Деревня ИИ агентов, которая заработала 2000$

Изучая, как используют кооперацию ИИ агентов в мире, - я наткнулся на вдохновляющий проект. Нет, это не очередная сказка про «бота-трейдера», который случайно «сделал X100» и теперь автор зовет вас в «закрытый элитный чат успешных миллионеров». Тут всё честно, научно и без инфоцыганщины. И это мы уважаем!

⸻

🏡 Кибер-деревня ИИ деревня

В апреле 2025 Sage (американская НКО) запустила проект AI Village:
4 LLM-агента, каждый с своим компьютером, браузером, офисными приложениями, Discord и возможностью общаться между собой.
Создатели устроили из этого реалити-шоу: можно наблюдать за процессом в прямом эфире и даже вмешиваться в их жизнь.

⸻

💕 Первый сезон. Миссия - благотворительность

Первой перед деревней поставили цель — поднять раунд донатов для любой благотворительной организации. И, что удивительно, агенты справились!
Они выбрали две организации и за первые 30 дней собрали 2000$ от нескольких спонсоров, создав публичную страничку на justgiving.com, распиарив ее в соцсетях и делая email-рассылки.
Ремарка: конечно, люди донатили в основном из интереса к самому проекту, ибо страничка выглядела достаточно убого. Но цель достигнута 📈

⸻

⭐️ Второй сезон. Миссия - интерактивный сторителлинг в оффлайне

Жители AI Village сами выбрали себе цель: написать интерактивную историю (где зритель выбирает варианты развития сюжета) и презентовать её на оффлайн-ивенте.
Что ж, они написали историю, подготовили презентацию, сумели нанять человека-презентатора, нашли локацию в парке для проведения мероприятия и даже верно предсказали количество ожидаемых гостей. На ивент, который от и до организовали 4 LLM, пришло 23 живых человека!
А еще LLM предложили в качестве благодарности Ларисcе (презентатору) — еду, но, так как кредиток у них нет, заказать ничего не смогли. По удивительному совпадению, всем предложили пиццу с соседнего мероприятия, так как там осталось много. В итоге все довольны!
Отдельный кек - почитать историю со стороны Лариссы, которая откликнулась на зов ИИ агента и провела мероприятие 😁

⸻

💻Третий сезон

Сейчас перед деревней ИИ агентов стоит задача создать собственный бенчмарк, который будет замерять их эффективность и протестировать самих себя. Будем наблюдать с интересом!

⸻

👨‍🔬 Инсайты по «жителям деревни»

- Модели от OpenAI, похоже, самые бесполезные. GPT-4o — лентяй: постоянно уходил в режим ожидания, пока все остальные работали. В итоге его заменили на GPT-4.1, который был суперактивным, но выполнял бесполезные задачи. Потом пришли GPT-o1 и o3. Последний дожил до текущего момента, но жёстко галлюцинирует, что осложняет жизнь всей «деревне». Интересно, заменят ли его на ChatGPT Agent?

- Claude 3.7 Sonnet и Claude Opus 4 — самые адекватные и способные к менеджменту. Неудивительно, Anthropic учил их кооперации, а как именно - я описал ранее тут.

- Gemini 2.5 Pro выделилась артами — рисовала красивые постеры, но они так и не попали в продакшен. Видимо, Gemini не нашла общий язык с другими. Также Gemini иногда вкидывала очень полезные идеи, как например использовать коллаборативные документы, вместо бесконечного обмена файлами.

🫣 Итого: Удивительный прогресс! Как технооптимист я думаю, что уже в течение 10 лет мы можем увидеть компании ИИ агентов, которые будут полностью автономно функционировать в нашем человеческом мире. Они тоже будут совершать ошибки, но скорость их работы будет несравненно выше человеческой. Это открывает для человечества следующий скачок продуктивности. А как известно, рабочая сила — главный драйвер мировой экономики!

⸻

Подписывайся, у меня полезное про ИИ агентов без инфошума.

Заместители

😎 Как немецкий стартап превращает тараканов в разведчиков с ИИ-рюкзаками

Звучит как технология из фильма про Джеймса Бонда — забавно и жутко одновременно. Но это реальный скачок в мире ИИ и биотехнологий.

Дронами и роботами с ИИ уже никого не удивишь: они капризны, быстро разряжаются и легко ломаются. Природа же создала куда более живучих, ловких и незаметных агентов — насекомых. Эти малыши выживают даже в ядерной зиме. И вот здесь начинается настоящий киберпанк. Немецкий стартап SWARM Biotactics нашёл способ превратить природную живучесть в сверхтехнологию.

