LLM — что это: большие языковые модели для бизнеса

LLM, или большая языковая модель, — программа, которая понимает запрос на обычном языке и отвечает связным текстом. На таких моделях работают YandexGPT, GigaChat и чат-боты, с которыми уже разговаривают покупатели интернет-магазинов. Разбираем простыми словами, как устроена LLM, какие модели доступны российскому бизнесу, где они приносят пользу в e-commerce — в поиске по каталогу, описаниях товаров и поддержке, — какие у них ограничения и что учесть по 152-ФЗ, если в запросы попадают данные покупателей.

26 сентября 2026 ИИ 18 мин чтения

---

Что такое LLM простыми словами

LLM — сокращение от Large Language Model, по-русски «большая языковая модель». Это нейросеть, которую обучили на огромном объёме текстов — книгах, статьях, документации, диалогах — и которая умеет продолжать текст так, чтобы ответ был осмысленным. Человек пишет вопрос или задание обычными словами, а модель отвечает: пересказывает документ, составляет письмо, находит нужное в инструкции, подбирает товар по описанию.

Самое близкое бытовое сравнение — подсказка следующего слова на клавиатуре смартфона. Клавиатура предлагает одно слово по двум предыдущим. Языковая модель делает то же самое, но учитывает весь запрос и весь предыдущий диалог, а обучена на объёме текстов, который человек не прочитает за тысячи жизней. Поэтому её «продолжение» выглядит как ответ эксперта, а не как набор вероятных слов.

«Большая» — про размер модели. Внутри LLM — миллиарды числовых настроек, их называют параметрами. Открытая модель YandexGPT 5 Lite содержит 8 млрд параметров, а открытые модели семейства GigaChat от Сбера, опубликованные на Hugging Face, доходят до сотен миллиардов. Чем больше параметров, тем сложнее задачи модель решает, но тем дороже и медленнее каждый ответ.

LLM, нейросеть, генеративный ИИ и чат-бот — в чём разница

Эти слова часто используют как синонимы, хотя они обозначают разные вещи.

Для бизнеса важен последний уровень: сама по себе модель ничего не знает о вашем каталоге, заказах и регламентах. Пользу приносит решение, в котором LLM связана с данными компании и встроена в конкретный процесс, — об этом ниже. Как языковые модели работают внутри таких решений, подробно разобрано в статье о том, что такое ИИ-агент и зачем он интернет-магазину.

Как работает большая языковая модель

Разберём устройство LLM без формул — на уровне, достаточном, чтобы понимать её сильные и слабые стороны.

Текст превращается в токены

Модель работает не с буквами и не со словами целиком, а с токенами — фрагментами текста. Короткое частое слово может быть одним токеном, длинное или редкое делится на несколько частей. Каждый токен модель переводит в набор чисел. В токенах же считают и стоимость: облачные провайдеры берут плату за объём текста в запросе и ответе.

Архитектура «трансформер» и механизм внимания

Современные LLM построены на архитектуре «трансформер», которую исследователи Google описали в 2017 году в работе Attention Is All You Need. Главная идея — механизм внимания: при обработке каждого слова модель «смотрит» на все остальные слова запроса и решает, какие из них важны для смысла. Благодаря этому в запросе «платье на свадьбу подруги, но не белое» модель связывает «не белое» именно с платьем, а не отбрасывает частицу «не», как это делает поиск по ключевым словам.

Три этапа обучения

• Предобучение. Модель читает огромный массив текстов и учится предсказывать следующий токен. На этом этапе она усваивает язык, факты и связи между понятиями.
• Обучение на инструкциях. Модели показывают тысячи примеров «задание — правильный ответ», и она учится выполнять просьбы, а не только продолжать текст.
• Настройка по оценкам людей. Люди сравнивают варианты ответов, и модель учится отвечать полезнее, вежливее и безопаснее.

Что происходит, когда вы задаёте вопрос

Запрос вместе с инструкцией (её называют промптом — текстовым заданием для модели) и историей диалога попадает в контекстное окно — «рабочую память» модели. Её объём ограничен: в окно помещается определённое число токенов, и всё, что за его пределами, модель не видит. Дальше модель по одному токену подбирает самое вероятное продолжение, пока не сформирует ответ.

Из этого устройства следуют два практических вывода. Первый: модель знает только то, что было в обучающих текстах до определённой даты, и то, что вы передали ей в запросе. Второй: модель подбирает правдоподобный текст, а не проверяет факты, поэтому иногда уверенно пишет то, чего нет, — такие ошибки называют галлюцинациями. Оба ограничения решаются не выбором «самой умной» модели, а тем, как решение подаёт модели данные компании.

