Российские ML-платформы долго воспринимались прежде всего как среда для подготовки данных, обучения моделей и развёртывания сервисов машинного обучения. Теперь поверх этой инфраструктуры появляется ещё один прикладной уровень — слой ИИ-агентов. Его задача состоит не просто в генерации текста или вызове модели, а в выполнении последовательности действий: получить запрос, обратиться к корпоративным данным, выбрать подходящий инструмент, запустить операцию и вернуть результат пользователю или информационной системе.
Такой сдвиг меняет предмет конкуренции. Для заказчика важны уже не только характеристики модели и доступность вычислительных ресурсов, но и скорость сборки рабочего сценария, набор интеграций, управление правами, возможность контролировать действия агента и удобство его эксплуатации. Поэтому агентские решения корректнее рассматривать не как замену ML-платформам, а как надстройку над ними.
Почему слой ИИ-агентов становится отдельной категорией
Классическая ML-платформа предоставляет технологическую основу: инструменты для работы с данными, среду разработки, вычислительные мощности, модели и средства публикации сервисов. Агентская платформа переносит внимание на прикладной процесс. Она помогает описать цель, подключить источники информации, определить доступные действия и собрать логику взаимодействия между моделью и корпоративными системами.
На практике граница между категориями остаётся подвижной. Облачные провайдеры расширяют ML-сервисы агентскими функциями, разработчики моделей добавляют конструкторы и интеграционные механизмы, а специализированные платформы используют внешние модели и облака. Однако для корпоративного заказчика различие заметно: вместо самостоятельной сборки всех компонентов он получает среду, в которой можно проектировать и запускать готовые цифровые роли.
Обзор Albato позволяет говорить как минимум о 10 платформах для создания и развёртывания ИИ-агентов на российском рынке. Эту оценку следует воспринимать как моментальный срез, а не как исчерпывающую и неизменную карту. Кроме того, источник заинтересован в развитии категории: Albato сам входит в составленный им перечень, а независимого подтверждения того же агрегата нет.
Тем не менее сам факт появления обзоров, объединяющих решения по агентскому признаку, показателен. Рынок начинает описывать отдельный класс продуктов с общей пользовательской задачей: превратить возможности генеративной модели в управляемый рабочий процесс. Категория формируется не вокруг одной архитектуры, а вокруг результата — способности агента действовать в заданном контексте и обращаться к разрешённым инструментам.
Что означает нижняя граница цены
Публичная стоимость решений без программирования выглядит доступной, но цена подписки — лишь начальная точка расчёта. Она может относиться к базовому набору функций и не включать расходы на обращения к модели, хранение данных, внешние сервисы, сложные интеграции и поддержку корпоративного контура. Верхняя граница в доступном обзоре числом не выражена: условия для крупных внедрений предлагается узнавать у поставщиков.
Поэтому сравнение только по тарифу конструктора способно создать ложное впечатление о стоимости владения. Один сценарий может работать на готовых интеграциях и стандартной модели, другой потребует подключения внутренних баз знаний, настройки разграничения доступа и разработки собственных инструментов. Формально оба относятся к категории «слой ИИ-агентов», но их архитектура, риски и эксплуатационные затраты различаются.
Слой ИИ-агентов: где заканчиваются подтверждённые выводы
Обзор Albato является заинтересованным источником: компания включила собственный продукт в рассматриваемую категорию. Поэтому приведённые число платформ и нижняя цена заявлены участником рынка и независимо не проверены. Точность цены также выше, чем позволяет обобщённое сравнение предложений: условия, состав тарифа и временная основа показателя могут различаться, а в схеме доказательств не зафиксирована полная история их изменения. Цитата о цене была исправлена после возврата проверки: из неё убрали отделённое разметкой вводное слово, не меняя саму величину и редакционный вывод.
