Считаем стоимость, безопасность и vendor lock облачных LLM против собственного контура. С точкой безубыточности, чек-листом 152-ФЗ и сценариями, где облако всё ещё выигрывает.
Каждый второй разговор про AI начинается с одного и того же вопроса: «А не проще ли подключиться к OpenAI и не строить ничего своего?». Иногда — действительно проще. Иногда — это решение, которое через полгода стоит компании контракта с госзаказчиком и репутации в индустрии. Разбираем по полкам, где облачный LLM экономит миллионы, а где — превращает компанию в заложника чужой инфраструктуры.
Пару лет назад open-source модели объективно проигрывали GPT-4 по большинству задач. Сейчас разрыв закрылся:
То есть утверждение «open-source хуже» в 2026 году требует уточнения: хуже на каких именно задачах, на сколько процентов и за какие деньги. На многих типовых корпоративных сценариях — уже не хуже.
Самый цитируемый аргумент в пользу облака — «нам не надо покупать GPU». Это верно ровно до определённого объёма.
Расклад облачного OpenAI API на GPT-4 Turbo:
$10 / 1M input tokens и $30 / 1M output tokens.$2 000 в сутки — это около 5,5 млн ₽ в месяц.Расклад своего контура на Llama 3.3 70B:
Точка безубыточности. Если ваш счёт за облачные API стабильно превышает 150–200 тыс. ₽ в месяц, собственный контур окупается в горизонте 9–15 месяцев. Если нагрузка спайковая (один пик в месяц, остальное время тишина) — облако всё ещё удобнее: вы не платите за простой железа.
«Решение между cloud и on-prem всегда сводится к utilization. При устойчивой загрузке выше 30–40% собственная инфраструктура почти всегда выгоднее по TCO» — типовой вывод из отчётов a16z по экономике AI-инфраструктуры, 2025.
Тут начинается зона, где экономика отходит на второй план.
152-ФЗ. Любая обработка персональных данных российских граждан попадает под закон. С 2024 года изменения сделали трансграничную передачу ПДн фактически невозможной без отдельного уведомления Роскомнадзора и согласия субъектов. Передача в OpenAI (юрисдикция США) — это трансграничка по определению. Подробнее — в реестре операторов ПДн на портале Роскомнадзора.
Объекты КИИ. Банки, телеком, энергетика, транспорт, медицина — это 187-ФЗ «О безопасности КИИ». Передача любых данных, связанных с критической инфраструктурой, в зарубежные облака — основание для отзыва лицензии и уголовной ответственности руководителя.
Врачебная, банковская и адвокатская тайна. Каждая регулируется отдельно (323-ФЗ, 395-1, 63-ФЗ соответственно). Все три не оставляют легального пути «отправлять данные пациентов в OpenAI».
Коммерческая тайна и ноу-хау. Формально 98-ФЗ это не запрещает, но любой публичный API сохраняет логи запросов на стороне вендора. Условия OpenAI на 2026 год прямо говорят: данные, переданные через API, могут использоваться для мониторинга злоупотреблений и удерживаются 30 дней. Что считать «злоупотреблением» — определяет OpenAI, а не вы.
Что остаётся. Российские облачные LLM: YandexGPT, GigaChat. Они юридически в РФ и формально соответствуют 152-ФЗ. По качеству они в 2026 году догнали GPT-3.5 на типовых задачах, но всё ещё уступают GPT-4 и Claude на reasoning и длинных контекстах. Для многих задач — нормально, для критичных — нет.
Облачные API кажутся «легко заменяемыми»: переключил endpoint — и всё. На практике переключение стоит дорого по трём причинам.
Промпты. За год работы с GPT-4 у команды накапливается 50–200 хорошо настроенных system-промптов и 1000+ feedback-примеров. Переписать всё под Claude или Llama — 1–2 месяца работы senior-инженера. Каждая модель «слушается» по-своему.