Какие LLM доступны бизнесу в России

Для российской компании выбор складывается из трёх групп: отечественные облачные модели, модели с открытыми весами, которые можно развернуть на своих серверах, и зарубежные облачные сервисы.

YandexGPT и Alice AI LLM

Яндекс предоставляет свои модели по API — программному интерфейсу, через который сайт или приложение обращается к модели, — в сервисе Yandex AI Studio. По документации AI Studio, YandexGPT Lite — быстрая модель для классификации сообщений, форматирования и пересказа текстов; YandexGPT Pro рассчитана на анализ документов и ответы по найденной информации; Alice AI LLM — флагманская модель, которая лучше других поддерживает диалог и подходит для ассистентов. Модели хорошо работают с русским языком, а облако размещено в России.

GigaChat

Сбер развивает семейство GigaChat и предоставляет его по GigaChat API. В документации для разработчиков перечислены модели GigaChat 2 Lite, Pro и Max для задач разной сложности и отдельные модели для векторного представления текстов, которые используются в поиске по смыслу. Часть моделей GigaChat Сбер публикует с открытыми весами, их можно развернуть на собственных серверах.

Модели с открытыми весами

Открытые модели (их часто называют open-source) можно скачать и запустить в своей инфраструктуре: данные не покидают серверов компании, а модель можно дообучить под свою задачу. Кроме открытых версий GigaChat и YandexGPT 5 Lite, популярны семейства Qwen и DeepSeek. Цена такой независимости — собственные серверы с графическими ускорителями и специалисты, которые их обслуживают. Перед использованием стоит проверить лицензию конкретной модели: условия коммерческого применения различаются.

Зарубежные облачные модели

Модели GPT, Claude и Gemini сильны в сложных рассуждениях и работе с кодом, но у большинства из них нет официального доступа для российских компаний, а данные при обращении уходят на зарубежные серверы. Для решений, которые обрабатывают данные покупателей, это означает трансграничную передачу персональных данных со всеми требованиями закона.

Выбор зависит от задачи: одна компания запускает чат-бота на облачной модели за несколько недель, другой нужна открытая модель в своей инфраструктуре из-за требований службы безопасности. Часто в одном решении работают две модели — быстрая для простых запросов и мощная для сложных. Как такие решения встраивают в серверную часть сайта и приложения, объясняет статья о бэкенде мобильного приложения.

Как научить модель отвечать по данным компании

Модель провайдера сама по себе не знает ваших цен, остатков, условий доставки и возврата. Есть три способа дать ей эти знания, и они не исключают друг друга.

В задачах интернет-магазина чаще всего применяют RAG (Retrieval-Augmented Generation). Данные компании разбивают на фрагменты и переводят в векторы — числовые представления смысла, — поэтому система находит нужное, даже если покупатель сформулировал вопрос другими словами, чем написано в карточке товара. Если в данных ответа нет, решение так и сообщает, а не придумывает. Подробно технология разобрана в статье о корпоративной базе знаний на ИИ, а устройство решения по данным компании — на странице внедрения ИИ в бизнес-процессы.

Где LLM помогает интернет-магазину

Языковая модель полезна там, где много однотипной работы с текстом, а ответ нужен быстро. В e-commerce таких мест пять.

Поиск по каталогу обычными словами

Обычный поиск ищет совпадения слов и теряется на запросах вроде «кроссовки как у известной модели, но не белые» или «что подарить брату-студенту до 3 000 рублей». LLM понимает смысл: выделяет категорию, цвет, бюджет, повод и переводит запрос в параметры фильтров, а поисковый движок подбирает товары. Такой поиск работает и с голосом: покупатель говорит «ингредиенты для борща», и в выдаче появляются свёкла, капуста и картофель. О том, как поиск и фильтры влияют на продажи, — в статье о повышении конверсии интернет-магазина.

Описания товаров и SEO-тексты

Модель пишет черновики описаний по характеристикам из учётной системы, выдерживает тон бренда и структуру карточки, готовит тексты для категорий и статей блога. Человек проверяет факты и редактирует. Пошаговый процесс — от подготовки данных до связки с 1С и проверки на модерации маркетплейсов — разобран в статье как генерировать описания товаров с помощью нейросетей. Про то, как тексты для сайта сегодня читают и сами ИИ-ассистенты поисковиков, — в материале о продвижении в эпоху генеративного ИИ.

