MLOps и ML-платформы

Описание рынка

Рынок MLOps и ML-платформ в России - это инструменты для обучения, деплоя и мониторинга моделей, feature store и оркестрации ML-пайплайнов, то есть «фабрика», на которой корпорации собирают собственный ИИ. Рынок молодой и до 2022 года почти полностью сидел на open source и западных облаках (AWS SageMaker, Databricks), после ухода которых спрос перетёк в отечественные облачные платформы (Yandex DataSphere, Cloud.ru ML Space, VK Cloud) и on-premise решения для закрытых контуров банков, промышленности и госсектора. Зрелость невысокая: большинство заказчиков только выходят из стадии пилотов, а платформенный слой пока занимает меньше четверти всего рынка ПО для ИИ. Специфика РФ - жёсткое требование импортозамещения и работы в изолированном контуре (152-ФЗ, требования ФСТЭК), из-за чего on-premise-сегмент живее облачного, а также демпинг экосистем, раздающих облачные ML-инструменты почти бесплатно ради продажи GPU-мощностей. Прогнозно это самый быстрорастущий слой российского ИИ-рынка: аналитики ждут роста платформенного сегмента примерно на 50% в год до 2030 года.

Объём и динамика рынка

• Отдельных публичных оценок именно ниши MLOps нет; ближайшая цифра - сегмент «ИИ-платформы»: 6,1 млрд руб. в 2025 г., 24% рынка ПО для ИИ (Apple Hills Digital, VK Cloud Conf 2026, ComNews)
• Весь российский рынок ПО для ИИ - 25 млрд руб. в 2025 г., +27% к 2024 г.; прогноз 95 млрд руб. к 2030 г. (Apple Hills Digital / TAdviser, 2026)
• Прогноз по сегменту ИИ-платформ: рост ~50% в год, до 46,5 млрд руб. и 49% рынка ПО для ИИ к 2030 г. (Apple Hills Digital, 2026)
• Для контекста: весь рынок ИИ в России в широком определении - 1,9 трлн руб. по итогам 2025 г., +25–30% (Smart Ranking, ict.moscow, 2025); альтернативная оценка «чистого» ИИ-ПО и сервисов - ~50 млрд руб. (MWS AI, 2025)

Лидеры рынка

• Yandex Cloud (DataSphere / AI Studio) - крупнейшее коммерческое облако, полный ML-стек от GPU до inference, огромная воронка разработчиков
• Cloud.ru (ML Space / Evolution) - платформа, выросшая из SberCloud, крупнейшие GPU-кластеры в стране, опора на заказы контура Сбера и госсектора
• VK Cloud (Cloud ML Platform) - ML-платформа на базе open source, агрессивный ценовой демпинг, сила - в связке с дата-сервисами VK
• MWS (MTS Web Services, ML Platform) - платформа экосистемы МТС, ставка на корпоративный сегмент и GenAI-стек MWS AI
• T1 (Scibox) - on-premise MLOps-платформа для банков и госкомпаний, сила - интеграторский ресурс группы Т1 и допуск в закрытые контуры
• Data Sapience (Kolmogorov AI) - независимая коробочная MLOps-платформа enterprise-уровня, внедрения в крупных банках

Драйверы роста

• Переход корпоративного ИИ из пилотов в промышленную эксплуатацию - без MLOps десятки моделей в проде не удержать
• Импортозамещение: уход SageMaker, Azure ML, Databricks освободил полку, а регуляторы требуют локальные инструменты
• Бум GenAI и LLM: тонкая настройка, RAG и inference-инфраструктура создают новый спрос на платформы (GenAI-рынок вырос с 13 до 58 млрд руб. за 2025 г., CNews)
• Требования безопасности: банки, промышленность и госсектор могут работать только on-premise - это защищённая от гиперскейлеров ниша
• Дефицит ML-инженеров: платформы продаются как способ сделать дорогих специалистов производительнее
• Господдержка ИИ (нацпроект «Экономика данных») и обязательства госкомпаний по внедрению ИИ

