Мария Соловьева, руководитель направления серверной инфраструктуры и систем хранения данных компании «ГИГАНТ — Компьютерные системы»

Еще недавно корпоративный ИИ обсуждали через сценарии: где он заменит ручной труд, как ускорит аналитику, какие процессы можно отдать моделям. Теперь разговор быстро смещается в более приземленную плоскость: где взять вычислительные мощности и сколько они будут стоить через месяц. По данным «Коммерсанта», средняя месячная стоимость выделенной инфраструктуры с GPU-ускорителями для задач ИИ и машинного обучения за пять месяцев 2026 года выросла на 64% год к году и достигла 2,3 млн рублей. Годом ранее показатель составлял около 1,4 млн рублей. Уже 33% заказов на GPU-серверы приходится на ИИ и ML, еще значительная часть спроса связана с рендерингом, разработкой и обработкой данных.

Это важный сдвиг для рынка. Компании переходят от пилотов к промышленному использованию ИИ, а значит, им нужны не абстрактные «мощности», а конкретные GPU-конфигурации: с ускорителями, памятью, питанием, охлаждением, понятной логистикой и сроками поставки. Чем сложнее становятся задачи, тем быстрее растет цена входа. На практике это уже видно в расчетах проектов. Если месяц назад одна высокопроизводительная видеокарта могла стоить условные $50 тыс., то через несколько недель цена способна вырасти до $75 тыс. И это не весь сервер, а только один из его ключевых компонентов. В одной конфигурации таких карт может быть несколько, поэтому итоговый бюджет меняется не на проценты, а сразу на миллионы рублей.

Почему спрос обгоняет поставки

Причина не только в том, что компаний, которые хотят использовать ИИ, стало больше. Сильно изменился сам характер задач. Раньше многие проекты оставались на уровне тестов: проверить гипотезу, обучить небольшую модель, запустить пилот на ограниченном наборе данных. Теперь бизнес чаще приходит к промышленным сценариям, где модель должна работать стабильно, быстро обрабатывать большие объемы данных и выдерживать постоянную нагрузку.

Для таких задач обычной серверной инфраструктуры уже недостаточно. Нужны GPU-серверы с мощными ускорителями, большим объемом видеопамяти, быстрым обменом данными между картами, правильным охлаждением и запасом по электропитанию. Чем тяжелее модель и чем больше данных проходит через систему, тем выше требования к конфигурации.

Здесь и появляется узкое место. GPU-ускорители нужны всем одновременно: облачным провайдерам, крупным промышленным компаниям, банкам, разработчикам ИИ-сервисов, научным центрам, производственным предприятиям. Спрос растет глобально, а число производителей таких компонентов ограничено. Быстро нарастить выпуск нельзя: это сложное производство, завязанное на передовые техпроцессы, память, платы, цепочки поставок и сборку.

Поэтому рынок GPU-серверов отличается от обычной закупки оборудования. Компания покупает не просто сервер, который можно быстро заменить аналогом. Она покупает дефицитный вычислительный ресурс, вокруг которого затем строится вся ИИ-инфраструктура: обучение, дообучение, запуск моделей, хранение данных, сеть, питание и охлаждение. Чем позже начинается проектирование такой архитектуры, тем выше риск, что нужная конфигурация станет дороже или уйдет в более длинные сроки поставки.

Почему GPU-серверы дорожают быстрее обычного оборудования

У GPU-серверов другая экономика. В обычном сервере стоимость распределена между процессором, памятью, дисками, платой, корпусом, блоками питания. В сервере под ИИ большую часть цены могут формировать ускорители. Одна карта стоит как отдельный сервер, а в рабочей конфигурации таких карт может быть несколько.

Поэтому рост цены на один компонент сразу меняет бюджет всего проекта. Если видеокарта за месяц дорожает с $50 тыс. до $75 тыс., компания получает не небольшую корректировку сметы, а новый финансовый расчет. Для конфигурации на четыре или восемь ускорителей разница становится слишком заметной, чтобы ее можно было закрыть внутри прежнего бюджета.

Есть еще одна неприятная деталь: коммерческое предложение в таких проектах быстро устаревает. Пока компания согласует закупку, уточняет архитектуру, проверяет лимиты и проходит внутренние процедуры, цена может измениться. Иногда меняется и срок поставки, потому что нужная партия уже ушла другому покупателю или поставщик пересобрал условия.