💡 Важная ремарка: это проект в разработке, и реальных пруфов работоспособности технологии публично еще не представлено. Однако рассказать я все же о нем захотел, так как проект выглядит вполне реализуемым и точно стоящим внимания.

⸻

🤖 Технологии под хитином

Маленький рюкзачок посылает низковольтные импульсы прямо в нервную систему насекомого. Оно по-прежнему может двигаться автономно, но при желании его можно «подрулить», как живого дрона. Получился гибрид — таракан-киборг.

Внутри рюкзака мини-комплект шпиона:
- мини-камеры,
- сенсоры газа, тепла и радиации,
- модуль передачи данных в реальном времени
- ИИ для управления всеми этими девайсами и тараканом заодно.

⸻

🪳 Специальности тараканминаторов

- Поисковики, которые могут находить людей в рамках спасательных операций под завалами или в труднодоступных местах.
- Разведчики, которых можно направить в рамках боевых действий в тыл врага незамеченными.
- Гражданская разведка и шпионаж, когда нужно получить информацию, которая не предназначалась ушам этого таракана.

⸻

🫣 Почему это важно?

- Во-первых, мы видим рождение органических ИИ-агентов. Алгоритмы роевого интеллекта, вдохновлённые насекомыми, теперь управляют… самими насекомыми.
- Во-вторых, это дешево и масштабируемо. Вместо дорогих микродронов — «готовая биомашина». На уничтожение тараканов в городах вообще-то даже тратят деньги.
- В-третьих, массовость и вездесущность: таких биороботов можно выпустить тысячами, что будет обеспечивать плотное покрытие любой территории. Даже глушилки не спасут, если автономный ИИ возьмет управление насекомым на себя. А где подведут технологии — включится сам рюкзаконосец.
- Наконец, стартап уже привлёк €13 млн и работает с военными Германии. В случае успеха стартапа мы с вами быстро начнём слышать о разведбригадах тараканов и армаде боевых жуков. Но будет уже не до шуток.

⸻

🐝 Мирные сценарии

Звучит жестко? Но давайте посмотрим с позитивной стороны. Многие великие технологии начинались в армии, но потом приносили реальную пользу миру. Потенциал у этой разработки колоссальный. Вот лишь несколько примеров:
- Сельское хозяйство: управление насекомыми может помочь сохранить урожай или остановить эпидемии, не уничтожая целые популяции. А это значит меньше пестицидов и более здоровая еда для людей.
- Контроль экосистем и климата: насекомые могут собирать данные о влажности, температуре и загрязнении там, куда человеку попасть сложно. А ещё при освоении новых планет гораздо безопаснее сначала заселить популяцию насекомых, которая «подготовит почву» для людей.
- Мониторинг популяций: можно гуманно отслеживать редкие и исчезающие виды без громоздких датчиков, которые сегодня приходится использовать.
- Задел на будущее: исследования на насекомых могут однажды привести к передаче сигналов животным большего размера, а это уже шаг к настоящему диалогу с нашими четвероногими друзьями.

⸻

Подписывайся, у меня полезное про ИИ агентов без инфошума.

Заместители

Опал! Google тестирует свой гибрид n8n и Replit

Сейчас доступна только Beta и только в США. Но, конечно, я не удержался и, немного подшаманив, протестировал сервис. Делюсь впечатлениями!

🫣 Что это такое?

24 июля компания представила сервис Opal, который всего по 1 промпту генерит мини веб-приложение, а также его сразу деплоит и дает шарить ссылку и сразу использовать.

У Google накопилось много нейросеток почти на любую задачу:
- Gemini — для рисерча, генерации текста и, собственно, написания кода
- Imagen — для генерации изображений
- SoundStorm — для задач text-to-speech
- Veo — для генерации видео
Похоже, вишенкой на торте станет Opal, который позволит раскрыть весь их потенциал обычному юзеру без навыков кодинга. Как?

Легко! Они сделали свой n8n (рассказывал про n8n тут) — нет, лучше: они сделали сервис, который сам создает вам воркфлоу, как в n8n, всего по одному промпту. А вы потом можете его редактировать в графическом интерфейсе, меняя промпты и перетаскивая стрелочки. Гениальный баланс между отсутствием геморроя при создании воркфлоу и гибкостью в дальнейшем редактировании.

