В России строится изолированный от интернета ИИ, который будет думать над развитием нефтяной отрасли

Одна из крупнейших вертикально-интегрированных нефтяных компаний России — ПАО «Татнефть» — планирует запустить ИИ-платформу (AI Development Platform) для генерации и проверки кода и развернет ее на мощных американских ускорителях Nvidia Tesla H100 NVL. Компания начала поиск подходящих подрядчиков на платформе B2b-center, выяснил CNews.

Согласно документации, с которой удалось ознакомиться CNews, «Татнефть» в лице своего ИТ-предприятия ООО «ТатИТнефть» хочет привлечь вендора для поставки уже готового решения. Это ИИ-инструмент, который будет обеспечивать автоматизацию написания и исправления тестов, разработки кодов и рефакторинга, проверки качества и безопасности кода. Также планируется через ИИ-инструменты автоматизировать создание техдокументации, осуществлять поддержку исследования архитектурных решений и создания PoC. ИИ должен взяться за автоматизацию помощи новым разработчикам в обучении и адаптации к кодовой базе.

"Татнефть" внедрит инструмент ИИ для генерации кода

Рассматриваются только российские ИИ-инструменты, включенные в реестр российского ПО, следует из документации. Платформа будет работать в закрытом контуре в полной изоляции, на базе дата-центров «Татнефти», без подключения к внешним ресурсам, в том числе интернет.

Инструмент ИИ должен иметь техническую поддержку от производителя (вендора) на русском языке. Основной язык интерфейса — русский, английский будет применяться опционально.

В техдокументацию вносится пункт, что исключительные права на результаты интеллектуальной деятельности (программный код, тесты, документация, отчеты и иные артефакты) с использованием инструмента ИИ будут принадлежать «Татнефти» с момента их создания. Лицензионное вознаграждение не зависит от объема, состава и способов использования указанных артефактов.

Новая ИИ-платформа будет бесшовно интегрирована как с импортозамещающими отечественными системами управления разработкой (Devprom ALM и Test IT), так и с локально развернутыми компонентами ИТ-инфраструктуры (GitLab self-hosted и Active Directory).

Особенности ИИ-инструмента

Система предусматривает поддержку локальных больших языковых моделей (LLM) с гибким роутингом (разные модели под задачи автодополнения, Code Review и анализа безопасности).

Инструмент ИИ должен поддерживать следующие языки программирования: C#, JavaScript, TypeScript, Java, Python, Go, PHP, SQL/PL-SQL, Bash/Shell, а также соответствующие фреймворки, включая, но не ограничиваясь: ASP.NET Core, Spring/Spring Boot, FastAPI, Django, React, Vue, Express.

Кроме того, инструмент ИИ должен обеспечивать работу с большими кодовыми базами объемом от 1 миллиона строк кода (LOC), включая legacy-код, механизм RAG (Retrieval-Augmented Generation) для работы с внутренней документацией и кодовой базой «Татнефти». Кроме того, инструмент ИИ должен обеспечивать генерацию unit-тестов на основе анализа исходного кода и применяемой в нем бизнес-логики.

Скорость работы

В техзадании прописаны нормативы скорости (SLA на генерацию). Так, автодополнение одной строки кода должно занимать до 1 секунды, генерация блока кода до 50 строк — не более 10 секунд и проверка кода до 500 строк — не более 1 минуты. Подрядчик должен заранее изучить ИТ-оборудование «Татнефти» и заверить, что оно будет способно обеспечивать такую скорость. В противном случае ему грозят санкции вплоть до разрыва договора и 100% возврата уплаченных за систему денег.

Для обеспечения скорости генерации кода и работы больших языковых моделей нефтяная компания будет использовать собственные серверы с американскими графическими ускорителями Nvidia Tesla H100 NVL, а также процессорами Intel Xeon Gold 6448Y. Предполагается, что серверы обеспечат работу на 50-200 пользователей и будут обрабатывать до 80 запросов в минуту. Конкретные требования к серверной инфраструктуре (объем GPU-памяти, CPU, RAM, хранилища) планируется уточнить с учетом выбранной языковой модели, прогнозируемой нагрузки и объема базы знаний RAG.