На этом фоне привычная логика «подождем, рынок остынет» работает плохо. GPU-ускорители дорожают не из-за разового всплеска интереса, а из-за одновременного давления с нескольких сторон: промышленное внедрение ИИ, рост облаков, дефицит производственных мощностей, подорожание памяти и более сложная логистика. Пока эти факторы сохраняются, ждать резкого отката цен рискованно.

Кому GPU-мощности нужны в первую очередь

Первыми дефицит чувствуют компании, у которых ИИ уже вышел за рамки эксперимента.

Это банки, промышленные предприятия, телеком, ретейл, разработчики ИИ-сервисов, научные и инженерные центры. Им нужны мощности не для демонстрации возможностей модели, а для рабочих процессов: анализа больших массивов данных, компьютерного зрения, прогнозирования, обработки документов, инженерных расчетов, цифровых двойников, контроля качества на производстве. В таких сценариях система должна работать регулярно, с понятной скоростью и предсказуемым результатом.

Отдельная история, крупные инфраструктурные и промышленные проекты. Там вычисления нужны еще до запуска объекта: рассчитать конструкцию, смоделировать нагрузки, проверить варианты проектных решений, обработать данные с датчиков и геоинформационных систем. Чем сложнее объект, тем выше требования к вычислительной базе.

Есть и регуляторный слой. Если компания работает с чувствительными данными, КИИ или государственными проектами, ей не всегда подходит внешняя инфраструктура. Часть нагрузок приходится держать в собственном контуре или в среде, где понятны юрисдикция, требования к хранению данных и ответственность за доступ.

Поэтому спрос на GPU-серверы растет не как модная закупка «под ИИ». Он растет из практической потребности: бизнес хочет запускать модели в работу, а для этого ему нужна инфраструктура, которую нельзя заменить презентацией, пилотом или обещанием «докупить позже».

Свой контур или аренда: где запускать нагрузку

Когда GPU-мощности становятся частью рабочих процесса, следующий вопрос возникает почти сразу: где все это размещать. Купить собственный сервер, арендовать выделенную конфигурацию или уйти в облако?

Для пилотов облако выглядит естественным первым шагом. Компания может быстро проверить гипотезу, понять требования модели к видеопамяти, оценить скорость обработки данных и не покупать дорогое оборудование до того, как сценарий доказал пользу. Это удобно, когда нагрузка нерегулярная: сегодня нужно обучить модель или протестировать прототип, а завтра вычисления почти не используются.

Но по мере взросления проекта логика меняется. Если модель работает постоянно, обрабатывает большие объемы данных и встроена в производственный или клиентский процесс, аренда перестает быть просто удобной. Она становится регулярной статьей расходов, причем с теми же рыночными рисками: стоимость GPU-мощностей растет, доступные конфигурации ограничены, а тяжелые ресурсы могут быть заняты.

Собственный контур чаще выбирают там, где важны предсказуемость и контроль. Например, если компания работает с чувствительными данными, промышленными системами, КИИ, внутренними документами, инженерными расчетами или клиентской информацией. В таких случаях вопрос не сводится к цене сервера. Важно понимать, где находятся данные, кто имеет доступ к инфраструктуре, как устроены резервирование, обслуживание, обновления и защита.

При этом собственная инфраструктура тоже не универсальный ответ. Ее нужно проектировать заранее: считать питание, охлаждение, место в стойках, сеть, хранение данных, отказоустойчивость. GPU-сервер сам по себе не решает задачу, если вокруг него нет среды, в которой модель сможет стабильно работать.

Поэтому рынок приходит к более сложной картине. Одни нагрузки остаются в облаке, другие переносятся в собственный контур, третьи требуют промежуточного варианта: локальной или суверенной облачной инфраструктуры с понятной юрисдикцией. И именно здесь тема GPU-мощностей начинает пересекаться с другим трендом, который быстро набирает вес, с геопатриацией данных и приложений.

