Китайские нейросети 2026: DeepSeek, Qwen, Kling - брать или нет

Китайские нейросети в 2026 году брать стоит, но не на всё. DeepSeek и Qwen закрывают массовые текстовые задачи - переводы, черновики, разбор таблиц, классификацию заявок - в разы дешевле западных флагманов и работают из России без плясок с VPN. Kling даёт приличное видео там, где раньше нужен был подрядчик. Ограничение одно и жёсткое: всё, что содержит персональные данные клиентов, финансовую конкретику и коммерческую тайну, в китайское облако не отправляется. Дальше - как развести это на практике.

Модели обновляются чаще, чем я успеваю переписывать статьи. Что пробую и что из этого доживает до рабочего процесса - выкладываю в закрытый канал ИИмперии: разборы релизов, промпты, связки, роли цифровых сотрудников.

Почему китайские модели вообще попали в шорт-лист?

Три года назад вопрос «какую нейросеть взять» имел два ответа, оба американских. Сейчас у китайских лабораторий есть модели, которые на массовых задачах идут вровень, стоят кратно дешевле и не отказывают тебе по географии. Для российского предпринимателя решают именно доступ и себестоимость; позиции в бенчмарках идут где-то десятым пунктом.

Качество. Разрыв между топовой западной моделью и китайской на обычных рабочих задачах - написать письмо, разобрать выгрузку, классифицировать обращения - сузился до уровня, где его перестаёшь замечать. На сложных рассуждениях с длинной цепочкой шагов разрыв никуда не делся, но большинство бизнес-задач в эту категорию не попадают.

Открытые веса. DeepSeek и Alibaba выкладывают модели так, что скачать и запустить их может кто угодно. Расклад это меняет сильнее любых скидок: зависимость от того, работает ли конкретная компания с твоей страной, просто исчезает.

Цена. Она упала так, что задачи, которые раньше не имело смысла автоматизировать, стали окупаться. Прогнать десять тысяч отзывов через классификатор теперь стоит примерно как обед. Когда я говорю с людьми про то, с каких задач вообще начинать автоматизацию рутины, самый частый стопор - «дорого гонять объёмы». Этот стопор снят.

Дальше без иллюзий. Дешевизна отыгрывается на сложных задачах, а лёгкий доступ тянет за собой вопрос о том, где физически лежат отправленные тобой данные.

DeepSeek: логика, код и объём

DeepSeek сделан китайской компанией с корнями в количественном инвестировании, и характер у модели соответствующий: она сильна в логике, коде и структурном разборе. В линейке есть обычная чат-модель и рассуждающая, которая перед ответом проговаривает ход мысли. Веса открыты, API дешёвый, веб-чат работает из России.

Где он хорош на практике:

• Разбор логики и вычислений. Дай ему выгрузку продаж и вопрос «почему в июле просел средний чек» - он выдвигает гипотезы и тут же проверяет их по цифрам, докапываясь до конкретной причины. Если ты уже пробовал задавать нейросети вопросы по бизнес-аналитике, разница в глубине разбора будет заметна сразу.
• Код и скрипты. Написать парсер, поправить формулу, собрать автоматизацию на Python - здесь модель держится уверенно.
• Объёмная рутина. Классификация, извлечение полей из текста, нормализация названий. Скучные задачи на тысячи строк, где дорогая модель просто не окупается.
• Длинные документы. Свести три версии техзадания, найти противоречия в регламенте, вычитать договор перед подписанием.

Теперь про то, что раздражает. Рассуждающий режим любит уходить в длинные размышления и выдавать ответ втрое длиннее нужного. Лечится жёстким ограничением прямо в промпте: «ответ не длиннее 150 слов, ход мысли не показывай, сразу итог и три пункта обоснования». Такая строчка экономит и время чтения, и деньги, потому что размышления тоже тарифицируются как токены.

Русский язык у модели хороший, но стилистически суховатый: тексты на публику после неё всё равно требуют правки. На политически чувствительных темах она заметно осторожничает - для коммерческих задач это встречается редко, но если ты пишешь про историю, международку или регуляторику, готовься к обтекаемым формулировкам. И в пиковые часы публичный API умеет тормозить: когда у тебя процесс, где ответ нужен за две секунды, закладывай запасной маршрут и повтор запроса после паузы.

