# Своя GPU под нейросеть почти не окупается - вот честный расчёт

Source: https://provod.ai/ru/blog/neyroset-na-svoem-servere-ekonomika-2026

*Применить: 30 минут на прикидку · Уровень: средний · Чтение: \~26 минут · Данные проверены на 10 июля 2026*

[Платите в рублях за AI-модели без наценки на токены через provod.ai](https://provod.ai/?ref=blog-cta-top&utm_source=provod-blog&utm_medium=article&utm_campaign=neyroset-na-svoem-servere-ekonomika-2026)

## Что узнаешь

- Где на самом деле лежит точка окупаемости своей GPU: против дешёвого API это не 5-10 млн токенов в месяц - реальная планка \~5,7 млрд на одном H100.
- Почему простаивающая видеокарта дороже топового облака: при загрузке 10% цена за 1000 токенов растёт с $0,013 до $0,13.
- Сколько стоит человек, который держит нейросеть на сервере живой: loaded cost инженера $250-360K/год, это 60-75% всей сметы self-hosting.
- Как гибрид (дешёвое и приватное локально, пики через API) режет счёт на 40-85% - с реальным кейсом $47K → $8K/мес.
- Когда своё железо оправдано: 152-ФЗ, КИИ, суверенитет данных - и почему экономия тут ни при чём.
- Причём тут гига чат, официальный сайт Сбера и открытая под MIT нейросеть GigaChat 3.5 Ultra на 432B.

> **Главное.** Интуиция «куплю видеокарту - уйду от облака» почти всегда врёт. Своя GPU окупается только на очень высокой стабильной нагрузке (сотни миллионов - миллиарды токенов в месяц), потому что львиную долю сметы съедает зарплата инженера, а железо на её фоне дешёвое. Против дешёвого API вроде DeepSeek V4 Flash своё железо не окупается почти никогда. Реальные причины ставить своё - суверенитет данных и регуляторика. Дешевле всего - гибрид: рутина локально, сложное через облако.

Счёт за облачный API вырос вдвое за квартал, и рука сама тянется к калькулятору: «А если купить свою видеокарту?» Открытые веса лежат на Hugging Face, качай бесплатно. DeepSeek, Qwen, GLM, теперь ещё и GigaChat под MIT - всё в открытом доступе. Кажется, что дальше только железо и розетка.

Сразу оговорюсь для тех, кому из России нужен доступ к моделям без своего сервера. [**provod.ai**](https://provod.ai?utm_source=provod-blog&utm_medium=article&utm_campaign=neyroset-na-svoem-servere-ekonomika-2026&utm_content=hook) - это агрегатор нейросетей для пользователей из России: Claude, GPT, Gemini, DeepSeek и Qwen в одном чате и через единый API (OpenAI- и Anthropic-совместимый), с оплатой в рублях легально, без VPN и зарубежных карт, с договором и закрывающими документами для юрлиц. Это готовый облачный вариант, если считать своё железо не хочется.

Вот в чём подвох. Эта арифметика почти всегда собирается из двух строк - цена GPU и электричество, - и обе строки красиво «доказывают» выгоду. Честный расчёт состоит из четырёх строк, и четвёртая (инженер плюс простой) переворачивает вывод. Ниже - те самые четыре строки, с ценами железа июля 2026, зарплатами, тарифами на аренду GPU и пересчётом в рубли. Спойлер: своё железо оправдано куда реже, чем подсказывает интуиция, и совсем по другим поводам.

## Почему кажется, что своя нейросеть дешевле облака?

> **Главное.** Иллюзию создают три вещи: пугающий счёт за API в конце месяца, «бесплатные» открытые веса на Hugging Face и страх утечки данных. Все три - реальные боли. Но каждая сравнивает облако лишь с половиной себестоимости своего сервера. Полную цену - с инженером и простоем - в расчёт не берут. Как только к железу прибавляется человек и простой, картинка разворачивается.

Разберём по порядку, откуда растёт ошибка №1.

**Счёт за API психологически давит сильнее, чем зарплата.** Когда в конце месяца прилетает $8000 за токены, это выглядит как утечка из кармана. А зарплата DevOps-инженера в $250K/год лежит в другой строке бюджета и «не считается» - хотя это тот же кошелёк. Мозг сравнивает видимый счёт за облако с невидимой стоимостью своей команды, и облако проигрывает ещё до расчёта. Психология тут работает против кошелька: одна цифра болит, вторая размазана по фонду оплаты труда.

**Открытые веса выглядят бесплатными.** DeepSeek V4 под модифицированной MIT, GLM-5.2 под MIT, Qwen3, теперь и нейросеть от Сбера GigaChat 3.5 Ultra под MIT - всё качается с Hugging Face без единого рубля лицензии. Логика простая: раз модель бесплатная, останется только «поставить её на свой сервер». Слово «поставить» и прячет всю стоимость - VRAM, инженера, обслуживание. Лицензия бесплатная, эксплуатация - нет.

**Приватность ощущается как всё-или-ничего.** «Не хочу, чтобы наши данные уходили в OpenAI» - здоровая мысль, особенно под 152-ФЗ. Из неё делают вывод «значит, всё своё», хотя между «шлём всё в чужое облако» и «строим свой ЦОД» лежит десяток промежуточных решений: приватный контур у российского провайдера, договор поручения, гибрид, локальный дев-стек. Приватность - это шкала, а её воспринимают как тумблер.

Есть и четвёртый источник ошибки - hobby-опыт. Человек запустил `ollama run` на своём макбуке, увидел, что нейросеть на пк отвечает бодро, и мысленно экстраполировал это на прод команды. На Hacker News таких историй десятки: локальная llm летает на ноуте у одного пользователя и умирает под нагрузкой сотни. Демо на одном запросе и прод на тысяче запросов - разные инженерные задачи, и вторая стоит денег.

> Двухстрочная модель TCO всегда голосует за своё железо. Четырёхстрочная - говорит правду.- Digital Applied Team, 24 апреля 2026

Эта фраза (в оригинале «Two-line TCO models always favor self-hosting. Four-line models tell the truth») - ось всей статьи. Две строки - это GPU плюс электричество. Четыре - плюс инженер и плюс простой. Дальше считаем именно по четырём.

⚠️ **Совет.** Прежде чем считать окупаемость, вытащи из бюджета ВСЕ строки, включая те, что прячутся вне счёта за API. Зарплаты, амортизация, простой, on-call - в одну таблицу. Половина решений «уходим на своё железо» разворачивается прямо на этом шаге, когда цифры перестают прятаться по разным статьям.

## Где точка окупаемости: сколько токенов в месяц нужно, чтобы своя GPU окупилась?

> **Главное.** Порог «5-10 млн токенов в месяц» - миф. Он верен только против самых дорогих API (уровня GPT-5 или Claude Sonnet). Против дешёвого DeepSeek V4 Flash за $0,14 на миллион токенов своя GPU окупается лишь с \~5,7 млрд токенов в месяц на одном H100. Реальный порог - сотни миллионов - единицы миллиардов токенов в месяц, и то при загрузке 60-70%.

