Почему прорыв в ИИ происходит не в моделях, а в инфраструктуре вокруг них

Последние годы дискуссии об искусственном интеллекте концентрировались вокруг возможностей самих моделей — их размера, качества генерации, способности решать сложные задачи. Однако по мере того как большие языковые модели становятся доступны широкому кругу компаний, они перестают быть конкурентным преимуществом. Решающим фактором оказывается то, насколько глубоко и правильно они встроены в систему инструментов, данных, интеграций и контекста.

Яркий пример — недавний прогресс Claude в анализе исходного кода на ошибки и уязвимости. При этом такой результат во многом ожидаем: анализ больших объемов текстовых данных на наличие паттернов — одна из базовых задач для больших языковых моделей. Код в этом контексте представляет собой удобную среду — структурированный текст с повторяемыми паттернами. Однако ключевое значение имеют не характеристики конкретной модели, а то окружение, которое позволяет ей работать эффективно.

Правильное окружение: из чего оно состоит

Способность модели находить уязвимости в коде зависит не столько от ее архитектуры, сколько от качества и полноты контекста, который она получает. Векторные базы данных и системы индексации, безусловно, важны, но в последнее время наблюдается сдвиг в сторону инструментов, которые умеют искать необходимые контексты точечно и целенаправленно.

Речь идет как о базовых поисковых механизмах, так и о специализированных инструментах: LSP‐серверах, обеспечивающих навигацию по коду (переход к определению, поиск ссылок, понимание типов), анализаторах зависимостей и системах отслеживания истории изменений. Современные платформы предлагают интегрированные среды, в которых объединяются внутренние базы знаний проекта — данные навигации по коду, метрики команды и API-документация. При этом такие решения остаются расширяемыми: за счет открытых стандартов, включая Model Context Protocol (MCP), можно создавать дополнительные интеграции и адаптировать инструменты под задачи конкретной команды — от небольших групп до крупных проектов.

Однако не менее важным является контекст, выходящий за рамки самого кода. Глубокий анализ безопасности требует понимания проектной документации, нормативных актов, отраслевых стандартов, требований регуляторов. Правильное окружение модели включает не только технический контекст, но и контекст нормативно‐правовой, вплетенный в документацию используемых зависимостей. Именно эта комбинация — структурное понимание проекта плюс знание требований — позволяет модели выявлять не просто технические уязвимости, а несоответствия стандартам и регуляторным требованиям.

Фрагментированный ландшафт: российские реалии

Исторически российские компании стремятся держать разработки в закрытых контурах, что во многом обусловлено требованиями безопасности. Однако даже решения, изначально основанные на открытых стандартах и открытом исходном коде, со временем закрываются. По мере адаптации под конкретные задачи их протоколы и стандарты начинают отличаться от общепринятых. Это делает решения более мощными и специализированными, но одновременно снижает совместимость.

В результате на рынке нет целостных платформ, которые в одном решении закрывали бы весь набор современных функций. Компании вынуждены собирать системы из отдельных компонентов, что усложняет интеграцию и замедляет внедрение. Крупные игроки, как Яндекс и Сбер, предлагают собственные платформы, однако ни одна из них пока не закрывает полный цикл задач, связанных с использованием технологий ИИ.

Еще одно измерение фрагментации, о котором часто забывают, — кадровое. В западной экосистеме инженеры, умеющие интегрировать ИИ-инструменты, могут свободно переходить между компаниями, перенося с собой практики и подходы. Это обеспечивает естественное распространение знаний. В России закрытые контуры приводят к обратной ситуации: опыт интеграции остается внутри компании и при смене работы часто оказывается неприменим, поскольку у нового работодателя все устроено иначе.

Дополнительные сложности создает регуляторная среда. Нормативные базы и внутренние правила компаний часто противоречат друг другу, а стандарты быстро устаревают — особенно в таких динамичных направлениях, как искусственный интеллект. Законодательство не успевает за развитием технологий, что затрудняет внедрение новых решений.

ML‐акторы: новая цепь доверия

Автоматизация анализа кода — лишь частный случай более широкой трансформации. Появляются системы, способные самостоятельно или с минимальным участием человека принимать решения и выполнять действия. Их можно рассматривать как ML-акторов — автоматизированные системы, которые на основе входящего контекста инициируют действия в других системах или создают результат.

ML-актор может автоматически формировать заявку на обследование при обнаружении аномалии, выписывать штраф или принимать решение о допуске кода в продакшен. Это уже не просто инструменты анализа, а активные участники бизнес-процессов.

Встраивание таких систем в существующую регуляторную среду требует пересмотра самой цепи доверия. Традиционно она строится вокруг лицензированных и сертифицированных участников — людей и организаций. Теперь в нее должны входить и ML-акторы.

Как может выглядеть сертификация ML-актора? Пока окончательных ответов нет, но основные подходы уже формируются. Сертификацию должны проводить организации, обладающие необходимыми компетенциями и инструментами для обеспечения предсказуемого поведения системы. Это включает анализ параметров модели, методологии обучения и данных, использованных при ее обучении.

Параметры модели должны оставаться неизменными или быть доступными для контроля, а любые значимые изменения — требовать повторной сертификации. Инфраструктура вокруг модели может сертифицироваться по уже существующим стандартам для программного обеспечения.

В России основные барьеры носят организационно-правовой характер, хотя технические ограничения также сохраняются. За рубежом ситуация во многом похожа: регулирование остается фрагментарным, а законы часто принимаются уже после того, как компании вырабатывают собственные подходы и правила. Успех российской индустрии во многом будет зависеть от того, насколько эффективно удастся выстроить взаимодействие с регуляторами.

Вывод

Прорывы в искусственном интеллекте все меньше связаны с самими моделями и все больше — с тем, как они встроены в инфраструктуру. Рынок меняют не модели сами по себе, а экосистемы инструментов, данных и контекста, которые делают их применимыми на практике.

Компании, способные интегрировать новые аналитические инструменты в бизнес-процессы, адаптировать регуляторные требования к появлению ML-акторов и выстроить автоматизированные цепи доверия, получают серьезное преимущество. Те, кто ограничится простым доступом к LLM, будут отставать.