Выбрать языковую модель предстоит исполнителю контракта. Ее поместят в изолированным контур без подключения к интернет.

Тотальная слежка

Согласно закупочной документации за работой ИИ в «Татнефти» будет вестись тотальный контроль. Например, планируется записывать в лог все действия — начиная от того, когда программист включил ИИ, какую функцию вызвал и как применил код в реальном проекте. Компания будет видеть, где код написан человеком, а где — роботом.

Если в ИИ-платформе обнаружат уязвимость, то патч должен быть выпущен за 7 рабочих дней. Также в техзадании включен пункт о поддержке прокси-серверов с SSL/TLS-инспекцией, трафик сможет контролировать служба безопасности.

В техзадание включен пункт, что база RAG, формируемая на основе внутренней документации «Татнефти», должна храниться в зашифрованном виде с использованием стойких алгоритмов шифрования. Доступ к содержимому базы знаний должен предоставляться исключительно через штатные интерфейсы инструмента ИИ с учетом ролевой модели (RBAC).

Индексы и векторные представления, формируемые для работы RAG, должны храниться в том же защищенном контуре, что и исходная документация, без возможности экспорта в открытом виде без прав администратора.

Опытная эксплуатация ИИ-инструмента должна быть начата не позднее 1 декабря 2026 г. и завершена оформлением акта о завершении опытной эксплуатации не позднее 31 января 2027 г. Итоговый акт приемки инструмента ИИ планируется подписать до 28 февраля 2027 г.

Что даст «Татнефти» ИИ-инструмент

Для нефтегазовой отрасли плюсы от внедрения такой платформы очевидны, рассказал CNews Ахметжан Махмутов, заместитель генерального директора АО «Петербургский нефтяной терминал». Это автоматизация рутинных этапов разработки — генерация документации, первичное тестирование, разметка кода — способна ускорить процессы в разы. «Для нефтегазовой отрасли, где софт пишется под конкретные производственные задачи, это серьезный аргумент», — говорит эксперт.

Выигрыш не там, где его обычно ищут, добавил руководитель департамента автоматизации бизнес-процессов и искусственного интеллекта Hybrid Андрей Храмцов.

По его словам, прирост скорости на типовых задачах — 10–30%, на сложных близок к нулю. Зато ИИ отлично читает чужой код.

«У компании такого возраста есть легаси (старый код), которое держится на двух-трех людях, а документация утеряна лет пятнадцать назад. Ассистент, проиндексировавший этот код, сокращает вход в систему с месяцев до недель», — говорит Андрей Храмцов.

Западные гиганты судятся с VMware из-за лицензионной политики, — риски растут и для российских компаний Импортонезависимость

Как отметил эксперт, есть у такой системы и минусы. ИИ производит код быстрее, чем люди успевают его ревьюить, и узким местом становится проверка — иначе растет не скорость поставки, а объем неотсмотренного «кода в проде». Также речь идет о квалификации сотрудников, которые перестанут расти и совершенствовать свои навыки.

«Джуниор, который два года принимает подсказки не разбираясь, джуниором и остается», — указал эксперт. Еще один минус — это стоимость владения. Закрытый контур — это свой GPU-кластер, команда сопровождения и регулярная смена моделей, потому что раз в полгода выходит поколение объективно лучше. «Поставили и забыли» здесь не работает, добавил Храмцов.

У такой платформы для крупной компании два основных плюса: единая точка доступа к ИИ для разработчиков и возможность держать код внутри своего контура, рассказал CNews Никита Векессер, руководитель продуктов Nova AI и StarGuard AI в Orion soft. А вот минусы — высокий стартовый бюджет, сложная эксплуатация и риск купить мощности с запасом, которые потом будут простаивать.

По словам директора по развитию экосистемы ИИ-решений Kodik Юрия Головко масштаб внедрения можно оценить как промышленный. Речь о сотнях пользователей и платформе, встроенной в весь процесс разработки — от тестов и документации до анализа Merge Request. Главный плюс — компания переводит использование ИИ разработчиками из неконтролируемой зоны в управляемую.

