Российский рынок искусственный интеллект уже нельзя описать одним-двумя брендами. Помимо публично известных моделей, вроде GigaChat и Яндекс GPT, постепенно вырастает слой отраслевых экосистем. Среди них особенно выделяются Sber AI и MTS AI — два разных подхода к тому, как должна выглядеть национальная платформа для Large Language Model и прикладных ИИ-сервисов.
Первый ориентирован на тяжёлые корпоративные сценарии, банки, крупные платформы и мультимодальные решения. Второй родился внутри телеком- и цифровой экосистемы, где приоритет — миллионы пользователей, трафик, реальное время и устойчивый инференс под высокой нагрузкой.
В этом материале разберём, чем на практике отличаются Sber AI и MTS AI, в каких задачах каждый из них сильнее и как выбирать ИИ-ядро под конкретную бизнес-стратегию. Базовая информация и структура экосистем собраны в наших карточках моделей: подробнее в карточке Sber AI и в карточке MTS AI.
1. Две философии: финансовый гигант против телеком-платформы
Sber AI вырос из потребностей крупного банка и его экосистемы. Логика простая: если в компании одновременно живут финтех, e-commerce, медиа, B2B-сервисы и внутренняя бюрократия, нужен единый ИИ-слой, который умеет работать с документами, транзакциями, продуктами, клиентской историей и сложными регламентами. Отсюда фокус на крупной Large Language Model, гибкой настройке под домен и глубокой интеграции в существующие бизнес-процессы.
MTS AI родился на другой почве — телеком, связь, огромные контакт-центры, биллинг, стриминг, умные устройства. Здесь в приоритете другие вещи: устойчивость под нагрузкой, работа в реальном времени, простые, но массовые сценарии, от голосовых ассистентов до подсказок операторам и генерации ответов в клиентском сервисе. Архитектура, модели и сервисы ориентированы на то, чтобы искусственный интеллект был встроен в каждый слой цифровой инфраструктуры оператора.
Если утрировать до одной фразы, то Sber AI — это «ИИ как внутрикорпоративный мозг экосистемы», а MTS AI — «ИИ как сервисный слой сети и цифровых продуктов».
2. Архитектура и стек: как собирают ИИ-платформы
Обе экосистемы не сводятся к одной модели. Это набор компонентов: языковые модели, мультимодальные блоки, голосовые системы, инструменты для разработчиков и инфраструктурные решения.
Sber AI
- ставка на крупную языковую модель семейства GigaChat, работающую в качестве ядра;
- поддержка разных режимов инференс — от облачного до on-device inference в ограниченных сценариях;
- модульная мультимодальность: текст + изображения, код, структурированные данные;
- акцент на интеграции с корпоративными системами, где важны приватность и кастомные пайплайны.
На уровне подхода заметен упор на большие контексты, работу с документами, RAG-сценарии, где LLM дополняют внешними данными, и возможность дообучения на внутренних датасетах. В экосистеме постепенно появляются зачатки AI Agent-сценариев, когда модель не просто отвечает, а последовательно выполняет несколько шагов.
MTS AI
- семейство моделей для текста, голоса и изображений, оптимизированных под телеком-задачи;
- ориентация на устойчивый инференс в потоковом режиме (контакт-центры, голосовые сценарии, чат-сервисы);
- интеграция с биллингом, CRM и сервисами общения (мессенджеры, приложения, ТВ-платформы);
- акцент на надёжность и предсказуемость поведения моделей в типовых задачах.
MTS AI не пытается «выиграть в параметрах» у самых тяжёлых LLM; его цель — быть достаточно умным, но очень устойчивым и предсказуемым, когда речь идёт о миллионах диалогов и операциях в реальном времени. Внутри стека активно используются эмбеддинги, механизмы семантического поиска и собственные инструменты для интеграции ИИ в существующую инфраструктуру оператора.
3. Сценарии использования: от бэк-офиса до контакт-центра
Sber AI закрывает широкий спектр задач:
- обработка и генерация деловых документов, писем, договоров, отчётов;
- поддержка внутренних сервисов: поиск по регламентам, справочным материалам, методологиям;
- помощь аналитикам: конспекты, резюме длинных отчётов, первичный разбор данных;
- клиентский сервис: чат- и голосовые ассистенты, которые опираются на внутренние базы знаний;
- генерация маркетинговых материалов, описаний продуктов, персонализированных предложений.
Здесь Large Language Model выступает как многофункциональный слой: один и тот же стек может обрабатывать и юридические документы, и маркетинг, и внутреннюю коммуникацию, если правильно построены промпты и контуры данных.
MTS AI концентрируется на другом наборе задач:
- автоматизация контакт-центров: подсказки операторам, генерация ответов, резюме звонков;
- голосовые ассистенты и IVR-системы, которые понимают естественную речь и могут вести диалог;
- умные сценарии в приложениях оператора: подсказка тарифа, помощь с настройками, ответы на вопросы;
- обработка пользовательских отзывов и обращений, кластеризация запросов, выявление проблем;
- модели для контента в стриминговых и медиасервисах: описания, рекомендации, персонализация.
По сути, MTS AI выращивает искусственный интеллект на стыке связи, клиентского сервиса и цифровых платформ, а не во внутреннем документообороте.