Упоминание GigaChat Business не сопровождается отдельной числовой карточкой и служит только качественным примером продуктового сдвига. Доказательства хранятся в общем рабочем файле, поэтому при последующем обновлении материала необходимо проверить, что записи других выпусков не повлияли на его состояние. Эти риски не отменяют вывод о том, что слой ИИ-агентов формируется как продуктовая категория, но не позволяют считать обзор полным рейтингом, независимо подтверждённой картой рынка или точным расчётом стоимости промышленного внедрения.
Для оценки предложения полезнее начинать с карты процесса. Заказчику необходимо понять, какие действия агент сможет выполнять, к каким данным он получит доступ, где потребуется подтверждение человека и как система поведёт себя при неоднозначном запросе. После этого тариф платформы можно сопоставлять с затратами на внедрение, инфраструктуру и контроль качества.
GigaChat Business как пример продуктового сдвига
Показательный именованный пример — GigaChat Business от Сбера. В марте 2026 компания представила его как конструктор ИИ-агентов без программирования. Важен здесь не отдельный показатель масштаба, а способ упаковки технологии: пользователь получает средство для создания прикладного агента без необходимости самостоятельно собирать все элементы ML-контура.
Этот формат адресован не только разработчикам моделей. В проектирование сценария могут включаться аналитики, владельцы процессов и специалисты подразделений, которые понимают предметную область. Интерфейс без программирования снижает барьер прототипирования, однако не отменяет инженерных задач. Корпоративному решению по-прежнему нужны качественные данные, интеграции, правила доступа, журналирование действий и понятный порядок вмешательства человека.
На уровне рынка появление такого продукта у крупного поставщика показывает, что агенты переходят из режима отдельных экспериментов в формат платформенного предложения. Пользователю продаётся уже не доступ к абстрактной модели, а возможность создать цифрового исполнителя под определённый процесс. Это сближает агентские платформы с системами автоматизации, интеграционными решениями и корпоративными приложениями.
Одновременно растут требования к управлению. Генеративная модель может сформулировать ответ, но агент способен инициировать действие во внешней системе. Чем шире его полномочия, тем важнее ограничения, проверка входных данных, подтверждение критичных операций и разбор ошибок. Поэтому зрелость агентской платформы определяется не только удобством конструктора, но и средствами безопасной эксплуатации.
Слой ИИ-агентов: как собрана рыночная картина
Материал сопоставляет три вида публичных данных. Обзор Albato используется для определения состава формирующейся категории и нижнего ценового ориентира. Публикация Cloud4Y даёт инфраструктурную ставку, необходимую для объяснения того, почему слой ИИ-агентов нельзя оценивать только по подписке на конструктор. Прогноз Just AI и Onside показывает более широкий контекст рынка генеративного ИИ, но не заменяет данные об агентском сегменте. Утверждения разделены по назначению: наблюдаемая продуктовая упаковка описывает направление рынка, опубликованные цены служат ориентирами, а прогнозные показатели рассматриваются только как возможная траектория. Выводы не превращают эти разнородные сведения в единый рейтинг платформ.
Инфраструктура остаётся частью экономики агента
Агентский интерфейс не устраняет потребность в вычислениях. За ним могут находиться облачная языковая модель, собственная модель заказчика, поиск по корпоративной базе знаний, обработка документов и несколько внешних инструментов. Выбранная архитектура определяет, какие ресурсы понадобятся и кто будет отвечать за их загрузку.
В качестве инфраструктурного ориентира обзор Cloud4Y приводит ставку аренды GPU-конфигурации V4 в Yandex Cloud — 1 016,90 ₽/час с учётом НДС и посекундной тарификацией, действующую с января 2026. Это данные обзорной публикации провайдера, а не отдельно проверенный официальный прайс-лист Yandex Cloud, поэтому использовать ставку следует именно как ориентир.
Её нельзя механически превращать в месячный бюджет. Фактические расходы зависят от длительности работы, загрузки конфигурации, выбранной модели и распределения задач между собственными и внешними сервисами. Для части сценариев выгоднее обращаться к модели по программному интерфейсу, для других существенными становятся контроль данных и возможность управлять собственной инфраструктурой.
