AI в Центральной Азии выходит из пилотов: что мешает компаниям масштабировать его внедрение

О том, на каком этапе сегодня находится AI-рынок региона, почему бизнесу уже недостаточно просто подключить готовую модель и какую роль в переходе к промышленному AI играет локальная инфраструктура, мы поговорили с Юрием Капелько, COO Servercore.

Юрий Капелько, город Алматы, операционный директор Servercore, LinkedIn

О себе

Я COO в Servercore и более 10 лет занимаюсь созданием и масштабированием инфраструктурных и облачных продуктов под реальные задачи бизнеса. В своей работе я соединяю людей, бизнес-цели и технологии, опираясь на принципы человекоцентричного подхода.

На каком этапе сегодня находится рынок AI в Центральной Азии

Рынок AI в Центральной Азии постепенно переходит от знакомства с генеративными моделями к их практическому внедрению в бизнес-процессы. Этот переход происходит неравномерно: крупные банки, телеком-компании, государственные структуры, FinTech и e-com продвинулись значительно дальше большинства традиционных отраслей.

Что становится главным преимуществом в AI

Доступ к сильным моделям перестает быть отличием — его получают все примерно одновременно. Разницу начинает создавать другое:
— качество данных, в том числе на национальных языках региона
— способность компании один раз выстроить технологическую основу для AI — подключение к корпоративным данным, права доступа, контроль качества — и затем использовать ее для новых задач, а не собирать каждое решение с нуля
— умение доказать экономический эффект на уровне конкретной бизнес-операции.

Качество данных становится одним из факторов, которые определяют разницу между AI-проектами. Для региона особенно важны материалы на национальных языках, а также отраслевые тексты и другие источники, необходимые для обучения и оценки современных AI-моделей.

Большинство глобальных языковых моделей обучено преимущественно на английском и других языках, которые хорошо представлены в открытых цифровых источниках. Казахский, узбекский и другие языки Центральной Азии располагают меньшим объемом качественных цифровых текстов, отраслевых материалов и других данных, необходимых для обучения и оценки современных AI-моделей.

Это может влиять не только на естественность диалога. Разница видна на самых массовых задачах: распознавание речи в записях звонков, где смешаны два языка и отраслевые термины, работает заметно хуже, чем на английском; извлечение данных из договоров и накладных упирается в профессиональную терминологию, которой мало в открытых источниках. Те же ограничения проявляются в анализе юридических, нормативных и государственных текстов.

Государственные и академические инициативы показывают, что развитие качественных цифровых данных на национальных языках становится отдельным направлением AI-инфраструктуры.

В Казахстане это разработка KazLLM, а также проект КазНУ имени аль-Фараби, стартовавший в 2024 году. Значительная часть работы в нем пришлась не на саму модель, а на формирование массива текстов на казахском языке — сбор, очистку и структурирование материалов для обучения. Схожие программы развиваются в Узбекистане.

Что нужно для масштабирования AI в компании

При этом развитие локальных данных не означает, что каждой компании необходимо создавать собственную AI-модель.

Большинству компаний региона не требуется обучать собственную фундаментальную модель. Гораздо важнее создать технологическую среду, которая позволяет безопасно подключать разные модели, предоставлять им доступ к корпоративным данным, управлять безопасностью, контролировать качество и стоимость работы.

По мере развития AI модели будут меняться, а корпоративные данные, процессы и интеграции останутся. Поэтому ценность такой среды определяется тем, насколько быстро компания может масштабировать успешные AI-сценарии на новые бизнес-процессы, а не создавать каждое решение заново.

На практике это видно по тому, как последующие проекты запускаются заметно быстрее первого. Компания, которая один раз выстроила поиск по внутренней базе знаний: подключила источники данных, настроила права доступа и проверку качества ответов, использует ту же основу для обработки обращений в поддержку и для помощи новым сотрудникам. Меняется набор документов и формулировка задачи, а не архитектура решения.