Ещё одна вещь, которую стоит знать заранее: длинный контекст модель держит, но качество по краям окна проседает. Если кидаешь в неё стостраничный документ, разбивай на куски по смысловым блокам и спрашивай по каждому отдельно. Ответ получится точнее, а суммарно дешевле, чем одна попытка проглотить всё разом.

Что даёт линейка Qwen?

Под именем Qwen у Alibaba выходит целое семейство: текстовые модели разных размеров, отдельные под код, отдельные с распознаванием картинок и документов. Смысл линейки в том, что ты подбираешь размер под задачу и не переплачиваешь за мощность, которая тебе не нужна. Большинство версий выложены под свободной лицензией.

Главное, ради чего её берут, - работа с картинками и сканами. Скинуть фотографию накладной и получить структурированную таблицу, прогнать пачку сканов актов, вытащить цифры из скриншота отчёта: в семействе есть модели, заточенные именно под это. Для бизнеса, где половина документооборота живёт в виде фотографий с телефона, закрывается целый класс задач. Оговорка по опыту: перевёрнутые и смятые сканы лучше сначала выровнять, а рукописные пометки на полях модель читает через раз, так что поле «комментарий менеджера» из распознавания стоит исключить.

Отдельно стоит мультиязычность. Qwen ровнее держит языки, которые не английский, включая русский. Переписка с поставщиками из разных стран или карточки товаров на несколько рынков - как раз тот случай, где разница заметна без специальных замеров.

Маленькие модели линейки запускаются на обычном рабочем ноутбуке. Сложные рассуждения такой версии не даются. Зато разбор письма на поля, определение темы обращения и простая нормализация названий идут спокойно, без очереди и без счётчика токенов. А раз модель крутится у тебя на машине, отправлять данные на чужие серверы просто незачем.

Минус у линейки ровно один, и он организационный: версий много, в них легко запутаться, одна и та же цифра в названии может означать разные вещи в зависимости от поколения. Сверяйся с документацией перед подключением и фиксируй в своих заметках точное имя версии, на которой ты тестировал промпт. И маленькие версии врут увереннее больших - обвешивай их проверками, на слово им верить нельзя.

Модель выбирается за вечер, а вот то, во что она вставляется, собирается гораздо дольше: промпты, регламенты, контекст бизнеса, правила по данным. Если этой части у тебя пока нет - забери бесплатное обучение, там база разбирается с нуля.

Kling и потолок генератора видео

Kling - видеогенератор от Kuaishou, работает по кредитам, доступен из России. Он делает короткие ролики из текстового описания или оживляет статичную картинку. Окупается там, где раньше платили подрядчику за простой ролик, и проваливается на точном сценарии с конкретным продуктом в кадре.

Что получается:

• Оживление статики. Есть фотография продукта - получаешь плавное движение камеры вокруг него. Самый надёжный сценарий: объект уже готов, модели остаётся только двигать камеру.
• Фоны и перебивки. Абстрактные кадры, атмосферные сцены, заставки. Там, где раньше покупали сток.
• Тесты креативов. Собрать пять вариантов видеорекламы, прогнать их на аудитории, оставить победителя и уже его снять нормально. Гипотезы дешевеют в разы.
• Физика движения. Вода, ткань, дым, походка - здесь Kling традиционно держится лучше многих конкурентов.

Что не получается. Текст в кадре - лотерея, надписи расползаются в нечитаемую кашу, логотип на упаковке превращается в абстракцию. Руки и мелкая моторика по-прежнему слабое место всех генераторов. Длинные сцены с сюжетом разваливаются: персонаж на восьмой секунде уже не тот, что на первой. Длинное описание модель отрабатывает выборочно - часть требований она додумывает по-своему, и чем подробнее промпт, тем сильнее расхождение с задуманным.

Рабочий обход тут такой: короткие куски по пять-шесть секунд, каждый со своим описанием, монтаж уже в редакторе. Надписи и логотип накладываются поверх готового ролика, а не генерируются внутри него. Такой конвейер даёт предсказуемый результат, хотя и требует человека за монтажным столом.

Практический вывод: Kling работает как инструмент в руках креатора, кнопки «сделай рекламу» в нём нет. Он снимает производственную рутину, но идею, раскадровку и решение «годится или нет» человек всё равно держит на себе. Это ровно та граница, о которой отдельно есть разбор - чего нейросеть не умеет и не будет уметь.