Геопатриация: почему важна не только цена GPU

Вопрос размещения ИИ-нагрузок уже не сводится к выбору между «купить сервер» и «арендовать мощности». На него все сильнее влияет то, где физически находятся данные, кто управляет инфраструктурой, какие законы действуют на площадке и что произойдет, если доступ к внешнему сервису станет ограниченным. Gartner называет этот тренд геопатриацией: компании переносят данные и приложения из глобальных публичных облаков в локальные варианты, включая суверенные облака, региональных провайдеров и собственные ЦОД. По прогнозу аналитиков, к 2030 году более 75% компаний Европы и Ближнего Востока переведут виртуальные нагрузки в решения, которые снижают геополитические риски. Для российского рынка это усиливает спрос не просто на GPU, а на управляемую инфраструктуру под ИИ. Компаниям нужно понимать, где будут храниться данные, как соблюдаются требования регуляторов и можно ли сохранить контроль над критическими нагрузками, не теряя доступ к вычислительным ресурсам.

Чек-лист: что проверить до закупки GPU-инфраструктуры

Перед закупкой GPU-инфраструктуры важно зафиксировать не только бюджет, но и саму задачу. Иначе компания рискует купить дорогую конфигурацию, которая не подходит под реальную нагрузку или быстро упрется в ограничения по питанию, охлаждению и обслуживанию.

— Сценарий использования. Нужно заранее понять, для чего нужны мощности: обучение модели, дообучение, инференс, компьютерное зрение, инженерные расчеты, аналитика или несколько задач сразу.

— Объем видеопамяти. Для одних сценариев достаточно более простой конфигурации, для других критичен объем памяти на каждой карте. Это влияет и на производительность, и на стоимость.

— Количество GPU. Важно считать не «сервер вообще», а конфигурацию под нагрузку: две, четыре, шесть или восемь карт дают разную цену, энергопотребление и требования к охлаждению.

— Питание и охлаждение. GPU-сервер нельзя просто поставить вместо обычного. Нужно проверить стойки, электропитание, тепловыделение, кондиционирование и готовность площадки к постоянной высокой нагрузке.

— Сроки поставки и срок действия цены. Для таких проектов коммерческое предложение быстро теряет актуальность. Лучше сразу уточнять, сколько действует цена и что произойдет, если поставка сдвинется.

— Происхождение оборудования. Нужно понимать, по каким каналам приходит оборудование, можно ли подтвердить его характеристики и соответствует ли оно заявленной конфигурации.

— Новое или восстановленное. Восстановленное оборудование может быть рабочим вариантом только тогда, когда компания осознанно соглашается на этот риск и видит это в документах. Подмена нового оборудования восстановленным, это уже не экономия, а проблема.

— Гарантия и ЗИП. В GPU-проектах отказ одной карты может остановить критичную нагрузку. Поэтому заранее нужны условия гарантии, доступность запасных компонентов и понятный порядок замены.

— Возможность масштабирования. Если ИИ-проект пойдет в промышленную эксплуатацию, нагрузка почти наверняка вырастет. Лучше сразу проверить, можно ли расширить конфигурацию без полной перестройки инфраструктуры.

Заключение: почему откладывать закупку может быть дороже

Не каждый ИИ-проект требует мощностей GPU-сервера. Если сценарий еще не подтвержден, данные не подготовлены, а нагрузка непонятна, логичнее начать с тестов и расчетов. Ошибка здесь может стоить дорого: мощная конфигурация без понятной задачи быстро превращается в дорогой простаивающий ресурс. Но если сценарий уже определен, нагрузка посчитана, а инфраструктурные требования понятны, затягивать с решением становится рискованно. Рынок GPU-серверов сейчас живет в условиях дефицита: ускорители дорожают, сроки поставки меняются, а доступные конфигурации разбирают быстрее, чем компании проходят внутренние согласования.

Поэтому главный вопрос для бизнеса звучит не как «покупать или подождать», а как «готова ли компания уже сейчас зафиксировать архитектуру, бюджет и сроки». Если ответ положительный, ожидание может не снизить расходы, а увеличить их. В ближайшее время GPU-инфраструктура останется одним из самых дорогих и ограниченных ресурсов для внедрения ИИ, и это стоит учитывать до того, как проект перейдет из обсуждения в срочную закупку.

Источник: https://www.itweek.ru/infrastructure/article/detail.php?ID=235796