Поддержка покупателей

Чат-бот на LLM отвечает на вопросы о доставке, возврате, размерах и статусе заказа, а сложные случаи передаёт оператору вместе с историей переписки. Главное условие — бот отвечает по базе знаний магазина и данным заказа, а не по общей эрудиции модели. Как это устроено, описано на странице разработки чат-ботов с ИИ для интернет-магазинов и в статье об ИИ-ассистенте в приложении интернет-магазина.

Отзывы и вопросы на маркетплейсах

Продавцы на Wildberries и Ozon получают сотни отзывов и вопросов в день. Модель готовит ответ с учётом содержания отзыва и характеристик товара, а менеджер подтверждает или правит его. Эту задачу решает сервис SaleSynergy. На что покупатели жалуются чаще всего, мы разбирали в статье об отзывах покупателей.

Подсказки сотрудникам

Внутри компании LLM отвечает сотрудникам по регламентам, прайсам и условиям поставщиков: менеджеру не нужно искать нужный пункт в десятке документов. Для этого сценария подходит ИИ-ассистент для сотрудников по базе знаний, а если нужно, чтобы система не только отвечала, но и выполняла действия во внутренних системах, — ИИ-агенты для бизнеса.

Рядом с языковыми моделями работают генеративные модели изображений: они меняют фон на фото товара, приводят снимки к единому стилю и формату площадок. Это другой тип нейросетей, но управляются они так же — текстовым запросом. Пример такого сервиса — ИИ-обработка фото товаров.

Ограничения языковых моделей

LLM ускоряет работу с текстом, но у неё есть ограничения, которые стоит учесть до старта проекта. Каждое из них снимается не выбором модели, а устройством решения.

Отдельно стоит договориться, где модель действует сама, а где только подсказывает. Ответ о статусе заказа можно доверить боту, а решение о возврате денег или компенсации — оставить сотруднику. Такую границу фиксируют на этапе проектирования, иначе её приходится выстраивать после первых жалоб покупателей.

LLM и 152-ФЗ: данные покупателей в запросах

Как только в запрос к модели попадают имя, телефон, адрес доставки или история заказов конкретного человека, решение обрабатывает персональные данные, и на него распространяется Федеральный закон № 152-ФЗ «О персональных данных». Для проектов с LLM важны три положения закона.

• Локализация. По статье 18 при сборе персональных данных граждан России их запись, хранение и обновление ведутся в базах данных, которые находятся на территории России.
• Трансграничная передача. По статье 12 до начала передачи данных за рубеж оператор уведомляет Роскомнадзор, а в ряд стран передача возможна только после решения регулятора. Запрос с данными покупателя к зарубежной модели — это и есть трансграничная передача.
• Поручение обработки. Если данные обрабатывает облачный провайдер модели, это поручение обработки другому лицу по статье 6: нужны основание для такой обработки и договор с требованиями к конфиденциальности и защите данных.

На практике проекты с LLM выстраивают по нескольким правилам:

• передавать модели только те данные, без которых ответ невозможен, а имена и телефоны заменять условными обозначениями до отправки запроса;
• для сценариев с персональными данными выбирать российскую облачную модель или открытую модель на серверах компании;
• заключать с провайдером договор, который описывает порядок обработки данных;
• отражать обработку в политике конфиденциальности и форме согласия покупателя;
• разграничивать доступ по ролям и вести журнал запросов, чтобы понимать, какие данные и кем передавались модели.

Раздел — обзор требований закона, а не юридическая консультация: схему обработки данных в конкретном проекте стоит согласовать с юристом компании. Требования к размещению модели и данным фиксируют в техническом задании — до выбора модели, а не после запуска. О защите данных в приложении магазина мы писали также в статье о безопасности платежей в мобильном приложении.

Как выбрать модель под задачу

Выбор модели начинается не с рейтингов, а с ответов на пять вопросов о задаче.

1. Какие данные попадут в запросы? Если есть персональные данные или коммерческая тайна, круг сужается до российских облачных моделей и открытых моделей на своих серверах.
2. Сколько запросов в день и за какое время нужен ответ? Поиску по каталогу нужен ответ за доли секунды на тысячах запросов — здесь подходит быстрая модель. Разбор сложного обращения может подождать несколько секунд ради качества.
3. Насколько сложна задача? Классификация обращений и пересказ справится лёгкая модель, анализ договора или многошаговый диалог — мощная.
4. Есть ли специалисты и серверы? Открытая модель на своих серверах требует графических ускорителей и команды, которая следит за их работой. Облачная модель избавляет от этого, но добавляет плату за каждый запрос.
5. Как проверить качество? Соберите 50–100 реальных вопросов покупателей с правильными ответами и прогоните их через две-три модели — это даёт больше, чем сравнение моделей по публичным тестам.