Почему доступ и цена перевешивают бенчмарки?

Западные сервисы либо блокируют российские IP, либо требуют зарубежную карту, либо и то и другое. Китайские в массе своей по географии не блокируют, а их API стоит настолько дешевле, что меняется сама экономика задач.

Веб-интерфейсы DeepSeek, Qwen и Kling открываются из России напрямую. Звучит мелко ровно до того момента, когда ты пытаешься объяснить сотруднику, почему у него «сайт не грузится» и что такое VPN. Внедрения нередко умирают именно на этом шаге: инструмент есть, а команда им не пользуется из-за неудобного входа.

С ценой история такая. Точные тарифы меняются несколько раз в год, поэтому смотри актуальный прайс в документации сервиса: обзоры устаревают быстрее него. Важен порядок цифр - китайские API стоят кратно дешевле западных флагманов за тот же объём токенов. Практический эффект в том, что пропадает внутренний счётчик. Ты перестаёшь думать «а не жирно ли гонять через модель все входящие письма» и просто гоняешь их все.

Посчитай на своих цифрах, чтобы понять масштаб. Возьми среднюю длину обращения в символах, умножь на количество обращений в месяц, прикинь по прайсу стоимость такого объёма. У большинства малых компаний выходит сумма, которую бухгалтерия даже не заметит в отчёте, и после этого спор «внедрять или нет» перестаёт быть про деньги.

Третий плюс менее очевиден: модель, которую можно скачать, нельзя у тебя отключить. Для бизнеса в стране, где доступ к сервисам меняется по независящим от тебя причинам, открытые веса работают как обычная страховка.

Ни один из этих плюсов не отменяет вопроса с данными, и к нему я вернусь через два раздела.

Как подключиться и заплатить, если карта не проходит?

Есть три пути, и они отличаются по цене, сложности и уровню контроля. Прямая оплата китайского API российской картой обычно не проходит. Работающие варианты: посредники-агрегаторы, российские облачные провайдеры с развёрнутыми открытыми моделями и собственное развёртывание.

Путь первый: агрегаторы. Сервисы-маршрутизаторы дают один ключ и доступ к десяткам моделей разом, включая китайские. Подключение занимает минут пятнадцать, модель меняется одной строкой в настройках, оплата устроена удобнее прямой. Расплата - наценка и ещё одно звено, которое видит твои запросы. Политику по логированию у такого посредника стоит прочитать до того, как пускать туда рабочий поток.

Второй путь: российские провайдеры. Несколько наших облаков предлагают развёрнутые открытые модели, включая семейства DeepSeek и Qwen, с оплатой в рублях и по счёту. Самый скучный и самый удобный вариант для компании с бухгалтерией: закрывающие документы, договор, понятная юрисдикция хранения. Качество то же самое - веса-то одни.

Третий путь: своё железо. Маленькие модели Qwen поднимаются на рабочем ноутбуке за полчаса. Большие требуют серьёзной видеокарты или аренды сервера. Смысл имеет тогда, когда данные критичны и наружу им нельзя вообще.

Способ подключения	Что получаешь	Когда не подходит
Веб-чат напрямую	Ноль настройки, работает сразу	Нет интеграции с процессами, всё руками
Агрегатор с одним ключом	Десятки моделей, быстрая замена	Ещё одно звено видит запросы, наценка
Российское облако	Рубли, документы, понятная юрисдикция	Выбор моделей уже, обновления приходят позже
Своё развёртывание	Данные не покидают контур	Нужны железо и человек, который это тянет

Отдельно про лимиты. У публичных API есть ограничение по числу запросов в минуту, и при массовой обработке ты в него упрёшься быстрее, чем в бюджет. Закладывай в скрипт паузу между запросами и повтор при ошибке - без этих двух строк ночной прогон на пять тысяч строк упадёт в середине и придётся начинать заново.

Разумный порядок - начать с веб-чата и потрогать руками, а когда задача станет регулярной, переехать на API. Логика тут та же, что в разборе про собрать ИИ-агента самому или взять под ключ: сначала разбираешься в процессе вручную, и только потом он превращается в автоматизацию.

Какие данные туда отправлять нельзя?