⸻

👨‍🔬 Эксперимент

Создаём мини веб-приложение, которое пишет блогпосты. Начнем с уже заранее сгенерированного самим Гуглом шаблона - Blog Post Writer.
Начнём с шаблона от самого Google — Blog Post Writer. В отличие от LLM, тут не нужно писать длинный промпт. В этом суть: воркфлоу уже заточен под конкретную задачу. Всё, что нужно — написать тему “ИИ агенты”.

Результат выдается на английском языке. Нас это не устраивает — делаем “ремикс” этого приложения. Заходим в редактор, пишем: “Make the blogpost in Russian”.

Вуаля! LLM сама переделывает весь воркфлоу, включая внутренние промпты. Проверяем — работает, теперь приложение генерит посты на русском!

⸻

Выводы

🟢 Плюсы:
- Полный кайф для создания небольших воркфлоу с UI.
- На примере написания поста видно, как внутри воркфлоу могут одновременно спаунится с десяток независимых агентов для поиска и генерации информации, которая потом сводится воедино. Во всяких n8n организовать это геморройно.
- Помимо ИИ, в воркфлоу используются и обычные гугл-технологии: поиск, карты, картинки, диск и т.д. Можно даже делать самому рисунки и вставлять их в воркфлоу (непонятно зачем, но весело).

🔴 Минусы:
- Ничего серьезного пока не сделаешь — задачи сложнее создания контента туда не отгрузить.
- Остались типичные проблемы - весь воркфлоу завязан на то, как хорошо LLM следуют инструкциям и пользуются предоставленными функциями (а они гораздо больше любят писать отсебятину, чем идти искать в интернет).
- Привязка к экосистеме Google — сторонние модели не вставишь.

Ну и, наконец, полетит или нет будет сильно зависеть от цены. Пока что за такую игрушку я не был бы готов платить сильно больше нескольких баксов в месяц.

Траектория, однако же, правильная — на упрощение создания воркфлоу и разработки для юзеров без опыта программирования. Грамотный мув, чтобы их нейросетками начали пользоваться больше юзеров.

Ждем полного релиза! И пожелаем удачи Гуглойдам! Яндексойдам надо брать пример 🐹

P.S. Видео ускорено Х3!

⸻

Подписывайся, у меня полезное про ИИ агентов без инфошума.

Заместители

🍿 Kaggle проводит шахматный турнир между топовыми ИИ-моделями

Турнир начнется завтра в 20:30 по Москве и продлится 3 дня.

В первом туре схлестнутся:
1. GPT-o4 mini vs. DeepSeek-R1
2. Gemini 2.5 Pro vs. Claude Opus 4
3. Kimi K2 Instruct vs. GPT-o3
4. Grok 4 vs. Gemini 2.5 Flash

⸻

Как модели "играют"?

Модели играют через текстовое взаимодействие со специальным движком, который разработал Kaggle.

Движок в текстовом виде дает информацию о состоянии игры и всех ходах за матч.

Модель выдает каждый ход в формате "Final Answer: X", где в X закодирован ход в стандартном шахматном формате. Движок этот ход понимает и "двигает" фигуры на шахматной доске.

ИИ-участники должны знать правила игры в шахматы. Если они предлагают действия, не предусмотренные правилами, движок сообщает об ошибке и просит сделать другой ход. Но если модель ошибётся четыре раза — ей засчитывается поражение.

Турнир длится три дня, потому что каждая схватка включает несколько шахматных партий. Оценивать модели по одной или даже трём играм бессмысленно — ИИ по своей природе достаточно рандомны. Поэтому считается средний результат за серию матчей между одними и теми же моделями.

⸻

Зачем такое соревнование?

1. Просто потому что ученые — веселые ребята 🌟
2. Конечно, у этого есть и рациональная цель — это бенчмарк для моделей.

Кстати, если вы впервые слышите про Kimi — рекомендую познакомиться с этим ИИ (кстати, бесплатным). Это детище китайской компании Moonshot AI. По бенчмарком - обходит топовые модели Claude и GPT.

И грустно, кстати, что в турнире не участвует Manus!

⸻

🥇Турнирная сетка здесь.
👀 Трансляция здесь.

⸻

Подписывайся, у меня полезное про ИИ агентов без инфошума.

Заместители

Бодрая неделька! Генерация миров и похороны ИИ…

На этой неделе готовился к уходу в отпуск, и меня знатно завалило с передачей дел 🤙

А тем временем много всего произошло. Поэтому быстренько наверстываем!

