Мировой рынок ИИ-платформ и моделей вырастет в 2026 году до $64 млрд — на 63,4% за год. Быстрее всех растёт не фронтир общего назначения, а специализированные модели под конкретные задачи: плюс 210% за тот же период. Для компании это меняет сам вопрос: выбирать нужно не «самую мощную модель вообще», а набор моделей под разные шаги работы.
Парадокс в том, что почти никто не проверяет, окупается ли этот набор. По опросу KPMG, 89% организаций заявляют об измеримой ценности ИИ, но лишь 12% системно сопоставляют её с затратами. Ниже — что говорят свежие данные о выборе модели и где решение, принятое по инерции, стоит дороже, чем кажется.
Что на самом деле растёт на рынке моделей
Аналитики Gartner в июльском прогнозе оценили рынок ИИ-платформ и моделей в $64 млрд на 2026 год против $39 млрд годом ранее — рост 63,4%. Драйвером назван не фронтир, а узкие модели под конкретные области.
This dynamic is accelerating growth in domain-specific language models (DSLMs) and specialized models, which are forecast to grow 210% in 2026.
Gartner, июль 2026
Старший аналитик Gartner Arunasree Cheparthi объясняет причину прямо: бюджеты на ИИ попали под пристальное внимание, компании считают эффективность использования, контролируют расходы и требуют измеримого результата. Через два месяца в другом релизе Gartner добавляет важную деталь: генеративный ИИ оказался в «долине разочарования», и бизнес всё чаще берёт простые встроенные функции у своих текущих поставщиков софта вместо собственных больших проектов.
Масштаб задаёт второй прогноз: совокупные расходы на ИИ в 2026 году Gartner оценивает в $2,7 трлн, и почти половина этой суммы — инфраструктура. Модель здесь лишь одна из статей, но именно вокруг неё принимаются первые решения, поэтому вопрос «сколько моделей и каких» стал бюджетным, а не техническим.
210% роста — и всё равно меньше четверти денег
Заголовок «специализированные обгоняют универсальные» верен только наполовину. В той же таблице Gartner специализированные модели — это $4,91 млрд против $23,36 млрд у моделей общего назначения.
| Сегмент | 2025, $ млн | 2026, $ млн | Рост |
|---|---|---|---|
| Специализированные и DSLM | 1 583 | 4 910 | 210,0% |
| Модели общего назначения | 11 438 | 23 356 | 104,2% |
| Весь рынок платформ и моделей | 39 311 | 64 252 | 63,4% |
То есть специализированные растут втрое быстрее, но по деньгам занимают меньше четверти рынка. Через два месяца Gartner называет ту же нишу «a small but growing opportunity» — маленькой, хотя и растущей.
Практический вывод: не стоит ждать, что узкая модель заменит универсальную целиком. Она забирает отдельные шаги там, где универсальная переплачивает за ненужную мощность, и именно на этих шагах экономию удаётся измерить.
В проде выигрывает не модель, а система моделей
NVIDIA описывает рабочую схему так: «The most effective agentic AI applications are systems of models where open models work alongside leading frontier models, each fulfilling the job it does best». Тяжёлая reasoning-модель планирует, а малые исполняют специализированные шаги — это снижает стоимость инференса и повышает точность на конкретных задачах.
Техническая документация OpenAI идёт тем же путём и даёт готовый рецепт: «Right-size the model to each step instead of choosing one global model». Для классификации обращений предлагается nano по $0,20 за миллион входных токенов, для типовых случаев — mini по $0,75, для сложных и рискованных — full по $2,50. Разница по входу между крайними вариантами — в 12,5 раза.
Академическая проверка расставляет границы применимости. В работе на arXiv гибрид малых открытых моделей дал 35,30% точности и обошёл сильнейший фронтир без подпорки фактами (34,77%). Но тот же фронтир с той же выстроенной цепочкой доказательств остался первым — 38,22%.
Поэтому «специализированные обгоняют» верно для оркестрации малых моделей, но не отменяет сильной модели там, где нужна подпорка фактами. Разбор на Хабре добавляет к этому цену ошибки: стоимость решения задачи у двух моделей различается почти в 70 раз, тогда как по сводному индексу — меньше чем в 1,5 раза. Дешёвая модель в наборе оказалась единственной с отрицательной достоверностью: неверных утверждений на её ответах больше, чем верных, а ручная перепроверка ни в одном прайсе не учтена.