Короткое правило: всё, что идентифицирует конкретного человека, и всё, что даёт конкурентное преимущество. ФИО клиентов, телефоны, адреса, паспортные данные, полные финансовые выгрузки, исходники, переписка по сделкам, условия договоров с контрагентами. К Китаю это отношения не имеет: то же самое работает для любого чужого облака.

Тут два слоя, юридический и практический.

Юридический. Передача персональных данных российских граждан на серверы за рубежом - это трансграничная передача, и у неё есть свои требования по 152-ФЗ: отдельное уведомление регулятора до начала передачи, законные основания, оценка того, как страна-получатель защищает права субъектов. Плюс требование о том, что база с персональными данными россиян должна находиться в России. Запрета на зарубежный сервис тут нет, но появляются обязанности, которые не получится не заметить. Если у тебя больше десятка клиентов и ты собираешь их данные, час разговора с юристом обойдётся дешевле любого разбирательства.

Практический. Что происходит с текстом, который ты отправил. У публичных веб-чатов по умолчанию данные могут использоваться для улучшения сервиса. У API-режимов условия обычно строже, иногда есть отключение логирования. Условия меняются, поэтому читай актуальную политику сервиса; пересказ в статье устаревает, в том числе этот. И помни простую вещь: даже при идеальной политике серверы физически находятся в юрисдикции, где у тебя ноль рычагов в случае спора.

Тип данных	Публичный веб-чат	API через агрегатор	Своё развёртывание
Обезличенный текст, черновики	Можно	Можно	Можно
Агрегированные цифры без имён	Осторожно	Можно	Можно
ФИО, телефоны, адреса клиентов	Нельзя	Нельзя без оснований	Можно
Договоры, условия сделок	Нельзя	По решению компании	Можно
Медицинские, финансовые данные людей	Нельзя	Нельзя	Только в защищённом контуре

Базу почти никогда не сливают сознательно. Обычно менеджер копирует кусок таблицы вместе со столбцом «телефон», потому что так было быстрее, а до запрета в регламенте ему в этот момент не было дела.

Как построить контур, в котором данные не утекают?

Запреты работают хуже, чем процесс, устроенный так, чтобы чувствительные данные до модели просто не доходили. Три слоя, и ни один не требует программиста.

Слой первый: обезличивание. Перед отправкой заменяй реальные значения на метки. Вместо «Иванов Пётр, +7 900…» в запрос уходит «Клиент №1», вместо «ООО Ромашка, договор на 2,4 млн» - «Контрагент А, сумма X». Модель прекрасно работает с метками: ей нужна структура задачи, паспортные данные она всё равно никак не использует. Ответ ты потом разворачиваешь обратно у себя по таблице соответствий, которая никуда не уезжает. Для регулярных задач эту замену делает простой скрипт: на входе прогоняется шаблон по столбцам, на выходе возвращается. Такие вещи хорошо ложатся в автоматизацию рутины на Python - там как раз про задачи, которые пишутся за вечер и живут годами.

Второй слой: разделение по чувствительности. Раздели все задачи на три корзины. Зелёная - публичный контент, черновики, переводы, идеи. Туда можно любую модель, хоть самую дешёвую. Жёлтая - внутренние документы без персональных данных, регламенты, аналитика по агрегатам. Туда модель через проверенного провайдера с понятной юрисдикцией. Красная - персональные данные и коммерческая тайна. Только своё развёртывание или вообще без модели.

Третий слой: регламент. Одна страница, человеческим языком: что можно, что нельзя, что делать при сомнении. Формулировки вроде «если ты не готов увидеть этот текст в чужом отчёте - не отправляй». Этот документ должен лежать там же, где остальные рабочие инструкции, и обновляться. По сути это часть общей базы знаний, которую ты даёшь нейросети и команде.

Как это выглядит на конкретной задаче. Допустим, надо разобрать недельный поток обращений из почты и разложить по темам. Сырая выгрузка содержит адрес отправителя, подпись с телефоном и номер заказа. Скрипт вырезает три этих поля, подставляет порядковые номера и отдаёт модели голый текст обращения. Обратно приходит таблица «номер - тема - срочность - тональность», которую ты склеиваешь с исходной выгрузкой у себя. Наружу не ушло ни одного контакта, а работа, которая занимала полдня, сводится к запуску скрипта и десяти минутам проверки.