Распространение таких решений меняет и роль участников рынка. Интеграторы, облачные провайдеры, разработчики и отраслевые консультанты начинают решать новый класс задач и все больше становиться технологическими партнерами: подключать AI к корпоративным данным, обеспечивать безопасную интеграцию с внутренними системами, выстраивать процессы эксплуатации и отвечать за результат внедрения.

Где AI действительно окупается для бизнеса

Когда AI-проекты переходят от пилотов к промышленной эксплуатации, компании все чаще оценивают их не по технологическим возможностям моделей, а по ожидаемому экономическому эффекту.

Если раньше внимание было сосредоточено на количестве пилотов и выборе модели, то сегодня компании считают экономику самого процесса: стоимость выполнения операции до и после внедрения AI, частоту ошибок, стоимость контроля качества и итоговый финансовый эффект.

Наиболее перспективными становятся процессы, в которых одновременно присутствуют:

— большой объем повторяющихся операций
— значительная доля ручного труда
— цифровые входные данные
— понятные критерии оценки результата
— измеримая стоимость ошибки.

Поэтому первые успешные проекты чаще всего появляются в обработке документов, клиентской поддержке, анализе типовых обращений, финансовых операциях, логистике и государственных сервисах. Именно в таких процессах проще доказать экономическую эффективность AI и принять решение о масштабировании.

Характерный пример — расшифровка и разбор записей звонков: объем большой, входные данные уже цифровые, результат проверяем, а до внедрения такие записи почти всегда прослушивались выборочно или не прослушивались вовсе.

Меняется и форма, в которой AI встраивается в эти процессы. Переход от чат-ботов к AI-агентам означает, что модель не только генерирует текст, но и выполняет последовательность действий: ищет информацию, работает с документами, взаимодействует с корпоративными системами и передает результат следующему участнику процесса.

При этом предсказуемый эффект дают не универсальные агенты, способные выполнять любые задачи, а узкие решения, встроенные в конкретный процесс: один проверяет комплектность документов, другой готовит проект ответа, третий собирает данные для отчета. У такого агента можно четко определить полномочия, проверить результат и ограничить последствия ошибки — то есть выполнить ровно те условия, которые делают экономический эффект измеримым.

AI постепенно становится заметной частью P&L компании, а не только задачей IT-подразделения. Для бизнеса важна не цена одной GPU-карты или токена, а стоимость выполнения конкретной бизнес-операции с учетом подготовки данных, интеграции, инфраструктуры, информационной безопасности, сопровождения и участия человека там, где оно необходимо. При этом на объеме именно инференс становится постоянной статьей расходов — и вопрос о том, где и на чем он выполняется, возвращается уже на этапе эксплуатации. 

Зачем бизнесу нужны GPU при масштабировании AI

На этапе пилота вычислительные ресурсы действительно перестали быть барьером: доступ к моделям через API закрывает большинство первых сценариев. Вопрос возвращается на этапе промышленной эксплуатации, но уже в другой формулировке.

Во-первых, меняется профиль нагрузки. Пилот — это разовые эксперименты, промышленное внедрение — постоянный инференс с предсказуемой задержкой и расходами, которые прямо попадают в стоимость бизнес-операции. Дообучение под отраслевую терминологию и локальные языки добавляет к этому регулярную, а не разовую потребность в вычислениях.

Для бизнеса важна не цена одной GPU-карты или токена, а стоимость выполнения конкретной бизнес-операции с учетом подготовки данных, интеграции, инфраструктуры, информационной безопасности, сопровождения и участия человека там, где оно необходимо. При этом на больших объемах именно инференс становится постоянной статьей расходов.

Во-вторых, появляется требование к тому, где вычисления выполняются физически. Как только AI начинает работать с клиентскими обращениями, кадровыми и финансовыми документами и внутренними нормативными материалами, к проекту применяются требования к локализации и защите данных.

Важно, что это требование относится к расположению площадки, а не к форме владения оборудованием. Компании не обязательно закупать GPU-серверы и содержать собственную серверную: те же требования может закрывать аренда вычислительных ресурсов в облаке, размещенном внутри страны.