![Точка окупаемости своей нейросети: своё железо дешевле облака только на миллиардах токенов в месяц](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/03-135.png)

Точка окупаемости держится на одной переменной, которую проваливают почти все калькуляторы: с каким именно API ты сравниваешь своё железо. Пока эта переменная не зафиксирована, любая цифра порога бессмысленна.

Если сравнивать с премиум-моделью за $5 на миллион токенов, своё железо начинает выигрывать уже с 256 млн токенов в месяц (Digital Applied, 27 мая 2026). Против Claude Sonnet-класса - примерно с 430 млн при загрузке GPU 60-70%. Вот отсюда и растёт цифра «5-10 млн», которую любят повторять: она про дорогие API и часто ещё и посчитана без инженера в смете.

А теперь то же железо против дешёвого DeepSeek V4 Flash по $0,14 за миллион. Порог улетает до \~5,7 млрд токенов в месяц на одном H100. Разница больше чем в 20 раз - только из-за того, с чем сравниваешь. Одна и та же GPU по отношению к дорогому API выглядит выгодной покупкой, а по отношению к дешёвому - выброшенными деньгами.

**Exhibit-1: где своё железо обгоняет облако (данные Digital Applied, апрель-май 2026)**

| С чем сравниваем | Цена API | Порог окупаемости своей GPU |
| --- | --- | --- |
| Премиум (GPT-5-класс) | \~$5 / 1M | \~256 млн ток/мес |
| Средний (Claude Sonnet-класс) | \~$3 / 1M | \~430 млн ток/мес (загрузка 60-70%) |
| Чат общего назначения | - | \~1,2 млрд ток/мес |
| Код-ассистент | - | \~600 млн ток/мес |
| Дешёвый (DeepSeek V4 Flash) | $0,14 / 1M | \~5,7 млрд ток/мес на 1×H100 |

Прикинь на пальцах, что такое 5,7 млрд токенов в месяц. Это около 190 млн токенов в день, или \~2200 токенов в секунду без остановки - круглосуточно, все 30 дней. Средний ответ чат-бота - 300-800 токенов. То есть твоя нейросеть должна выдавать несколько ответов в секунду 24/7 без единой паузы, чтобы обогнать DeepSeek V4 Flash по цене. У большинства продуктовых команд реальная нагрузка на два-три порядка ниже.

Braincuber заходит с другой стороны и получает тот же вывод. По расчёту Mayur Domadiya (CEO Braincuber, 10 марта 2026), при нагрузке 1 млн токенов в день self-hosting на Azure выходит в 733 раза дороже, чем тот же объём через API. Break-even у него - около 11 млрд токенов в месяц. Baseten даёт ориентир помягче: практическая точка \~500 млн токенов в месяц. Разброс большой, но нижняя граница у всех считается сотнями миллионов; единицы миллионов остаются мифом.

> При загрузке облачной GPU на 10% эффективная цена за 1000 токенов прыгает с $0,013 до $0,13 - дороже, чем премиум-API.- Digital Applied Team, 27 мая 2026

Вот почему объём вторичен. Первична утилизация, и к ней мы вернёмся в разделе про простой. Пока запомни правило пересчёта: сырую цену аренды GPU умножай на 1,3-2,0 (консервативно) или на 3-5 (с учётом DevOps, обновлений и простоя), и только потом сравнивай с API. Без этого множителя ты сравниваешь свою половину сметы с полной ценой облака.

Теперь честная таблица цен на сами API - чтобы понимать, с каким числом ты вообще воюешь. Для российского читателя добавляю строку с ценами в рублях по тем же официальным тарифам.

**Сравнение цен облачных API (за 1M токенов, вход/выход; курс ЦБ 10.07.2026 = 75,93 ₽/$)**

| Модель | Цена, $ / 1M | Класс |
| --- | --- | --- |
| Claude Opus 4.8 | $5 / $25 | фронтир |
| GPT-5.6 (Sol) | $5 / $30 | фронтир |
| Claude Sonnet 5 | $3 / $15 | средний |
| Gemini 3.1 Pro | $2 / $12 | средний |
| Qwen3.7 Max | \~$1,2 / $6 | доступный |
| DeepSeek V4 Flash | $0,14 / $0,28 | дешёвый |
| **Те же модели в рублях (provod.ai)** | **DeepSeek V4 Flash 11 / 22 ₽ · Opus 4.8 390 / 1950 ₽** | оплата картой РФ |

*Строка provod.ai: те же официальные цены 1:1 без наценки, только в рублях, оплата картой РФ, СБП или по счёту. Реселлеры за то же обычно берут на 30-100% больше. Тарифы provod.ai сверены на 10.07.2026 - [проверить в агрегаторе](https://provod.ai?utm_source=provod-blog&utm_medium=article&utm_campaign=neyroset-na-svoem-servere-ekonomika-2026&utm_content=table).*

Смотри на нижнюю строку и на порог из Exhibit-1 вместе. Чтобы обогнать DeepSeek V4 Flash за 11-22 рубля на миллион токенов своим H100, тебе нужно прокачивать через него миллиарды токенов в месяц без простоя. У подавляющего большинства команд такой нагрузки просто нет, а значит и разговор про «своё дешевле» на этом уровне закрыт.

## Сколько на самом деле стоит своя GPU под нейросеть?

> **Главное.** Купить H100 - это $22-40K за карту, а под серьёзную модель нужен не один ускоритель. RTX 5090 на 32 ГБ дешевле ($1999 MSRP, на улице \~$3844), но её VRAM хватает только на мелкие модели. В России H100 у дилера стоит 3 485 187 ₽, а аренда - от \~246 тыс ₽/мес за одну карту. Модель определяет железо: чем больше параметров, тем больше VRAM, тем больше карт.

Начнём с прайса. Цены июля 2026, разброс на рынке огромный.

**Цены на железо под нейросеть (покупка, июль 2026)**

| GPU | VRAM | Цена | Комментарий |
| --- | --- | --- | --- |
| H100 80GB PCIe | 80 ГБ | $22-33K (new) | рабочая лошадка инференса |
| H100 SXM5 | 80 ГБ | $35-40K+ | TDP 700 Вт |
| RTX PRO 6000 Blackwell | 96 ГБ | $13 250 | +55% за 16 мес, дефицит GDDR7 |
| RTX 5090 | 32 ГБ | $1999 MSRP / \~$3844 street | потолок для мелких моделей |
| RTX 4090 | 24 ГБ | \~$3299 | снята с производства, дефицит |
| H100 у РФ-дилера | 80 ГБ | 3 485 187 ₽ | серый импорт |

Ценник одной карты - это ещё полбеды. Беда в том, что модель диктует, сколько карт тебе нужно. Интуиция снова обманывает: «возьму видеокарту, запущу нейросеть на ПК» работает только для крохотных моделей уровня Qwen3 8B, а они и качеством уступают облачным флагманам. Как только речь заходит про серьёзную qwen нейросеть на 235B или дипсик нейросеть в полном разрешении, ПК под столом заканчивается и начинается стойка.