4. Работа с данными: RAG, знаниевые базы и приватность
Для любых современных LLM ключевой вопрос — откуда они берут знания в момент ответа. Здесь во всю вступают в игру RAG-подход, векторные базы и интеграция с корпоративными системами.
Sber AI
Стек Sber AI изначально заточен на работу с закрытыми данными: финансовые транзакции, истории клиентов, внутренние регламенты. Поэтому:
- используются векторные представления (эмбеддинги) для поиска релевантных фрагментов в базах знаний;
- инференс модели организован так, чтобы максимум логики оставался внутри контуров безопасности компании;
- классический RAG — когда LLM отвечает не «из головы», а на основе найденных документов — становится базовым паттерном.
Это снижает риск неконтролируемых фантазий и делает ответы более предсказуемыми в юридически чувствительных областях.
MTS AI
MTS AI работает с другим типом данных:
- логи звонков и чатов, обращения, статистика нагрузки;
- данные о тарифах, услугах, устройствах, сценариях использования;
- контент медиасервисов и пользовательские взаимодействия.
Здесь важнее быстрый доступ к актуальной информации и корректное восстановление контекста диалога. RAG-сценарии тоже используются, но основная задача — не глубокий юридический разбор, а точные и быстрые ответы в рамках продуктовых сценариев оператора.
5. Инструменты для разработчиков и интеграторов
Экосистема не работает, если модели нельзя нормально встроить в продукт. И Sber AI, и MTS AI двигаются в сторону удобных API, SDK и конструкторов ассистентов, но с разным акцентом.
Sber AI делает упор на:
- API-доступ к языковым и мультимодальным моделям;
- интеграцию в существующие корпоративные шины и сервисы;
- возможность строить собственные конвейеры генерации и проверки (например, для многошагового reasoning или валидации ответа вторым модулем).
MTS AI скорее смотрит в сторону готовых блоков для продуктовых команд:
- модули для контакт-центров и голосовых сценариев;
- библиотеки для чатов, виджетов, мини-приложений;
- сервисы для быстрого запуска AI Agent-помощников в задачах поддержки и обслуживания абонентов.
Для разработчика это два разных мира: в одном случае — гибкий, но сложный конструктор, в другом — набор упакованных решений под конкретные вертикали.
6. Таблица: Sber AI vs MTS AI в одном взгляде
| Параметр | Sber AI | MTS AI |
|---|---|---|
| Экосистема | Финтех + универсальная платформа ИИ для разных отраслей | Телеком + цифровые сервисы, ориентированные на абонентов |
| Фокус моделей | Документы, аналитика, сложные тексты, мультимодальность | Диалоги, контакт-центры, голос, продуктовые сценарии |
| Работа с данными | RAG, внутренние базы знаний, приватные контуры | Логи общения, тарифы, сервисная информация, медиаконтент |
| Типичные сценарии | B2B-ассистенты, отчёты, генерация и разбор документов | Поддержка абонентов, голосовые ассистенты, чат-боты |
| Гибкость | Высокая: настройка под отрасли и компании | Средняя: заточка под типовые телеком-задачи |
| Где почитать подробнее | Карточка Sber AI | Карточка MTS AI |
7. Какой ИИ выбирать: практический чек-лист
Если отбросить маркетинг, выбор сводится к нескольким вопросам.
Когда логичен Sber AI
- у компании сложный документооборот, много текстов, регламентов, методологий;
- нужна единая Large Language Model, которая работает сразу в нескольких системах;
- важен контроль над данными и возможность строить собственные пайплайны вокруг модели;
- планируются продвинутые сценарии: аналитика, генерация отчётов, многошаговый reasoning.
Когда логичен MTS AI
- главная боль — контакт-центр и сервисное обслуживание;
- есть потребность в голосовых и чатовых ассистентах для массовых пользователей;
- нужны быстрые, предсказуемые ответы на типовые вопросы по услугам и продуктам;
- IT-команда хочет минимизировать сложность интеграции и опираться на готовые блоки.
Эти платформы не взаимоисключающие. Крупная группа компаний вполне может использовать Sber AI как внутренний «мозг документов», а MTS AI — как фронт для клиентского сервиса, если стратегически это оправдано.
8. Взгляд вперёд: от моделей к агентам
И Sber AI, и MTS AI уже вышли за пределы классической генерации текста. В обеих экосистемах просматривается движение к миру, где ключевую роль играют не отдельные модели, а полноценные AI Agent-системы.
Для Sber AI это означает связывание LLM с бизнес-процессами: от запуска регламента до проверки документов и согласований. Для MTS AI — переход от простых чат-ботов к ассистентам, которые могут вести диалог, учитывать историю, инициировать действия и замыкать простые задачи без участия оператора.
С этой точки зрения, сегодняшнее сравнение — лишь снимок по состоянию на конец 2025 года. В реальности обе экосистемы будут меняться: добавлять новые модели, усложнять пайплайны инференс, укреплять связки с данными и интерфейсами. Но уже сейчас видно главное: Sber AI и MTS AI закрывают разные зоны российского ИИ-ландшафта и вместе формируют более устойчивую, разнообразную инфраструктуру, чем если бы на рынке осталась одна универсальная модель.