Поэтому доступность локальных облачных GPU-ресурсов — это уже не только вопрос стоимости, но и вопрос допустимости самого сценария: если данные должны оставаться в стране, AI-решение можно запустить только там, где и вычисления выполняются внутри страны.

Для большинства сценариев аренда оказывается практичнее покупки. Профиль нагрузки неравномерный: дообучение дает короткие пики, инференс — постоянную, но умеренную нагрузку. Купленное под пик оборудование большую часть времени простаивает, тогда как облачная модель позволяет менять конфигурацию по мере роста задачи и не замораживать капитал на несколько лет вперед — что особенно важно, пока сценарии применения еще уточняются.

Именно здесь локальные облачные провайдеры становятся частью AI-инфраструктуры бизнеса. Они дают доступ к нужным мощностям без капитальных затрат и долгих закупок, позволяют менять конфигурацию под фактическую нагрузку и при этом держат данные внутри страны.

Например, Servercore предоставляет GPU-ресурсы в облаке на площадках в Алматы и Ташкенте. Для компаний это возможность масштабировать AI-сценарии без необходимости самостоятельно закупать и содержать GPU-инфраструктуру.

Что нужно для развития AI в Центральной Азии

Доступ к сильным моделям сегодня получают все примерно одновременно. Поэтому развитие AI в регионе определяет уже не сама модель, а то, что вокруг нее. Я бы выделил четыре составляющие.

Первая — данные на национальных языках. Казахский, узбекский и другие языки региона хуже представлены в цифровых источниках, и это сказывается на самых массовых задачах. Поэтому формирование массивов текстов, то есть их сбор, очистка и структурирование, становится отдельным направлением AI-инфраструктуры.

Вторая — технологическая среда внутри компаний. Она позволяет безопасно подключать разные модели к корпоративным данным и переносить успешные решения на новые процессы, а не собирать каждое заново.

Третья — прикладные сценарии с измеримым экономическим эффектом: обработка документов, клиентская поддержка, финансовые операции, логистика, государственные сервисы. Именно в них проще доказать, что AI окупается, и принять решение о масштабировании.

Четвертая — вычислительные ресурсы внутри страны. При переходе к постоянной эксплуатации инференс становится регулярной статьей расходов. А работа с клиентскими, кадровыми и финансовыми данными подпадает под требования к локализации и защите данных.

Государственные стратегии Казахстана и Узбекистана отражают именно такой комплексный подход. Наряду с вычислительной инфраструктурой они предусматривают развитие данных, регулирования, подготовки кадров и прикладных сценариев, то есть практического применения AI в конкретных отраслях и процессах. Вычислительные мощности развиваются параллельно с регулированием и данными, а не вместо них.

Каким будет следующий этап AI в Центральной Азии

Следующий этап AI в регионе будет связан с переходом от пилотов к постоянной эксплуатации. По мере того как доступ к современным моделям становится массовым, основную ценность будет создавать способность компаний быстро интегрировать и масштабировать AI.

Отдельную роль на этом этапе сыграют данные на национальных языках. Сегодня их нехватка сказывается на самых массовых задачах. Хуже работает распознавание речи в звонках, где смешаны два языка и отраслевые термины. Сложнее извлекать данные из договоров и накладных, а также анализировать юридические и нормативные тексты. Чем больше качественных текстов на казахском, узбекском и других языках региона будет собрано, тем меньше будет этот разрыв с английским. Поэтому такие проекты, как KazLLM и работа КазНУ имени аль-Фараби, важны не только для науки, но и для бизнеса.

Компаниям важно не создавать каждое решение заново, а выстраивать технологическую среду, которую можно повторно использовать для новых AI-сценариев, и доказывать экономический эффект на уровне конкретной бизнес-операции. А когда AI переходит в постоянную эксплуатацию, к этому добавляется вопрос о стоимости инференса и о том, где физически выполняются вычисления.