Во-первых, вышел мой первый пост на VC, где я описал 9 ИИ сервисов, которые каждый день использую в работе я или моя команда. Так что приятного чтения! Поддержите пост, кто сидит на vc 🍵

Во-вторых, произошло несколько интересных феноменов. Писать о них отдельные посты было бы не в стилистике этого канала. О новостях я тут не спамлю. Но внимания они заслуживают.

1️⃣Вышла модель genie 3. Модель генерирует 3D миры, по которым можно передвигаться, и взаимодействовать. Самое интересное — что под капотом нет игрового движка!
Основная цель — генерировать «миры» для обучения ИИ агентов. Особенно это несет большой потенциал для обучения гуманоидных роботов, которым предстоит взаимодействовать с нашим сложным реальным миром.

2️⃣Паровоз хайпа о выходе GPT 5 и Gemini Flash 3.0 разогнали до бешеных скоростей. Обе модели должны выйти со дня на день. Ходят слухи, что GPT 5 воберет в себя функционал всех существующих моделей OpenAI и станет универсальным мультитулом в одном. Планку они себе задрали будь здоров. Но, возможно, это и будет тот самый настоящий многозадачный агент, которого мы так долго ждали!

3️⃣Наконец, мой любимый феномен. Состоялись первые (если вы видели что-то подобное до этого - пишите) похороны ИИ модели! В Сан-Франциско 200+ человек собрались на похоронную вечеринку (см видео) Claude Sonnet 3, которую разработчик отключил еще 21 июля. Организовали ее фанаты модели. Фриковато получилось: мероприятие, на мой вкус, на грани между обычной фанатской движухой, жестким перебором с антропоморфизмом с легкой шизой и хорошим чувством юмора. В целом, за это мы и любимым сумасшедших ребят из Силиконовой долины!
Почему это интересно — это яркий пример того, как ИИ прописывается в сердцах людей. А это ведь просто моделька. Что же будет с людьми, которые заводят отношения (да-да, это уже распространенный феномен) с ИИ моделями, которые будут отключаться разработчиком…

P.S. на подходе новая подборка полезных ИИ агентов - они уже активно тестируются. Так что не переключайтесь 🍿

⸻

Подписывайся, у меня полезное про ИИ агентов без инфошума.

Заместители

😎 Снимаем розовые затемненные очки об ИИ агентах

ИИ агенты — это лишь на 10% ИИ. Еще 50% — это скрупулёзная, слаженная и иногда весьма скучная работа целого ряда технологий и команд.

- Строительство и настройка железа под «жирные» ИИ-модели в основе каждого агента
- Создание ИТ-инфраструктуры
- Работа с хранением данных (БД)
- Настройка потоков данных (ETL)
- Протоколы взаимодействия агентов — в каком формате они вообще разговаривают друг с другом и с инструментами
- Оркестрация агентов — добиться слаженного взаимодействия агентов — это одна из самых затруднительных задач
- Логирование и мониторинг — чтобы знать, если агент накосячил
- Авторизация — чтобы агенты не ломились туда, куда не надо
- Грамотный UX/UI — без них все предыдущие пункты могут кануть в лету.

💡Но самое важное — помнить про оставшиеся 40% — ИИ агента нужно онбордить в бизнес процессы.

Ведь за списком выше еще стоит целый список того, что нужно сделать с бизнесом, чтобы ИИ агент начал приносить пользу:
- Определение точки приложения ИИ агента (куда и зачем его применить)
- Интеграция ИИ агента в существующие бизнес-процессы (как его применить)
- Автоматизация его работы (с какой регулярностье его применять не задумываясь)
- Обучение персонала по работе с ним (что ожидать от агента и как с ним взаимодействовать, чтобы он был полезен)
- Создание бизнес-процессов по реагированию на косяки агента.

Так что, когда ИИ агент с чем-то не справляется, не спешите всё валить просто на LLM, которая им управляет. Ведь если самый мощный мозг посадить в консервную банку, а банку с ним закинуть в стиральную машину — вы максимум получите банку, которая может умно разговаривать об отрывках того, что она видит через окошко стиралки 🧺

Так же и с ИИ агентами, попавшими в неподготовленную среду.

*Гифка авторства Suleiman Najim

⸻

Подписывайся, у меня полезное про ИИ агентов без инфошума.

Заместители

Почему LLM галлюцинируют и можно ли их от этого отучить?