Российский контур: суверенность здесь условие, а не риск
Западная аналитика расходится с российским опытом. Gartner пишет, что риски зависимости от поставщика и суверенности данных «are not deterring buyers» — покупателей не останавливают. KPMG в том же квартале фиксирует обратное: 21% компаний ведут корпоративную стратегию суверенности с регулярным пересмотром, ещё 51% применяют формальные критерии к большинству или части решений.
Российская практика ближе ко второй картине. Девелопер MR Group внедрил ИИ-контролёра на базе GigaChat для автоматической проверки условий проектного финансирования и мониторинга ковенант по всем строительным проектам. Решение работает в изолированном контуре, данные хранятся на серверах в России и защищены шифрованием. Здесь суверенность — не пожелание отдела безопасности, а входное условие проекта, без которого он не состоялся бы.
Добавляется фактор устаревания. По разбору на Хабре между релизами двух лидирующих моделей прошло 33 дня, и за это время догоняющая сравнялась по индексу с лидером при том же ценнике. Ставка на «самую сильную модель» устаревает примерно за месяц; выигрывает тот, кто умеет менять модель без переделки процесса. Каталог моделей и подбор под задачу — в разделе моделей.
Что делать: пять решений до пилота
- Разложить процесс на шаги и под каждый назвать модель — от дешёвой до сильной, а не одну на всё.
- Считать стоимость решённой задачи, а не токена: прайс за миллион токенов не показывает число повторов и эскалаций.
- Заложить цену ошибки: дешёвая модель с сомнительной достоверностью обходится дороже ручной перепроверкой.
- Проверять модель на своих данных и своём определении точности, а не только по публичным бенчмаркам.
- Сверять ценность с затратами регулярно: расходы при согласовании смотрят 61% компаний, а сопоставляют их с результатом лишь 12%.
Ни один из этих шагов не требует выбрать «правильную» модель раз и навсегда. Все они требуют управляемости: понятного набора моделей, контроля расходов и метрики на задачу. Общий принцип один — не искать единственную лучшую модель, а собрать управляемый набор и менять его по мере появления новых релизов. Типовые сценарии, где такой подход окупается быстрее всего, собраны в разделе сценариев.
Частые вопросы
Стоит ли заменять одну большую модель несколькими специализированными?
Целиком — нет. Специализированные модели закрывают отдельные шаги, где универсальная переплачивает за мощность: разбор заявок, извлечение реквизитов, типовые ответы. Сложные и рискованные случаи остаются за сильной моделью, поэтому на практике получается набор моделей, а не замена одной на другую.
Как понять, что модель подобрана под задачу, а не просто дешевле?
Считать не цену токена, а стоимость решённой задачи: сколько повторов, лишних обращений к инструментам и эскалаций потребовалось. В разборах цена решения у двух моделей расходится почти в 70 раз при разнице по сводному индексу меньше чем в 1,5 раза, и дешёвый вариант может проигрывать по достоверности.
Что делать, если модель устарела через месяц после внедрения?
Заранее строить процесс так, чтобы модель была заменяемой: отделять логику работы от конкретной модели, проверять кандидатов на своих данных и держать метрику по задаче. Между релизами лидирующих моделей проходит около 33 дней, поэтому ставка на «самую сильную» устаревает быстро.
Источники
- Gartner Forecasts Worldwide AI Platforms and Models Market to Grow 63% in 2026 — Gartner, 20 июля 2026 г.
- Gartner Forecasts Worldwide AI Spending to Grow 49.5% in 2026 — Gartner, 16 сентября 2026 г.
- Global AI Pulse Q3 2026 — KPMG, 1 сентября 2026 г.
- Nemotron Labs: How Open Models Give Enterprises and Nations AI They Can Trust, Control and Customize — NVIDIA Blog, 14 июля 2026 г.
- Optimizing Customer Support Agents for Cost and Quality — OpenAI, 14 сентября 2026 г.
- Small, Free, and Effective: Orchestrating Open-Weight Small Language Models to Outperform Single LLM for Malware Analysis — arXiv, 22 июля 2026 г.
- Большие модели и цена миллиона токенов — Хабр (Hostkey), 31 июля 2026 г.
- Девелопер MR внедрил «ГигаЧат» в проверку условий проектного финансирования — TAdviser, 15 сентября 2026 г.