Локальная нейросеть для компании это языковая модель, которая работает на вашем сервере или в арендованном контуре в России, а не в чужом облаке: запросы, договоры и данные клиентов не уходят внешнему сервису. В 2026 году для этого не нужно обучать свою модель: Сбер и Яндекс выложили открытые веса, которые можно развернуть у себя и использовать в коммерческих задачах. Главный вопрос не в модели, а в том, какие данные вы готовы отдавать наружу и какое железо готовы держать.
Что изменилось: открытые российские модели
Сбер публикует семейство GigaChat на Hugging Face под лицензией MIT. Компактная GigaChat3-10B-A1.8B имеет 10 млрд параметров, из которых при ответе работают 1,8 млрд. В июле 2026 года вышла GigaChat 3.5 Ultra на 432 млрд параметров (28 млрд активных). У Яндекса открыта YandexGPT 5 Lite 8B: собственная лицензия разрешает коммерческое использование на её условиях, их стоит прочитать до запуска.
Размер модели определяет бюджет. Модель на 10 млрд параметров в формате fp8 занимает около 10 ГБ памяти и помещается на один серверный GPU. Модели на 432 млрд параметров в том же формате нужны сотни гигабайт видеопамяти, то есть кластер. Для типовых задач бизнеса обычно хватает компактных моделей.
Когда локальная нейросеть нужна, а когда нет
Закон № 152-ФЗ в части 5 статьи 18 требует, чтобы персональные данные граждан России при сборе записывались и хранились в базах на территории страны. Если вы отправляете такие данные во внешний ИИ-сервис, это поручение обработки по части 3 статьи 6 того же закона: нужен договор с исполнителем и понимание, где физически идёт обработка. Локальная модель снимает этот вопрос, потому что данные остаются у вас.
- нужна: разбор договоров и переписки с клиентами, внутренняя база знаний, кадровые документы, данные, которые служба безопасности запрещает выносить;
- не обязательна: тексты для сайта, обезличенная аналитика, черновики писем без персональных данных.
Правило: сначала разделите задачи на «можно наружу» и «только внутри». Локальная нейросеть нужна для второй группы, первую дешевле закрыть облачным API.
Как развернуть локальную нейросеть: этапы
- Описать 1-2 задачи и данные, которые в них участвуют.
- Выбрать модель под задачу и проверить её на ваших документах, а не на демо.
- Поставить сервер: свой или арендованный в российском дата-центре, с доступом только из вашей сети.
- Подключить модель к рабочей системе. Для продаж это CRM: агент читает карточку сделки и пишет ответ туда же, как в коробочном Битрикс24 на вашем сервере.
- Назначить владельца: кто обновляет модель, следит за качеством ответов и доступами.
Типичная ошибка: начинать с самой большой модели. Она дороже в железе, а на узкой задаче вроде разбора входящих заявок компактная модель с хорошими инструкциями часто справляется не хуже. Вторая ошибка: запустить модель отдельно от процессов, тогда сотрудники продолжают копировать текст вручную.
Что это значит для бюджета
У локальной нейросети три статьи расходов: железо или аренда GPU-сервера, работа по настройке и обслуживание. Лицензия на открытые модели GigaChat бесплатна, но сервер с видеокартой стоит заметно дороже обычного, поэтому окупаемость считают на конкретной задаче: сколько часов сотрудников она освобождает в месяц. Внедрение одного AI-агента на вашем процессе у нас стоит от 97 500 ₽, дополнительные работы идут по ставке 3 900 ₽ в час, подробности на странице AI-агентов и в ценах. Если задача не связана с персональными данными, облачный вариант обычно дешевле на старте, а к локальному переходят, когда объём запросов и требования безопасности это оправдывают.