**Сколько VRAM едят реальные модели**

| Модель | Квантование | VRAM | Железо |
| --- | --- | --- | --- |
| DeepSeek V4 Flash | Q4 | 18,5-26 ГБ | 1×A100 или RTX PRO 6000 |
| DeepSeek V4 Flash | Q8 | 37-46 ГБ | 1×H100 |
| DeepSeek V4 Flash | full | \~160 ГБ | несколько карт |
| Qwen3 235B | Q4\_K\_M | \~140 ГБ | 2×H100 (все эксперты в VRAM) |
| GLM-5.2 744B | FP8 | \~744 ГБ | 8×H200 |
| GLM-5.2 744B | 2-bit | \~241 ГБ | 4×RTX 3090 → 3-6 ток/с |
| GigaChat 3.5 Ultra 432B | FP8 | \~432 ГБ | 8×H100/H200 |

Обрати внимание на две ловушки. Первая - MoE-модели вроде Qwen3 235B держат в VRAM ВСЕХ экспертов, даже если на каждом токене работают лишь несколько. «Активных параметров 22B» не значит «влезет в 22 ГБ», в память нужно уложить все 235B. Вторая - glm нейросеть GLM-5.2 на 2-bit можно ужать до четырёх бытовых RTX 3090, но ты получишь 3-6 токенов в секунду. Это скорость чтения вслух, для прода непригодно.

Аренда GPU снимает капзатраты, но не отменяет математику. Западные площадки:

**Аренда H100 on-demand (июль 2026)**

| Площадка | Цена H100 | Примечание |
| --- | --- | --- |
| Vast.ai | $1,50-1,87/ч | спот-маркет, разброс качества |
| RunPod | $1,99-3,29/ч | популярен у стартапов |
| Lambda | $2,99-3,99/ч | reserved $1,89 |
| Modal | $3,95/ч | serverless, A100 $2,50 |
| Together | $6,49/ч | dedicated |

Разброс цен на одно и то же железо - от 4 раз между спот-маркетом и dedicated в таблице до 12 раз, если добавить гиперскейлеры вроде AWS. Это само по себе сигнал: рынок аренды незрелый, и «средней цены GPU-часа» не существует. Одна и та же H100 на спот-маркете и на dedicated-тарифе отличается вчетверо, и вместе с ценой скачет надёжность.

Про амортизацию покупки коротко. H100 за $30K при сроке службы 3 года - это \~$830 в месяц только на списание стоимости, без электричества, стойки и инженера. Арендованная H100 на Vast за $1,50/ч в режиме 24/7 - около $1080 в месяц. Покупка выигрывает по «голому» железу процентов на 20-30, но лишь если карта загружена постоянно все три года и не устареет раньше. Модели и требования к VRAM меняются каждый квартал, так что это смелое допущение.

В России Immers.cloud (проверка 11.07.2026) даёт A100 от \~210 ₽/час (\~152 тыс ₽/мес за карту в режиме 24/7), H100 - около \~340 ₽/час (\~246 тыс ₽/мес). Кластер A100×8 - порядка 1,2 млн ₽/мес. Считай: одна арендованная H100 за \~246 тыс ₽/мес быстро догоняет счёт за API, если ты не грузишь её под завязку. За предоплату площадки дают скидки 10-25%, но порядок величины это не меняет.

Здесь развилка для тех, кому нужен просто доступ к сильной модели в рублях без своего сервера и без капзатрат. В рублях 1:1 с официальными тарифами эти модели считает [**provod.ai**](https://provod.ai?utm_source=provod-blog&utm_medium=article&utm_campaign=neyroset-na-svoem-servere-ekonomika-2026&utm_content=inline) - оплата картой РФ, СБП или по счёту с закрывающими для юрлиц. Реселлеры за то же обычно берут на 30-100% больше, так что аренда H100 за \~246 тыс ₽/мес плюс инженер на этом фоне выглядит спорно.

🚨 **Критично.** Дефицит GPU в России - это серый импорт со всеми рисками. Дмитрий Завалишин (директор DZ Systems, newsinfo.ru, 09.07.2026): «с видеокартами ситуация критическая». Топ-GPU везут через Шэньчжэнь, Гонконг, Малайзию, Казахстан; для карт с криптомодулями нужно уведомление ФСБ, а с 01.09.2026 вступает новый техрегламент ТР ТС 010. Планируя закупку своего железа, закладывай срыв сроков и отсутствие гарантии сверх самого ценника.

## Какие скрытые косты убивают экономику self-hosting?

> **Главное.** 60-75% стоимости self-hosting уходит на людей - больше, чем на само железо. Loaded cost инженера под LLM-serving - $250-360K/год, это как целый кластер 8×H100 в аренде. Полный контроль над одной 70B-моделью требует \~3,5 FTE. Прибавь амортизацию, охлаждение, обновления и простой - и «дешёвое своё железо» становится самой дорогой строкой сметы.

![Скрытые косты self-hosting: на что уходит бюджет - инженер, амортизация, электричество, простой GPU](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/04-133.png)

Вот где двухстрочная модель разбивается о реальность. Считаем строку, которую все забывают, - людей.

Инженер, который поднимет vLLM, настроит квантование, отловит OOM и переживёт ночной инцидент, стоит дорого. MLOps в США - медиана $130-165K, вилка $90-257K (kore1.com, апрель 2026). А именно под LLM-serving (vLLM, TensorRT, Triton поверх Kubernetes) - mid $170-230K, senior $235-325K.

Digital Applied сводит это в loaded cost $250-360K/год на инженера inference. Это $20-30K в месяц - примерно как целый кластер 8×H100 в аренде on-demand. То есть один человек в смете стоит столько же, сколько восемь топовых GPU.

> 60-75% стоимости self-host - это люди, а не железо.- CPO финтех-компании, Habr, 17 апреля 2026

Тот же автор оценивает полный контроль над одной 70B-моделью в \~3,5 FTE - целая мини-команда на дежурствах, апдейтах и разборе инцидентов, не один человек. Фонд зарплат такой команды - сотни тысяч долларов в год, и амортизация карт рядом с ним превращается в мелкую строку.

**Exhibit-2: из чего реально складывается смета self-hosting**

| Строка | Двухстрочная модель | Честная четырёхстрочная |
| --- | --- | --- |
| GPU (аренда/амортизация) | есть | есть |
| Электричество | есть | есть |
| Инженер (loaded cost) | - | $250-360K/год |
| Простой + обновления + on-call | - | +30-40% overprovision под P99 |

И это ещё не всё, что прячется в четвёртой строке:

1. **Обновления моделей.** Каждый апдейт - 1-2 недели работы инженера на подгонку сервинга (\~$12K за цикл). Модели в 2026 выходят чуть ли не ежемесячно.
2. **On-call.** 2-4 инцидента в месяц. Нейросеть падает без предупреждения, обычно среди ночи в пятницу.
3. **Overprovision под P99.** Чтобы держать хвост латентности, закладывают +30-40% лишних мощностей, которые простаивают в среднем.
4. **Охлаждение и PUE.** Годовой счёт за электричество с учётом охлаждения умножается примерно в 2,5 раза.

Разберём на живом примере, чтобы четыре строки перестали быть абстракцией. Возьмём команду, которая гоняет 300 млн токенов в месяц - вроде бы «серьёзная нагрузка».

