AI начинается не с GPU: что нужно бизнесу для внедрения искусственного интеллекта

Искусственный интеллект все активнее проникает в бизнес-процессы, но вместе с первыми успешными пилотами у компаний возникает более сложный вопрос: что делать дальше? Строить собственную инфраструктуру, идти в облако, готовить данные или сначала вообще разобраться, какую задачу должен решить AI?

Об этом на workshop «От GPU-инфраструктуры к безопасному внедрению AI» в рамках форума AI & Digital Bridge 2026 в Астане говорили Фарух Бакиев, директор по управлению данными QazCode / Beeline Казахстан, Ван Хуасинь, директор облачного направления Huawei, Мохаммед Карим, региональный директор по продажам и кантри-менеджер Cyberhaven, Кирилл Ильганаев, менеджер по работе с клиентами Check Point, и представители других технологических компаний. В центре обсуждения оказались инфраструктура, корпоративные данные и безопасность — вопросы, которые становятся критичными, когда эксперимент с искусственным интеллектом превращается в промышленное решение.

Сначала задача, затем AI

Фарух Бакиев из QazCode признался, что один из самых распространенных запросов от бизнеса сегодня звучит предельно просто: «Хотим AI». Но начинать, по его мнению, нужно не с выбора модели или покупки вычислительных мощностей, а с понимания, зачем компании вообще нужен искусственный интеллект.

Проблема особенно заметна в крупных компаниях. Там AI приходится встраивать не в чистую технологическую среду, а в уже существующую архитектуру — с устаревшими системами, сложными бизнес-процессами и разным качеством данных. 

Фарух Бакиев, директор по управлению данными QazCode / Beeline Казахстан
Для небольшого стартапа, который четко понимает свою задачу, оптимальным решением может быть использование готовой инфраструктуры, поверх которой уже строится приложение. В крупном бизнесе подход другой: сначала важно определить бизнес-задачи и понять, какие технологии действительно необходимы, и только после этого принимать решение о серьезных инвестициях в GPU-мощности.

GPU, или графические процессоры — это мощные вычислительные чипы, способные одновременно выполнять огромное количество операций. Именно поэтому их используют для обучения и работы AI-моделей: чем сложнее и масштабнее система, тем больше таких вычислительных ресурсов ей может потребоваться.

Что же касается данных, даже самая современная модель не сможет компенсировать низкое качество исходной информации.  

Фарух Бакиев, директор по управлению данными QazCode / Beeline Казахстан
Качество результата напрямую зависит от качества исходных данных. Если они плохо структурированы или содержат ошибки, на выходе мы получим такой же некачественный результат — просто в более красивой упаковке.

Свой ЦОД или облако

Один из самых оживленных споров развернулся вокруг инфраструктуры. Стоит ли компании инвестировать в собственные дата-центры и GPU или проще пользоваться облачными мощностями?

Для небольших компаний и стартапов ответ представителя QazCode однозначен. Покупка даже сравнительно компактной инфраструктуры может оказаться слишком дорогой, особенно с учетом того, насколько быстро меняются LLM и требования к вычислениям. 

Облачные сервисы позволяют начать экспериментировать с AI без крупных первоначальных инвестиций и наращивать мощности по мере необходимости.

Для компаний, которые рассматривают облачную инфраструктуру как альтернативу собственному ЦОД, Beeline Business развивает направление HyperCloud — облачную платформу для размещения корпоративных IT-систем и сервисов с возможностью масштабирования ресурсов под задачи бизнеса.

Для крупных организаций, по его мнению, выбор сложнее. Если критичны локализация, контроль инфраструктуры и хранение чувствительных данных внутри страны, собственные мощности могут быть оправданы.

Фарух Бакиев, директор по управлению данными QazCode / Beeline Казахстан
На текущем этапе для небольших компаний и стартапов наиболее рациональным вариантом может быть использование облачной инфраструктуры.

Если ресурсы не ограничены, компания, конечно, может инвестировать в строительство собственного ЦОДа. Но если требования к локализации данных не являются критичными и речь не идет о чувствительных персональных данных, облачная инфраструктура позволяет значительно быстрее начать работу с AI-решениями.

Другие участники дискуссии в целом согласились, что универсального ответа нет. Представитель Huawei также говорил о преимуществах облачной модели для быстрого запуска решений, тогда как для стабильных крупных нагрузок могут использоваться локальная инфраструктура илию локальные облачные мощности.

Менеджер по работе с клиентами Check Point Кирилл Ильганаев сделал акцент на гибридном сценарии: крупные компании нередко совмещают собственную инфраструктуру и облако. Правда, такой подход одновременно увеличивает поверхность атаки — защищать необходимо оба контура.

Представитель Cyberhaven дополнил дискуссию, отметив, что современные средства защиты позволяют контролировать работу с конфиденциальными данными как во внешних сервисах, так и внутри корпоративной инфраструктуры.

AI создает новые риски, но основы безопасности не меняются

Отдельной темой стало так называемое Shadow AI — ситуация, когда сотрудники самостоятельно используют публичные AI-сервисы и могут загружать туда рабочую информацию без контроля компании.

Представитель Check Point напомнил и о новых классах атак на AI-системы: prompt injection, poisoning моделей, компрометации данных и инфраструктуры. При этом участники сошлись в том, что появление AI не отменяет традиционных правил информационной безопасности.

Фарух Бакиев предложил начинать именно с базовых практик: разграничивать доступы, использовать firewall, анализировать код на уязвимости, собирать логи, строить SIEM-контур, разделять тестовую, предпродуктовую и промышленную среды, а для AI-агентов использовать изолированные «песочницы».

Фарух Бакиев, директор по управлению данными QazCode / Beeline Казахстан
Какими бы современными ни были инструменты защиты, они не заменяют базовую цифровую гигиену и соблюдение основных принципов информационной безопасности.

Любая система остается уязвимой, пока с ней взаимодействуют люди. С AI-агентами ситуация похожая: несмотря на их автономность, люди по-прежнему участвуют в работе системы как внутри, так и извне. Поэтому базовые практики информационной безопасности остаются основой защиты — независимо от того, насколько современными становятся технологии.

В результате дискуссия вернулась к тому же вопросу, с которого начиналась: бизнесу не стоит начинать AI-трансформацию с покупки максимального количества GPU или строительства собственного ЦОДа. Сначала нужно определить задачу, понять, какие данные для нее нужны и где они могут храниться, а затем подобрать инфраструктуру и систему защиты под конкретный сценарий.

Тогда искусственный интеллект перестает быть экспериментом ради технологии и становится рабочим инструментом бизнеса.