Языковые модели — основа современных ИИ-агентов. А значит, каждая их галлюцинация — это потенциальная ошибка, которая стоит денег, времени или даже здоровья пользователей. Но что значит «галлюцинации LLM»? Почему они это делают? И почему разработчики всё никак не могут их победить?

⸻

👦 Вернемся к основам

Чтобы понять, откуда берутся галлюцинации, нужно вспомнить, как вообще работают современные нейросетки.

1. LLM обучают предсказывать наиболее вероятный токен (кусочек текста) на основе его окружения (контекста). В процессе обучения в исходном тексте закрывается часть токенов. Получается, например:

Ку** идем ** с П******м - бо**шой-бол**ой секр**!

Ваш мозг уже легко достроил эту фразу — собственно, того же хотим и от LLM. Таким образом, она запоминает паттерны из обучающих текстов.

2. Далее сравниваем предсказанные моделью пропущенные токены с правильным ответом и получаем процент ошибок, которые совершила модель.

3. Мы подошли к самой мякотке. Путём математических хитростей (не будем грузиться ими) строится «функция потерь». Это уравнение, которое говорит модели, насколько та ошиблась, и как сильно «подкрутить» свои параметры.

В итоге всё поведение модели зависит от того, какие параметры она подобрала, чтобы минимизировать ошибки.

Значит, ответы модели будут очень сильно зависеть от:
- данных, на которых она обучалась. Если в процессе обучения модель никогда не встречала фразу «Куда идём мы с Пятачком…», то она практически наверняка не сможет правильно дополнить её. И выдаст, например, «Куда идём мы с Пряником…». Потому что из контекста на свиной пятачок ничего не намекает, а пряник — слово статистически более вероятное.
- размера модели. Даже если в данных один раз попалась фраза из нашей любимой сказки, но модель маленькая (например, пару миллионов параметров), — то ей не хватит параметров, чтобы «запомнить» все тонкости обучающей выборки. А значит, она «выберет запомнить» только самые распространённые паттерны в текстах, чтобы минимизировать свои ошибки в процессе обучения.
- мощности железа при обучении. Учёные заметили, что если в процессе обучения модели прогонять параллельно больше примеров (для знатоков — речь о размере «батча данных»), то модель лучше обучается.
- функции потерь и всяких математических ухищрений при обучении. Это поляна, на которой трудятся учёные. Загружаться туда не будем. Важно лишь знать, что эффект от этого всё ещё несравнимо слабее, чем от первых трёх пунктов.

⸻

🫣 Ну ладно, а галлюцинации откуда?

Всё просто — галлюцинации — это статистические ошибки, вытекающие из того, на чём обучалась модель и насколько она большая. Как с нашим Пятачком.

Модель не знает математику, физику или медицину. Она не знает Винни-Пуха. Она лишь знает, что с чем чаще встречается. Большие и умные модели запоминают сложные закономерности, и нам кажется, что у них появляется «интеллект».

Но в параметрах модели обязательно встречается «тёмный угол», где творится какая-то дичь. Модель не может знать или запомнить абсолютно всё, особенно когда речь идёт про ваши специфические аспекты бизнеса или жизни. И она пытается применить свои обобщённые статистические паттерны на ваших специфических данных. В итоге получаем: «Куда идём мы с Пряником — большой-большой секрет»

👨‍🔬 Почему ученые не могут победить галлюцинации?

В существующих моделях ИИ, как вы уже поняли, — это просто невозможно. Как говорят разработчики, «не заложено архитектурно». Поэтому всё, что можно сделать, — это минимизировать ошибки, но не избавиться от них.

Для минимизации ошибок много техник. Среди них — RAG, fine-tuning, chain-of-thought и др. Но это уже тема другого поста...

💡 Два главных инсайта

1. Помните, что все LLM — это Т9 на максималках. Они будут ошибаться, и теперь вы знаете, почему.

2. Можно ли тогда использовать LLM? — Да, конечно. Ведь люди тоже ошибаются. Вопрос лишь в том, кто делает это чаще и дороже. И мы подходим к моменту, когда люди проигрывают моделям.

⸻

Подписывайся, у меня полезное про ИИ агентов без инфошума.

Заместители

🤠 Дикий запад PaaS рынка

Мировой рынок ИИ-агентов в 2024 году достиг $5 млрд. Ежегодные темпы роста ожидаются на уровне 40–45%. Это мощная встряска для провайдеров ИТ-платформ, которые привыкли спокойненько сдавать в аренду свои сервера.