Проверка контура простая: попроси сотрудника показать последние пять запросов, которые он отправлял модели. Если в них есть красная корзина, регламент не работает. Тогда переписывай формулировки так, чтобы соблюдать их было легче, чем обходить: очередной запрет сверху даст ровно ноль.

Что меняют открытые веса на своём железе?

Открытая модель - это файл, который ты скачал и запустил у себя. Меняет она три вещи: данные не покидают твой контур, сервис нельзя у тебя отключить, стоимость обращения стремится к стоимости электричества. Платишь за это железом, настройкой и тем, что модель не обновляется сама.

Сразу про главное заблуждение. «Открытая модель» не означает «запускается на любом компьютере». Флагманские версии DeepSeek требуют серверной сборки, которая стоит как хороший автомобиль. Но в линейках есть облегчённые версии - от совсем маленьких до средних - и вот они реально крутятся на рабочей машине или на арендованном сервере за адекватные деньги.

Что имеет смысл делать на локальной модели:

1. Классификация входящих. Разложить обращения по темам, определить срочность, отметить негатив. Задача простая, объём большой, данные чувствительные - идеальный кандидат.
2. Извлечение полей. Из письма вытащить ИНН, сумму, срок. Из резюме - опыт и контакты. Локально и без утечек.
3. Черновая обработка перед облаком. Локальная модель обезличивает и сжимает, а уже результат уходит в мощную облачную. Самая недооценённая схема: получаешь качество большой модели без передачи сырых данных.
4. Внутренний поиск по документам. Модель отвечает на вопросы по твоей базе регламентов, не выходя за периметр.

Чего не стоит ждать: сложных рассуждений, тонкой стилистики, работы с длиннющими контекстами. Держи локальную модель как работягу на потоке однотипных операций, а экспертные суждения оставляй большим моделям и себе. И ей нужен человек, который раз в квартал обновит версию и проверит, что ничего не сломалось.

Порог входа сейчас ниже, чем кажется: есть готовые оболочки, которые ставятся в пару кликов и дают локальной модели нормальный интерфейс с историей чатов и загрузкой файлов. Вечер возни - и у тебя своя модель, которая не отправляет наружу ни байта.

Как развести модели по участкам работы?

Рабочая схема выглядит как список участков, и под каждым прописана своя модель. Дешёвая китайская берёт объём и рутину, сильная западная отвечает за сложные рассуждения и чистовой текст, локальная закрывает всё чувствительное. Переключение между ними должно стоить одну правку в настройках.

Так это выглядит на уровне цифровых сотрудников:

Роль	Что делает	Какая модель уместна
Поддержка первой линии	Разбор обращений, типовые ответы, маршрутизация	Дешёвая китайская или локальная - объём большой, задачи простые
Аналитик	Разбор выгрузок, гипотезы по цифрам, сводки	DeepSeek силён в логике; данные предварительно обезличить
Копирайтер	Черновики, структура, варианты заголовков	Китайская на черновик, сильная модель на чистовую правку
Дизайнер и видеопродюсер	Раскадровки, ролики, оживление статики	Kling под видео, картиночные модели под визуал
Ассистент	Календарь, письма, напоминания, документы	Локальная, если внутри есть личные данные
Продавец	Скрипты, работа с возражениями, разбор переписки	Сильная модель, данные обезличены обязательно

Смысл всей конструкции в том, чтобы новый инструмент вставлялся в неё за час. Тогда свежесть подписки перестаёт быть решающим фактором: если промпты, регламенты и контекст бизнеса лежат отдельно от конкретной модели, смена движка становится рутинной операцией. Когда всё зашито в переписку внутри чата, каждая замена превращается в стройку заново.

Практический приём: описывай задачу как роль, у которой есть вход, выход и критерии качества. Имя модели в таком описании вообще не появляется, поэтому одну и ту же роль можно запустить где угодно и сравнить результаты честно. Начать проще всего с чего-то маленького вроде ежедневной сводки на одну страницу, а подробности про масштаб компании есть в карте возможностей автоматизации бизнес-процессов.

Как проверить модель на своих задачах за один вечер?

Самый честный способ выбрать - собрать мини-тест на своих задачах. Возьми пять задач, которые реально делаешь каждую неделю, прогони их через две-три модели с одинаковым промптом и оцени результат по своим критериям. Вечер такой работы скажет о моделях больше, чем стопка рейтингов.