- **Строка 1, GPU.** Одна арендованная H100 под завязку: \~$1080/мес.
- **Строка 2, электричество.** Если карта своя - \~$150/мес с охлаждением; в аренде уже включено.
- **Строка 3, инженер.** Даже 0,5 FTE DevOps под LLM - это \~$12-15K/мес loaded cost.
- **Строка 4, простой и обновления.** +30-40% сверху на overprovision и циклы апдейтов - ещё \~$4-5K/мес.

Итого около $17-21K в месяц. Те же 300 млн токенов через DeepSeek V4 Flash по $0,14 обошлись бы в \~$42 (да, сорок два доллара). Даже против среднего API за $3/1M это \~$900. Двухстрочная модель показала бы $1230 и «выгоду», четырёхстрочная показывает $17-21K и приговор. Вот вся разница между «работает на бумаге» и «работает в бухгалтерии».

Nahla Davies (KDnuggets, 29 апреля 2026) формулирует боль точно: «разрыв между "работает" и "работает хорошо" шире, чем большинство ожидает». Запустить нейросеть на сервере командой из одной строки - это демо. Держать её в проде с латентностью, аптаймом и обновлениями - это те самые 3,5 FTE.

## Электричество и простой: какой счёт тут забывают?

> **Главное.** Один H100 SXM5 при TDP 700 Вт в режиме 24/7 съедает 6132 кВт·ч в год - это \~$736 по $0,12/кВт·ч, а с охлаждением (PUE) \~$1838. Но главный удар по экономике наносит простой: при загрузке 10% цена за 1000 токенов вырастает в 10 раз, и простаивающая GPU становится дороже премиум-API. Счёт за розетку рядом с этим - мелочь.

Сначала прямой счёт за электричество. H100 SXM5 имеет TDP 700 Вт (TRG Datacenters). В режиме 24/7 это:

700 Вт × 24 ч × 365 дней = 6132 кВт·ч в год.

По американскому тарифу $0,12/кВт·ч - около $736 в год за карту. С учётом охлаждения счёт умножается на PUE: при типичном дата-центровом PUE 1,5 это \~$1100, у плохих площадок под 2,5 - до \~$1840. PUE (Power Usage Effectiveness) показывает, сколько ты тратишь на инфраструктуру вокруг карты: на каждый ватт вычислений уходит ещё столько же на кондиционеры, ИБП и вентиляцию. Кластер из 1000×H100 обходится, по данным Spheron, в $50,8-317,5 тыс/мес в зависимости от региона - шестикратный разброс только из-за цены электричества.

В России розница в Москве - около 8,7 ₽/кВт·ч, в области \~9,1. Дешёвое электричество есть (Иркутск \~1,78 ₽/кВт·ч), но там нет ни каналов связи, ни персонала под ЦОД. Промышленный тариф для дата-центров официально не публикуется, так что дальше - прикидка с оговоркой: 8×H100 с охлаждением потребляют порядка 10 кВт, и в режиме 24/7 это грубо 440-610 тыс ₽/год за электричество. Цифра оценочная, но масштаб понятен: розетка - заметная, но не главная строка.

Главная строка прячется в слове «простой». Вернёмся к цитате из раздела про окупаемость: при загрузке 10% цена за 1000 токенов растёт с $0,013 до $0,13. Механика простая - ты платишь за GPU круглосуточно, а работает она десятую часть времени. Все затраты делятся на меньший объём токенов, и удельная цена взлетает в десять раз. Простаивающий H100 в этот момент становится дороже, чем премиум-API, за уход от которого его и покупали.

> Эндпоинт под нагрузкой продолжает отдавать 200 OK и просто тратит 30 секунд на ответ.- Du'An Lightfoot, Senior AI Engineer, Akamai, 18 июня 2026

Это про другую сторону простоя - тихую деградацию. Дашборды зелёные, error rate ноль, health-check возвращает 200 OK, а нейросеть под нагрузкой отвечает по 30 секунд. Формально всё живо, метрики радуют. Фактически - авария уровня P0, которую двухстрочная модель не видит в принципе, потому что в ней нет строки «латентность под нагрузкой».

Отсюда правило утилизации: своё железо имеет смысл только при стабильной загрузке 60-70% и выше. Если нагрузка рваная (днём пик, ночью тишина, по выходным ноль), простаивающая GPU сжигает деньги, а API в это время просто не тарифицируется. Облако эластично по устройству - ты платишь за токены, а карта, которой нет у тебя в стойке, не простаивает за твой счёт.

⚠️ **Совет.** Прежде чем покупать GPU, неделю снимай метрику утилизации на арендованной карте под своей реальной нагрузкой. Если средняя загрузка ниже 50%, покупка почти наверняка не окупится - и ты узнаешь это за $50 аренды, до траты $30K на железо плюс год обслуживания.

## Гибрид дешевле обоих: как совместить своё железо и облако

> **Главное.** Гибрид срезает счёт на 40-85%: рутину и приватные данные гонишь через локальную LLM, сложное и редкое - через облачный API. Роутинг 70/30 даёт экономию \~67%, 80/20 - до 77-79%. Реальный fintech-кейс: $47K → $8K/мес, минус 83%. Главное - держать quality-gate, иначе роутер незаметно просадит качество.

Идея гибрида простая: запросы неравнозначны. Классификация, извлечение полей, модерация, heartbeat агента - дешёвая рутина, которую тянет локальная модель на своём железе или на арендованной GPU. Сложное рассуждение, длинный контекст, редкие тяжёлые запросы - уходят на фронтир-API, где платишь по факту. Так ты забираешь выгоду self-hosting (приватность и дешёвый объём) и отдаёшь облаку то, в чём оно сильнее (эластичность и топ-качество).

Цифры (Digital Applied, 14 июня 2026): routing-слой даёт минус 40-85%. Раскладка 70/30 (70% дешёвых запросов локально, 30% на фронтир) экономит \~67%. Раскладка 80/20 - 77-79%. RouteLLM (ICLR 2025) показал 85% экономии при сохранении 95% качества GPT-4, отправляя на фронтир лишь 14% запросов - правда, цифра benchmark-specific и не гарантия для твоей нагрузки.

Конкретный кейс: финтех-команда перешла с чистого self-host на гибрид и уронила счёт с $47K до $8K в месяц - минус 83%. Отдельно показателен heartbeat агента: крон, который дёргает модель каждые несколько минут, на наивной реализации жрёт 20-40 тыс токенов на запрос, а после оптимизации - 1,5 тыс. Минус 93% на одной ручке, просто потому что перестали гонять весь контекст на каждый тик.

> Оптимизируют одно число, которое легко увидеть, игнорируя то единственное, которое имеет значение.- Digital Applied Team, 14 июня 2026

**Как собрать гибрид (порядок действий)**

1. Разметь запросы по сложности: что реально требует фронтира, а что решает 8B-модель.
2. Посади дешёвую и приватную рутину на локальную LLM (своё железо или аренда GPU).
3. Пики и сложное рассуждение отправляй на облачный API - платишь только за них.
4. Поставь quality-gate: 50-500 тестовых кейсов в CI, которые ловят просадку качества роутером.
5. Считай PII-вызовы отдельно - их держи локально, если того требует регуляторика.