Барьеры и риски

• Конкуренция с бесплатным: экосистемы раздают ML-платформы по цене аренды GPU, монетизируя железо, - независимому вендору ПО почти невозможно брать деньги за то, что Яндекс и VK отдают даром
• Крошечный текущий объём ниши (единицы млрд руб. на всех) при десятке платформ - на всех выручки не хватит, консолидация неизбежна
• Санкции и дефицит GPU: обучение больших моделей упирается в железо, ввозимое серыми схемами по завышенным ценам; себестоимость облачного ML в РФ выше мировой
• Зрелый open source (MLflow, Kubeflow, Airflow) - сильные ИТ-команды собирают MLOps сами и не платят вендорам вообще
• Кадровый голод и переток инженеров в экосистемы: маленьким вендорам сложно удерживать команды платформенной разработки
• Длинные циклы продаж в enterprise (6–18 месяцев) и пилоты без перехода в контракт - типичная смерть для стартапа без «жирного» инвестора

Бизнес-модели и монетизация

• Pay-per-use в облаке: оплата GPU-часов и ресурсов, платформа как надстройка (модель Yandex Cloud, Cloud.ru, VK Cloud)
• Лицензии on-premise + ежегодная техподдержка (20–30% от лицензии) - основная модель для банков и госсектора (T1 Scibox, Data Sapience)
• Проектная интеграция: внедрение платформы + построение MLOps-процессов силами интегратора (Neoflex, Axenix, Innodata)
• Подписка SaaS на инструменты (мониторинг моделей, feature store) - пока слабо приживается из-за требований безопасности
• Bundled-продажи: платформа «в нагрузку» к контракту на облако, СУБД или дата-платформу
• Госконтракты на создание отраслевых ИИ-платформ (реже - субподряд у крупных интеграторов)

Конкурентная структура

Рынок двухъярусный. Верхний ярус - облачные экосистемы (Yandex Cloud, Cloud.ru, VK Cloud, MWS, Selectel), которые контролируют GPU-инфраструктуру и используют ML-платформы как бесплатное приложение к продаже мощностей; между ними идёт ценовая война. Нижний ярус - независимые вендоры и интеграторы (T1 Scibox, Data Sapience, Neoflex Dognauts, Rubbles, Axenix, Polymatica), живущие в on-premise-нише закрытых контуров, куда облака не пускают регуляторные требования заказчиков. Явного лидера в on-premise нет, рынок фрагментирован, и почти каждый крупный банк или госкомпания либо собрала платформу сама на open source, либо купила у «своего» интегратора. Роль госкомпаний двойная: они и крупнейшие заказчики, и создатели внутренних платформ, сужающие адресный рынок.

Тренды 2025–2026

• Смещение спроса с классического MLOps на LLMOps: инференс, RAG-пайплайны, векторные БД, гардрейлы для GenAI
• ИИ-агенты как новый слой платформ: оркестрация агентов и мультиагентных систем становится продуктовой категорией 2026 г.
• Прогнозируемый рост платформенного сегмента ~50% в год - быстрее любого другого слоя ИИ-рынка (Apple Hills Digital, 2026)
• Консолидация: мелкие MLOps-вендоры поглощаются интеграторами и экосистемами либо уходят с рынка
• Рост облачной модели (+34% CAGR против +28% у on-premise), но on-premise остаётся ядром выручки независимых игроков
• Госстандартизация: реестр отечественного ПО и требования доверенного ИИ становятся фильтром допуска к госзаказу

Перспективы для новых игроков

Ниша для новых игроков - не «ещё одна ML-платформа», а узкие специализированные инструменты: LLMOps и оценка качества GenAI, мониторинг моделей под регуляторные требования ЦБ, доверенный ИИ и аудит моделей, MLOps для промышленного edge. Живой сегмент - on-premise для закрытого контура среднего масштаба (банки за пределами топ-10, промышленность, регионы), куда экосистемам идти неинтересно, а самостоятельная сборка open source заказчику не по силам. Лезть в облачные ML-платформы общего назначения не стоит: там демпинг Яндекса, Cloud.ru и VK, конкурировать с бесплатным невозможно. Также опасно строить бизнес на перепродаже GPU-мощностей без собственного ПО - маржа схлопывается при каждом расширении мощностей гиперскейлеров. Реалистичный сценарий успеха для независимого вендора - быстро набрать 5–10 крупных on-premise внедрений и продаться интегратору или экосистеме.

Источники

• ComNews (по данным Apple Hills Digital), 2026
• ict.moscow / Smart Ranking, 2025
• TAdviser «Искусственный интеллект (рынок России)», 2026
• CNews, 2025