Пошагово:

1. Собери пять живых задач. Возьми те, что повторяются у тебя каждую неделю: разобрать выгрузку, ответить недовольному клиенту, сделать описание товара, вытащить данные из накладной, написать пост. Входные данные реальные, но обезличенные.
2. Напиши один промпт на задачу. Одинаковый для всех моделей, иначе сравнение бессмысленное. В промпте обязательно: роль, контекст, формат ответа, ограничения. Если промпты у тебя пока рождаются наугад, посмотри фреймворк 4D - он как раз про то, чтобы перестать переписывать за моделью.
3. Прогони по три раза. Модели не детерминированы, один прогон ничего не доказывает. Три подхода показывают стабильность, а стабильность важнее пикового результата.
4. Заведи таблицу оценок. Строки - задачи, столбцы - модели. В ячейке два числа: качество от 1 до 5 и сколько минут ушло на доведение до рабочего состояния. Второе число обычно и решает.
5. Посчитай стоимость. Умножь примерный расход на реальный месячный объём задачи. Иногда разница в качестве не стоит разницы в цене, иногда картина обратная. Без этой строчки решение принимается на ощущениях.
6. Выбирай под задачи. Нормальный итог теста звучит так: «на аналитике одна модель, на текстах другая». Формулировка «победила модель X» означает, что тест был слишком общим.

Один нюанс, который портит такие тесты чаще всего: оценивать результаты подряд в один присест. Ко второй модели глаз замыливается, к третьей ты уже знаешь, чего ждать. Перемешай ответы, убери из них подписи и оцени вслепую - разброс оценок иногда получается обратным тому, что ты ожидал увидеть.

Эту таблицу сохрани. Через полгода выйдет новое поколение моделей, ты прогонишь тот же тест за час и получишь честный ответ, стоит ли переезжать. Своя методика сравнения ценнее любой конкретной модели, потому что она не устаревает вместе с релизами.

Где китайские модели стабильно проигрывают?

Четыре места: тонкая стилистика на русском, сложные многошаговые рассуждения, экосистема вокруг модели и предсказуемость условий. Для рутины ничего из этого не критично, зато всё важно там, где результат идёт наружу под твоим именем.

Стиль. Тексты получаются правильными и безжизненными. Модель знает русский, но не чувствует его ритм: одинаковая длина предложений, канцелярские связки, предсказуемые обороты. Для внутренних документов этого хватает, а перед отправкой в рассылку или на лендинг текст придётся переписывать человеку. Свойство это в разной степени есть у всех моделей; разбор различий есть в сравнении Claude и ChatGPT под конкретные задачи.

Длинные цепочки. Задача в восемь шагов, где каждый следующий зависит от предыдущего, у китайских моделей чаще разваливается к середине. Лечится дроблением: большой запрос разбивается на четыре маленьких с проверкой между шагами.

Экосистема. Вокруг западных флагманов выросла инфраструктура: расширения для браузера, интеграции в редакторы, агентские режимы. У китайских моделей это либо есть в зачаточном виде, либо делается сторонними энтузиастами. Если тебе нужен, например, инструмент уровня Claude в браузере или агентская работа с кодом прямо в терминале, аналога пока не будет.

Предсказуемость. Условия доступа, цены и лимиты у китайских сервисов меняются быстрее и объявляются позже. Строить критичный процесс на конкретном публичном API рискованно. Отсюда простое правило: чем важнее процесс, тем ближе он должен быть к открытым весам и собственному контуру.

И пятое, без которого список будет нечестным: техподдержка. Документация часто переведена с китайского с потерями, ответа на обращение можно ждать долго, а в сообществе на русском разбирающихся людей пока немного.

Что делать, если китайская модель не подошла?

Сузь участок, прежде чем бросать идею целиком. Чаще всего дело оказывается в постановке: задачу выдали без контекста и критериев, а спрашивают с модели. Прежде чем менять инструмент, проверь промпт, входные данные и то, как ты оцениваешь результат.