Серверную часть таких решений обычно пишут на Python: он удобен для работы с моделями, поиском по смыслу и интеграциями. Если нужна отдельная команда под этот стек, подойдёт разработка на FastAPI или разработка на Django.

Как внедрить LLM: пять шагов

Внедрение идёт по шагам, чтобы на каждом был проверяемый результат, а первый бюджет оставался сдержанным.

Шаг 1. Анализ процессов

Шаг 2. Техническое задание

Шаг 3. Первая версия на реальных данных

Шаг 4. Тестирование на живых запросах

Шаг 5. Запуск и развитие

Сроки каждого шага зависят от числа сценариев, разнородности данных и глубины интеграций, поэтому их фиксируют в смете после анализа. Как команда разработки считает сроки и бюджет, объясняет статья об оценке проекта разработки.

Кейсы: ИИ-поиск, Контентзавод и обработка фото

FITTIN развивает собственные продукты на языковых и генеративных моделях и переносит этот опыт в проекты клиентов. Факты приведены по страницам продуктов и кейсов.

Другие проекты собраны в разделе кейсов, а обзор ИИ-сценариев с примерами — в статье о внедрении генеративного ИИ в бизнес.

Сколько стоит использование LLM

Бюджет складывается из трёх частей, и у каждой своя логика расчёта.

Стоимость разработки зависит от числа сценариев, объёма и формата данных, глубины интеграций и требований к размещению модели. Итоговую смету фиксируют после анализа задачи и технического задания; разработка ТЗ — от 80 000 ₽. Разница между фиксированной ценой и оплатой по часам разобрана в статье о Time & Materials и Fix Price, а ориентир по бюджету даёт калькулятор стоимости разработки.

Если задача совпадает с готовым продуктом, дешевле начать с подписки. Контентзавод стоит от 30 000 ₽ в месяц (без НДС), ИИ-обработка фото — 40 000 ₽ в месяц за 1 500 обработок, каждая следующая — 30 ₽.

Если ИИ-поиск или ассистент встраивают в приложение или сайт на платформе FITTIN, модель оплаты платформы состоит из трёх частей: единоразовая интеграция под бренд до 30 рабочих дней, ежемесячные лицензионные платежи, в которые уже включены затраты на техподдержку команды FITTIN, и новый функционал по Time & Materials со сметой перед стартом задачи. Актуальные суммы — на странице тарифов. Платформа внесена в реестр российского ПО (запись № 2487103). FITTIN — федеральная команда с центром разработки в Воронеже: распределённая модель позволяет держать эффективные ставки без потери качества.

Итог: LLM на одной странице

Сводка для обсуждения проекта с командой или подрядчиком.

Большая языковая модель — инструмент, а не готовое решение: пользу она приносит, когда связана с каталогом, базой знаний и процессами компании. Для интернет-магазина разумный старт — один сценарий, например поиск по каталогу или ответы поддержки, на российской модели или открытой модели на своих серверах, если в запросы попадают данные покупателей.

Материалы по теме:

• ИИ в e-commerce: генерация описаний товаров нейросетями, ИИ-ассистент в приложении магазина, что такое ИИ-агент.
• Технологии: база знаний на ИИ и RAG, разработка приложений с ИИ на Flutter, SEO и генеративный ИИ.
• Внедрение: как внедрить генеративный ИИ, проверка концепции и пилот, оценка проекта разработки.

Что делать дальше:

• Автоматизировать процесс на ИИ — внедрение ИИ в бизнес-процессы; поддержка покупателей — чат-боты с ИИ для интернет-магазинов или для бизнеса.
• Начать с готового продукта — Контентзавод, ИИ-обработка фото, SaleSynergy.
• Описать требования — разработка ТЗ; прикинуть бюджет — калькулятор стоимости; обсудить проект — контакты или форма ниже.

Часто задаваемые вопросы

Что такое LLM простыми словами?

