Циан: ИИ-платформа GPT Gateway обрабатывает около 300 тыс. запросов в сутки

«Циан» — цифровая платформа недвижимости, задача которой — быстро и точно соединить покупателя и продавца. По словам ИТ-директора Максима Радюкова, расходы на вычислительную инфраструктуру стали значительной частью бюджета, а продукты на больших языковых моделях не всегда окупаются. Когда каждая команда самостоятельно экспериментирует с новыми инструментами, в компании появляется множество технологий без централизованного управления, и это замедляет развитие. Отдельный вопрос — безопасность: при работе с внешними моделями возникает риск утечки исходного кода и чувствительных данных. Компании нужен был управляемый способ быстро запускать ИИ-кейсы и снижать зависимость от внешних ИИ-провайдеров.

«Циан» создал ИИ-платформу — единый внутренний контур генеративного ИИ для всей компании. Доступ к моделям организован через единый шлюз, который управляет тем, какие данные могут передаваться внешним моделям. Компания придерживается гибридного подхода: для большинства продуктовых сервисов используются внешние модели с запретом на обучение на персональных данных, для чувствительной информации — алгоритмов, внутренних сервисов и других критически важных данных — только локальные модели. Собственную большую языковую модель компания создавать не планирует: готовые модели донастраиваются под конкретные сценарии с помощью LoRA-адаптации. Модели выбираются по качеству, скорости, безопасности и экономике; компания тестирует Codex, модели Anthropic, Qwen, GLM, Kimi и другие и не делает ставку на одного поставщика.

Данные привёл Максим Радюков в интервью CNews, опубликованном на корпоративном сайте «Циана» 12 августа 2026 года. По его словам, GPT Gateway обрабатывает около 300 тыс. запросов в сутки при пике до 15 запросов в секунду. Платформу компания относит к направлению повышения операционной эффективности; наиболее заметный эффект, по словам Радюкова, в разработке, где нейросеть пишет более 35% строчек кода в день. Масштабное внедрение больших языковых моделей в разработку в некоторых командах сначала снизило производительность; компания приостановила эксперимент, доработала инфраструктуру, обучила команды и затем продолжила внедрение. Во внутренних процессах разработки работают связки агентов: один пишет код, другой проверяет, третий ищет уязвимости; критические действия остаются под контролем специалистов.