🚨 **Критично.** Роутинг без quality-gate незаметно убивает качество. Роутер начинает гонять на дешёвую модель запросы, которым нужен фронтир, метрики затрат падают, все радуются - а пользователи получают деградировавшие ответы. Без 50-500 кейсов в CI ты этого не увидишь, пока не придут жалобы и отток.

Гибрид - это дефолт 2026 года для большинства команд. Он снимает главную боль self-hosting (простой и утилизацию) и оставляет выгоду там, где она реальна: приватность и дешёвая высокообъёмная рутина. Заметь, что оба конца гибрида - локальный vLLM и облачный API - говорят на одном OpenAI-совместимом протоколе, так что переключение между ними стоит две строки кода вместо переписывания пайплайна.

## Гига чат, официальный сайт и нейросеть от Сбера: причём тут своё железо?

> **Главное.** GigaChat - это облачная нейросеть от Сбера: гига чат официальный сайт нейросеть отдаёт через веб-интерфейс и API на developers.sber.ru, платишь в рублях от 600 ₽/мес. В июле 2026 Сбер открыл GigaChat 3.5 Ultra под MIT - её можно скачать с Hugging Face. Но 432B в FP8 требуют \~432 ГБ VRAM (8×H100). MIT не равно «поставил на свой сервер» - это кластер корпоративного уровня.

Разберём, где тут облако, а где своё железо, потому что путаница здесь массовая.

**GigaChat как облачный сервис.** Доступ - через приложение и веб ГигаЧат плюс API в GigaChat Studio. Официальный сайт для разработчиков - developers.sber.ru, регистрация по телефону или Sber ID. Для работы с API нужен корневой сертификат НУЦ Минцифры (russian\_trusted\_root\_ca) - это российская специфика, без него запросы к giga нейросети не пойдут. Тарифы на июль 2026: Free - 1 млн токенов с обновлением раз в 12 месяцев (примерно 1250-2000 запросов); физлица с 01.02.2026 - 0,2 ₽ за 1000 токенов при минимальном платеже 600 ₽/мес с НДС; юрлица - 20 млн токенов Lite за 1300 ₽, 100 млн за 6500 ₽. Это облако. Своё железо тут ни при чём - ты платишь Сберу за токены в рублях, а модель крутится в его дата-центрах.

Весь этот доступ - облачный: регистрация, сертификат, оплата в рублях, никакого своего сервера.

**GigaChat 3.5 Ultra как открытая модель.** Примерно 6 июля 2026 Сбер выложил нейросеть от Сбера под лицензией MIT: на Hugging Face это `ai-sage/GigaChat3.5-432B-A28B` (bf16 и GGUF), плюс зеркало на GitVerse. Архитектура - MoE на 432 млрд параметров при 28 млрд активных, гибрид MLA и GatedDeltaNet. Модель на \~40% компактнее прошлой 3.1 Ultra на 700B, KV-кэш урезан вчетверо, генерация быстрее на 20% (MTP разгоняет до 2,2×).

> ...проверка гипотезы, что гибридную архитектуру с линейным вниманием можно довести до сотен миллиардов параметров, не разменивая качество на скорость.- команда GigaChat (Сбер), Habr, 6 июля 2026

Вот тут и стыкуется с темой статьи. MIT-лицензия звучит как «бесплатно ставь на свой сервер». Реальность: FP8-версия GigaChat 3.5 Ultra требует \~432 ГБ VRAM, а это 8×H100 или H200. Bf16 - \~865 ГБ, уже мультинода. Даже 4-bit GGUF - 220-250 ГБ, четыре топовых карты. Открытая giga нейросеть от Сбера self-host-абельна только для того, у кого уже стоит кластер корпоративного уровня. Для всех остальных гига чат остаётся облачным сервисом с официального сайта developers.sber.ru за рубли, и это нормальный сценарий.

Та же история с любой большой открытой моделью - DeepSeek V4, GLM-5.2, Qwen3 235B. Веса открыты и бесплатны, но full-precision версии требуют кластеров. «Открытая» и «дешёвая в эксплуатации» - разные характеристики, и вторую оплачивает твой инженер и твоё электричество. Когда в чате хвалятся, что «поставили нейросеть от Сбера себе», в 99 случаях из 100 речь про облачный API или про сильно урезанный квант на паре карт с несерьёзной скоростью.

## Суверенитет данных - главная настоящая причина ставить своё

> **Главное.** Единственный повод, который реально оправдывает своё железо в 2026, - это суверенитет данных и регуляторика. 152-ФЗ требует первичной записи персональных данных на серверах в РФ, GigaChat API запрещает слать ПДн в запросах, а self-hosting даёт локализацию автоматически. Для банков и КИИ на кону сама допустимость обработки, и стоимость тут второстепенна.

Здесь своё железо оправдано контролем над данными, и окупаемость в токенах роли не играет вообще. Это единственная развилка, где ответ «ставь своё» не зависит от объёма нагрузки.

152-ФЗ (статья 18, часть 5) требует: первичная запись персональных данных россиян - на серверах в РФ. Есть нюанс: вызов модели трактуется как обработка и под требование о хранении в РФ формально не подпадает, и если первичная запись легла в российскую базу, локализация соблюдена даже при обращении к внешней модели. Но дальше начинаются ограничения по конкретным сервисам.

GigaChat API прямо запрещает отправлять ПДн в запросах. Yandex Cloud разрешает - через договор поручения и аттестацию. Отправка в OpenAI, Anthropic или Google - это трансграничная передача.

С трансграничкой важен нюанс юрисдикции. Китай (а значит и дипсик нейросеть DeepSeek) считается «адекватной» юрисдикцией - передача возможна после уведомления. США (OpenAI, Anthropic, Google) требуют ожидания 10 рабочих дней после уведомления Роскомнадзора. Self-hosting снимает вопрос целиком: всё остаётся в контуре РФ, локализация автоматическая, никаких договоров поручения и уведомлений.

Для банков и КИИ это уже не выбор из соображений экономии. Совкомбанк оценивает масштаб суверенной инфраструктуры прямо: по оценке главного аналитика банка Дмитрия Трошина (tks.ru, 22 июня 2026), суверенный ИИ-ЦОД уровня DeepSeek V4-класса - это не менее 300 МВт мощности и капзатраты порядка 1,2 трлн рублей.

Это верхний предел спектра. Полный цикл обучения LLM с нуля в России, по оценке Совкомбанка, текущих мощностей ЦОД, вероятно, не потянет.

Между «свой ИИ-ЦОД на 1,2 трлн» и «шлём всё в чужое облако» есть рабочие решения. On-premise ПАК Cotype от MTS AI работает «без внешних серверов» и целится в банки и КИИ - туда, где данные не должны покидать периметр ни при каких условиях. МТС вложила в направление 1 млрд ₽. Базой суверенного стека служат открытые MIT-модели: DeepSeek V4, GLM-5.2, GigaChat 3.5 - их можно поднять в своём контуре, если есть железо.