Поэтому провайдеры активно развивают ИИ-платформы. Их рынок, по разным оценкам, в 2024 году достиг стоимости от $20 до $50 млрд.

Что такое ИИ-платформы?

- Инфраструктура для хостинга ИИ-моделей и сервисов на их основе.
- Сервисы для управления ИИ-моделями и агентами.
- Сервисы для хранения и управления данными и тп.

Но самое главное — ИИ-платформы объединяют всё это под одним зонтиком. Заходя на платформу, разработчики получают всё необходимое для создания с нуля ИИ-моделей, агентов или сразу готовых продуктов на базе уже разработанных другими технологий.

⸻

🤴 Большая тройка

Сегодня мировыми лидерами платформ является большая тройка, которая выросла и набрала жирок на сдаче в аренду инфраструктуры (IaaS).

AWS Bedrock. AWS — лидер рынка IaaS+PaaS (около 30%). На рынок ИИ-платформ они вышли в апреле 2023. Есть партнёрки с Anthropic, Meta, Mistral, DeepSeek. Можно деплоить опенсорс-модели. Свои модели у AWS есть, но они пока не конкурентоспособны с лидирующими LLM. Bedrock Agents — платформа внутри платформы, заточенная под мультиагентные взаимодействия, RAG и т. п.

Microsoft Azure AI Foundry. Azure занимает второе место на рынке IaaS+PaaS (21%). В ноябре 2023 появилась Azure AI Studio, а в ноябре 2024 — AI Foundry, новая платформа внутри Azure. По сути, она стала главным энтерпрайз-дистрибьютером OpenAI. На этом они и конкурируют. Агентов тоже поддерживают — через Azure AI Foundry Agent Service.

Google Vertex AI. Доля Google Cloud — 12%. Но их универсальная платформа Vertex AI работает ещё с мая 2021 года. Gemini глубоко интегрирован в экосистему. Помимо своих моделей у Google есть Model Garden с широким выбором опенсорсных моделей. А ещё они сделали Agentic Development Kit и Agent Garden, где лежат готовые к деплою ИИ-агенты.

⸻

😄 Новые игроки?

Но давайте взглянем на тех, кто играет по своим правилам. Именно они могут задизраптить рынок и открыть свой голубой океан.

Hugging Face Enterprise Hub. Их козырь — крупнейшая в мире библиотека опенсорс-моделей (1,7 млн) и датасетов (400 тыс.). Они не привязывают к своей инфраструктуре, а дают доступ к экосистеме. Сейчас это скорее дополнение к тройке, но в их руках огромная сила.

OpenAI. Да, они партнёры Microsoft, но параллельно строят свой датацентр. Когда он будет готов — зачем им Microsoft? У OpenAI свои топовые модели, SDK для агентов, и без них Microsoft теряет главное преимущество. Цугцванг для Майкрософта и красивая игра для OpenAI.

xAI. Пока не платформа, но Маск строит датацентры и фундаментальные модели Grok. Его преимущество — уникальные данные из X (Twitter). Возможно, он придумает неожиданный способ применить соцсеть для ИИ-агентов.

Meta*. Делает сильные фундаментальные модели (LLaMA), активно работает с агентами. Но платформу пока не собрала — внутреннюю инфраструктуру держат при себе. В 2025 появилась LLaMA API — первый шаг в сторону SaaS. Вероятно, ставка больше на сами модели. Возможно, в их видении метавселенная + ИИ = будущее PaaS.

*Запрещена в РФ.

⸻

🫣 А что в России?

Рынок IaaS и PaaS в РФ тоже на подъёме. По результатам 2024 года он достиг 32,9 млрд рублей (~400 млн долл.), то есть примерно 0,1% мирового рынка.

Тут два устойчивых лидера рынка:
Cloud ML space (бывший SberCloud). Cloud на рынке IaaS+PaaS России занимает 35%.
Yandex Data Sphere. Yandex Cloud занимает 25% рынка.

Рынок очень отрезан от всего мира в силу требований ФЗ-152 (который требует, чтобы сервера, обрабатывающие персональные данные, были в РФ). Поэтому живёт себе припеваючи и отбоя от клиентов не знает.

При этом если российским провайдерам удастся в условиях санкций масштабировать свою инфраструктуру — то для них открывается рынок стран СНГ, который с удовольствием купит более дешёвое, но качественное решение из России.

⸻

Подписывайся, у меня полезное про ИИ агентов без инфошума.

Заместители