• CNews FORUM 12 ноября
• CNews AWARDS 12 ноября
• Школа Роста
• Российский рынок облаков за 20 лет
• 30 лет рынку ERP в России
• Главные ИТ-сценарии 2026
• Цифровизация
• Импортозамещение
• Безопасность
• ИТ в госсекторе
• ИТ в банках
• ИТ в торговле
• Телеком
• Интернет
• ИТ-бизнес
• Рейтинги
• Инфографика

01 Октября 2026 09:13 01 Окт 2026 09:13 |

Спрос на инфраструктуру для искусственного интеллекта начинает опережать доступность GPU-серверов. Компании переходят от пилотов к промышленному использованию ИИ, поэтому в 2027 г. дефицит ускорителей, рост цен и увеличение сроков поставки могут стать одним из главных ограничений для корпоративных ИИ-проектов. Об этом CNews сообщили представители компании «Гигант — Компьютерные системы».

Средняя месячная стоимость выделенной инфраструктуры с GPU-ускорителями для задач искусственного интеллекта и машинного обучения за пять месяцев 2026 г. выросла на 64% год к году и достигла 2,3 млн руб. Годом ранее показатель составлял около 1,4 млн руб. Уже 33% заказов на GPU-серверы приходится на ИИ и ML, еще значительная часть спроса связана с рендерингом, разработкой и обработкой данных.

В компании «Гигант — Компьютерные системы» считают, что рынок входит в период, когда GPU-инфраструктура перестает быть обычной закупкой серверного оборудования. Бизнесу нужны не абстрактные вычислительные мощности, а конкретные конфигурации с ускорителями, большим объемом видеопамяти, высокой пропускной способностью между картами, подготовленным питанием и охлаждением. Чем сложнее модель и чем больше данных проходит через систему, тем выше требования к серверу и тем сильнее зависимость проекта от доступности нужных комплектующих.

Дефицит связан не только с ростом числа компаний, которые внедряют ИИ. Изменился сам характер задач. Если в 2024-2025 гг. многие проекты оставались на уровне пилотов, то сейчас банки, промышленность, телеком, ретейл, научные центры и разработчики ИИ-сервисов переходят к рабочим сценариям. Им нужны мощности для обработки документов, компьютерного зрения, инженерных расчетов, цифровых двойников, анализа больших массивов данных, контроля качества и дообучения моделей. Такие нагрузки требуют стабильной производительности и не могут постоянно зависеть от случайно доступных мощностей.

«GPU-серверы становятся новым узким местом для рынка ИИ. Еще недавно компании обсуждали сценарии применения моделей, а теперь все чаще упираются в практический вопрос: где взять нужные ускорители, сколько они будут стоить и когда их реально поставят. Если сценарий уже подтвержден и нагрузка понятна, откладывать проект рискованно. Цена может измениться быстрее, чем компания пройдет внутреннее согласование, а нужная конфигурация уйдет в более длинные сроки поставки», — отметил генеральный директор компании «Гигант — Компьютерные системы» Сергей Семикин.

Михаил Егоров, «АйДи — Технологии управления»: СЭД должна стать незаметной для сотрудника Цифровизация

При планировании ИИ-инфраструктуры компаниям нужно считать не только стоимость самого сервера. В проекте важны количество GPU, объем видеопамяти, энергопотребление, охлаждение, место в стойках, сеть, хранение данных, гарантия, запасные компоненты и возможность масштабирования. Ошибка в архитектуре может привести к тому, что дорогая конфигурация не выдержит реальную нагрузку или быстро упрется в ограничения площадки.

Отдельный фактор связан с размещением ИИ-нагрузок. Для пилотов компании могут использовать облако или арендованную инфраструктуру, но при переходе к постоянным сценариям стоимость таких ресурсов становится регулярной статьей расходов. При этом собственный контур не всегда можно заменить внешней площадкой, особенно если компания работает с чувствительными данными, КИИ, инженерными расчетами, промышленными системами или внутренними документами.

В 2027 г. рынок будет выбирать не между «купить сервер» и «подождать снижения цен», а между заранее рассчитанной архитектурой и срочной закупкой в условиях дефицита. Для компаний, которые уже понимают свои ИИ-сценарии, главным становится раннее проектирование: нужно заранее фиксировать требования к мощности, бюджету, срокам поставки и площадке размещения. Иначе GPU-инфраструктура может стать не ускорителем внедрения ИИ, а самым дорогим и сложным ограничением проекта.