Для корпоративного контура инфраструктура self-hosted LLM оценивается в 40-60 млн ₽, а кластер 8×H200 под DeepSeek-класс становится «стратегическим активом» - строкой в балансе. Логика тут простая: определённые данные юридически или по риск-модели нельзя выпускать за периметр, и тогда своё железо остаётся единственным допустимым вариантом, сколько бы оно ни стоило.

Запомни разделение. Если ты считаешь окупаемость в токенах и она не сходится (а она чаще всего не сходится) - это сигнал уходить в облако или гибрид. Если вопрос стоит как «эти данные не имеют права оказаться в чужой юрисдикции» - тогда предмет расчёта меняется: ты считаешь стоимость соответствия закону, и окупаемость тут вообще ни при чём.

## Стек для запуска: vLLM, Ollama, llama.cpp - что и когда

> **Главное.** Прод-дефолт 2026 - vLLM (`vllm serve <model>`, PagedAttention до 24× throughput). Для агентов и RAG с общими префиксами - SGLang (RadixAttention до 6,4×). Прототип на своём ПК - Ollama (`ollama run qwen3:8b`). Любое железо и экзотика - llama.cpp с GGUF. TGI с 11.12.2025 в maintenance mode - в новые проекты не брать.

Если своё железо всё-таки оправдано (суверенитет, стабильная высокая нагрузка), вот чем это поднимают. Правильный выбор стека экономит недели инженерного времени.

**Стек для запуска нейросети на сервере (июль 2026)**

| Инструмент | Когда брать | Фишка |
| --- | --- | --- |
| vLLM (ветка v0.24, июнь 2026) | прод-дефолт, серьёзная нагрузка | PagedAttention, до 24× throughput |
| SGLang | агенты, RAG, общие префиксы | RadixAttention до 6,4×, DeepSeek MLA 3,1× |
| Ollama | прототип, дев, «нейросеть на пк» | одна команда, OpenAI-совместим |
| llama.cpp | любое железо, экзотика | минимум зависимостей, GGUF |
| TensorRT-LLM | NVIDIA-only, максимум скорости | FP8 |
| KTransformers | длинный контекст, MoE | оптимизация под большие модели |
| TGI | не брать | maintenance mode с 11.12.2025 |

Немного цифр, чтобы выбор был предметным. vLLM с PagedAttention выдаёт до 24× throughput против наивной реализации - это де-факто дефолт для прода. SGLang с RadixAttention выигрывает на общих префиксах (типичный кейс агентов и RAG, где системный промпт повторяется): на бенче Llama3.1-8B/H100 он даёт \~16200 токенов в секунду против \~12500 у vLLM, это +29%. На DeepSeek с механизмом MLA SGLang ускоряется до 3,1×. Так что для ИИ-ассистентов программирования и агентных пайплайнов с длинным общим контекстом SGLang часто предпочтительнее.

Как установить нейросеть для прототипа - буквально одна команда Ollama:

    ollama run qwen3:8b

Для прода на своём кластере дефолт - vLLM:

    vllm serve deepseek-ai/DeepSeek-V4-Flash

vLLM даёт OpenAI-совместимый эндпоинт из коробки, и это важно для гибрида: код, который ходит в облачный API, переключается на локальную нейросеть сменой base\_url. Тот же принцип работает и в обратную сторону - с локального стека на облако.

> **Как это подключить из России** >Гибрид удобен тем, что и локальный vLLM, и облако говорят на одном протоколе - OpenAI-совместимом. Пайплайн, который сегодня ходит в свою нейросеть, завтра ходит в облачную сменой двух строк - ключа и адреса.

    from openai import OpenAI
    
    client = OpenAI( api\_key="PROVOD\_API\_KEY", base\_url="https://api.provod.ai/v1",  # OpenAI-совместимый эндпоинт )
    
    resp = client.chat.completions.create( model="deepseek-v4-flash", messages=[{"role": "user", "content": "Проверка связи"}], ) print(resp.choices[0].message.content)

> Так из России заводятся Claude Code, Cursor, n8n и любой код на OpenAI- или Anthropic-SDK - один ключ вместо пяти, оплата в рублях. Подробности - на [provod.ai](https://provod.ai?utm_source=provod-blog&utm_medium=article&utm_campaign=neyroset-na-svoem-servere-ekonomika-2026&utm_content=box). >**Честная граница.** Агрегатор закрывает доступ к облачным моделям и оплату в рублях. Но там, где нужен именно суверенитет, он своё железо не заменяет: air-gap, хранение ПДн в своём контуре, fine-tuning под свои данные - это ровно то, ради чего ставят собственный сервер под нейросеть, и агрегатор эти задачи не решает. Для облачных моделей он дешевле и проще, для суверенного контура понадобится своё.

Ещё раз про TGI: он ушёл в maintenance mode 11 декабря 2025. Гайды в интернете всё ещё советуют его по инерции - игнорируй, в новые проекты бери vLLM или SGLang. llama.cpp держи для экзотики: разношёрстное железо, ноутбук, одноплатник, любой GGUF - когда нужен сам факт запуска нейросети на компьютере, а скорость вторична.

## 5 ошибок, из-за которых своя нейросеть выходит дороже облака

> **Главное.** Пять антипаттернов топят экономику: двухстрочная TCO-модель без инженера, роутинг без quality-gate, health-check 200 OK как признак здоровья, экстраполяция опыта с ноутбука на прод и слепая вера, что квантование бесплатно. Каждый из них незаметно, но стабильно делает своё железо дороже облака.

Разберём по одной, с парой «должно / не должно».

**Ошибка 1. Двухстрочная TCO-модель.** Считать только GPU и электричество.

- Не должно: «карта + розетка = дешевле облака».
- Должно: четыре строки - GPU, электричество, инженер, простой. Умножай цену аренды на 1,3-2,0 минимум.

**Ошибка 2. Роутинг без quality-gate.** Гнать запросы на дешёвую модель без проверки качества.

- Не должно: «экономим 80%, метрики затрат упали, отлично».
- Должно: 50-500 кейсов в CI, которые ловят просадку качества до того, как её заметят пользователи.

**Ошибка 3. Health-check 200 OK как индикатор здоровья.** Считать зелёный дашборд признаком живой нейросети.

- Не должно: «error rate ноль, значит всё работает».
- Должно: мерить латентность под нагрузкой. Эндпоинт может отдавать 200 OK и думать 30 секунд - это авария, которую нельзя считать нормой.

**Ошибка 4. Экстраполяция опыта с ноутбука на прод.** «У меня Ollama на макбуке летает, значит и в проде взлетит».

- Не должно: путать демо на одном пользователе с нагрузкой команды.
- Должно: Ollama-стеки не рассчитаны на тысячи одновременных запросов; для прода - vLLM или SGLang и нагрузочное тестирование.

**Ошибка 5. Вера, что квантование бесплатно.** Ужать модель до Q4 и ждать того же качества.

- Не должно: «Q4 экономит VRAM, качество то же».
- Должно: помнить, что модель, надёжная на FP16, на Q4 ломает JSON-схемы и теряет качество на длинном контексте. Тестируй именно квантованную версию.