Function calling и tool use. Формат вызова инструментов у OpenAI, Anthropic и Llama-based моделей разный. Если у вас сложный агент с 30+ инструментами, миграция превращается в полноценный refactoring.
История взаимодействий. Логи диалогов, разметка, дообученные классификаторы поверх ответов модели — всё это привязано к конкретному провайдеру. Открытые форматы (OpenAI-compatible API, поддерживаемый vLLM и большинством локальных серверов) частично решают проблему, но не полностью.
Цены и условия. OpenAI меняет тарифы и SLA в среднем раз в 6 месяцев. В 2024 году цена GPT-4 Turbo снижалась четырежды, но в 2025 году появились новые модели с премиальными тарифами и условие «приоритетная очередь только для подписчиков Enterprise». Бизнес, у которого критичный процесс зависит от чужой цены — это бизнес, у которого нет контроля над юнит-экономикой.
Это редко обсуждаемая, но честная сильная сторона облака:
Если ваша задача — быстро проверить гипотезу, прототип, пилот на 50 пользователях — облако правильный выбор. Не потому что оно «лучше», а потому что вы экономите 3–4 недели, которые сейчас стоят дороже инфраструктуры.
Поэтому в реальной практике даже компании, которые в итоге уезжают на свой контур, начинают с облака. PoC через OpenAI → решение о масштабе → миграция на private — нормальный путь.
Честный список задач, где GPT-4 / Claude 4 / Gemini 2 пока действительно сильнее open-source:
На бытовых корпоративных сценариях (саппорт, классификация, RAG по документам, генерация черновиков) разрыв уже неотличим.
Этот пункт часто не замечают на старте — и больно встречают на финише, когда юристы заказчика начинают проверять контракт.
Что нужно для серьёзного B2B-контракта в 2026 году:
С OpenAI и большинством зарубежных вендоров эти требования закрываются только в рамках Enterprise-контракта от $100K+/год и при условии работы через специализированный регион (Azure OpenAI Service с резидентностью в ЕС, например). В России — практически невозможно.
С собственным контуром вы изначально владеете всем стеком и контролируете каждый журнал.
«Безопасность» — слово, под которым каждая команда понимает своё. Полезно разобрать на четыре уровня:
Чем критичнее процесс, тем выше нужный уровень. Для саппорта обычным клиентам достаточно уровня 1–2. Для обработки финансовых документов — нужны 3 и 4.
В крупных проектах редко выбирают «только облако» или «только on-prem». Работающая схема обычно выглядит так:
Так вы получаете лучшее из обоих миров: безопасность и контроль на чувствительных данных, скорость и качество последних моделей на публичных задачах.
Если на бо́льшую часть пунктов ответ «да» — вам по-прежнему подходит облако:
Если хотя бы два пункта — «нет», стоит считать TCO своего контура. На горизонте 18 месяцев результат почти всегда в пользу private.
«Облако дешевле» — миф ровно той части рынка, которая не дошла до серьёзных объёмов и регулируемых данных. Как только проект становится крупным, чувствительным или долгим, экономика и риски разворачиваются в обратную сторону.
Полезно держать в голове три практических правила:
Если хочется не теоретизировать, а посчитать экономику под конкретный процесс — это та задача, под которую мы делаем экспресс-диагностику за 3–5 дней. Разбираем поток данных, считаем TCO и говорим прямо, окупится у вас private AI или нет.
Разбираем, в каких сценариях open-source модели обходят облачные API по качеству, цене и безопасности — и когда это, наоборот, плохая идея.
Разбираем, в каких случаях Kubernetes реально оправдан для инференса LLM, а когда одного Docker-хоста достаточно — на примере типовых нагрузок.
Что такое AI-юрист, чем он отличается от ChatGPT и от обычного юриста, для каких задач реально подходит малому бизнесу и где у него границы. Без рекламы и без обещаний.
Расскажите о задаче — на 30-минутном звонке подскажем, с чего начать и чего избегать.