Экспертное интервью | Джимшер Челидзе: «Государство может убрать барьеры. Пройти путь придётся самим»
В четвертой, заключительной части — о роли государства: что уже сделано, где механизмы поддержки не работают и что должно измениться в регуляторике, инфраструктуре и подходах к финансированию.
Ответы публикуются без купюр.
Джимшер Челидзе — генеральный директор ООО «Челидзе и Партнеры», бизнес-партнёр по цифровому развитию ООО «Центр Горизонтального Бурения», член Комитета по промышленности ФБА ЕАС. Автор статей по философии технологий и пяти книг о цифровой трансформации, создатель двух ИИ-продуктов. Имеет практический опыт работы с «Газпром нефть», ЛУКОЙЛ, Минэнерго России, «Газпром бурение» и другими промышленными компаниями РФ, Казахстана и Китая.
В мае 2026 года на ЦИПР премьер-министр лично знакомился с цифровыми решениями в промышленности. Как вы оцениваете роль государства и что должно измениться в регуляторике и механизмах поддержки?
Начну с того, что реально сделано, — потому что критиковать, не признавая сделанного, нечестно.
Первое — государство создало спрос. Промышленность сама такой спрос не сформировала бы. По линии индустриальных центров компетенций к маю 2026 года запущено 175 проектов, 120 из них завершены; из 139 особо значимых проектов реализовано 105 — это 76%; решения внедрены более чем на 930 предприятиях. Без государственной рамки этот объём работы не случился бы.
Второе — легитимация темы. Присутствие первого лица правительства на отраслевой конференции — это, как ни странно, рабочий инструмент для любого руководителя цифровой трансформации. Это сигнал совету директоров: тема не факультативная. Он снимает половину разговора «а зачем нам это вообще».
Третье — рамка. Закон «О поддержке развития технологий искусственного интеллекта», принятый Госдумой 8 июля, вступает в силу с 1 сентября 2026 года; ключевые нормы — с 1 марта 2027-го. Он рамочный, риск-ориентированный и — что важно — регулирует только большие фундаментальные модели, от миллиарда параметров. Обычный корпоративный ИИ: скоринг, компьютерное зрение на линии, предиктивное обслуживание — под него не подпадает.
Моя оценка: рамочность здесь — достоинство, а не недостаток. Худшее, что можно было сделать, — детально зарегулировать отрасль до появления практики. Мы бы получили европейский сценарий: подробные требования и отсутствие продуктов, к которым их применять.
И две вещи, которые отраслевые обзоры пропустили. Первая: закон прямо легализовал путь через открытые веса — модель, собранная на открытых лицензиях, дообученная российским юрлицом и развёрнутая в российском дата-центре, получает статус национальной. Это разумно и это шанс для отраслевых команд. Вторая, банковская сфера — единственная отрасль, прямо названная в тексте закона. Случаи, где допустимы только отечественные модели, и требования к рискам их применения Правительство устанавливает по согласованию с Банком России. Для финансового рынка это и есть главная норма закона — а не маркировка, о которой все пишут.
Теперь — где механизмы не работают. Четыре системных дефицита
Дефицит 1. Финансируется разработка. Не финансируется тиражирование.
Та самая цифра: около 187 млрд рублей затрат за 2022–2025 годы против примерно 1,6 млрд рублей выручки разработчиков от реализации и тиражирования созданных продуктов. Мы построили решения — но не построили продукты и продуктовые компании.
Что менять конкретно: перенести часть поддержки с этапа «создать» на этап «продать десятому клиенту». Субсидировать не разработку, а внедрение у второго и последующих заказчиков. Условно: платить за пятое, десятое, двадцатое внедрение, а не за первое. Это одна строчка в правилах поддержки — и она мгновенно меняет поведение разработчика: он начинает вкладываться в документацию, методологию внедрения, партнёрскую сеть. То есть ровно в то, что делает продукт экспортопригодным.
Дефицит 2. Вычисления и энергия.
Обсуждаемые в отрасли оценки: разрыв с США по доступным вычислениям — в сотни раз, порядка 10 тысяч ускорителей во всех российских дата-центрах под ИИ, поставки по параллельному импорту упали с тысяч серверов до десятков. При этом ограничителем стала уже подключённая электрическая мощность.
Для промышленного ИИ фронтирные модели, повторюсь, не критичны. Но дообучение отраслевых моделей, работа модели в контуре, цифровые двойники — требуют вычислений. И это ровно та инфраструктура, которую рынок не построит сам: она капиталоёмкая, окупается долго и по характеру является общественным благом. Здесь роль государства первична — как когда-то в электрификации.
Конкретно я бы делал три вещи: приоритетное техприсоединение для дата-центров под ИИ; размещение их в узлах избыточной генерации — у нас есть регионы с профицитом мощности, и это редкое естественное преимущество; и — принципиально — гарантированный доступ к вычислениям для среднего бизнеса, вузов и отраслевых консорциумов, а не только для трёх-четырёх экосистем. Иначе мы получим олигополию, и все отраслевые решения будут рождаться только там, где есть свой дата-центр. Для промышленности это плохой сценарий: у металлурга есть данные, но нет вычислений; у экосистемы есть вычисления, но нет данных.