LLM (Large Language Model) — большая языковая модель: нейросеть, которую обучили на огромном объёме текстов. Она понимает запрос на обычном языке и отвечает связным текстом — пересказывает документы, пишет письма и описания, находит нужное в инструкциях, подбирает товары по описанию. Устроена она как мощная подсказка следующего слова: по одному фрагменту текста подбирает самое вероятное продолжение с учётом всего запроса и диалога. На LLM работают YandexGPT, GigaChat и чат-боты с ИИ на сайтах магазинов.

Чем LLM отличается от нейросети и чат-бота?

Нейросеть — общий способ обучать программу на примерах; нейросети распознают лица, рекомендуют товары, прогнозируют спрос. LLM — разновидность нейросети, которая работает с текстом: понимает запрос и пишет ответ. Чат-бот с ИИ — готовый продукт, в котором LLM выступает «мозгом», а вокруг неё настроены сценарии диалога, база знаний и интеграции с каталогом и заказами. Сама по себе модель ничего не знает о вашем магазине, поэтому пользу приносит именно решение, связанное с данными компании.

Какие большие языковые модели есть в России?

Основные российские модели — семейство Яндекса (YandexGPT Lite, YandexGPT Pro и Alice AI LLM в сервисе Yandex AI Studio) и семейство GigaChat от Сбера (GigaChat 2 Lite, Pro и Max по GigaChat API). Их подключают по API, облако размещено в России. Часть моделей опубликована с открытыми весами: YandexGPT 5 Lite и открытые версии GigaChat можно развернуть на собственных серверах. Кроме них, компании используют открытые зарубежные модели, например Qwen и DeepSeek, запуская их в своей инфраструктуре.

Как использовать LLM и соблюдать 152-ФЗ?

Если в запросы к модели попадают имя, телефон, адрес или история заказов покупателя, решение обрабатывает персональные данные. По закону их хранение ведётся в базах данных на территории России, передача за рубеж требует уведомления Роскомнадзора, а обработка облачным провайдером оформляется как поручение с договором. На практике для таких сценариев выбирают российскую облачную модель или открытую модель на своих серверах, заменяют личные данные условными обозначениями до отправки запроса и отражают обработку в политике конфиденциальности. Схему стоит согласовать с юристом компании.

Почему языковая модель ошибается и придумывает факты?

Модель подбирает правдоподобное продолжение текста, а не проверяет факты. Если нужных сведений нет в запросе, она может уверенно назвать несуществующую характеристику или условие — такие ошибки называют галлюцинациями. Их снижают устройством решения: модель отвечает только по найденным данным компании (подход RAG — поиск плюс генерация), показывает источник и сообщает, что ответа нет, если его нет в данных. Спорные вопросы решение передаёт сотруднику, а качество ответов проверяют на реальных запросах покупателей до запуска.

Что выбрать: облачную модель по API или открытую модель на своих серверах?

Облачная модель быстрее в запуске: не нужны свои серверы и специалисты по их обслуживанию, оплата идёт за объём текста в запросах. Открытая модель на своих серверах оставляет данные внутри компании и позволяет дообучить модель, но требует графических ускорителей и команды поддержки. Если в запросы попадают персональные данные или коммерческая тайна, а служба безопасности не разрешает внешние сервисы, выбирают открытую модель. Для остальных сценариев чаще начинают с российской облачной модели и сравнивают две-три модели на реальных вопросах покупателей.

Сколько стоит внедрить LLM в интернет-магазин?

Бюджет складывается из работы модели (оплата токенов облачному провайдеру или собственные серверы), разработки решения и его поддержки. Разработку оплачивают по фиксированной цене после согласования технического задания или по модели Time & Materials при итеративной работе; итоговая смета зависит от числа сценариев, объёма данных и интеграций и фиксируется после анализа задачи. Если задача совпадает с готовым продуктом, дешевле начать с подписки: например, Контентзавод стоит от 30 000 ₽ в месяц без НДС, ИИ-обработка фото — 40 000 ₽ в месяц за 1 500 обработок.

Материал носит информационно-аналитический характер, отражает оценку команды FITTIN на дату публикации и не заменяет юридическую консультацию. Сведения о моделях приведены по документации Yandex AI Studio, GigaChat API и страницам моделей на Hugging Face на сентябрь 2026 года и могут меняться. Положения 152-ФЗ приведены по тексту закона в редакции на сентябрь 2026 года. Факты о продуктах и проектах FITTIN приведены по страницам продуктов и кейсов. YandexGPT, Alice AI, GigaChat, Qwen, DeepSeek, GPT, Claude, Gemini, Hugging Face, Wildberries и Ozon — товарные знаки соответствующих правообладателей; упоминаются для описания технологий и сервисов.