• «Отвечает не по делу». Скорее всего, в промпте нет роли и формата. Добавь: кто ты, для кого пишешь, в каком виде нужен ответ, чего делать нельзя. Три строки контекста меняют результат сильнее, чем смена модели.
• «Придумывает факты». Дай модели источник прямо в запросе: выдержку из документа, таблицу, цифры. И добавь строчку «если данных нет в приложенном тексте, ответь: нет данных». Работает почти всегда.
• «Хорошо один раз, плохо на второй». Тут нужен регламент: закреплённый шаблон запроса, который не переписывается каждый раз заново. Это, по сути, и есть разница между игрушкой и рабочим процессом.
• «Слишком долго доводить до ума». Замеряй время доводки, а не только качество. Если на правку уходит больше, чем на написание с нуля, задача выбрана неправильно - верни её человеку и возьми другую.
• «Не тянет наши таблицы». Проверь, в каком виде ты их передаёшь. Скриншот таблицы и текстовая выгрузка дают разный результат. Про это подробно в разборе работы с таблицами и формулами.
• «Команда не пользуется». Самая частая причина провала, и модель тут ни при чём. Проверь, сколько кликов отделяет сотрудника от результата. Если промпт надо искать в переписке, а вход требует отдельного логина, инструмент умрёт через неделю независимо от качества ответов.

И отдельная категория: задачи, которые модели не отдают вообще. Решения с последствиями, оценка людей, выбор направления, ответственность перед клиентом. Тут модель готовит материал, а подпись под решением ставит человек, и следующее поколение моделей этого не изменит.

С чего начать неделю внедрения?

Выбрать одну задачу, проверить на ней две модели, записать регламент, пустить в работу. Система из десяти процессов, построенная разом, развалится на второй неделе. Один рабочий участок, доведённый до состояния «работает без тебя», даёт больше, чем пять начатых.

День первый. Выпиши десять задач, которые отнимают время каждую неделю. Отметь ту, что повторяется чаще всего и не содержит персональных данных. Это твой первый участок.

Второй день. Открой веб-чаты DeepSeek и Qwen, прогони задачу в обоих. Без API, без настроек. Смотри на качество и на то, сколько правишь после.

Третий день. Напиши промпт как следует: роль, контекст бизнеса, формат, ограничения, пример хорошего ответа. Прогони заново. Разница между вторым и третьим днём обычно больше, чем разница между самими моделями.

Четвёртый день. Реши по данным: что в этой задаче можно отправлять как есть, что надо заменять метками. Запиши правило одной строкой и положи туда же, где лежит промпт.

Пятый день. Сохрани промпт там, где его найдёт любой в команде, и покажи одному сотруднику. Если он смог повторить результат по твоей инструкции - участок готов.

Дальше берёшь следующую задачу. Через несколько месяцев вместо россыпи чатов у тебя собранный контур, где у каждой роли свой участок и свой инструмент. Примерно так и выглядят ИИ-агенты для бизнеса в российских реалиях - аккуратно разложенная работа без всякой магии. И если завтра выйдет модель вдвое лучше, ты подключишь её быстро, потому что всё остальное уже стоит на месте.

Китайские нейросети в этой картине работают как дешёвый и доступный движок для большой части участков. Решения они за тебя не примут, полностью заменить сильные западные модели у них тоже не выйдет, а клиентская база в такое облако не отправляется ни при каких условиях. Поставь их на участки, где они дают выигрыш, и держи границу по данным по-честному.

Источники

• DeepSeek API Documentation - официальная документация по подключению, моделям и режимам работы
• DeepSeek-R1 на Hugging Face - карточка модели, лицензия и технические характеристики
• Репозиторий DeepSeek на GitHub - исходные материалы и описания архитектуры
• Документация Qwen - справка по семейству моделей, развёртыванию и использованию
• Коллекция моделей Qwen на Hugging Face - полный список версий с лицензиями
• Alibaba Cloud Model Studio - официальная справка по облачному доступу к Qwen
• Kling AI - сервис генерации видео, тарифы и условия использования
• Ollama Library - каталог моделей для локального запуска, включая открытые китайские
• OpenRouter Models - агрегатор доступа к моделям разных производителей через единый API
• Федеральный закон №152-ФЗ «О персональных данных» - требования к обработке и трансграничной передаче
• Портал персональных данных Роскомнадзора - реестр операторов и порядок подачи уведомлений
• Apache License 2.0 - текст лицензии, под которой публикуется значительная часть открытых моделей