Дефицит 3. Ответственность.
Это вопрос, который реально блокирует ИИ в контуре — и в промышленности, и в банке. Кто отвечает, когда система ошиблась? Принятый закон этот вопрос не решил: соответствующая статья просто отсылает к общему законодательству. А пока ответ по умолчанию — «человек, который подписал», ни один разумный руководитель не отдаст решение системе: весь риск он оставляет себе, а всю экономию отдаёт компании.
Что нужно от регуляторики — не «разрешить ИИ». Нужно описать разделение ответственности между разработчиком модели, интегратором и эксплуатантом; задать требования к трассируемости и объяснимости решения дифференцированно, по классу риска; и, критически важно, легализовать пространство для ошибки в низкорисковых классах.
Без последнего риск-ориентированный подход останется декларацией. Потому что на практике любой корпоративный юрист будет трактовать любое применение как высокорисковое — за перестраховку не наказывают, а за инцидент наказывают. Пока асимметрия такая, риск-ориентированность существует только на бумаге.
Дефицит 4. Данные.
Промышленный ИИ упирается в отраслевые данные, которых нет ни у кого в одиночку. Например, я оценивал ИИ-проект по предсказательной аналитике по отказам оборудования. И результаты были отличными. Одно исключение – не хватало данных. При этом у другой компании были те же самые турбины, с историей ежедневной работы и отказов за 10 лет.
Датасеты по отказам оборудования, по дефектам, по инцидентам невозможно набрать в границах одной компании, а эффект от их объединения нелинейный. Это классическая задача, где государство или отраслевая ассоциация должны не давать деньги, а снять правовой и антимонопольный барьер для обмена обезличенными данными и задать стандарт такого обмена.
И обратите внимание: это ровно та же проблема, о которой я говорил применительно к отдельной компании, — только этажом выше. Внутри предприятия общий слой данных не строится, потому что у него нет заказчика. Внутри отрасли отраслевые датасеты не появляются ровно по той же причине. Одна и та же болезнь на двух масштабах.
Для ЕАЭС это особенно интересно. Рынок каждой страны по отдельности мал, вместе — уже значим. Совместное заявление глав государств об ответственном развитии ИИ и вынесение темы в приоритеты председательства — правильный первый шаг. Но декларация станет инструментом только тогда, когда за ней последуют две вещи: взаимное признание требований к ИИ-системам — чтобы решение, сертифицированное в одной стране Союза, не проходило пять раз ту же процедуру, — и режим трансграничного обмена обезличенными данными. Иначе каждая страна построит свой регуляторный забор, и вместо одного среднего рынка мы получим пять маленьких. А пять маленьких рынков не создают экспортных продуктов — они создают пять локальных подрядчиков.
Что я бы изменил — по тем же трём столпам
На уровне государства работает ровно та же рамка, что и внутри компании.
Управление.
● Сменить показатели поддержки: не «сколько замещено», а «выручка от тиражирования и экспорта на рубль господдержки». Меряем то, что хотим получить.
● Субсидировать внедрение, а не разработку — начиная со второго заказчика.
● Правовая определённость по ответственности и трассируемости, дифференцированная по классу риска; расширение экспериментальных правовых режимов на промышленный ИИ в контуре — сегодня они в основном про транспорт, телемедицину и беспилотники.
Технология.
● Инфраструктура: приоритетное техприсоединение, размещение у избыточной генерации, гарантированная квота вычислений для среднего бизнеса, вузов и отраслевых консорциумов — а не только для трёх экосистем.
● Отраслевые обезличенные дата-пулы, а в контуре ЕАЭС — взаимное признание требований и трансграничный режим для обезличенных данных.
Люди.
● Кадры для верификации, а не только для разработки. Мы готовим специалистов по данным — и почти не готовим тех, кто умеет проверять ИИ в предметной области: инженеров, понимающих данные, риск-менеджеров моделей, «переводчиков» между цехом и моделью. Этот дефицит деньгами быстро не закрывается. Отдельно — доступ вузов к вычислениям: без него мы будем готовить специалистов по слайдам.
И одна вещь, которую государство сделать не может
Никакая субсидия и никакая регуляторика не заменят зрелость самой компании. Большая часть провалов, которые я видел, не имела отношения ни к деньгам, ни к законам: не было владельца процесса, не было базового уровня, не было измеренного эффекта. Ждать, что государство создаст условия — и вот тогда мы наконец внедрим ИИ, — это тот же тип мышления, что и ждать, что поставщик принесёт волшебную коробку.
Государство может убрать барьеры. Пройти путь придётся самим.
И проекция на финансовый сектор. У финансистов здесь фора: Банк России давно приучил рынок к риск-ориентированному подходу и к валидации моделей — это, по сути, готовая рамка управления модельным риском, которой промышленности отчаянно не хватает. Обмен полезен в обе стороны: промышленности стоит перенять у банков дисциплину валидации моделей, а банкам у промышленности — культуру недопустимых событий и обязательного сценария отказа. Мы в промышленности привыкли проектировать, исходя из того, что откажет всё. В ИИ это ровно та привычка, которая нужна.