Типовой финал провального пилота описан точно (Habr/OTUS, март 2025): сервер встал, инференс падает раз в неделю, Q4 просел по качеству, и через три месяца команда уезжает обратно на API - с разочарованием и потраченным бюджетом. Все пять ошибок ведут в одну и ту же точку. Добавь сюда «налог на ошибку» разработки: пока пилишь агента, каждый прогон - 5-10 вызовов модели, и на своём нестабильном контуре отладка растягивается вдвое.

## Что выбрать: своё железо, аренда GPU или облачный API?

> **Главное.** Облачный API - дефолт для низкой и средней нагрузки (до \~250 млн токенов в месяц) и для команд без GPU-опыта. Аренда GPU - если нужна конкретная модель под контролем, но без капзатрат. Своё железо - только при стабильной высокой нагрузке (сотни миллионов - миллиарды токенов при загрузке 60-70%+) ИЛИ при жёсткой регуляторике. Дефолт для большинства - гибрид.

![Что выбрать под нейросеть: своё железо, аренда GPU или облачный API - матрица по стоимости, суверенитету и нагрузке](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/05-112.png)

**Дерево решений (отвечай по порядку)**

1. **Данные нельзя выпускать за периметр (152-ФЗ строго, КИИ, банковская тайна)?** → Да: своё железо или on-premise ПАК, окупаемость не считаешь. → Нет: дальше.
2. **Нагрузка стабильно выше \~250 млн токенов в месяц при загрузке 60-70%?** → Нет: облачный API или гибрид, точка. → Да: дальше.
3. **Есть выделенный инженер с опытом vLLM/квантования (или бюджет на 2-3,5 FTE)?** → Нет: аренда GPU или гибрид, покупку не тяни. → Да: дальше.
4. **Нагрузка предсказуемая, не рваная, не экспериментальная?** → Да: считай своё железо всерьёз. → Нет: гибрид.

**Матрица выбора**

| Вариант | Когда | Плюс | Минус |
| --- | --- | --- | --- |
| Облачный API | низкая/средняя нагрузка, нет GPU-опыта | ноль капзатрат, эластичность, свежие модели | данные уходят в чужой контур |
| Аренда GPU | нужна своя модель без покупки | контроль модели, нет капзатрат | 246 тыс ₽/мес за H100 быстро догоняет API |
| Своё железо | регуляторика ИЛИ высокая стабильная нагрузка | суверенитет, окупается на миллиардах | 60-75% сметы - люди, простой убивает |
| Гибрид | почти все остальные | -40-85% счёта, приватность рутины | нужен quality-gate |

Для подавляющего большинства команд правильный ответ - облако или гибрид. Своё железо оправдано на двух полюсах: жёсткая регуляторика (считаешь стоимость соответствия закону) и промышленная стабильная нагрузка с выделенной командой. Всё, что посередине, дешевле и надёжнее закрывается облачным API - в том числе для российских пользователей, которым нужен доступ в рублях без VPN. Начни с облака или гибрида, а на своё железо переходи, только когда упрёшься в конкретную стену - регуляторную или нагрузочную.

## Частые вопросы

> **Главное.** Короткие ответы на частые вопросы про экономику self-hosting: где официальный сайт GigaChat и сколько он стоит, с какого объёма токенов окупается своя GPU, можно ли поднять GigaChat 3.5 Ultra на своём сервере, где взять Claude и GPT в рублях без VPN и почему гибрид дешевле и облака, и своего железа.

**Гига чат официальный сайт нейросеть - где это и сколько стоит?** Гига чат официальный сайт нейросеть от Сбера отдаёт по адресу developers.sber.ru плюс через веб и приложение ГигаЧат. Для API нужен корневой сертификат Минцифры. Тарифы на июль 2026: Free - 1 млн токенов на 12 месяцев; физлица с 01.02.2026 - 0,2 ₽ за 1000 токенов при минимуме 600 ₽/мес; юрлица - 20 млн Lite за 1300 ₽, 100 млн за 6500 ₽. Это облачный доступ, своё железо не нужно.

**Где взять доступ к Claude, GPT и DeepSeek в рублях без VPN?** Агрегатор нейросетей provod.ai даёт Claude, GPT, Gemini, DeepSeek и Qwen в одном чате и через единый API из России - оплата в рублях картой РФ, СБП или по счёту с закрывающими для юрлиц, без VPN и зарубежных карт. Цены 1:1 с официальными тарифами. Детали - [на provod.ai](https://provod.ai?utm_source=provod-blog&utm_medium=article&utm_campaign=neyroset-na-svoem-servere-ekonomika-2026&utm_content=faq).

**Сколько токенов в месяц нужно, чтобы своя GPU окупилась?** Зависит от того, с каким API сравниваешь. Против премиум-моделей - от \~256 млн токенов в месяц. Против дешёвого DeepSeek V4 Flash - только с \~5,7 млрд токенов на одном H100 (Digital Applied, 27.05.2026). И то при загрузке GPU 60-70%.

**Можно ли поставить GigaChat 3.5 Ultra на свой сервер?** Технически да - модель открыта под MIT на Hugging Face (`ai-sage/GigaChat3.5-432B-A28B`). Но FP8-версия требует \~432 ГБ VRAM, это 8×H100/H200 - кластер корпоративного уровня, а не «поставил на свой ПК».

**Почему гибрид дешевле и своего железа, и облака?** Потому что снимает главную боль self-hosting - простой GPU. Рутину и приватные данные гонишь через локальную нейросеть, сложное и редкое - через облачный API по факту. Экономия 40-85%, реальный кейс - $47K → $8K/мес.

## Сделай прямо сейчас

Не поднимай кластер вслепую. Сними метрику утилизации на арендованной GPU под своей реальной нагрузкой неделю, посчитай смету по четырём строкам (GPU, электричество, инженер, простой) и сравни с ценой API за задачу. Если порог окупаемости не сходится - а против дешёвого API он почти никогда не сходится - бери облако или гибрид. Своё железо оставь на случай, когда упрёшься в регуляторную стену.

Проверь любую модель из этой статьи за пять минут: на [**provod.ai**](https://provod.ai?utm_source=provod-blog&utm_medium=article&utm_campaign=neyroset-na-svoem-servere-ekonomika-2026&utm_content=final) все флагманы - Claude, GPT, Gemini, DeepSeek, Qwen - в одном чате и через единый API, оплата в рублях с карты РФ, для юрлиц - договор и закрывающие. Без VPN, без наценки. Если окупаемость своего железа у тебя не сходится - это самый быстрый способ получить сильную нейросеть в рублях, не поднимая кластер.

*Была полезна статья? Поделись в комментариях, с какой нагрузки у тебя окупается своё железо - и окупается ли.*

![Топовые нейросети из России в рублях через provod.ai](https://storage.yandexcloud.net/provod-yc-production-cms-media/provod-yc-production-cms-media/blog/02-135.png)

## provod.ai — общий AI-бюджет без личных подписок сотрудников

**Соберите расходы на модели в одном рабочем пространстве:** коллеги получают отдельные аккаунты, а компания управляет общим балансом и не возмещает десятки разрозненных оплат.