В результате у агентской платформы возникает несколько контуров стоимости. Плата за конструктор отвечает за проектирование и управление сценарием. Вычисления обеспечивают работу моделей. Интеграционный контур связывает агента с данными и приложениями. Эксплуатационный контур охватывает наблюдение, безопасность, тестирование и поддержку. Сравнивать предложения имеет смысл только после того, как эти составляющие отделены друг от друга.
Прогноз рынка GenAI: фон, а не гарантия спроса
Развитие агентских платформ происходит внутри более широкого рынка генеративного ИИ. По оценке Just AI и Onside, российский рынок GenAI может достичь 778 млрд ₽ к концу 2030 года, а прогнозный среднегодовой темп роста в период 2025–2030 составляет 68%.
Это прогноз, не факт. Показатели описывают возможную траекторию рынка, а не уже полученную выручку и не гарантированный результат. В открытой публикации методика расчёта подробно не раскрыта, поэтому цифры нельзя использовать как доказательство неизбежного роста конкретной платформы или отдельного агентского сегмента.
Для категории «слой ИИ-агентов» прогноз важен как контекст. Если компании будут масштабировать генеративные решения, спрос сместится от демонстрационных интерфейсов к инструментам, способным встраиваться в процессы. Агентские платформы претендуют именно на эту роль: они превращают модель из универсального собеседника в компонент бизнес-системы. Но коммерческий успех будет зависеть от качества внедрений, доступности инфраструктуры и способности поставщиков показать измеримый результат.
Как выбирать агентскую платформу
Выбор стоит начинать не с рейтинга функций, а с границ будущего агента. Нужно определить его задачу, источники данных, разрешённые действия и точки контроля. Такой подход позволяет понять, действительно ли требуется полноценная агентская платформа или достаточно более простого сценария с языковой моделью и заранее заданной последовательностью операций.
Затем следует проверить переносимость решения. Существенное значение имеют поддерживаемые модели, способы подключения корпоративных данных, экспорт конфигурации, доступность журналов и возможность заменить инфраструктурный компонент без полной переработки процесса. Чем сильнее сценарий зависит от закрытых механизмов поставщика, тем выше потенциальная стоимость последующей миграции.
Отдельный критерий — наблюдаемость. Команда должна понимать, почему агент выбрал определённый инструмент, какие данные использовал и на каком этапе возникла ошибка. Без такого контроля сложно расследовать сбои, улучшать инструкции и доказывать соблюдение внутренних правил. Для промышленного применения прозрачность поведения может оказаться важнее эффектной демонстрации.
Наконец, пилот необходимо оценивать по бизнес-результату. Качество ответа само по себе ещё не означает, что процесс стал эффективнее. Следует проверять устойчивость выполнения задачи, объём ручных исправлений, цену эксплуатации и последствия ошибочного действия. Слой ИИ-агентов создаёт ценность тогда, когда связывает модели и корпоративные системы в воспроизводимый процесс.
Таким образом, российский рынок входит в стадию, когда слой ИИ-агентов становится самостоятельным продуктовым уровнем поверх ML-платформ. Появились специализированные предложения, публичный порог входа и решения крупных поставщиков. Следующий этап будет определяться не количеством демонстраций, а тем, насколько безопасно, прозрачно и экономически оправданно агенты смогут работать внутри реальных организаций.
Albato. «Российские платформы для ИИ-агентов 2026: топ-10 с ценами и сравнением» — состав рассматриваемой категории и нижний ценовой ориентир.
Cloud4Y. «Рейтинг облаков для AI/ML и HPC 2026: GPU, цены, сравнение» — ставка аренды GPU-конфигурации V4 в Yandex Cloud.
Just AI. «Российский рынок GenAI вырастет до 778 млрд руб. к концу 2030 года» — прогноз объёма российского рынка GenAI и его среднегодового темпа роста.