Четвертое расхождение, кадры и миграция. У России были и остаются сильные инженеры. Но часть людей уехала, часть ушла в иностранные компании, часть работает в закрытых корпоративных контурах. В агентской разработке талант раскрывается в связке с инфраструктурой: нужны GPU, данные, среды выполнения, доступ к пользователям, быстрый релиз, обратная связь от open source. Один сильный математик не заменит тысячи запусков агента на реальных задачах. Команда без доступа к мировому developer market видит меньше сбоев, меньше кейсов, меньше требований.
Пятое расхождение, политический и правовой контекст. Российские модели работают в среде, где многие темы требуют фильтрации. Банкам и крупным платформам нельзя позволить агенту свободно ходить по внешним сервисам, выполнять действия с деньгами, читать любые документы и менять системы без согласований. Этот риск есть везде, но в США и Китае его превращают в продуктовую архитектуру: sandbox, approvals, guardrails, audit logs, evals, permissions. В России часто выбирают запретительный контур. Для безопасности это короче. Для развития агента дороже, потому что модель получает меньше опыта действия.
Шестое расхождение, продуктовая цель. Алиса исторически была голосовым и потребительским ассистентом. Такой продукт оценивают по ежедневной полезности, удержанию, интеграции в сервисы, качеству ответа на русском, управлению устройствами. GigaChat вырос рядом с банковской и корпоративной средой: документы, чат, API, GigaChain, поиск по базе знаний. Это полезные направления. Но агентская разработка просит другого героя: разработчика, который хочет дать модели репозиторий, терминал, тесты, браузер и поручение на несколько часов. Пока российские продукты редко ставят этого разработчика в центр.
Мне кажется, здесь есть еще одна причина, менее техническая. Российский ИИ часто продают через идею суверенности. Суверенность сама по себе не делает модель сильной. Она нужна государству, банкам, критической инфраструктуре, системам с персональными данными. Но если суверенность становится заменой конкурентности, возникает ловушка: продукт достаточно свой, но недостаточно сильный. В агентской разработке пользователь быстро чувствует разницу. Агент либо сделал pull request, нашел ошибку, запустил тест, собрал отчет, прошел форму в браузере, либо опять пересказал задачу словами.
Отсюда и ощущение, что Алиса и GigaChat устарели на фоне китайских и американских моделей. Не потому, что они совсем бесполезны. Они решают часть локальных задач, особенно на русском языке и в корпоративной среде. Но мировой центр тяжести сместился от ответа к действию. Оценка идет по числу шагов, которые модель выдерживает без потери цели, по работе с инструментами, по исправлению собственных ошибок, цене одного успешного результата и проверяемости действий для разработчика.
Что России нужно, чтобы вернуться в игру? Я бы смотрел на набор из пяти признаков.
Первый: открытая кодовая модель, которую разработчики реально ставят в свои IDE и CI, а тесты ради новости быстро заканчиваются. Второй: публичный agent SDK с нормальной трассировкой, правами, песочницами и примерами для браузера, терминала, Git и документов. Третий: бенчмарки на русских и международных задачах, где видны процент выполненных действий, стоимость результата и типы провалов. Четвертый: программа для независимых команд, которым дают вычисления, API-кредиты и право публиковать провалы. Пятый: точная маркировка продукта, где модель не называют агентом, если она не умеет действовать через инструменты.
Для читателя, который следит за рынком, практический вывод такой: не путать национальную модель с конкурентной агентской платформой. Материал про суверенном ИИ показывает, почему государственная рамка будет влиять на банки и разработчиков. Но в прикладной работе решает другой тест: можно ли дать агенту задачу и получить проверяемый результат. В трейдинге и анализе рынков это особенно чувствуется, потому что ИИ в трейдинге полезен только там, где он снижает время проверки, а не добавляет уверенный текст поверх непроверенных данных.
Россия может догонять, если перестанет считать чат-бот доказательством силы ИИ. Сильная школа Яндекса показала, что здесь умеют делать прикладное машинное обучение мирового уровня. Но агентская разработка выросла в другом цикле. Теперь выигрывает команда, которая строит среду действия: модель, инструменты, проверки, разрешения, рынок разработчиков и много попыток на живых задачах. Без этого Алиса и GigaChat останутся локальными ассистентами, рядом с которыми не возникает новая разработка.