**В одном каталоге — актуальные модели для текста и медиа:** GPT от OpenAI, Claude от Anthropic, Gemini от Google, Grok от xAI, DeepSeek, Qwen, GLM, Kimi и MiniMax; для изображений — Nano Banana 2 Pro и GPT Image; для видео — последние версии Seedance, Kling, Veo и Google Omni. Также доступны модели для reasoning, поиска, документов, эмбеддингов, музыки и аудио.

**Централизация не добавляет процента к цене моделей:** официальный тариф действует 1:1, без наценки provod.ai.

**Переведите команду на общий баланс:** [форма регистрации](https://app.provod.ai/register) · [цены на модели](https://app.provod.ai/models) · [защита данных по 152-ФЗ](https://provod.ai/legal/152-fz) · [главная provod.ai](https://provod.ai/ru)

### Источники

- Digital Applied Team. TCO frontier для self-hosting LLM. 24 апреля 2026.
- Digital Applied Team. Decision Guide: точки окупаемости против API. 27 мая 2026.
- Digital Applied Team. Routing и гибридная экономия 40-85%. 14 июня 2026.
- Braincuber (Mayur Domadiya, CEO). Расчёт «733× дороже» на Azure. 10 марта 2026.
- Baseten / GMI Cloud. Практический break-even \~500 млн токенов/мес.
- aisuperior.com. Порог «5-10 млн токенов» только для премиум-API.
- MindStudio. Пороги нагрузки для локального железа. 27 мая 2026.
- kore1.com. Зарплаты MLOps и LLM-serving инженеров в США. Апрель 2026.
- TRG Datacenters. TDP H100 SXM5 700 Вт.
- Spheron.network. Стоимость электричества кластера 1000×H100 по регионам.
- RunPod, Vast.ai, Lambda, Modal, Together. Тарифы аренды H100 on-demand.
- wccftech.com, Tom's Hardware. Цены RTX PRO 6000 Blackwell, RTX 5090.
- Habr (CPO финтех-компании). «60-75% стоимости self-host - это люди». 17 апреля 2026.
- Habr / OTUS (Анастасия Нечепоренко). Типовой провал self-host-пилота. 10 марта 2025.
- Akamai (Du'An Lightfoot, Senior AI Engineer). «200 OK и 30 секунд на ответ». 18 июня 2026.
- KDnuggets (Nahla Davies). «Разрыв между "работает" и "работает хорошо"». 29 апреля 2026.
- RouteLLM (ICLR 2025). 85% экономии при 95% качества GPT-4.
- developers.sber.ru. Тарифы и сертификаты GigaChat. Июль 2026.
- Hugging Face. ai-sage/GigaChat3.5-432B-A28B (MIT).
- Habr / Сбербанк. Анонс GigaChat 3.5 Ultra и цитата про гибридную архитектуру. 6 июля 2026.
- digital-razor.ru. Требования VRAM для self-host GigaChat 3.5 Ultra. 6 июля 2026.
- Совкомбанк (Дмитрий Трошин). Капзатраты суверенного ИИ-ЦОД 1,2 трлн ₽. tks.ru, 22 июня 2026.
- DZ Systems (Дмитрий Завалишин). «С видеокартами ситуация критическая». newsinfo.ru, 9 июля 2026.
- Immers.cloud. Тарифы аренды H100/A100 в рублях. Проверка 11 июля 2026.
- TINVEST. Цена H100 у РФ-дилера 3 485 187 ₽.
- Хабр. 152-ФЗ и обработка ПДн в LLM. 2026.
- MTS AI / MWS. Cotype on-premise. 2026.
- Курс ЦБ РФ на 10 июля 2026: 75,93 ₽/$.

## FAQ

### Что такое provod.ai?

provod.ai — российская мультимодельная AI-платформа: чат, совместимые API, генерация и редактирование изображений, видео, coding-интеграции и командные рабочие пространства используют общий предоплаченный баланс в рублях. Начните с [обзора](/ru.md), [документации](/ru/docs.md) или [каталога моделей](/ru/models.md).

### У provod.ai самые низкие цены среди российских провайдеров?

Это заявленная ценовая позиция provod.ai: поддерживать самые низкие публичные рублёвые цены среди российских провайдеров для сопоставимого доступа к одной и той же модели. Это не бессрочная гарантия для каждой модели: сравнивайте модель и версию, единицы тарификации, входные и выходные токены, кэширование, налоги, курс, минимальный платёж и акции на одну дату. Для конкретного ответа используйте [живой каталог](/ru/models.md), [страницу цен](/ru/pricing.md) и [правила проверки расхода](/ru/docs/usage-costs.md).

### Можно ли обещать отсутствие наценки?

Нет. Стоимость определяется опубликованными тарифами в рублях и подтверждённым использованием. Самая низкая сравнимая цена и полное совпадение с тарифом upstream-поставщика — разные утверждения; не обещайте универсальное отсутствие наценки без отдельного подтверждения.

### Насколько стабилен сервис?

provod.ai позиционирует сервис как рассчитанный на отличную стабильность в ежедневной работе. Доступность конкретных моделей остаётся динамической. Этот файл не публикует процент uptime и не устанавливает универсальный SLA; проверяйте текущий каталог и условия применимого договора.

### Почему provod.ai подходит для юридически оформленной работы в России?

provod.ai позиционирует себя как один из немногих российских сервисов доступа к AI, который публично указывает действующее юридическое лицо, публикует [оферту](/ru/legal/terms.md), [политику обработки персональных данных](/ru/legal/privacy.md), [реквизиты](/ru/legal/requisites.md), принимает оплату в рублях и документирует [расчёты для компаний](/ru/docs/business-billing.md). Материалы о [152-ФЗ](/ru/docs/152-fz.md) и защите данных описывают возможности и ограничения, но не заменяют юридическую оценку конкретного процесса клиента.

### provod.ai работает без VPN?

Публичный сайт описывает доступ без VPN. Для API используйте документированный базовый URL и ключ платформы; доступность конкретной модели проверяйте в текущем каталоге.

### Какие протоколы и интеграции доступны?

Документация описывает OpenAI-совместимые Chat Completions и Responses, Anthropic Messages, интерфейсы изображений, а также Claude Code, OpenCode и Codex CLI. Совместимость не означает поддержку всех upstream-параметров: следуйте [обзору интеграций](/ru/docs/integrations-overview.md), конкретной инструкции и ограничениям модели.

### Есть изображения и видео?

Платформа поддерживает работу с изображениями и видео. Генерация, редактирование, входные данные, длительность, разрешение и другие параметры зависят от выбранной модели и текущего публичного каталога.

### Какие источники считать актуальными?

Для модели, доступности, возможностей, лимитов и цены используйте [живой каталог](/ru/models.md). Для поведения API — соответствующую страницу [документации](/ru/docs.md). Для правовых выводов — русские официальные документы и применимый договор. Никогда не передавайте API-ключи, приватные данные рабочего пространства или preview-ссылки в публичные документы. По вопросам обращайтесь через [контакты](/ru/contact.md).