«Вместо того чтобы сотрудники отправляли код во внешние чат-боты, появляется своя платформа с разграничением доступа и аудитом. Второй плюс — скорость на рутине: тесты, документация, разбор чужого кода, рефакторинг и тд; Но ИИ масштабирует не только хорошую разработку, но и плохую. Если в компании слабое ревью, мало автоматических тестов и плохо формализованы архитектурные правила, ИИ позволит производить некачественный код просто быстрее», — говорит Юрий Головко из Kodik.

Сколько стоит внедрение платформы

Реалистичный бюджет внедрения такой платформы находится в диапазоне 400–600 млн руб. на первый год, с последующими ежегодными затратами в 150–250 млн, считает Ахметжан Махмутов.

От точечных пилотов к эре агентов: как ИИ меняет российский финтех цифровизация

«Сюда входит программно-аппаратный комплекс, команда MLOps и интеграции, дообучение модели на корпоративных данных и, конечно, обеспечение безопасности. Если же "Татнефть" планирует развивать платформу на уровне отдельных департаментов к концу 2026 г., то бюджет может вырасти кратно», — пояснил Махмутов.

Векессер оценил стоимость внедрения такой платформы с учетом оборудования в сумму порядка 100-200 млн руб.

«Если речь идет о нескольких GPU-серверах уровня H100/H200, то оборудование, лицензии и внедрение могут стоить порядка 100–200 млн рублей, но точная оценка зависит от числа ускорителей и срока поддержки», — уточнил эксперт.

Есть ли защита от утечек

Эксперты считают, что даже создание защищенного сектора не гарантирует защиту от утечек.

«Стопроцентной защиты от утечки не существует, несмотря на on-premise установку и на то, что в ТЗ есть раздел с требованиями к информационной безопасности. Вероятность утечки зависит и от уровня внутрикорпоративной защиты, и от настройки ролевой модели самой ИИ системы. Например, из-за обучения модели на общих данных, конфиденциальные части кода могут быть несанкционированно получены через запросы, если некорректно настроена ролевая модель. Важно помнить, что защита систем ИИ — это такой же полноценный ИБ проект, как и защита важных "классических" информационных систем», — отмечает Олег Гомазков, бизнес-архитектор с экспертизой в финансовом управлении, системной разработке и кибербезопасности.

По словам Векессера, полная изоляция не дает 100% гарантии: код может утечь через сотрудников и администраторов, ноутбуки разработчиков, внешние носители, журналы и резервные копии, уязвимости ПО или обновления. Поэтому кроме закрытого контура нужны разграничение прав, контроль запросов и ответов моделей, аудит действий, проверка компонентов и защита всей цепочки разработки.

Импортозамещение или адаптация?

Компания планирует использовать только реестровое ПО, но импортозамещением это можно назвать лишь условно, считают эксперты.

«Отечественным здесь будет верхний слой: сама платформа, интеграция с GitLab, ролевая модель, пайплайны — это реальная российская разработка и, скорее всего, реестровое ПО. Но два нижних слоя не импортозамещены ни у кого в стране. Ускорители — NVIDIA или китайские аналоги, отечественной альтернативы под инференс такого масштаба нет. И веса моделей: почти все российские кодовые ассистенты — это дообучение открытых семейств вроде Qwen или DeepSeek. Мировая практика та же, но честная формулировка звучит как „отечественный продукт и отечественные данные поверх открытых весов и зарубежного железа“, а не как полный суверенитет», — считает Андрей Храмцов из Hybrid.

С одной стороны, формат On-premise — это уже шаг в сторону технологического суверенитета, когда данные не уходят в облако, модели разворачиваются внутри контура, рассуждает Ахметжан Махмутов из «Петербургского нефтяного терминала». С другой — мы не знаем, на какой именно модели обучалась платформа.

«Если вендор использовал открытые веса (например, LLaMA или ее производные), то это не импортозамещение в строгом смысле, а адаптация. Настоящее импортозамещение — это когда и модель, и инфраструктура, и инструменты разработки созданы внутри страны», — добавляет эксперт.